Placówka może skasować rekord źródłowy i nadal nie wiedzieć, czy dane pacjenta wpłynęły na model AI. Samo potwierdzenie „rekord usunięty” nie zamyka sprawy: trzeba ustalić, gdzie zostały kopie, logi i pochodne oraz czy dostawca użył danych do uczenia lub dostrajania modelu. Ten news pokazuje, o jaki dowód zapytać.

Machine unlearning (techniki ograniczania lub odwracania wpływu wskazanych danych na wytrenowany model) nie jest przyciskiem „zapomnij”. Czasem właściwą metodą będzie usunięcie danych ze zbioru i ponowny trening modelu, czasem wyspecjalizowana technika unlearningu, a czasem dostawca powinien wykazać, że danych w ogóle nie użyto do uczenia. Administrator danych i IOD oceniają zakres żądania, nie model AI.

W krótkim newsie, nie chodzi o skrócenie procedury, lecz o oddzielenie deklaracji od dowodu. Stan na: 8 sierpnia 2026 r.

Co zmieniła publikacja z 19 lipca — i czego nie dowodzi?

19 lipca 2026 r. w czasopiśmie Knowledge-Based Systems opublikowano badanie metody, która ma selektywnie usuwać reprezentacje związane z danymi przeznaczonymi do zapomnienia, bez etykiet podczas procesu unlearningu. Autorzy raportują wyniki dla kilku rodzajów usuwania i różnych architektur. To ważny sygnał, że techniki stają się bardziej precyzyjne, a nie tylko teoretyczne.

Badanie nie dotyczyło polskiej dokumentacji medycznej ani konkretnego dużego modelu językowego używanego w klinice. Nie dowodzi też zgodności produktu z RODO ani skuteczności wobec danych jednego pacjenta. Manager może użyć publikacji do zadania lepszych pytań, ale nie jako certyfikatu dostawcy.

Kasacja rekordu nie usuwa automatycznie czterech śladów

Najpierw rozpisz zakres żądania na cztery miejsca. Jeśli placówka prowadzi już rejestr danych przed pilotażem AI, ma punkt wyjścia do tej pracy. Brak któregoś miejsca na mapie oznacza brak pełnej odpowiedzi.

  1. Rekord źródłowy — formularz, plik, prompt albo wpis przekazany do usługi.
  2. Kopie i logi — kopie robocze, backupy, telemetria i historia operacji z własną retencją.
  3. Zbiory pochodne — dane do dostrajania, testów, ewaluacji lub uczenia kolejnej wersji.
  4. Wpływ na model — parametry lub reprezentacje, których nie usuwa zwykłe skasowanie pliku.

Ta lista nie przesądza, że każdy ślad trzeba usunąć w każdej sytuacji. Pokazuje za to, gdzie administrator musi podjąć osobną decyzję i gdzie potrzebuje informacji od podmiotu przetwarzającego lub dostawcy systemu.

Pytania do dostawcy o metodę i wynik testu

Nie pytaj tylko: „czy usuwacie dane?”. Poproś o plan działnia dostawcy dla konkretnej usługi, wersji modelu i rodzaju danych. Odpowiedź powinna rozdzielać co najmniej pięć pytań:

  • Czy dane placówki były używane do trenowania, dostrajania, testów albo ulepszania modelu?
  • Które kopie, logi i zbiory pochodne obejmuje żądanie, a które podlegają uzasadnionej retencji?
  • Czy metoda polega na ponownym treningu, unlearningu, odłączeniu adaptera czy usunięciu danych wyłącznie na poziomie aplikacji?
  • Jak dostawca sprawdza, że wskazany wpływ został ograniczony, a pozostałe funkcje modelu nie zostały niekontrolowanie uszkodzone?
  • Jaki dokument otrzyma placówka: identyfikator żądania, zakres, datę, wersję modelu, wynik testu i listę wyjątków?

Filtr wejścia lub odpowiedzi to nie to samo co usunięcie. Oficjalne stanowisko ICO zwraca uwagę, że filtr może ograniczać ujawnienie informacji, ale nie usuwa ich z modelu. Dla managera różnica jest prosta: dostawca ma opisać zarówno działanie techniczne, jak i sposób jego weryfikacji.

Administrator i IOD rozstrzygają zakres obowiązku

10 marca 2026 r. UODO opublikował praktyczny materiał o prawie do usunięcia. Urząd przypomina, że art. 17 RODO przewiduje podstawy żądania, lecz również wyjątki, między innymi obowiązek prawny, interes publiczny w zdrowiu publicznym i obronę roszczeń. Prawo do usunięcia nie działa automatycznie i bez wyjątków.

W placówce medycznej może więc powstać rozdzielenie: dokumentacja lub inny rekord pozostaje przez wymagany okres, ale wtórne użycie w zbiorze treningowym nie ma już podstawy. Albo odwrotnie — dostawca wykaże, że system nie trenował na danych placówki, więc usunięcia wymagają wejścia, logi i kopie, lecz nie wpływ na model. Taką kwalifikację zapisuje administrator z udziałem IOD, a dostawca dostarcza fakty techniczne.

Europejska Rada Ochrony Danych podkreśla też, że anonimowość modelu ocenia się indywidualnie: trzeba brać pod uwagę możliwość identyfikacji osoby i wydobycia jej danych z modelu. Sama etykieta „model anonimowy” nie zastępuje analizy ani testu.

Co manager może sprawdzić dzisiaj?

Weź jedną umowę i jedną procedurę obsługi praw osoby. Nie używaj realnego żądania pacjenta do próbnego testu. Na neutralnym scenariuszu sprawdź:

  • czy umowa zabrania trenowania na danych placówki albo dokładnie opisuje takie użycie;
  • kto przyjmuje żądanie i kto mapuje rekord, kopie, logi, zbiory pochodne oraz model;
  • czy dostawca ma termin, metodę, test i format potwierdzenia;
  • czy procedura pozwala zapisać wyjątek prawny oraz uzasadnienie dalszej retencji.

Warto iść dalej, gdy dostawca pokaże zakres i dowód dla konkretnej wersji usługi. Zatrzymaj projekt, gdy odpowiedź kończy się na usunięciu konta, wyłączeniu filtra lub ogólnym zapewnieniu bez testu. AI może porządkować zatwierdzoną mapę i terminy, ale człowiek ocenia podstawę prawną, kompletność dowodu i zamknięcie żądania.

Źródła