Electronic copy available at: http://ssrn.com/abstract=2491054CASE WESTERN RESERVE UNIVERSITY
Citizen Science: The Law and Ethics of
Public Access to Medical Big Data
Sharona Hoffman
Case Research Paper Series in Legal Studies
Working Paper 2014-21
August 2014
This paper can be downloaded without charge from the
Social Science Research Network Electronic Paper Collection:
http://ssrn.com/abstract=2491054
For a complete listing of this series:
http://www.law.case.edu/ssrn
Electronic copy available at: http://ssrn.com/abstract=2491054
1 
Draft – article forthcoming in Berkeley Technology Law 
Journal 
Citizen Science:  The Law and Ethics of 
Public Access to Medical Big Data 
Sharona Hoffman  
Patient‐related  medical  information  is  becoming 
increasingly available on the Internet, spurred by government open 
data policies and private sector data sharing initiatives.  Websites 
such  as  HealthData.gov,  GenBank,  and  PatientsLikeMe  allow 
members of the public to access a wealth of health information.  As 
the medical information terrain quickly changes, the legal system 
must not lag behind.  This Article provides a base on which to build 
a  coherent  data  policy.  It  canvasses  emergent  data  troves  and 
wrestles with their legal and ethical ramifications.   
Publicly accessible medical data have the potential to yield 
numerous benefits, including scientific discoveries, cost savings, the 
development  of  patient  support  tools,  healthcare  quality 
improvement, greater government transparency, public education, 
                                                            
 Edgar A. Hahn Professor of Law and Professor of Bioethics, Co‐Director 
of Law‐Medicine Center, Case Western Reserve University School of Law; 
B.A., Wellesley College; J.D., Harvard Law School; LL.M. in Health Law, 
University of Houston.  Professor Hoffman was a Distinguished Scholar 
in Residence at the Centers for Disease Control and Prevention’s (CDC) 
Center for Surveillance, Epidemiology and Laboratory Services during the 
spring semester of 2014.  This Article grew out of her work with the CDC, 
and  she  wishes  to  thank  the  many  colleagues  who  discussed  these 
important issues with her.  The author also thanks Jaime Bouvier, Jessie 
Hill,  Tony  Moulton,  Andy  Podgurski,  Andrew  Pollis,  and  Timothy 
Webster for their thoughtful comments on prior drafts.  Tracy (Yeheng) Li 
provided invaluable research assistance throughout this project. 
Electronic copy available at: http://ssrn.com/abstract=2491054
2 
and positive changes in healthcare policy.  At the same time, the 
availability  of  electronic  personal  health  information  that  can  be 
mined  by  any  Internet  user  raises  concerns  related  to  privacy, 
discrimination, erroneous research findings, and litigation.  This 
Article analyzes the benefits and risks of health data sharing and 
proposes balanced legislative, regulatory, and policy modifications 
to guide data disclosure and use. 
Table of Contents 
Introduction ...................................................................................5 
I. Publicly Available Big Data Sources .....................................11 
A. Federal and State Databases .............................................12 
1. HealthData.gov ................................................................12 
  a. CDC Wonder ...............................................................13 
b. Chronic Condition Data Warehouse ........................14 
2. State Government Health Data Websites .....................15 
3. Healthcare Cost and Utilization Project .......................15 
4. GenBank ............................................................................17 
5. All‐Payer Claims Databases ...........................................18 
B. Private Sector Databases ....................................................19 
1. Dryad Digital Repository ...............................................19 
2. PatientsLikeMe ................................................................20 
3. The Personal Genome Project ........................................21 
II. The Benefits of Public Access to Health Information ........22 
3 
A. Scientific Discovery ............................................................22 
B. Research Cost Reductions ..................................................26 
C. Tools to Help Patients Navigate the Healthcare  
System .......................................................................................31 
D. Government Transparency and Public Education ........32 
E. Improvements in Healthcare Quality and Public Health 
Policy .........................................................................................34 
III. Risks of Public Access to Health Data ...............................35 
A. Privacy Breaches .................................................................35 
1. Privacy Law ......................................................................36 
  a. The HIPAA Privacy Rule ...........................................36 
b. The Privacy Act ...........................................................37 
c. State Laws .....................................................................38 
2. De‐identification ..............................................................39 
3. Does Public‐use Medical Data Pose a Real Privacy 
Threat? ...................................................................................41 
a. Data Holders Not Covered by the HIPAA Privacy 
Rule ...................................................................................42 
b. Re‐identification of Fully De‐identified Health 
Records .............................................................................45 
c. The Peculiarities of Genetic Information .................46 
B. Discrimination and Special Targeting .............................48 
1. Employers .........................................................................49 
a. Using Identifiable or Re‐Identifiable Data ..............50 
4 
b. De‐identified Information as a Basis for Multi‐
Factor Discrimination and Discrimination by Proxy .53 
2. Financial Institutions and Marketers ............................57 
C. Propagation of Incorrect and Harmful Research 
Conclusions ..............................................................................60 
1. Error Sources ....................................................................63 
2. Potential Harms ...............................................................65 
D. Litigation ..............................................................................68 
1. Defamation .......................................................................69 
2. Other Causes of Action ...................................................72 
3. Anti‐SLAPP Legislation ..................................................73 
IV. Recommendations ................................................................75 
A. Privacy and Data Stewardship .........................................76 
1. HIPAA Privacy Rule Modifications ..............................76 
a. Expanding the Definition of “Covered Entity” and 
Creating National Data Release and De‐identification 
Standards ..........................................................................77 
b. Prohibiting Re‐identification .....................................79 
2. Data Release Review Boards ..........................................80 
3. Data Use Agreements, Privacy Training, Registries, 
and Consent Procedures .....................................................81 
B. Anti‐Discrimination Protections .......................................85 
1. Detecting, Deterring, and Prosecuting Multi‐Factor 
Discrimination ......................................................................86 
5 
2. Requiring Disclosure of Data Mining for Disability 
Proxies and Predictors ........................................................87 
3. Addressing Data Mining in the ADA’s Definition of 
Disability ...............................................................................90 
C. Citizen Scientist Chaperoning ..........................................91 
D. Tort Claim Litigation Strategies .......................................95 
IV. Conclusion .............................................................................98 
 
 
 
INTRODUCTION 
On  May  9,  2013,  President  Barack  Obama  issued  an 
executive  order  entitled,  “Making  Open  and  Machine 
Readable  the  New  Default  for  Government  Information.”1  
The Order directed that, to the extent permitted by law, the 
government must release its data to the public in forms that 
make it easy to find, access, and use.   
                                                            
1 Exec. Order  No. 13642, 78 Fed. Reg. 28111, May 14, 2013.  The Order 
states, in relevant part: 
To  promote  continued  job  growth,  Government  efficiency,  and 
the social good that can be gained from opening Government data 
to  the  public,  the  default  state  of  new  and  modernized 
Government  information  resources  shall  be  open  and  machine 
readable. Government information shall be managed as an asset 
throughout  its  life  cycle  to  promote  interoperability  and 
openness,  and,  wherever  possible  and  legally  permissible,  to 
ensure that data are released to the public in ways that make the 
data easy to find, accessible, and usable. 
6 
Health  information  drawn  from  patient  records  is 
among the most useful but sensitive types of data that are 
becoming  commonly  available  to  the  public  pursuant  to 
President  Obama’s  policy  and  other  public  and  private 
initiatives that will be discussed in this paper.  This is the first 
article to canvass these emergent data troves and to wrestle 
with their legal and ethical ramifications.   As federal agencies 
gear  up  to  post  increasing  amounts  of  information  on  the 
Internet in order to comply with the executive order,2 it is time 
to consider carefully the benefits and risks of public access to 
medical  data.    The  Article’s  further  contribution  is  that  it 
formulates careful guidelines for data use in order to protect 
privacy, deter discrimination, and prevent other harms.   
Patient‐related medical data can now easily be found 
on the Internet.3  With its help, ordinary citizens interested in 
scientific research are taking matters into their own hands.  
This  is  the  era  of  “Citizen  Science”  and  “Do‐It‐Yourself 
Biology.”4    Citizen  Science  is  “the  practice  of  public 
participation and collaboration in scientific research” through 
data  collection,  monitoring,  and  analysis  for  purposes  of 
scientific discovery, usually without compensation.5  Do‐It‐
                                                            
2  Sylvia  M.  Burwell  et  al.,  Memorandum  for  the  Heads  of  Executive 
Departments and Agencies re: Open Data Policy – Managing Information as an 
Asset,  May  9,  2013  at 
http://www.whitehouse.gov/sites/default/files/omb/memoranda/2013/m‐
13‐13.pdf.  
3 See infra Part I. 
4  Heidi  Ledford,  Garage  Biotech:    Life  Hackers,  467  SCIENCE  650,  650‐52 
(2010); Amy Dockser Marcus, Citizen Scientists, WALL ST. J., Dec. 3, 2011.  
5  National  Geographic  Education,  Citizen  Science,  at 
http://education.nationalgeographic.com/education/encyclopedia/citizen
‐science/?ar_a=1. 
7 
Yourself  Biology  (DIYbio)  is  an  international  movement 
“spreading  the  use  of  biotechnology  beyond  traditional 
academics  and  industrial  institutions  and  into  the  lay 
public.”6   
Large data resources are often called “big data,” which 
is characterized by its sizeable volume, variety, and velocity, 
that is, the speed with which it is produced.7   Increasingly, 
data  collections  are  being  furnished  to  the  public  by 
government  and  private  sector  sources,  and  this  supply 
stream  will  expand  considerably  in  the  future.8    Publicly 
available resources will be called “public‐use data” or “open 
data” in this Article. 
  The  potential  benefits  of  public  access  to  health 
information  are  considerable.    In  an  era  of  diminishing 
government  funding  for  research,9  the  widespread 
availability of high‐quality datasets at little or no cost may be 
very  important  to  continued  scientific  advancement.  
Professional  researchers  as  well  as  talented  and  dedicated 
                                                            
6  Daniel  Grushkin  et  al.,  Seven  Myths  and  Realities  about  Do‐It‐Yourself 
Biology,  SYNTHETIC  BIOLOGY  PROJECT,  Nov.  2013,  p.  4,  at 
http://www.synbioproject.org/process/assets/files/6676/7_myths_final.pd
f.  
7  Philip  Russom,  Big  Data  Analytics,  TDWI  BEST  PRACTICES  REPORT  (4th 
Quarter  2011),  p.  6,  available  at 
http://public.dhe.ibm.com/common/ssi/ecm/en/iml14293usen/IML14293
USEN.PDF. 
8 See infra Part I. 
9 Nora Macaluso, Decade‐Long Funding Decline at NIH May Be Poised for 
Reversal, Collins Says, 13 BLOOMBERG BNA MED. RES. L & POL’Y REPORT 311 
(May 15, 2014) (indicating that “the chances of a project’s getting a grant 
from NIH have fallen to about 16 percent from 25 percent to 30 percent 
before 2003”). 
8 
students and amateurs could make important discoveries and 
answer  pressing  medical  questions,10    and  they  can  do  so 
without undertaking the expense, time, and work involved in 
recruiting patients and developing original datasets.11  Open 
data has also enabled entrepreneurs to create tools that assist 
patients in navigating the complexities of the contemporary 
healthcare  system  by  facilitating  searches  about  symptoms 
and  treatments,  listing  medical  providers  by  location,  and 
furnishing  physician  ratings  and  price  information.12    In 
addition, federal and state data sharing initiatives promote 
government  transparency  and  educational  initiatives  about 
health  and  medicine.13    Finally,  data  sharing  may  promote 
improvements in the services the government itself provides.  
Easily  accessible  and  navigable  public‐use  data  may  help 
administrators  determine  how  to  allocate  resources  more 
effectively  and  engage  in  quality  enhancement  activities.  
Furthermore,  media  attention  focused  on  healthcare 
inequities  and  inefficiencies  may  catalyze  positive  policy 
changes. 
  At the same time, public access policies are not devoid 
of risks.  First, the possibility of privacy breaches can never be 
fully  eliminated.14    No  matter  how  carefully  patient 
information  is  de‐identified,  at  least  a  small  risk  of  re‐
identification  will  always  remain,  and  if  data  is  not 
thoroughly  anonymized,  the  risk  of  re‐identification  is 
                                                            
10 See infra Part II.A. 
11 See infra note 109 and accompanying text. 
12 See infra Part II.C. 
13 See infra Part II.D. 
14 See infra Part III.A. 
9 
substantial.15  Furthermore, the Health Insurance Portability 
and Accountability Act (HIPAA) Privacy Rule does not cover 
most of the entities that operate public use databases, and, 
therefore,  they  are  not  subject  to  detailed  privacy 
regulations.16  Second, open data may enable discrimination 
by employers, financial institutions, and anyone else with a 
stake in people’s health.17   These entities may attempt to re‐
identify  publicly  available  health  records  that  belong  to 
applicants or employees.  In the alternative, they may mine 
medical data to find statistical associations between particular 
attributes, habits, or behaviors (e.g. obesity or smoking) and 
health  risks  and  then,  based  on  their  findings,  formulate 
discriminatory  policies  that  exclude  individuals  who  are 
perceived as high‐risk from employment, financial, or other 
opportunities.18    Third,  amateurs  may  reach  incorrect 
conclusions  and  foster  misconceptions  among  the  public 
about human health or the health care industry.  They may be 
able  to  disseminate  their  findings  broadly  through  the 
Internet  without  the  filter  mechanism  of  having  articles 
reviewed and accepted by peer‐reviewed journals.19  While 
some errors will be innocent, others might be intentional, with 
data  manipulated  for  purposes  of  promoting  personal 
                                                            
