АРХІТЕКТУРНІ ПІДХОДИ ДО ЗАБЕЗПЕЧЕННЯ ЦІЛІСНОСТІ ТА КОНФІДЕНЦІЙНОСТІ ДАНИХ У СИСТЕМАХ МОНІТОРИНГУ ПСИХОЕМОЦІЙНОГО СТАНУ

Автор(и)

  • В.Г. Сліпченко Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, Україна https://orcid.org/0000-0002-3405-0781
  • Л.Г. Полягушко Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, Україна https://orcid.org/0000-0003-3287-8523
  • В.С. Хнюкало Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, Україна https://orcid.org/0009-0006-5913-2958

DOI:

https://doi.org/10.31673/2409-7292.2026.037413

Анотація

У статті досліджено архітектурні підходи до управління персональними даними у системах
психоемоційного моніторингу на прикладі авторської цифрової платформи «Sensera». Розглянуто
фундаментальну суперечність між необхідністю глибокої поздовжньої аналітики психоемоційних станів та
суворими вимогами до захисту персонально ідентифікованої інформації (PII). Метою роботи є теоретичне
обґрунтування та практична апробація архітектурної моделі «PII Isolation», що забезпечує фізичне та логічне
розмежування ідентифікаційних і клінічних даних безпосередньо на рівні реляційної схеми бази даних.
Дослідження базується на методах порівняльного аналізу підходів до захисту PII (k-anonymity, differential privacy,
Privacy by Design), структурного моделювання схеми бази даних та практичного прототипування на стеку FastAPI
0.128.0 / PostgreSQL 17.4 / SQLAlchemy 2.0. Додатково досліджено уніфікацію метаданих засобами перелічуваних
типів (ENUM) та оптимізацію асинхронної обробки запитів через стратегію Eager Loading (joinedload/
selectinload). Практична апробація на вибірці з 30 клінічних профілів та 102 оцінювань підтвердила ефективність
рішень: автоматизована верифікація PII-ізоляції завершилась зі статусом PASSED відповідно до GDPR Art. 4(5);
стратегія Eager Loading скоротила кількість SQL-запитів з 11 до 1 (-91%); впровадження 4 ENUM-типів усунуло
4 класи помилок некоректного введення та знизило оцінку вартості запиту на 9,4% при абсолютній точності
статистики планувальника (14/14 проти 1/14 при TEXT CAST). Відповідність архітектури підтверджено за 8
статтями Регламенту (ЄС) 2016/679. Зроблено висновок, що запропонований підхід реалізує принцип «позитивної
суми» – забезпечує повну аналітичну точність без компромісу з приватністю. Практична цінність полягає у
відтворюваності моделі для масштабованих e-Health платформ, що потребують одночасного виконання вимог
GDPR та HIPAA.
Ключові слова: ізоляція PII, цілісність даних, психоемоційний моніторинг, PostgreSQL, FastAPI,
уніфікація метаданих, захист персональних даних.

Перелік посилань
1. The Future of Jobs Report 2025. World Economic Forum. URL: https://www.weforum.org/publications/thefuture-of-jobs-report-2025/.
2. World mental health today: latest data. World Health Organization (WHO). URL: https://www.
who.int/publications/i/item/9789240113817.
3. Samarati P. Protecting Respondents' Identities in Microdata Release. IEEE Transactions on Knowledge and
Data Engineering. 2001. Vol. 13, no. 6. P. 1010–1027. URL: https://www.cs.colostate.edu/~cs656/reading/samarati.pdf.
4. Sweeney L. K-ANONYMITY: A MODEL FOR PROTECTING PRIVACY. International journal of
uncertainty, fuzziness and knowledge-based systems. 2002. Vol. 10, no. 05. P. 557–570. DOI: https://doi.org/ 10.
1142/s0218488502001648.
5. Machanavajjhala A., Kifer D., Gehrke J., Venkitasubramaniam M. l-Diversity: Privacy Beyond k-Anonymity.
ACM Transactions on Knowledge Discovery from Data. 2007. Vol. 1, no. 1. Art. 3. DOI: https://doi.org/10.1145/
1217299.1217302.
6. Li N., Li T., Venkatasubramanian S. t-Closeness: Privacy Beyond k-Anonymity and l-Diversity. IEEE Xplore.
2007. URL: https://ieeexplore.ieee.org/document/4221659.
7. Narayanan A., Shmatikov V. Robust De-anonymization of Large Sparse Datasets. IEEE Xplore. 2008. URL:
https://ieeexplore.ieee.org/document/4531148.
8. Sung M., Cha D., Park Y. R. Local differential privacy in medical domain to protect sensitive information:
Algorithm Development and Real-World Validation (Preprint). JMIR Medical Informatics. 2021. DOI:
https://doi.org/10.2196/26914.
9. Cavoukian A. Privacy by Design: The 7 Foundational Principles. Computer Science Computing Facility |
Computer Science Computing Facility (CSCF) | University of Waterloo. URL: https://student.cs. uwaterloo.ca/
~cs492/papers/7foundationalprinciples_longer.pdf.
10. Regulation - 2016/679 - EN - gdpr - EUR-Lex. EUR-Lex – Access to European Union law. URL: https://eurlex.europa.eu/eli/reg/2016/679/oj/eng.
11. OWASP Foundation. 2021. OWASP Application Security Verification Standard (ASVS) 4.0. URL:
https://owasp.org/www-project-application-security-verification-standard/.
12. HL7 International. 2023. HL7 FHIR Release 5. URL: https://hl7.org/fhir/.
13. Blobel, B., & Ruotsalainen, P. 2018. Privacy and Security in Personal Health Monitoring Systems. Studies in
Health Technology and Informatics, 251, 3–15. URL: https://doi.org/10.3233/978-1-61499-922-3-3.
14. Ramírez, S. 2023. FastAPI: Concurrency and async/await. URL: https://fastapi.tiangolo.com/async/.
15. SQLAlchemy Authors. 2024. SQLAlchemy 2.0 Unified Tutorial. URL: https://docs.sqlalchemy.org/en/20/
tutorial/.
16. PostgreSQL Global Development Group. 2024. Enumerated Types (8.7). PostgreSQL Documentation. URL:
https://www.postgresql.org/docs/current/datatype-enum.html.

##submission.downloads##

Опубліковано

2026-09-15

Номер

Розділ

Статті