15 See Sharona Hoffman & Andy Podgurski, Balancing Privacy, Autonomy, 
and Scientific Needs in Electronic Health Records Research, 65 SMU L. REV. 85, 
105‐107 (2012) (discussing re‐identification).  For further discussion, see 
supra Parts III.A.2 and III.A.3.b & c. 
16 See infra Part III.A.3.a. 
17  See  Sharona  Hoffman  &  Andy  Podgurski,  In  Sickness  Health  and 
Cyberspace, 48 B. C. L. REV. 331, 334‐35 (2007) (discussing the many parties 
who  might  be  interested  in  obtaining  medical  information  about 
individuals). 
18 See infra Part III.B. 
19 See infra Part III.C. 
10 
agendas,  such  as  maligning  certain  ethnic  groups,  hurting 
business  competitors,  or  supporting  particular  political 
viewpoints.  In turn, parties who believe that they have been 
hurt  by  adverse  research  findings  may  initiate  litigation, 
asserting  claims  such  as  defamation  or  interference  with 
economic advantage.20  In some cases lawsuits will be brought 
merely  to  intimidate  and  harass  citizen  scientists  and  will 
needlessly burden the courts.21 
It is too early to tell whether the benefits of open data 
will outweigh their risks.  However, it is noteworthy that the 
research  projects  contemplated  in  this  Article  will  not  be 
subject  to  the  federal  research  regulations,  which  exempt 
studies based on records or data that are publicly available 
and  apply  only  to  studies  funded  or  conducted  by  federal 
agencies or submitted to the Food and Drug Administration 
(FDA)  in  support  of  applications  for  marketing  approval.22   
Citizen  scientists  will  therefore  operate  in  a  regulatory 
vacuum  with  no  governing  standards  or  processes  for 
approval  and  monitoring.    This  Article  argues  for  the 
implementation  of  moderate  safeguards  and  oversight 
                                                            
20 See infra Part III.D. 
21 Id. 
22 45 C.F.R. § 46.101(a) (2013) (stating that the regulations apply to “all 
research  involving  human  subjects  conducted,  supported  or  otherwise 
subject to regulation by any federal department or agency”); 21 C.F.R. § 
50.1  (describing  the  FDA  regulations’  scope  of  coverage);  45  C.F.R. 
§46.101(b)(4)  (2013)(exempting  “[r]esearch  involving  the  collection  or 
study  of  existing  data,  documents,  records,  pathological  specimens,  or 
diagnostic  specimens,  if  these  sources  are  publicly  available  or  if  the 
information is recorded by the investigator in such a manner that subjects 
cannot  be  identified,  directly  or  through  identifiers  linked  to  the 
subjects”).  
11 
mechanisms that will balance the needs of all stakeholders: 
patients,  researchers,  clinicians,  industry,  federal  and  state 
governmental entities, and the public at large.23  
The Article will proceed as follows.  Part I will sample 
some  of  the  many  data  collections  that  are  already  made 
publicly  available  by  various  government  and  private 
entities, examining their contents and any requirements for 
data use.  Part II will analyze the benefits of public access to 
medical data, and Part III will assess its risks.  Part IV will 
formulate  a  detailed  proposal  for  legal  and  policy 
interventions  designed  to  promote  responsible  data 
stewardship and protect those impacted by open data.  The 
first set of recommendations addresses privacy concerns and 
includes changes to the HIPAA Privacy Rule; establishment 
of data release review boards; and requirements for data use 
agreements,  privacy  training,  registries,  and  consent 
procedures.   Other recommendations call for clarification and 
modest expansion of anti‐discrimination protections; suggest 
the  development  of  research  guidance,  peer  review,  and 
publication opportunities for citizen scientists; and address 
litigation  and  liability  avoidance  strategies  pertaining  to 
public‐use data.   
I. PUBLICLY AVAILABLE BIG DATA SOURCES 
Many  large  databases  offer  public  access  to  patient‐
related  health  information.    These  databases  have  been 
established by federal and state governments as well as by 
private  sector  enterprises.    No  comprehensive  catalogue  of 
                                                            
23 See infra Part IV. 
12 
these sources exists.  This Part creates a list consisting of a 
representative  sample  of  databases  that  feature  public‐use 
medical data.   
A. FEDERAL AND STATE DATABASES 
 
1. HealthData.gov 
HealthData.gov, launched in 2011, is a Department of 
Health and Human Services website that makes over 1,000 
data  sets  available  to  researchers,  entrepreneurs,  and  the 
public free of charge.24  It thus predates the executive order by 
two  years  and  establishes  a  home  for  the  federal 
government’s  open  data.    The  data  sets  are  provided  by 
government agencies such as the Centers for Disease Control 
and  Prevention,  the  Centers  for  Medicare  &  Medicaid 
Services, the National Institutes of Health, the Administration 
for Children and Families, and several states.25   
All  users  can  search  for  information  by  key  words, 
agency type, and subject area.26  As just one example, users 
can  access  a  table  entitled  “Vaccination  coverage  among 
children 19–35 months of age for selected diseases, by race, 
Hispanic origin, poverty level, and location of residence in 
metropolitan statistical area.”27  HealthData.gov offers many 
                                                            
24  Kathleen  Sebelius,  One  Thousand  Data  Sets  and  Counting, 
HEALTHDATA.GOV, Feb. 26, 2014. 
25 Id. 
26  HealthData.gov,  at  http://healthdata.gov/.  The  subject  areas  listed  are 
administrative,  biomedical  research,  children’s  health,  epidemiology, 
Healthcare  cost,  healthcare  providers,  Medicaid,  Medicare,  population 
statistics, quality measurement, safety, treatments, and other. 
27 HealthData.gov, Vaccination Coverage Among Children 19–35 Months of 
Age for Selected Diseases, by Race, Hispanic Origin, Poverty Level, and Location 
13 
interactive analysis tools and will continue to grow and be 
refined over the coming years.28  Users can access a number of 
separate  federal  agency  databases  through  Healthdata.gov.  
Two  examples,  the  Centers  for  Disease  Control  and 
Prevention’s (CDC) database, CDC Wonder29 and the Centers 
for  Medicare  &  Medicaid  Services’  database,  Chronic 
Condition Data Warehouse,30 are discussed below. 
a. CDC Wonder 
  CDC Wonder enables researchers and the public at 
large to access a wide variety of public health information.31 
This includes data sets about deaths, births, cancer incidence, 
HIV and AIDS, tuberculosis, vaccinations, census data, and 
more.32    The  website  features  statistical  research  data, 
reference material, reports, and guidelines related to public 
health.33  Users conduct queries by selecting items from drop‐
                                                            
of  Residence  in  Metropolitan  Statistical  Area,  at 
http://www.healthdata.gov/data/dataset/selected‐trend‐table‐health‐
united‐states‐2011‐vaccination‐coverage‐among‐children‐19.  
28  See  e.g.  Harnam  Singh,  The  National  Practitioner  Data  Bank  (NPDB) 
Introduces  Interactive  Data  Analysis  Applications,  HEALTHDATA.GOV,  May 
29,  2014,  at  http://healthdata.gov/blog/national‐practitioner‐data‐bank‐
npdb‐introduces‐interactive‐data‐analysis‐applications;  Damon  Davis, 
HHS  2013  Year  in  Health  Data  Highlights,  HEALTHDATA.GOV,  Jan.  16, 
2014,  at  https://www.healthdata.gov/blog/hhs‐2013‐year‐health‐data‐
highlights.   
29  See  HealthData.gov,  CDC  Wonder:  Births,  at 
http://healthdata.gov/data/dataset/cdc‐wonder‐births‐0.  
30  HealthData.gov,  Chronic  Condition  Data  Warehouse,  at 
http://www.healthdata.gov/data/dataset/chronic‐condition‐data‐
warehouse.  
31  CDC,  What  Is  CDC  Wonder?  at 
http://wonder.cdc.gov/wonder/help/main.html#What is WONDER.   
32 Id. 
33 Id. 
14 
down menus and completing fill‐in‐the‐blank forms.34  Prior 
to  receiving  data,  users  must  read  a  short  “data  use 
restrictions” screen and click “I agree,” thereby promising to 
comply with instructions concerning data use and disclosure 
that are designed to protect the privacy of data subjects.35 
b. Chronic Condition Data Warehouse 
 
The  Centers  for  Medicare  &  Medicaid  Services  has 
established the Chronic Condition Data Warehouse (CCW), 
from  which  users  can  purchase  data  about  Medicare  and 
Medicaid beneficiaries and claims.36  Researchers can apply 
for  access  to  identifiable  or  partially  identifiable  data,  and 
CCW  administrators  scrutinize  all  requests.37    CCW  also 
offers public‐use files that contain aggregated summary level 
health  information  for  which  no  data  use  agreement  or 
privacy  board  review  is  necessary.38    For  example,  the 
Medicaid  State  Drug  Utilization  File  contains  information 
about  outpatient  drugs  for  which  state  Medicaid  agencies 
have paid.39 
                                                            
34 Id. 
35  See  e.g.  CDC  Wonder,  About  Natality,  2007‐2012,  at 
http://wonder.cdc.gov/natality‐current.html.  See  infra  note  302  and 
accompanying text for further discussion of data use agreements. 
36  Centers  for  Medicare  and  Medicaid  Services,  Chronic  Condition  Data 
Warehouse, at https://www.ccwdata.org/web/guest/home.   
37  Research  Data  Assistance  Center,  CMS  Data  Request  Center,  at 
http://www.resdac.org/cms‐data/request/cms‐data‐request‐center.  
38 Research Data Assistance Center, Public‐Use Files (PUF)/Non‐Identifiable 
Data  Requests,  at  http://www.resdac.org/cms‐data/request/public‐use‐
files.  
39 Research Data Assistance Center, Medicaid State Drug Utilization File, at 
http://resdac.advantagelabs.com/cms‐data/files/medicaid‐state‐drug‐
utilization.  
15 
2. State Government Health Data Websites 
Like the federal government, many states offer publicly 
available health data on government websites.  Examples are 
Health  Data  New  York,40the  New  Jersey  State  Assessment 
Health  Data,41  the  North  Carolina  State  Center  for  Health 
Statistics,42  FloridaHealthFinder.gov,43  and  the  Minnesota 
Center for Health Statistics.44  All of these websites provide a 
wealth of information free of charge to the public and offer a 
variety of interactive tools and query options. 
3. Healthcare Cost and Utilization Project 
The Healthcare Cost and Utilization Project (HCUP) is 
sponsored  by  the  Agency  for  Healthcare  Research  and 
Quality45 and offers a variety of databases for purchase.  These 
include the following:  
 
Nationwide Inpatient Sample;  
Kidsʹ Inpatient Database; 
Nationwide Emergency Department Sample;  
State Inpatient Databases; 
                                                            
40  New  York  State  Department  of  Health,  Health  Data  New  York,  at 
https://health.data.ny.gov/.  
41  New  Jersey  State  Department  of  Health,  Welcome  to  NJSHAD:  New 
Jersey’s  Public  Health  Data  Resource,  at  http://www4.state.nj.us/dhss‐
shad/home.  
42 North Carolina State Center for Health Statistics, Statistics and Reports, 
at http://www.schs.state.nc.us/data/minority.cfm.  
43 Agency for Healthcare Administration, State Health Data Directory, at 
http://www.floridahealthfinder.gov/StateHealthDataDirectory/.  
44  Minnesota  Center  for  Health  Statistics,  Selected  Public  Health  Data 
Websites,  at 
http://www.health.state.mn.us/divs/chs/countytables/resources.htm.  
45  Healthcare  Cost  and  Utilization  Project,  Overview  of  HCUP,  at 
http://www.hcup‐us.ahrq.gov/overview.jsp.  
16 
State Ambulatory Surgery Databases; and  
State Emergency Department Databases.46   
 
HCUP databases offer “a core set of clinical and nonclinical 
information found in a typical [hospital] discharge abstract 
including  all‐listed  diagnoses  and  procedures,  discharge 
status,  patient  demographics,  and  charges  for  all  patients, 
regardless  of  payer  (e.g.,  Medicare,  Medicaid,  private 
insurance, uninsured).”47  Patient demographics may include 
sex, age, and, for some states, race, but no attributes that more 
directly identify patients.48 
 
The  databases  are  available  for  purchase,  and 
purchasers  are  required  to  complete  a  training  course  and 
sign  a  data  use  agreement  prior  to  receiving  data.49    Users 
must agree to use the data solely for research and statistical 
purposes  and  not  to  attempt  to  identify  any  individual.50 
Those wishing to purchase information from state databases 
must also explain how they intend to use the data.51  Prices 
may vary significantly, depending on the type of data sought 
and the type of entity with which the applicant is affiliated 
                                                            
46 Id. 
47 Agency for Healthcare Research and Quality, Databases and Related Tools 
from  the  Healthcare  Cost  and  Utilization  Project  (HCUP)  Fact  Sheet,  at 
http://www.ahrq.gov/legacy/data/hcup/datahcup.htm.  
48 Healthcare Cost and Utilization Project, Overview of the State Inpatient 
Databases, at http://www.hcup‐us.ahrq.gov/sidoverview.jsp.  
49  Healthcare  Cost  and  Utilization  Project,  HCUP  Central  Distributor,  at 
http://www.hcup‐us.ahrq.gov/tech_assist/centdist.jsp.   
50  Healthcare  Cost  and  Utilization  Project,  HCUP  Nationwide  Inpatient 
Sample  Application,  at  http://www.hcup‐
us.ahrq.gov/db/nation/nis/NISApp_Final.pdf.  
51  Healthcare  Cost  and  Utilization  Project,  HCUP  Central  Distributor,  at 
http://www.hcup‐us.ahrq.gov/tech_assist/centdist.jsp.   
17 
(e.g.  for‐profit  or  non‐profit  organization),  with  significant 
discounts available to students.52 
 
4. GenBank 
 
GenBank is the National Institutes of Health’s genetic 
sequence database, which includes all DNA sequences that 
are  publicly  available.53    The  data  are  free,  and  GenBank 
places no restriction on their use.54  According to scientists at 
the National Center for Biotechnology Information, GenBank 
contains  “over  900  complete  genomes,  including  the  draft 
human genome, and some 95,000 species.”55  Leading journals 
now require authors to deposit their sequences in GenBank, 
and all publicly funded laboratories do so as a matter of policy 
as well.56 
 
GenBank  provides  a  variety  of  data  search  and 
retrieval tools, such as the Basic Local Alignment Search Tool 
(BLAST),  which  finds  similarities  between  sequences.57  
Public‐use data available on GenBank has enabled scientists 
and commercial enterprises to conduct research and generate 
new  products,  including  assemblies  of  the  human  genome 
produced  by  Celera  Genomics  and  the  University  of 
California at Santa Cruz.58 
                                                            
52 Healthcare Cost and Utilization Project, SID/SASD/SEDD Application Kit 
(2014),  at  http://www.hcup‐
us.ahrq.gov/db/state/SIDSASDSEDD_Final.pdf.  Prices range from $35 to 
over $1600. 
53 GenBank, GenBank Overview, at http://www.ncbi.nlm.nih.gov/genbank/.  
54 Id. 
55  Jo  McEntyre  and  David  J.  Lipman,  GenBank  –  A  Model  Community 
Resource?  NATURE  WEB  DEBATES,  at 
http://www.nature.com/nature/debates/e‐access/Articles/lipman.html. 
56 Id. 
57 Id., Genbank, supra note 53.   
58 McEntyre and Lipman, supra note 55. 
18 
 
5. All‐Payer Claims Databases 
 
A  large  number  of  states  have  launched  all‐payer 
claims databases that collect information about private and 
public  insurance  related  to  medical,  dental,  and  pharmacy 
services.59  Typically, the collected data include information 
regarding  patient  demographics;  insurance  contracts; 
healthcare  providers;  payments  made  by  insurers  and 
patients; dates on which medical services were received; and 
codes  for  diagnoses,  procedures,  and  drugs.60    Consumers, 
employers, and other stakeholders can access data in order to 
learn about healthcare costs, compare prices, and make more 
informed  decisions  about  insurance  plans  and  healthcare 
providers. 61   
  
Similarly,  the  Centers  for  Medicare  and  Medicaid 
Services  (CMS)  has  released  Medicare  provider  utilization 
and  payment  data  that  is  available  free  of  charge.62    The 
website  offers  information  pertaining  to  the  100  most 
commonly  performed  inpatient  services,  thirty  frequently 
provided outpatient services, and more.63  Thus, for instance, 
                                                            
59 Jo Porter et al., The Basics of All‐Payer Claims Databases:  A Primer for States 
1  (Jan.  2014),  at 
http://www.apcdcouncil.org/sites/apcdcouncil.org/files/The%20Basics%2
0of%20All‐Payer%20Claims%20Databases.pdf.  
60 Id. at 2.  
61  Id.  at  3;  Colorado  All  Payer  Claims  Database,  at 
https://www.cohealthdata.org/;  Center  for  Health  Information  and 
Analysis,  All‐Payer  Claims  Database,  at 
http://www.mass.gov/chia/researcher/hcf‐data‐resources/apcd/ 
(requiring applications for Massachusetts data).  
62  Centers  for  Medicare  and  Medicaid  Services,  Medicare  Provider 
Utilization and Payment Data, at http://www.cms.gov/Research‐Statistics‐
Data‐and‐Systems/Statistics‐Trends‐and‐Reports/Medicare‐Provider‐
Charge‐Data/.  
63 Id. 
19 
users  may  obtain  hospital‐specific  charges  for  particular 
services and compare prices.64 
 
B. PRIVATE SECTOR DATABASES 
 
1. Dryad Digital Repository 
 
Dryad  is  an  international  repository  containing  data 
files that are associated with peer‐reviewed scientific articles 
and other “reputable sources (such as dissertations).”65  It is a 
nonprofit  organization  that  is  supported  by  fees  from  its 
members  and  data  submitters.66    Researchers  submit  data 
underlying  their  publications  directly  to  Dryad,  and  any 
member of the public can access the collection at no cost.67  
The website provides a search tool that allows users to enter 
key  words  or  other  search  criteria  and  takes  them  to  data 
associated with particular publications.68 
                                                            
64  Centers  for  Medicare  and  Medicaid  Services,  Medicare  Provider 
Utilization and Payment Data: Inpatient, at http://www.cms.gov/Research‐
Statistics‐Data‐and‐Systems/Statistics‐Trends‐and‐Reports/Medicare‐
Provider‐Charge‐Data/Inpatient.html. But see Patrick T. O’Gara, Caution 
Advised:  Medicare’s Physician‐Payment Data Release, 371 N. ENGL. J. MED. 
101 (2014) (discussing the limitations of payment data released by CMS); 
Dawn Fallik, For Big Data, Big questions Remain, 33 HEALTH AFFAIRS 1111, 
1111  (2014)  (stating  that  “Medicare’s  release  of  practitioner  payments 
highlights the strengths and weaknesses of digging into big data”). 
65  Dryad,  The  Organization:    Overview,  at 
http://datadryad.org/pages/organization;  Dryad,  Frequently  Asked 
Questions, at http://datadryad.org/pages/faq#depositing.   
66  Dryad,  Pricing  Plans  and  Data  Publishing  Prices,  at 
http://datadryad.org/pages/pricing.  
67  Dryad,  Frequently  Asked  Questions,  at 
http://datadryad.org/pages/faq#using. 
68  Dryad,  The  Repository:  Key  Features,  at 
http://datadryad.org/pages/repository.  
20 
2. PatientsLikeMe 
PatientsLikeMe is a for‐profit website that enables patients 
who sign up for membership to share their health data and 
disease  experiences.69    Users  can  report  and  obtain 
information about treatments and connect with others who 
have  the  same  condition.70    PatientsLikeMe  acknowledges 
that it sells de‐identified information submitted by users to its 
“partners,” which it describes as “companies that can use that 
data  to  improve  or  understand  products  or  the  disease 
market.”71   Members may  choose  different privacy  settings 
and  may  determine  whether  non‐members  will  be  able  to 
view any of their data.72   PatientsLikeMe releases reports of 
aggregated data concerning symptoms and treatments to the 
public.73  In addition, members may opt into a public registry 
that  will  make  their  profiles  and  shared  data  available  to 
anyone with access to the Internet.74  PatientsLikeMe makes 
                                                            
69 PatientsLikeMe, Live Better, Together! at http://www.patientslikeme.com.  
70  PatientsLikeMe,  What  Is  PatientsLikeMe?  at 
https://support.patientslikeme.com/hc/en‐us/articles/201186434‐What‐is‐
PatientsLikeMe‐.  
71  PatientsLikeMe,  Does  PatientsLikeMe  Sell  My  Data?  at 
https://support.patientslikeme.com/hc/en‐us/articles/201245770‐Does‐
PatientsLikeMe‐sell‐my‐information‐.  
72  PatientsLikeMe,  Privacy  Policy,  at 
http://www.patientslikeme.com/about/privacy.  
73  See  e.g.  PatiensLikeMe,  Treatments,  at 
http://www.patientslikeme.com/treatments.  
74  See  e.g.  PatientsLikeMe,  Welcome  to  the  PatientsLikeMe  Public  ALS 
Registry,  at  http://www.patientslikeme.com/registry;  PatientsLikeMe, 
What  Information  Is  Visible  on  Public  Profiles?  at 
https://support.patientslikeme.com/hc/en‐us/articles/201245830‐What‐
information‐is‐visible‐on‐public‐profiles‐.  
21 
public‐use information available on its website at no cost and 
does not require applications or data use agreements.75 
3. The Personal Genome Project 
The  Personal  Genome  Project  was  launched  in  2005  by 
George  Church  at  Harvard  University  and  is  now  an 
international enterprise involving thousands of patients.76  It 
aims to promote research and offers genomic, environmental, 
and human trait information from volunteer participants to 
any  interested  party.77    Users  can  easily  access  a  wealth  of 
information  directly  from  the  website,  including  genome 
data,  genome  reports,  trait  and  survey  data,  participant 
profiles, and microbiome data.78  Data files relate to individual 
participants and list date of birth, gender, zip code, height, 
weight,  and  race,  though  names  are  not  displayed.79    The 
Personal Genome Project states explicitly that its participants 
must be “willing to waive expectations of privacy” in order to 
make “a valuable and lasting contribution to science.”80 
II.   THE BENEFITS OF PUBLIC ACCESS TO HEALTH 
INFORMATION 
                                                            
75  See  e.g.  PatientsLikeMe,  Conditions  at  PatientsLikeMe,  at 
http://www.patientslikeme.com/conditions.  
76 Personal Genome Project: Harvard Medical School, About the PGP, at 
http://www.personalgenomes.org/harvard/about‐pgp.  
77 Id. 
78    Personal  Genome  Project:  Harvard  Medical  School,  Data  &  Samples, 
http://www.personalgenomes.org/harvard/data.    Microbiome  data 
focuses on “the types of bacteria in and on a participantʹs body.” Id. 
79 See e.g. Personal Genome Project, Public Genetic Data, at https://my.pgp‐
hms.org/public_genetic_data.  
80 Personal Genome Project: Harvard Medical School, supra note 76.  
22 
  Public‐use data offers the potential for many valuable 
benefits.  These include new scientific discoveries, research 
cost  savings,  the  development  of  tools  to  help  patients 
navigate  the  healthcare  system,  greater  government 
transparency, public education about science and medicine, 
improvements in healthcare quality, and positive healthcare 
policy changes. 
A. SCIENTIFIC DISCOVERY 
One of the great hopes of health data sharing is that it will 
promote scientific discovery and medical advances.  Citizen 
scientists  may  be  extremely  motivated  and  dedicated 
researchers,  perhaps  especially  if  they  are  focusing  on 
diseases  that  afflict  them  or  their  loved  ones.    Citizen 
scientists who would not otherwise have access to health data 
and lack the means to collect original data for studies may 
nevertheless  have  the  skills,  talent,  and  creativity  to  make 
significant contributions given the appropriate data tools.   
In his May 2013 executive order, President Obama stated 
that public information resources have enabled entrepreneurs 
and  innovators  “to  develop  a  vast  range  of  useful  new 
products and businesses.”81  Similarly, proponents of DIYbio 
enthuse that it “can inspire a generation of bioengineers to 
discover new medicines, customize crops to feed the world’s 
exploding population, harness microbes to sequester carbon, 
solve  the  energy  crisis,  or  even  grow  our  next  building 
materials.”82   
                                                            
81 Exec. Order  No. 13642, supra note 1. 
82 Grushkin et al., supra note 6, at 4. 
23 
Citizen scientists have proven themselves to be capable 
inventors  whose  contributions  aid  many  people.    For 
example,  three  Dutch  DIY  biologists  created  Amplino,  an 
inexpensive diagnostic system that can be used in developing 
countries to detect malaria with a single drop of blood in less 
than forty minutes.83  Likewise, Katherine Aull, a graduate of 
the  Massachusetts  Institute  of  Technology  whose  father 
suffered from hemochromatosis, a condition that causes the 
body  to  absorb  excessive  amounts  of  iron  and  can 
permanently  damage  vital  organs,  developed  a  homemade 
genetic test to determine whether she was vulnerable to this 
inherited  disease.84    She  built  a  lab  in  her  closet  and  used 
equipment purchased from e‐Bay or found in her kitchen.85 
New troves of publicly available data promise to facilitate 
and  accelerate  the  work  of  professional  researchers  and 
citizen  scientists.    Public  data  sources  have  already  led  to 
important  discoveries.    For  example,  Project  Tycho™  is  a 
University of Pittsburgh initiative designed to promote the 
availability and use of public health data by facilitating its 
                                                            
83 Thomas Landrain et al., Do‐It‐Yourself Biology:  Challenges and Promises 
for an Open Science and Technology Movement, 7 SYST. SYNTH. BIOL. 115, 121 
(2013);  Linda  Nordling,  DIY  Biotech:    How  to  Build  Youself  a  Low‐Cost 
Malaria  Detector,  THE  GUARDIAN,  April  25,  2014,  available  at 
http://www.theguardian.com/global‐development‐professionals‐
network/2014/apr/25/diy‐detector‐malaria‐eradication‐amplino 
(reporting  that  Amplino  “is  virtually  ready  for  area‐testing  in  rural 
Zambia”).  
84 Ana Delgado, DIYbio:  Making Things and Making Futures, 48 FUTURES 65, 
70 (2013); NPR Staff, Biopunks Tinker With The Building Blocks Of Life, May 
19,  2011,  at  http://www.npr.org/2011/05/22/136464041/biopunks‐tinker‐
with‐the‐building‐blocks‐of‐life.  
85 Delgado, supra note 84, at 70. 
24 
analysis and redistribution.86  Tycho researchers were able to 
digitize disease surveillance data from the years 1888 to 2011 
published in the CDC’s Morbidity and Mortality Weekly Report 
and  to  estimate  that  since  1924,  103  million  incidents  of 
childhood  diseases  were  prevented  because  of 
immunizations.87  This finding will be a useful tool for public 
health authorities who at times meet resistance to vaccination 
efforts. 
Among the more creative initiatives is a crowdsourcing 
contest  called  the  Dialogue  on  Reverse  Engineering 
Assessment  and  Methods  that  focused  on  breast  cancer 
prognosis (DREAM7).88  Crowdsourcing can be defined as “a 
participative  online  activity  in  which  an  individual,  an 
institution, a non‐profit organization, or company proposes 
to  a  group  of  individuals  …  via  a  flexible  open  call,  the 
voluntary  undertaking  of  a  task.”89    DREAM7  provided 
participants  with  access  to  genetic  and  clinical  data  from 
Sage’s Synapse, an informatics platform that allows users to 
share  data  and  access  programming  codes  and  analytical 
                                                            
86  University  of  Pittsburgh,  About  Project  Tycho™  Data,  at 
https://www.tycho.pitt.edu/about.php 
87 Willem G. van Panhuis et al., Contagious Diseases in the United States from 
1888 to the Present, 369 NEW ENG. J. MED.  2152, 2152 & 2156 (2013). 
88  Michael  Eisenstein,  Crowdsourced  Contest  Identifies  Best‐In‐Class  Breast 
Cancer Prognostic, 7 NATURE BIOTECHNOLOGY 578, 578 (2013). 
89  Enrique  Estellés‐Arolas  and  Fernando  González‐Ladrón‐de‐Guevara, 
Towards an Integrated Crowdsourcing Definition, 38 J. INFORM. SCIENCE 189, 
197 (2012).  See also, Thea C Norman et al., Leveraging Crowdsourcing to 
Facilitate  the  Discovery  of  New  Medicines,  3  SCI.  TRANSL.  MED.  88mr1,  2  
(2011)  (defining  crowdsourcing  as  “the  act  of  outsourcing  tasks 
traditionally performed by an employee to an undefined, large group of 
people or community (a ‘crowd’)”). 
25 
tools.90    The  contest  challenged  the  crowd  to  “provide  an 
unbiased  assessment  of  models  and  methodologies  for  the 
prediction of breast cancer survival.”91  A winner was selected 
from  among  1400  entries,  and  results  were  published  in  a 
scientific journal.92 
Crowdsourcing is an increasingly popular phenomenon.93 
It has been used for projects ranging from identifying over 
1400  automated  external  defibrillators  in  public  places  in 
Philadelphia  to  developing  a  predictive  algorithm  that  is 
superior  to  the  National  Institutes  of  Health’s  standard 
algorithm, the Basic Local Alignment Search Tool (BLAST), 
which  finds  regions  of  local  similarity  between  genetic 
sequences.94    The  availability  of  vast  amounts  of  publicly 
accessible  data  may  make  crowdsourcing  all  the  more 
prevalent.    Researchers  will  likely  continue  to  harness  the 
                                                            
90  About  Synapse,  at 
https://s3.amazonaws.com/static.synapse.org/About_Synapse.pdf.  
91 DREAM, Sage Bionetworks‐DREAM Breast Cancer Prognosis Challenge, at 
http://www.the‐dream‐project.org/challenges/sage‐bionetworks‐dream‐
breast‐cancer‐prognosis‐challenge.  
92 Eisenstein, supra note 88, at 578. 
93 Benjamin M. Good and Andrew I. Su, Crowdsourcing for Bioinformatics, 
29 BIOINFORMATICS 1925, 1925 (2013). 
94 The Accelerating World of Drug Discovery and Commercialization, 10 TRENDS 
MAG.  Vol.  10,  p.  30  (2013),  available  at 
http://www.cornerstoneadvisors.com/perspectives/october2013/trend‐4‐
the‐accelerating‐world‐of‐drug‐discovery‐and‐
commercialization/page.aspx?id=1374;  BLAST,  at 
http://blast.ncbi.nlm.nih.gov/Blast.cgi.  
26 
talents and expertise of willing and able citizen scientists to 
make important contributions to medical science.95  
B. RESEARCH COST REDUCTIONS 
Open data resources will be of particular value in an era 
of  diminished  research  funding.            NIH  appropriations 
peaked at $36.4 billion in fiscal year 2010 thanks to funding 
from the American Recovery and Reinvestment Act, but they 
declined to 29.9 billion by fiscal year 2014. In 2014, applicants 
for  NIH  grants  were  estimated  to  have  at  most  a  sixteen 
percent chance of being funded.96 
At the same time, despite the abundance of information 
and medical technology available in the 21st Century, “more 
than half of medical treatments are used without sufficient 
proof  of  their  effectiveness.”97    For  example,  experts  have 
recently  raised  new  questions  about  the  efficacy  of 
mammography,  a  well‐established  practice  that  was  long 
considered  life‐saving  and  a  key  element  of  preventive 
                                                            
95  Benjamin  L.  Raynard  et  al.,  Crowdsourcing  –  Harnessing  the  Masses  to 
Advance Health and Medicine, a Systematic Review, 29 J. GEN. INTERN. MED. 
187, 201 (2014) (concluding that “[u]tilizing crowdsourcing 
can  improve  the  quality,  cost,  and  speed  of  a  research  project  while 
engaging large segments of the public and creating novel science.”).  
96 Macaluso, supra note 9; Lauren Ingeno, Crowdfunding Academic Research, 
INSIDE  HIGHER  ED,  June  10,  2013,  available  at  
http://www.insidehighered.com/news/2013/06/10/academic‐researchers‐
using‐crowdfunding‐platforms#sthash.ziC5DeXs.dpbs (quoting Jonathan 
Thon, a Harvard Medical School Fellow as stating that the NIH “funds 
about 10 percent of projects”); Jeannie Baumann, Neuroscientist Says NIH 
Funding Squeeze Causing ‘Crisis in Biomedical Enterprise, 13 MED. RES. L. & 
POL’Y REP.  407, 407 (2014). 
97 Eric B. Larson, Building Trust in the Power of “Big Data” Research to Serve 
the Public Good, 309 JAMA 2443, 2444 (2013). 
27 
medicine.98   Likewise, although physicians have prescribed 
and  studied  hormone  replacement  therapy  for  post‐
menopausal  women  for  many  decades,  experts  are  still 
unsure  as  to  whether  it  is  advisable  or  whether  its  risks 
outweigh  its  benefits,  at  least  for  some  subgroups  of 
patients.99  A third illustration is a debate over the risks of a 
particular class of antidepressants called selective serotonin 
reuptake inhibitors (SSRIs) in light of evidence that they may 
induce  suicidal  thoughts  and  behavior  in  adolescent 
patients.100    No  consensus  has  formed  regarding  this  side 
effect, and further study is necessary.101 
Professional researchers and citizen scientists will be able 
to use open data to reduce the expense of clinical trials and to 
conduct low‐cost records‐based research.   While many will 
focus on well‐known and widespread health problems, open 
data may also stimulate study of subjects for which little to no 
public funding is available.  For example, because of vigorous 
lobbying  by  the  National  Rifle  Association,  the  CDC  was 
prohibited from analyzing the impact of firearms on public 
health for many years.102 Likewise, there is often very limited 
                                                            
98 Nikola Biller‐Andorno & Peter Jüni, Abolishing Mammography Screening 
Programs? A View from the Swiss Medical Board, 370 N. ENGL. J. MED. 1965, 
1965‐67 (2014). 
99 HERBERT I. WEISBERG, BIAS AND CAUSATION:  MODELS AND JUDGMENT FOR 
VALID COMPARISONS 18‐21 (2010) (noting that the risks may include slight 
elevations in the incidence of coronary heart disease and breast cancer).  
100 Id. at 21‐23. 
101 Id. 
102 Michael Luo, N.R.A. Stymies Firearms Research, Scientists Say, N.Y. TIMES, 
Jan. 26, 2011, at A1.  The moratorium was lifted by an executive order 
signed  by  President  Obama  in  January  of  2013,  entitled  “Engaging  in 
Public Health Research on the Causes and Prevention of Gun Violence.”  
78 Fed. Reg. 4295. 
28 
interest in or funding for research relating to rare diseases.103  
Citizen  scientists,  however,  may  be  highly  motivated,  for 
personal rather than profit‐seeking reasons, to research those 
diseases. 
The gold standard of medical research has traditionally 
been  randomized,  controlled  clinical  trials.104      These 
experimental  studies  are  conducted  by  means  of  “the 
collection  of  data  on  a  process  when  there  is  some 
manipulation  of  variables  that  are  assumed  to  affect  the 
outcome of a process, keeping other variables constant as far 
as  possible.”105    Thus,  investigators  might  design  a  clinical 
trial  to  compare  two  drugs  for  a  particular  ailment  or  to 
compare a drug to a placebo.  If researchers share data from 
prior clinical trials, they may be able to improve study quality 
and efficiency by honing in on patient sub‐groups that are 
most likely to be responsive to the drug in question.106  For 
example,  a  bladder  cancer  study  determined  that  one 
participant  who  responded  unusually  well  to  the  drug 
everolimus had a particular genetic mutation, and thus future 
                                                            
103  National  Organization  for  Rare  Disorders,  Research  Grant  Policy,  at 
https://www.rarediseases.org/medical‐professionals/research‐
grants/policy.  
104 Friedrich K. Port, Role of Observational Studies Versus Clinical Trials in 
ESRD  Research,  57  KIDNEY  INT’L  S3,  S3  (2000)  available  at 
http://www.nature.com/ki/journal/v57/n74s/full/4491615a.html    (stating 
that  “[r]andomized  controlled  clinical  trials  have  been  considered  by 
many  to  be  the  only  reliable  source  for  information  in  health  services 
research.”).  See also Sharona Hoffman, The Use of Placebos in Clinical Trials:  
Responsible  Research  or  Unethical  Practice?  33  CONN.  L.  REV.  449,  452‐54 
(2001) (describing different clinical trial designs). 
105 BRYAN F. J. MANLY, THE DESIGN AND ANALYSIS OF RESEARCH STUDIES 1 
(1992). 
106 Eisenstein, supra note 88, at 580. 
29 
testing of the drug could focus on subjects with that mutation 
to  determine  whether  it  is  associated  with  enhanced 
responsiveness to the drug.107 
In the alternative, researchers can undertake observational 
studies  by  reviewing  existing  records  and  data  sets  rather 
than conducting experiments.108   Professional researchers and 
citizen  scientists  will  be  able  to  use  the  large  quantities  of 
open  data  that  are  now  becoming  available  and  minimize 
research expenses.  Researchers may find that existing data 
collections contain all of the raw data that they need and be 
spared  the  work  and  cost  of  recruiting  human  subjects  to 
gather original data.  Public‐use data can thus prevent costly 
duplication of effort.109 
Furthermore, relatively inexpensive big data projects can 
be  funded  by  an  emerging  trend  called  crowdfunding.110  
Crowdfunding is an Internet‐based method of fundraising by 
which  one  can  solicit  money  from  numerous  donors,  who 
usually  contribute  small  amounts.111    Typically, 
                                                            
107 Id.; Gopa Iyer et al., Genome Sequencing Identifies a Basis for Everolimus 
Sensitivity, 338 SCIENCE 221, 221 (2012). 
108 Observational studies involve the review of existing records or data.  
See CHARLES P. FRIEDMAN & JEREMY C. WYATT, EVALUATION METHODS IN 
BIOMEDICAL INFORMATICS 369 (Kathryn J, Hannah & Marion J. Ball eds., 
(2nd  ed. 2006) (defining observational studies as involving an “[a]pproach 
to study design that entails no experimental manipulation”). 
109 CDC/ATSDR Policy on Releasing and Sharing Data, Sept. 7, 2005, at 6, 
available at http://www.cdc.gov/maso/policy/releasingdata.pdf. 
110 Vural Özdemir et al., Crowd‐Funded Micro‐Grants for Genomics and “Big 
Data”: An Actionable Idea Connecting Small (Artisan) Science, Infrastructure 
Science, and Citizen Philanthropy, 17 OMICS 161, 162 (2013).  
111 Stuart R. Cohn, New Crowdfunding Registration Exemption: Good Idea, Bad 
Execution, 64 FLA. L. REV. 1433, 1434 (2012). 
30 
crowdfunding for scientific projects raises less than $10,000,112 
but enterprising fund‐raisers have frequently surpassed that 
sum.113    Public‐use  data  may  enable  a  growing  number  of 
projects to have very limited costs that researchers can cover 
                                                            
112  Rachel  E.  Wheat  et  al.,  Raising  Money  for  Scientific  Research  Through 
Crowdfunding,  28  TRENDS  ECOL.  &  EVOL.  71,  72  (2013),  available  at 
http://jarrettbyrnes.info/pdfs/Wheat_et_al_2012.pdf.   
113  Ethan  O.  Perlstein,  Anatomy  of  the  Crowd4Discover  Crowdfunding 
Campaign,  2  SPRINGERPLUS  560,  561  (2013),  available  at 
http://www.springerplus.com/content/pdf/2193‐1801‐2‐560.pdf(reporting 
that  the  authors  raised  $25,460  from  390  donors  in  15  countries  for  a 
pharmacological  research  project);  Joe  Palca,  Scientists  Pass  the  Hat  for 
Research  Funding,  NPR,  Feb.  14,  2013,  at 
http://www.npr.org/2013/02/14/171975368/scientist‐gets‐research‐
donations‐from‐crowdfunding (reporting that UBiome and American Gut 
together  raised  over  $600,000  for  projects  designed  to  discover  how 
microbiomes (tiny organisms that reside in the human body) influence 
health when donors were promised an analysis of the bacteria in their own 
digestive  tracts).  The  Internet  offers  a  large  number  of  platforms  for 
crowdfunding, including the aptly named Kickstarter, Experiment, and 
Indiegogo, among others.  Kickstarter, at https://www.kickstarter.com/; 
Experiment,  at  https://experiment.com/;  Indiegogo,  at 
https://www.indiegogo.com/.  Crowdfunding has become so popular that 
it is being used not only by enterprising individuals and companies but 
also by several universities, such as the University of Virginia and Tulane 
that are seeking to compensate for the dearth of funding from traditional 
sources.    Morgan  Estabrook,  New  Crowdfunding  Site  Allows  Public  to 
Advance U.Va. Research Projects Through Targeted Donations, UVA TODAY, 
May  15,  2013,  at  http://news.virginia.edu/content/new‐crowdfunding‐
site‐allows‐public‐advance‐uva‐research‐projects‐through‐targeted‐
donations;  Keith  Brannon,  Tulane  University  Launches  Crowdfunding 
Partnership  for  Medical  Research,  Dec.  10,  2013,  at 
http://tulane.edu/news/releases/pr_12102013.cfm.    To  enhance  their 
likelihood of success and attract donors, those pursuing crowdfunding are 
well‐advised to post convincing videos on funding websites and to follow 
up with blog entries and media coverage of their projects, to the extent 
possible.  Perlstein, at 561. 
31 
in creative ways rather than through the traditional channels 
of government‐allocated grant awards.    
C. TOOLS TO HELP PATIENTS NAVIGATE THE HEALTHCARE 
SYSTEM 
Open health data can promote not only research but also 
services that are helpful for patients. Several enterprises are 
developing  tools  to  help  patients  obtain  suitable  and 
affordable medical care.  Aidin is a small startup that uses 
CMS data on health facilities and nursing homes in order to 
provide  hospitals  and  patients  with  information  about 
options for care after discharge from the hospital.114  Aidin 
offers its clients listings of available providers, quality of care 
ratings,  and  reviews.    It  also  helps  hospitals  track  patient 
experiences and outcomes so that they can determine which 
providers  are  the  best  fit  for  patients  with  specific  health 
conditions.115 
Similarly,  iTriage  is  a  free  mobile  app  and  website  that 
allows patients to look up their symptoms and learn about 
possible  causes  and  treatments.116  In  addition,  it  assists 
patients in locating and selecting appropriate care options by 
providing  a  variety  of  information  including  hospital  wait 
                                                            
114  Sebelius,  supra  note  24;  Aidin,  Our  Story,  at 
http://www.myaidin.com/ourstory.html.  
115 Aidin, supra note 114. 
116  iTriage,  iTriage  Helps  People  Take  charge  of  Their  Health, 
https://about.itriagehealth.com/for‐consumer/what‐is‐itriage/. 
32 
times and physician ratings.117  iTriage uses publicly available 
data from HHS, the FDA, and other sources.118 
Other  examples  are  the  state  all‐payer  claims  databases 
and the Medicare providers utilization and payment data.119  
These  enable  patients  to  become  more  educated  about 
healthcare costs and to compare prices for various inpatient 
and outpatient services.120 
D. GOVERNMENT  TRANSPARENCY  AND  PUBLIC 
EDUCATION 
Proponents of government transparency will be pleased 
by  the  proliferation  of  open  data.    Databases  such  as 
HealthData.gov, Genbank, and others121 allow viewers to gain 
significant insight into the information that the government 
has collected about individuals and the healthcare industry.  
In some cases, such insight may generate public debate and 
critique of government investigative policies that could lead 
to positive policy changes.122 
In addition, public‐use data can function as an important 
educational  tool.123    Patients  can  research  their  own 
                                                            
117 Id. 
118  iTriage,  About  Our  Medical  Content,  at 
https://about.itriagehealth.com/company‐info/medical‐content/; Sebelius, 
supra note 24.   
119 See supra Part I.A.5. 
120 Id. 
121 See supra Part I. 
122 CDC/ATSDR Policy on Releasing and Sharing Data, supra note 109, at 4 
(stating that data sharing can “build trust with outside partners and the 
public by allowing open critique of CDC investigations). 
123 Grushkin, supra note 6, at 4 (stating that “wider access to the tools of 
biotechnology,  particularly  those  related  to  the  reading  and  writing  of  
33 
conditions,  find  doctors  with  special  expertise,  be  better 
prepared for their medical appointments, and assess different 
treatment  options  that  they  are  given.124    Furthermore,  the 
general  public  can  learn  about  the  healthcare  system, 
healthcare costs, disease trends, genetics, research and public 
health initiatives, and much more.125  Ordinary citizens and 
students  at  all  levels  will  be  able  to  access  raw  data 
themselves and engage in research exercises, either within the 
framework  of  academic  programs  or  on  their  own.    For 
example,  New  York  University  School  of  Medicine  is 
leveraging open data resources to enhance its curriculum.  It 
is  creating  patient  snapshots  from  New  York  hospital 
discharge  data  and  developing  sophisticated  training  tools 
based on these real cases.126  Active learning and engagement 
with health data might also inspire greater public enthusiasm 
about  medical  research  and  more  vocal  support  for 
government funding of this vital activity. 
E. IMPROVEMENTS IN HEALTHCARE QUALITY AND PUBLIC 
HEALTH POLICY 
                                                            
DNA, has the potential to spur global innovation and promote biology 
education and literacy.”). 
124  Internet  searches,  however,  should  not  replace  consultation  with 
medical experts, and often have pitfalls.  Patients should not panic based 
on  their  independent  research  and  become  convinced  that  they  suffer 
from a dreaded disease or have a poor prognosis before being examined 
by a physician.  Patients also should not go to the doctor with a closed 
mind,  unwilling  to  accept  the  expert’s  own  assessment  and  treatment 
recommendations. 
125 See supra Part I. 
126 Erika G. Martin et al., Liberating Data to Transform Healthcare:  New York’s 
Open Data Experience, 311 JAMA 2481, 2481 (2014). 
34 
Open  data  can  fuel  improvements  in  healthcare  quality 
and  health  policies.    A  recent  report  from  New  York  State 
provided a number of compelling illustrations.127  In 2011, in 
preparation  for  Hurricane  Irene,  nursing  home 
administrators  used  publicly  available  weekly  bed  census 
reports  to  identify  facilities  to  which  they  could  evacuate 
residents.128    Likewise,  annual  reports  of  cardiac  surgery 
mortality  rates,  linked  to  the  hospitals  and  surgeons  who 
provided  care,  induced  low‐scoring  facilities  to  undertake 
quality improvement initiatives and several physicians who 
had performed poorly to leave practice.129 
Once data are released, they are available not only to the 
general public, but also to the media.  Media stories about 
health‐related  inequities  can  be  particularly  potent  tools  to 
effect  policy  changes.  After  officials  released  New  York 
childhood obesity statistics, organized by school district, and 
news outlets highlighted the disparities in 2013, some school 
administrators  decided  to  improve  school  policies  despite 
cost concerns.130  A 2014 report in Crain’s New York Business 
that publicized hospital cost disparities (e.g. hip replacements 
that cost $103,725 at New York University Hospitals Center 
but  only  $15,436  at  Bellevue  Hospital  Center)  is  likewise 
expected to catalyze pricing and reimbursement changes.131 
                                                            
127 Id.  
128 Id. 
129 Id. 
130 Id. 
131 Id. 
35 
III. RISKS OF PUBLIC ACCESS TO HEALTH 
DATA 
Although the benefits of opening health data resources to 
the  public  are  considerable,  the  risks  of  doing  so  are  not 
inconsequential.    The  federal  research  regulations  do  not 
cover  studies  that  are  not  funded  or  conducted  by  federal 
government  agencies  or  that  use  publicly  available  data,132 
and  therefore,  such  studies  are  not  subject  to  any  formal 
oversight.  Furthermore, the HIPAA Privacy Rule and state 
privacy laws most likely will not govern open databases.133  
This  Part  analyzes  several  potential  risks  associated  with 
open access to patient‐related health information: 1) privacy 
breaches;  2)  discrimination  and  special  targeting  by 
employers,  financial  institutions,  and  marketers,  among 
others;  3)  propagation  of  incorrect  and  harmful  research 
conclusions; and 4) litigation. 
A. PRIVACY BREACHES 
The potential for privacy breaches is the first risk that may 
come  to  mind  with  respect  to  public  use  of  patient‐related 
medical big data.  Disclosure of medical records is governed 
by  the  HIPAA  Privacy  Rule,134  the  Privacy  Act,135  and 
numerous  state  privacy  laws.136    However,  the  laws  and 
                                                            
132 45 C.F.R. §§46.101(a) & (b)(4) (2013).  
133 See infra Part III.A.1. 
134 45 C.F.R. §§ 160.101‐.534 (2013).   
135 5 U.S.C. § 552a (2010). 
136  AMERICANS  HEALTH  LAWYERS  ASSOCIATION,  STATE  HEALTHCARE 
PRIVACY LAW SURVEY (2013); LawAtlas, Public Health Departments and State 
Patient  Confidentiality  Laws  Map,  at 
http://lawatlas.org/preview?dataset=public‐health‐departments‐and‐
state‐patient‐confidentiality‐laws. 
36 
regulations do not cover all data holders who make medical 
information publicly available.137  In addition, public‐use data 
is  generally  presented  in  de‐identified  form138  and  thus  is 
exempt from the disclosure restrictions established in these 
laws and regulations.139  Moreover, even with thorough de‐
identification, at least a small risk of re‐identification remains.  
Privacy concerns thus deserve thorough analysis. 
1. Privacy Law 
Many federal and state laws address medical privacy.  
None,  however,  provides  patients  with  comprehensive 
protection, and even in the aggregate, they leave many gaps.  
The following discussion describes laws and regulations that 
are  relevant  to  the  disclosure  of  patient‐related  data  for 
public‐use. 
a. The HIPAA Privacy Rule 
The HIPAA Privacy Rule establishes that, with some 
exceptions,  entities  covered  by  the  regulations  must obtain 
patients’  permission  before  disclosing  their  medical 
information  to  third  parties.140    The  Rule,  however,  covers 
only  health  plans,  healthcare  clearinghouses,  healthcare 
providers who transmit health information electronically for 
purposes of HIPAA‐relevant transactions, and their business 
associates.141  It does not apply to any government agencies or 
private  enterprises  that  are  not  acting  in  these  capacities. 
                                                            
137 See infra Parts III.A.1 and III.A.3.a. 
138 See supra Part I. 
139 See infra Part III.A.1. 
140 45 C.F.R. §§ 164.508 ‐ .510 (2013). 
141 45 C.F.R. §§ 160.102‐160.103 (2013); 42 U.S.C. §17934 (2010). 
37 
Thus,  HIPAA  does  not  regulate  many  of  the  websites 
discussed in Part I of this Article, such as those operated by 
the state governments, CDC, Dryad or PatientsLikeMe. 
Moreover,  the  HIPAA  Privacy  Rule  protects  only 
ʺindividually  identifiable  health  informationʺ  that  is 
electronically  or  otherwise  transmitted  or  maintained.142  
Consequently, the federal regulations do not govern data that 
custodians de‐identify143 and open to the public. 
b. The Privacy Act 
The  Privacy  Act  is  a  federal  law  that  governs  the 
collection, storage, use, and disclosure of information by the 
federal  government.144    The  law  provides  that  the  federal 
government  may  not  disclose  records  without  the  data 
subject’s  permission  unless  specific  exceptions  apply.  
However,  the  Privacy  Act  defines  the  term  “record”  as  an 
item  that  contains  a  person’s  “name,  or  the  identifying 
number, symbol, or other identifying particular assigned to 
the individual.”145  Consequently, the Privacy Act exempts the 
government’s dissemination of de‐identified information on 
HealthData.gov or other websites. 
c. State Laws 
                                                            
142 45 C.F.R. § 160.103 (2013). 
143  See  infra  Part  III.A.2  (discussing  HIPAA’s  requirements  for  de‐
identification). 
144 5 U.S.C. §552a (2010). 
145 Id. at §552a(a)(4). 
38 
All states have recognized a common law or statutory 
right to privacy,146 and all have statutes that address privacy 
concerns.147  A thorough analysis of state law is beyond the 
scope of this Article.148  In general, the state laws are varied 
and  inconsistent,  often  providing  piecemeal  protection  for 
some  types  of  data  but  not  others.149    Moreover,  like  the 
HIPAA Privacy Rule and the Privacy Act, the states typically 
allow disclosure of de‐identified health information without 
patient  authorization.150    Therefore,  most  of  the  public‐use 
data  resources  contemplated  in  this  Article  would  not  be 
governed by state law. 
                                                            
146 Corrine Parver, Patient‐Tailored Medicine, Part Two: Personalized Medicine 
and the Legal Landscape, 2 J. HEALTH & LIFE SCI. L. 1, 32 (2009). 
147 AMERICANS HEALTH LAWYERS ASSOCIATION, supra note 136; LawAtlas, 
supra note 136.  
148 For detailed information about state privacy and confidentiality laws 
see AMERICANS HEALTH LAWYERS ASSOCIATION, supra note 136; LawAtlas, 
supra note 136. 
149 Deven McGraw et al., Privacy As An Enabler, Not An Impediment: Building 
Trust Into Health Information Exchange, 28 HEALTH AFFAIRS 416, 420 (2009) 
(noting  that  “[a]lthough  the  states  have  an  important  role  to  play  in 
privacy  policy,  state  privacy  laws  are  fragmentary  and  inconsistent, 
providing neither developers nor consumers 
with the assurances they deserve, especially for services of nationwide 
reach.”). 
150 Scott Burris et al., The Role of State Law in Protecting Human Subjects of 
Public Health Research and Practice, 31 J.L. MED. & ETHICS 654, 656 (2003).    
39 
2. De‐identification 
The foregoing discussion raises the following critical 
questions:    what  does  “de‐identified”  mean,  and  how  can 
data holders achieve de‐identification?  The HIPAA Privacy 
Rule  provides  a  detailed  answer.    It  states  that  health 
information  is  de‐identified  if  (1)  a  qualified  expert 
determines that there is only a “very small” risk that the data 
can be re‐identified, and (2) the expert documents his or her 
analysis.151  The Department of Health and Human Services 
issued  guidance  that  endorsed  several  de‐identification 
techniques: 
1) Suppression, which involves redaction of particular 
data features prior to disclosure (e.g. removing zip 
codes, birthdates, income); 
2) Generalization,  which  involves  transforming 
particular  information  into  less  specific 
representations (e.g. indicating a 10‐year age range 
instead of exact age); and  
3) Perturbation,  which  involves  exchanging  certain 
data values for equally specific but different values 
(e.g. changing patients’ ages).152 
                                                            
151 45 C.F.R. § 164.514(b)(1) (2013). 
152 U.S. Department of Health and Human Services, Guidance Regarding 
Methods  for  De‐identification  of  Protected  Health  Information  in  Accordance 
with the Health Insurance Portability and Accountability Act (HIPAA) Privacy 
Rule  (2012),  at 
http://www.hhs.gov/ocr/privacy/hipaa/understanding/coveredentities/D
e‐identification/guidance.html#guidancedetermination  (noting  that 
techniques  such  as  suppression  and  generalization  are  often  used  in 
combination).  
40 
The  HIPAA  Privacy  Rule  offers  detailed  guidance 
concerning suppression, listing 18 identifiers that should be 
removed in order to render data fully de‐identified.  They are: 
(A) Names;  
(B) All geographic subdivisions smaller than a State, including 
street  address,  city,  county,  precinct,  zip  code,  and  their 
equivalent geocodes, except for the initial three digits of a zip 
code if, according to the current publicly available data from the 
Bureau of the Census:  
(1)  The  geographic  unit  formed  by  combining  all  zip 
codes with the same three initial digits contains more than 
20,000 people; and  
(2) The initial three digits of a zip code for all such 
geographic units containing 20,000 or  fewer  people  is 
changed to 000.  
(C) All elements of dates (except year) for dates directly related 
to  an  individual,  including  birth  date,  admission  date, 
discharge  date,  date  of  death;  and  all  ages  over  89  and  all 
elements of dates (including year) indicative of such age, except 
that such ages and elements may be aggregated into a single 
category of age 90 or older;  
(D) Telephone numbers;  
(E) Fax numbers;  
(F) Electronic mail addresses;  
(G) Social security numbers;  
(H) Medical record numbers;  
(I) Health plan beneficiary numbers;  
(J) Account numbers;  
(K) Certificate/license numbers;  
(L)  Vehicle  identifiers  and  serial  numbers,  including  license 
plate numbers;  
(M) Device identifiers and serial numbers;  
(N) Web Universal Resource Locators (URLs);  
(O) Internet Protocol (IP) address numbers;  
(P) Biometric identifiers, including finger and voice prints;  
(Q) Full face photographic images and any comparable images; 
and  
41 
(R)  Any  other  unique  identifying  number,  characteristic,  or 
code….153  
Health information that has all 18 identifiers removed in 
accordance  with  the  HIPAA  “safe  harbor”  provision  is 
considered per se de‐identified unless a covered entity knows 
that the data can be used on its own or together with other 
information  to  identify  a  data  subject.154    For  example,  if 
researchers  request  only  data  pertaining  to  a  very  small 
geographic  area  in  which  most  people  know  each  other,  it 
may be impossible to truly de‐identify the information.155  In 
such a case, experts may need to aggregate data from several 
locations or to combine suppression  with other techniques. 
3. Does  Public‐use  Medical  Data  Pose  A  Real 
Privacy Threat? 
Data custodians offering public‐use data may try hard 
to de‐identify patient records or to ask for patients’ consent to 
disclosure.156  Nevertheless, many are not required to do so 
because  not  all  data  holders  are  covered  by  the  HIPAA 
Privacy  Rule  and  its  data  disclosure  and  de‐identification 
guidelines.  Consequently, the patient authorization and de‐
identification  practices  that  they  choose  to  implement  may 
deviate  from  HIPAA  standards  and  leave  data  more 
vulnerable to attack. 
                                                            
153 45 C.F.R. § 164.514(b)(2)(i) (2013).   
154 Id. at §164.514(b)(2)(ii). 
155 Khalid El Emam et al., Evaluating Predictors of Geographic Area Population 
Size Cut‐offs to Manage Re‐identification Risk, 16 J AM MED INFORM ASSOC. 
256, 256‐57 (2009); Felix T. Wu, Defining Privacy and Utility in Data Sets, 84 
U. COLO. L. REV. 1117, 1156 (2013). 
156 See supra Part I. 
42 
Moreover,  even  with  careful  de‐identification, 
sophisticated adversaries may be able to re‐identify at least a 
small  number  of  records.    Successful  de‐identification  of 
genetic information  may be particularly challenging.  With 
voluminous  de‐identified  medical  data  available  to  the 
public,  re‐identification  attempts  are  likely  to  occur.  
Perpetrators  may  have  malevolent  intent,  such  as  identity 
theft, or may simply be interested in testing their skills and 
determining whether they are able to meet the challenge of re‐
identification.  
a. Data Holders Not Covered by the HIPAA Privacy 
Rule 
The HIPAA Privacy Rule’s health information disclosure 
and  de‐identification  requirements  do  not  apply  to  most 
suppliers of publicly available health data because they are 
either government agencies or non‐covered private entities.157   
Consequently, these data holders may not be diligent about 
obtaining meaningful patient authorization for disclosure of 
identifiable  information.    In  addition,  if  they  de‐identify 
records, they may choose to do so in ways that provide far 
less privacy protection to their subjects than does the HIPAA 
safe harbor provision.  Stripping medical records of names 
alone  does  little  to  conceal  patients’  identities,  and  even 
leaving  just  a  few  specific  details  may  make  it  easy  to 
ascertain who the individual is.  One startling study found 
that  almost  98%  of  Montreal  residents  could  be  uniquely 
                                                            
157 See supra note 141 and accompanying text. 
43 
identified based on their full postal code, date of birth, and 
gender.158 
Data holders’ de‐identification practices do, in fact, vary.  
A 2013 survey found that thirty‐three states released patient 
hospital  discharge  data  to  the  public,  but  only  seven  de‐
identify them in a manner that would conform to the HIPAA 
Privacy Rule’s standard.159 Many states released the month or 
quarter of hospital admission and/or discharge and 5‐digit zip 
codes.160  Datasets with these details are more vulnerable to 
re‐identification  than  those  that  are  de‐identified  in 
accordance with HIPAA guidance.  That is because the more 
personal details a publicly available health record contains, 
the more likely it is to be matched to other open datasets that 
include  names,  such  as  voter  registration  lists,  purchasing 
records,161  or  news  reports.162    Thus,  the  more  overlapping 
information fields there are between the medical records and 
other datasets, such as zip codes, ages, and details of illness, 
the  more  likely  it  is  that  an  adversary  will  be  able  to  link 
names to the purportedly anonymized health information. 
                                                            
158 Khaled El Emam, The Re‐identification Risk of Canadians from Longitudinal 
Demographics, 11 BMC MED. INFORM. DECIS. MAK. 46, 51 (2011). 
159 Sean Hooley & Latanya Sweeney, Survey of Publicly Available State Health 
Databases (2013), p. 4, at http://dataprivacylab.org/projects/50states/1075‐
1.pdf 
160 Id. at 4‐7. 
161 See infra note 191 and accompanying text (discussing information that 
third parties can purchase about individuals). 
162 Arvind Narayanan and Vitaly Shmatikov, Privacy and Security:  Myths 
and Fallacies of “Personally Identifiable Information,” 53 COMMUNICATIONS OF 
THE ACM 24, 26 (June 2010); Electronic Privacy Information Center, Re‐
Identification, at http://epic.org/privacy/reidentification/. 
44 
Scholars  confirm  that  concern  about  re‐identification  is 
well‐grounded,  as  demonstrated  by  a  variety  of  re‐
identification  successes.    In  a  particularly  infamous  case, 
Latanya    Sweeney,  now  a  computer  scientist  at  Harvard 
University,  identified  the  health  records  of  Massachusetts’ 
Governor William Weld when she was a graduate student at 
the  Massachusetts  Institute  of  Technology  in  1996.163    She 
compared  birth date, gender, and zip code information that 
was retained in publicly released hospital discharge records 
to the same identifiers in publicly available voter registration 
lists and was able to match voter names to hospital records.164   
In  a  more  recent  effort,  Dr.  Sweeney  and  colleagues 
worked  to  re‐identify  publicly  available  profiles  in  the 
Personal  Genome  Project165  that  contained  medical  and 
genomic information as well as date of birth, gender, and zip 
code.166  They linked the demographic data to voter lists or 
other  public  records  that  featured  names  and  were  able  to 
identify  84  to  97  percent  of  Personal  Genome  Project 
profiles.167 
                                                            
163 Jonathan Shaw, Exposed:  The Erosion of Privacy in the Internet Era, HARV. 
MAG.,  Sept.‐Oct.  2009,  available  at 
http://harvardmagazine.com/2009/09/privacy‐erosion‐in‐internet‐era.  
164 Id.; Kathleen Benitez & Bradley Malin, Evaluating Re‐identification Risks 
with Respect to the HIPAA Privacy Rule, 17 J. AM MED. INFORM. ASSOC. 169, 
169 (2010). 
165 See supra Part I.B.3. 
166 Latanya Sweeney et al., Identifying Participants in the Personal Genome 
Project by Name, Harvard University Data Privacy Lab, White Paper 1021‐
1, April 24, 2013. http://dataprivacylab.org/projects/pgp/.  
167  Id.  at  1.    The  researchers  found  that  some  Personal  Genome  Project 
profiles contained the data subject’s name, and in other instances, when 
the downloadable DNA files were uncompressed, they had a file name 
that included the data subjects’ first and last names.  Id. at 3. 
45 
 
In a third project, Dr. Sweeney focused on Washington 
State  hospital  discharge  data,  which  contained  many 
demographic  details  other  than  names  and  addresses  and 
could  be  purchased  for  $50.    She  attempted  to  match 
hospitalization  records  to  81  newspaper  stories  about 
accidents and injuries in 2011 and was able to determine the 
name of the patient to whom the records belonged in 35 (or 
forty‐three  percent)  of  the  cases,  based  on  the  news 
accounts.168 
b. Re‐identification  of  Fully  De‐identified  Health 
Records 
Theoretically,  de‐identification  in  accordance  with  the 
HIPAA Privacy Rule’s guidelines should make it impossible 
for  anyone  to  determine  the  identity  of  data  subjects.  
Nevertheless,  experts  have  concluded  that  there  remains  a 
small risk that highly skilled and motivated attackers, in some 
circumstances,  will  be  able  to  re‐identify  records  that  have 
been de‐identified in compliance with HIPAA guidelines.169  
Re‐identification may occur when perpetrators have access to 
non‐medical  open  data,  such  as  voter  registration  records, 
that they can link to anonymized health information.  Studies 
have estimated that the risk of re‐identification of HIPAA de‐
                                                            
168  Latanya  Sweeney,  Matching  Known  Patients  to  Health  Records  in 
Washington  State  Data,  at  http://dataprivacylab.org/projects/wa/1089‐
1.pdf;  Jordan  Robertson,  States’  Hospital  Data  for  Sale  Puts  Privacy  in 
Jeopardy,  BLOOMBERG,  Jun  5,  2013,  at 
http://www.bloomberg.com/news/2013‐06‐05/states‐hospital‐data‐for‐
sale‐puts‐privacy‐in‐jeopardy.html.  
169 Hoffman & Podgurski, supra note 15, at 105‐07. 
46 
identified  records  falls  in  the  range  of  0.01  to  0.25%.170  
Although this percentage seems tiny, it translates into a risk 
of  tens  of  thousands  or  even  hundreds  of  thousands  of 
records  being  re‐identified  if  one  thinks  in  terms  of  the 
American  population  as  a  whole,  consisting  of  319  million 
individuals.171 
  Furthermore,  the  HIPAA  Privacy  Rule’s  safe  harbor 
provision does not ban the disclosure of certain details whose 
presence  could  make  it  easier  to  identify  individuals.    For 
example,  according  to  Dr.  Khaled  El  Emam,  if  hospital 
discharge data includes length of stay and time since last visit, 
which are not among the eighteen prohibited identifiers, as 
many as 16.57% of the records could have a high likelihood of 
re‐identification.172 
c. The Peculiarities of Genetic Information 
The  HIPAA  Privacy  Rule  does  not  provide  explicit 
guidance  concerning  the  de‐identification  of  genetic 
                                                            
170 Khaled El Emam et al., A Systematic Review of Re‐Identification Attacks on 
Health  Data,  6  PLoS  ONE  e28071,  available  at 
http://www.plosone.org/article/fetchObject.action?uri=info%3Adoi%2F1
0.1371%2Fjournal.pone.0028071&representation=PDF  (finding  a  re‐
identification rate of .013%); NAT’L COMM. ON VITAL & HEALTH STATISTICS, 
REPORT TO THE SECRETARY OF HEALTH AND HUMAN SERCIES ON ENHANCED 
PROTECTIONS FOR USES OF HEALTH DATA:  A STEWARDSHIP FRAMEWORK FOR 
“SECONDARY  USES”  OF  ELECTRONICALLY  COLLECTED  AND  TRANSMITTED 
HEALTH  DATA  36  n.16  (2007),  available  at 
www.ncvhs.hhs.gov/071221lt.pdf.   
171
 See United States Census Bureau, U.S. and World Population Clock, at 
http://www.census.gov/popclock/.  
172  Khaled  El  Emam,  Methods  for  the  De‐identification  of  Electronic  Health 
Records for Genomic Research, 3 Genome Medicine 25, 27 (2011). 
47 
information,173  such  as  the  genetic  sequences  available 
through  GenBank.174    Many  commentators  have  expressed 
concern  that  adversaries  could  re‐identify  anonymized 
genetic  information  using  a  variety  of  techniques.175  
Researchers  believe  that  people  can  be  uniquely  identified 
through a sequence of only 30 to 80 out of 30 million single‐
nucleotide  polymorphisms  (SNPs).176    In  one  study, 
researchers  identified  family  names  by  matching  
short  sequences  of  DNA  bases  on  an  individual’s  Y 
chromosome  to  entries  in  recreational  genetic  genealogy 
databases.177    These  short  sequences  are  repeated  different 
numbers of times in different individuals, and hence they are 
called short tandem repeats or Y‐STRs.  Even providing only 
summary‐level  genetic  information  cannot  always  fully 
protect  the  identities  of  data  subjects.178      Given  genotype 
frequencies for a study cohort, it is possible to determine if a 
particular  individual  is  in  the  cohort  if  one  knows  the 
                                                            
173 45 C.F.R. § 164.514(b)(2)(i) (2013); El Emam, supra note 172, at 27.  
174 See supra Part I.A.4; Melissa Gymrek et al., Identifying Personal Genomes 
by Surname Inference, 339 SCIENCE 321, 321 (2013) (noting that “[s]haring 
sequencing data sets without identifiers has become a common practice in 
genomics.”). 
175 El Emam, supra note 172, at 27; Dina N. Paltoo et al., Data Use under the 
NIH GWAS Data Sharing Policy and Future Directions, 46 NATURE GEN. 934, 
937 (2014). 
176 El Emam, supra note 172, at 27; Liina Kamm et al., A New Way to Protect 
Privacy in Large‐Scale Genome‐Wide Association Studies, 29 BIOINFORMATICS 
886,  886  (2013).    A  single‐nucleotide  polymorphism  is  a  “variation  at  a 
single position in a DNA sequence among individuals.”  Scitable, Glossary, 
at  http://www.nature.com/scitable/definition/single‐nucleotide‐
polymorphism‐snp‐295. 
177 Melissa Gymrek et al., Identifying Personal Genomes by Surname Inference, 
339 Science 321, 321 (2013). 
178  David  W.  Craig  et  al.,  Assessing  and  Managing  Risk  when  Sharing 
Aggregate Genetic Variant Data, 12 NAT. REV. GENET. 730, 730 (2012). 
48 
individual’s  genotype  and  has  a  reference  set  of  allele 
frequencies  for  the  underlying  population.179  Thus,  genetic 
information may be more difficult to de‐identify effectively 
than other types of data.   
B. DISCRIMINATION AND SPECIAL TARGETING 
Medical  big  data  can  serve  as  a  treasure  trove  of 
information for many parties who will use it to further their 
own economic best interests.180  The release of patient data for 
public‐use,  alongside  advances  in  re‐identification 
capabilities,  raises  significant  concern  regarding  potential 
discrimination  or  targeting  by  parties  with  a  stake  in 
individuals’ health and economic welfare.181  This part will 
focus  on  three  examples:    employers,  financial  institutions, 
                                                            
179  Id.  at  734‐35.    An  allele  is  one  of  several  variations  of  a  gene.    U.S. 
National  Library  of  Medicine,  Genetics  Home  Reference,  at 
http://ghr.nlm.nih.gov/glossary=allele.  
180 See Narayanan & Shmatikov, supra note 162, at 26 (noting “increasing 
economic  incentives  for  potential  attackers”);  Kate  Crawford  &  Jason 
Schultz, Big Data and Due Process:  Toward A Framework to Redress Predictive 
Privacy Harms, 55 B.C. L. REV. 93, 96‐99 (2014) (discussing  business use of 
big data to obtain personal health information about consumers); Danielle 
Keats  Citron  &  Frank  Pasquale,  The  Scored  Society:    Due  Process  for 
Automated Predictions, 89 WASH. L. REV. 1, 3 (2014) (stating that in today’s 
world  “[p]redictive  algorithms  mine  personal  information  to  make 
guesses  about  individualsʹ  likely  actions  and  risks”  and  “[p]rivate  and 
public  entities  rely  on  predictive  algorithmic  assessments  to  make 
important decisions about individuals.”). 
181  Id.;  EXECUTIVE  OFFICE  OF  THE  PRESIDENT,  BIG  DATA:    SEIZING 
OPPORTUNITIES,  PRESERVING  VALUES  51  (May  2014),  at 
http://www.whitehouse.gov/sites/default/files/docs/big_data_privacy_re
port_may_1_2014.pdf  (stating  that  “[a]n  important  conclusion  of  this 
study  is  that  big  data  technologies  can  cause  societal  harms  beyond 
damages  to  privacy,  such  as  discrimination  against  individuals  and 
groups.”). 
49 
and marketers.  Employers have a strong incentive to identify 
and select the healthiest workers in order to avoid attendance 
and productivity problems and high health insurance costs.  
Likewise, lenders are interested in borrowers who will have 
an income and be able to pay off their loans.  For their part, 
advertisers  and  marketers  wish  to  tailor  their  marketing 
campaigns to reach the most lucrative markets, and thus, they 
might  target  particular  individuals  based  on  known  health 
conditions182 or offer special promotions to some consumers 
but not others.183  
1. Employers  
Employers  go  to  great  lengths  to  select  employees 
carefully  in  order  to  maximize  business  productivity  and 
profitability.    Sick  or  disabled  employees  can  be  very 
expensive  for  employers  because  of  absenteeism, 
performance  shortcomings,  high  insurance  costs,  loss  of 
customers  who  are  uncomfortable  interacting  with  the 
individual, erosion of workforce morale if other workers feel 
overburdened  while  the  employer  accommodates  the  ill  or 
impaired employee, and other problems.184   Employers may 
have  good  economic  reasons  to  strive  for  the  healthiest 
                                                            
182 Lori Andrews, Facebook Is Using You, N.Y. TIMES, Feb. 4, 2012, available 
at  http://www.nytimes.com/2012/02/05/opinion/sunday/facebook‐is‐
using‐you.html?pagewanted=all&_r=0.  
183  EXECUTIVE OFFICE OF THE PRESIDENT, supra note 181, at 47. 
184 See Bruce Japsen, U.S. Workforce Illness Costs $576B Annually From Sick 
Days  To  Workers  Compensation,  FORBES,  Sept.  12,  2012,  available  at 
http://www.forbes.com/sites/brucejapsen/2012/09/12/u‐s‐workforce‐
illness‐costs‐576b‐annually‐from‐sick‐days‐to‐workers‐compensation/; 
Jessica L. Roberts, Healthism and the Law of Employment Discrimination, 99 
IOWA L. REV. 571, 580‐89 (2014) (analyzing the rationales for health‐driven 
employment policies). 
50 
possible workforce, but they are constrained by federal and 
state laws that prohibit discrimination based on a variety of 
protected  classifications,  including  disability  and  genetic 
information.185    Moreover,  if  employers  make  assumptions 
about people’s health and apply rigid, generalized rules to 
determine  which  employees  are  undesirable,  they  will 
deprive many qualified individuals of job opportunities.   
The  advent  of  publicly  available  data  may  enable 
employers  to  discriminate  against  individuals  who  are 
perceived to be at high risk of poor health in ways that are 
subtle and difficult to detect.  Some employers are already 
embracing advanced technologies such as smart badges that 
enable  them  to  monitor  employee  conduct  and  analyze 
workplace  interactions  as  never  before.186    They  may  well 
pursue opportunities to use identifiable, re‐identifiable, and 
even non‐identifiable medical data to develop new screening 
tools and hiring policies.  
a. Using Identifiable or Re‐Identifiable Data 
Individuals who agree to share identifiable or easily re‐
identifiable medical data with the public on websites such as 
PatientsLikeMe  or  the  Personal  Genome  Project187  should 
understand that it will be accessible to anyone and everyone.  
                                                            
185  See  Sharona  Hoffman,  The  Importance  of  Immutability  in  Employment 
Discrimination  Law,    52  WILLIAM  &  MARY  L.  REV.  1483,  1489‐94  (2011) 
(discussing the forms of discrimination prohibited by anti‐discrimination 
legislation). 
186 Steve Lohr, Unblinking Eyes Track Employees: Workplace Surveillance Sees 
Good  and  Bad,  N.Y  TIMES,  June  21,  2014,  available  at 
http://www.nytimes.com/2014/06/22/technology/workplace‐surveillance‐
sees‐good‐and‐bad.html?emc=eta1.  
187 See supra Parts I.B.2 & 3. 
51 
This includes not only fellow patients or others with benign 
interests,  but  also  employers  who  may  take  adverse action 
based on health concerns.    
Many  employers  reportedly  access  public  profiles  that 
applicants  post  on  social  media  sites  as  part  of  their 
investigation  of  candidates’  credentials.188    They  also  ask 
applicants for permission to obtain their credit reports.189  It is 
therefore  not  far‐fetched  to  assume  that  they  will  search 
publicly available health profiles as well.  It is also possible 
that employers will hire data miners to re‐identify medical 
information  when  doing  so  is  not  excessively  difficult.  
Employers or their agents may be able to re‐identify health 
records  that  feature  certain  items  such  as  postal  codes, 
birthdates,  and  gender,  with  the  aid  of  demographic 
information and names contained in voter registration lists, 
credit reports, or job applications.190    
Employers may also be able to hire experts who can re‐
identify  information  that  is  thoroughly  de‐identified  in 
compliance with the HIPAA safe harbor standard if they have 
a  sufficient  amount  of  related,  identifiable  data  about 
applicants and employees to which they can match the de‐
                                                            
188  Greg  Fish  &  Timothy  B.  Lee,  Employer  Get  Outta  My  Facebook, 
BLOOMBERG  BUSINESSWEEK,  at 
http://www.businessweek.com/debateroom/archives/2010/12/employers
_get_outta_my_facebook.html;  Phyllis  Korkki,  Is  Your  Online  Identity 
Spoiling  Your  Chances?,  N.Y.  TIMES,  October  9,  2010,  available  at 
http://www.nytimes.com/2010/10/10/jobs/10search.html.  
189 Gary Rivlin, The Long Shadow of Bad Credit in a Job Search, N.Y. TIMES, 
May  11,  2013,  available  at 
http://www.nytimes.com/2013/05/12/business/employers‐pull‐
applicants‐credit‐reports.html?pagewanted=all.  
190 See supra Part III.A.3.a.  
52 
identified records.  For example, data miners may be able to 
obtain  individuals’  detailed  purchasing  histories  or  web‐
browsing  histories  from  database  marketers  such  as 
Acxiom.191  If these lists suggest that particular workers have 
certain  health  conditions,  data  miners  may  be  able  to  link 
anonymized health records to names on the lists and thereby 
identify patients and obtain all of their medical details.   
Experienced  data  miners,  aided  by  contemporary 
technology,  often  have  no  difficulty  achieving  re‐
identification.    In  a  2010  article,  two  computer  scientists, 
Arvind Narayanan and Vitaly Shmatikov went as far as to say 
that  “advances  in  the  art  and  science  of  re‐identification, 
increasing  economic  incentives  for  potential  attackers,  and 
ready availability of personal information about millions of 
people (for example, in online social networks) are rapidly 
rendering [de‐identification] … obsolete.”192 
The Americans with Disabilities Act prohibits employers 
from engaging in disability‐based discrimination.193  The law 
allows  employers  to  conduct  medical  inquiries  and 
                                                            
191 See Alice E. Marwick, How Your Data Are Being Deeply Mined, N.Y. REV. 
BOOKS,  Jan.  9,  2014,  available  at 
http://www.nybooks.com/articles/archives/2014/jan/09/how‐your‐data‐
are‐being‐deeply‐mined/  (discussing  the  development  of  “database 
marketing,” an industry that collects, aggregates, and brokers personal 
data  from  sources  such  as  “home  valuation  and  vehicle  ownership, 
information  about  online  behavior  tracked  through  cookies,  browser 
advertising,  and  the  like,  data  from  customer  surveys,  and  “offline” 
buying behavior”); Acxiom at http://www.acxiom.com/.  
192  Narayanan  &  Shmatikov,  supra  note  162,  at  26.    See  also,  Electronic 
Privacy  Information  Center,  supra  note  162  (stating  that  ʺ’anonymized’ 
data can easily be re‐identified”). 
193 42 U.S.C. § 12112(a) (2010). 
53 
examinations  within  certain  limits  to  determine  fitness  for 
duty,194  but workers who feel that an employer denied them 
a job opportunity because of information it discovered, may 
sue the employer.195  Unlike medical exams, publicly shared 
medical  data  would  enable  employers  to  view  workers’ 
health information without the individuals’ knowledge and, 
consequently,  with  little  concern  about  being  accused  of 
disability  discrimination  in  case  of  adverse  employment 
decisions.  
b. De‐identified  Information  as  a  Basis  for  Multi‐
Factor  Discrimination  and  Discrimination  by 
Proxy   
   Employers may use publicly available medical data for 
purposes of screening workers even without attempting to re‐
identify  records.    Some  websites  feature  information 
concerning disease trends that might induce employers to try 
to exclude certain classes of employees.  For instance, CDC 
Wonder allows users to search for cancer incidence by age, 
sex, race, ethnicity, and region.196  As a hypothetical example, 
the results of a search might lead an employer to conclude 
that  Hispanic  women  over  50  are  more  prone  to  several 
cancers than other individuals, and consequently, to decline 
to hire Hispanic women over 50.197   
                                                            
194 42 U.S.C. § 12112(d) (2010). 
195 42 U.S.C § 12117(a) (2010). 
196 CDC Wonder, United States Cancer Statistics, 1999‐2010 Incidence Request, 
http://wonder.cdc.gov/cancer‐v2010.HTML.  
197  See  Jourdan  Day,  Closing  the  Loophole—Why  Intersectional  Claims  Are 
Needed To Address Discrimination Against Older Women, 75 OHIO ST. L.J. 447, 
448 (2014). 
54 
Some researchers have in fact focused on particular ethnic 
sub‐groups  and  concluded  that  they  have  more  health 
problems than others.  A prime example is the PINE Study, 
for  which  investigators  interviewed  3,018  Chinese  adults 
aged 60 to 105 who lived in the Chicago area between 2011 
and 2013.198  The study concluded that “Chinese older adults 
experience  disproportionate  health  disparities,”  suffering 
from significant physical, psychological, financial, and social 
challenges.199  Though this was far from the study’s intention, 
readers of the report may think twice about hiring people of 
Chinese ancestry who are 60 or older.  While investigators 
used  interviews  for  this  study,  they  could  also  undertake 
record  reviews  in  the  future  if  sufficient  information  is 
available.  The study’s findings could encourage employers to 
pursue similar research using open medical data because it 
will  yield  clear  categories  of  individuals  who  should  be 
excluded as likely to become problematic employees. 
The civil rights laws prohibit discrimination by race, color 
sex,  and  age,  among  other  categories,200  but  discrimination 
based on a combination of two or more factors would be very 
difficult to detect and prove.  If accused of discrimination, the 
employer would be able to show that it has Hispanic, female, 
and older employees in its workforce.  A plaintiff would need 
to be clever enough to discern that the employer is excluding 
only  a  subgroup  that  falls  at  the  intersection  of  several 
                                                            
198  XinQi  Dong  et  al.,  The  PINE  Report,  p.  v,  available  at 
http://chinesehealthyaging.org/files/PINE_Final_Reports/All.pdf.  
199 Id. at v & 40. 
200 See Title VII of the Civil Rights Act of 1964, 42 U.S.C. § 2000e‐2(a) (2006); 
the Age Discrimination in Employment Act, 29 U.S.C. §§ 623(a), 631(a) 
(2006). 
55 
protected  categories  and  then  somehow  decipher  the 
employer’s  motivation  for  doing  so.    Furthermore,  many 
courts  disallow  multi‐factor  claims  involving  age.201    These 
courts perceive “age plus” cases as prohibited by a Supreme 
court decision, Gross v. FBL Financial Services, Inc., that held 
that an age discrimination plaintiff must prove that age is the 
“but for” reason for the adverse action at issue.202 
Anonymized  data  can  provide  other  opportunities  for 
discrimination  as  well.203    Employers,  who  are  highly 
motivated to develop means to screen out workers at high risk 
of health problems, may undertake their own citizen science 
projects or hire experts to do so.   Employers or their agents 
may  mine  medical  data  using  sophisticated  algorithms  in 
order  to  detect  associations  between  individual 
characteristics  or  behaviors  and  poor  physical  or  mental 
health.204    Then,  they  would  try  to  determine  from  job 
applications, interviews, and reference or background checks 
whether applicants have those attributes or behaviors.   
Concern  that  employers  would  attempt  to  find  reliable 
predictors of applicants’ future health status is not fanciful.  In 
the words of two prominent scholars, “predictive algorithms 
. . . are increasingly rating people in countless aspects of their 
lives.”205  Several websites such as “Lifespan Calculator” and 
                                                            
201  Day, supra note 197, at 449. 
202 Id. at 466‐67; Gross v. Fin. Servs., Inc., 557 U.S. 167, 177‐78 (2009). 
203 Michael Schrage, Big Data’s Dangerous New Era of Discrimination, HARV. 
BUS.  REV.,  Jan.  29,  2014,  at  http://blogs.hbr.org/2014/01/big‐datas‐
dangerous‐new‐era‐of‐discrimination/.  
204  See  EXECUTIVE  OFFICE  OF  THE  PRESIDENT,  supra  note  181,  at  45‐47 
(discussing algorithms). 
205 Citron & Pasquale, supra note 180 at 2. 
56 
“How  Long  Will  I  Live?”    invite  users  to  calculate  their 
longevity  based  on  a  series  of  questions.    These  websites’ 
calculations may or may not be trustworthy or illuminating, 
but  they  reflect  deep  interest  in  creating  health‐related 
predictive tools.206  The websites ask users about their height, 
weight,  education,  income,  marital  status,  exercise  habits, 
smoking drinking, driving, seat belt use, work history, eating, 
sleeping,  and  more.207    They  also  ask  a  small  number  of 
questions about family and personal medical history, which, 
for  employers,  could  trigger  violations  of  federal  anti‐
discrimination  law.208    However,  as  data  mining  science 
continues  to  develop  and  demand  for  its  products  grows, 
experts  will  likely  develop  dependable  tools  that  do  not 
require  such  explicit  questions.    While  employers  may  not 
care about whether employees will live to be eighty or ninety, 
they will be interested in means to determine whether they 
will  remain  healthy  and  productive  during  their  working 
lives.   
Already, some employers are known to reject candidates 
who  are  obese  or  smoke  because  of  anticipated  health 
problems.209  In the future, they might disqualify applicants 
                                                            
206  Northwestern  Mutual,  Lifespan  Calculator,  at 
http://media.nmfn.com/tnetwork/lifespan/;  How  Long  Will  I  Live?  at 
http://gosset.wharton.upenn.edu/mortality/perl/CalcForm.html.  
207 See supra note 206. 
208 See Genetic Information Nondiscrimination Act, 42 U.S.C. §§ 2000ff(4) 
(including “the manifestation of a disease or disorder in family members” 
in the definition of “genetic information” that employers are forbidden to 
seek; Americans with Disabilities Act, 42 U.S.C. § 12112(d)(2) (prohibiting 
employers  from  conducting  most  medical  inquiries  and  tests  prior  to 
extending a job offer to the applicant). 
209Roberts, supra note 184, at 577‐79. 
57 
for  many  more  forms  of  conduct  or  characteristics.  
Applicants could routinely be questioned during interviews 
about  their  eating,  exercise,  travel,  and  other  habits.  
Employers may then base employment decisions on proxies 
for  disease  or  predictions  of  later  illness  without  violating 
state  and  federal  anti‐discrimination  laws.    As  Professor 
Jessica  Roberts  explains,  those  statutes  prohibit 
discrimination  based  on  attributes  (e.g.  race  or  disability) 
rather than on behavior (e.g. consumption of fatty food or a 
sedentary lifestyle).210  Furthermore, the laws focus only on 
current disabilities and genetic information and do not govern 
any assumptions employers might make about individuals’ 
future  ailments  that  do  not  relate  to  off‐limits  genetic 
information.211 
2. Financial Institutions and Marketers 
Like employers, financial institutions collect information 
about individuals.  Banks routinely maintain databases with 
data  about  customers  who  previously  overdrew  their 
accounts or bounced checks.212  Nothing will prevent them 
                                                            
210 Id. at 604‐07. 
211 See Hoffman, supra note 185, at 1489‐94 (2011) (discussing the forms of 
discrimination prohibited by anti‐discrimination legislation).  The Genetic 
Information  Nondiscrimination  Act  prohibits  employers  from 
discriminating  based  on  genetic  information,  and  therefore,  employers 
should refrain from mining data collections for genetic information even 
if it is abundantly available.  Genetic Information Non‐Discrimination Act, 
Pub. L. No. 110‐233, 122 Stat. 881 §§ 201(4) & 202(a) (2008); 42 U.S.C. §§ 
2000ff(4) & 2000ff‐1(a) (Supp. 2010).  
212 Jessica Silver‐Greenberg and Michael Corkery, Bank Account Screening 
Tool  Is  Scrutinized  as  Excessive,  N.Y.  Times,  June  15,  2014,  available  at 
http://dealbook.nytimes.com/2014/06/15/bank‐account‐screening‐tool‐is‐
scrutinized‐as‐excessive/?_php=true&_type=blogs&emc=eta1&_r=0. 
58 
from adding health information to their databases in order to 
hone their ability to screen out applicants with a high risk of 
defaulting on loans if such data is attainable at low cost.  As 
suggested  above,  financial  institutions  may  utilize 
identifiable  and  easily  re‐identifiable  information  and  may 
mine databases to discern associations between health risks 
and various attributes or behaviors.213 
The Americans with Disabilities Act prohibits disability‐
based discrimination by places of public accommodation, that 
is,  establishments  that  provide  services  to  the  public, 
including banks and other financial institutions.214  However, 
customers  are  unlikely  to  suspect  or  discover  that  banks 
viewed  their  health  information  while  assessing  their  loan 
applications and thus, such acts of discrimination will most 
probably go unchallenged. 
Marketers  and  advertisers  too  have  an  interest  in 
individuals’ health data.  The more they know about potential 
customers, the more they can tailor their materials to appeal 
to  those  individuals.215    For  example,  individuals  who  are 
known to have diabetes might receive advertisements about 
sugar‐free products, which some may perceive as a troubling 
invasion of privacy.  Consumers may be particularly resentful 
when the health condition at issue is sensitive, as noted in a 
                                                            
213 See supra Part III.B.1 (discussing potential discrimination by employers).  
214 42 U.S.C. § 12181(7)(F) & 12182(a) (2010). 
215 Andrews, supra note 182. 
59 
2012  Forbes  magazine  article  entitled  “How  Target  Figured 
Out A Teen Girl Was Pregnant Before Her Father Did.”216    
Marketers  may  also  engage  in  discriminatory  practices, 
offering promotions and discounts to some customers but not 
others  or  advertising  selectively  so  that  they  reach  only 
certain consumers.  They may mine health records for clues 
regarding individuals’ purchasing potential and aggressively 
pursue  the  most  likely  or  wealthiest  customers.    A  2014 
Presidential report provided the following account:   
[S]ome … retailers were found to be using an algorithm 
that generated different discounts for the same product to 
people based on where they believed the customer was 
located. While it may be that the price differences were 
driven  by  the  lack  of  competition  in  certain 
neighborhoods, in practice, people in higher‐income areas 
received  higher  discounts  than  people  in  lower‐income 
areas.217   
While this practice already exists, access to open medical 
data may enable industry to refine marketing campaigns even 
further, to the dismay of some customers.  Moreover, selective 
advertising or promotional offers and discounts are unlikely 
                                                            
216 Kashmir Hill, How Target Figured Out A Teen Girl Was Pregnant Before 
Her  Father  Did,  FORBES,  Feb.  16,  2012,  available  at 
http://www.forbes.com/sites/kashmirhill/2012/02/16/how‐target‐figured‐
out‐a‐teen‐girl‐was‐pregnant‐before‐her‐father‐did/  (discussing  Target’s 
practice  of  data‐mining  its  customers’  purchasing  records  in  order  “to 
figure out what you like, what you need, and which coupons are most 
likely to make you happy”). 
217 EXECUTIVE OFFICE OF THE PRESIDENT, supra note 181, at 46‐47. 
60 
to be found to violate anti‐discrimination laws.218  Marketers 
will  generally  be  able  to  argue  convincingly  that  their 
decisions were based on economic factors rather than on race, 
disability, or other protected categories.219 
C. PROPAGATION  OF  INCORRECT  AND  HARMFUL 
RESEARCH CONCLUSIONS 
Citizen  science  can  lead  to  valuable  and  illuminating 
discoveries.220    At  the  same  time,  however,  amateurs  may 
reach  incorrect  conclusions.221    Furthermore,  anyone  can 
widely publicize information on the Internet, whether it be 
correct  or  erroneous.    Advice  as  to  how  to  gain  broad 
exposure is abundantly available on the Internet and can be 
found  in  webpages  such  as  “12  Ways  to  Promote  Your 
                                                            
218 Schrage, supra note 203 (stating that it is unclear “where value‐added 
personalization  and  segmentation  end  and  harmful  discrimination 
begins.”). 
219  Crawford  &  Schultz,  supra  note  180,  at  101  (stating  that  “housing 
providers could design an algorithm to predict the relevant PII [personally 
identifiable information] of potential buyers or renters and advertise the 
properties only to those who fit these profiles” and do so without violating 
fair housing laws). 
220 See supra Part II.A. 
221  INSTITUTE  OF  MEDICINE,  DISCUSSION  FRAMEWORK  FOR  CLINICAL  TRIAL 
DATA SHARING:  GUIDING PRINCIPLES, ELEMENTS, AND ACTIVITIES 13 (2014) 
available  at 
https://globalhealthtrials.tghn.org/site_media/media/medialibrary/2014/01/IOM
_data_sharing_Report.pdf  (stating that “shared clinical trial data might be 
analyzed  in  a  manner  that  leads  to  biased  effect  estimates  or  invalid 
conclusions”).  
61 
Blog”222  and  “How  to  Promote  Your  Article  Online.”223    In 
some cases, the media, celebrities, and politicians highlight 
the work of ordinary citizens,224 and they may well do so with 
respect to  scientific discoveries that they find intriguing or 
that support their own agendas.  In other cases, individuals 
can gain attention through word of mouth and social media 
as  happens  when  a  YouTube  video  or  blog  post  “goes 
viral.”225   
While  professional  researchers  most  often  seek 
publication in peer‐reviewed journals that carefully scrutinize 
submissions, nothing will stop citizen scientists from posting 
their study results on blogs, personal web pages, and other 
electronic  publications,  making  them  instantaneously 
available  to  a  worldwide  audience.226    Some  commentators 
describe  this  phenomenon  in  terms  of  a  shift  from 
                                                            
222 Sally Kane, 12 Ways to Promote Your Blog:  Blog Promotion Tips for Lawyers 
and  Legal  Professionals,  ABOUT.COM,  at 
http://legalcareers.about.com/od/practicetips/tp/10‐Ways‐To‐Promote‐
Your‐Blog.htm. 
223 Daniel Vahab & Lisa Chau, How to Promote Your Article Online, THE 
SOCIAL  MEDIA  MONTHLY,  Nov.  30,  2012,  at 
http://thesocialmediamonthly.com/how‐to‐promote‐your‐article‐online/. 
224  Well‐known  examples  are  singing  sensation  Susan  Boyle  and 
conservative activist “Joe the Plumber.” 
225 See Seth Mnookin, One of a Kind: What Do You Do if Your Child Has a 
Condition that is New to Science?, NEW YORKER, July 21, 2014, available at 
http://www.newyorker.com/reporting/2014/07/21/140721fa_fact_mnooki
n?currentPage=all&mobify=0 (describing how a father posted a blog entry 
about his disabled son’s extremely rare genetic abnormality in order to 
identify  other  patients  with  the  condition,  and  the  blog  went  viral, 
yielding contact with several other families). 
226 R. J. Cline & K. M. Haynes, Consumer Health Information Seeking on the 
Internet: the State of the Art, 16 HEALTH EDUC RES. 671, 679 (2001) (stating 
that  “the  Internet  is  characterized  by  uncontrolled  and  unmonitored 
publishing with little peer review.”). 
62 
“intermediation”  to  “apomediation.”227    Traditionally,  peer 
reviewed  journals  served  as  necessary  intermediaries 
between researchers and readers and thus were gatekeepers 
for  scientific  knowledge.    The  Internet  has  now  triggered 
disintermediation and increased use of apomediaries, agents 
or  tools  that  guide  readers  to  information  without  being 
required middlemen.228  Many reports published on websites 
look highly professional and may seem credible to general 
readers,  who  are  not  always  sophisticated  about 
distinguishing between reliable and questionable sources of 
information.229  
                                                            
227 Dan O’Connor, The Apomediated World:  Regulating Research When Social 
Media Has Changed Research, 41 J. L. MED. & ETHICS 470, 471 (2013); Gunther 
Eysenbach,  Medicine  2.0:    Social  Networking,  Collaboration,  Participation, 
Apomediation,  and  Openness,  10  J.  MED.  INTERNET  RES.  e22  (2008),  p.  5 
(coining the term “apomediation”). 
228 Eysenbach, supra note 227 at 5. 
229  See  e.g.  Geraldine  Peterson  et  al.,  How  Do  Consumers  Search  for  and 
Appraise Information on Medicines on the Internet? A Qualitative Study Using 
Focus Groups, 5 J MED INTERNET RES. e33 (2003) (concluding “that there was 
a range of search and appraisal skills among [study] participants, with 
many reporting a limited awareness of how they found and evaluated 
Internet‐based information on medicines.”); Cline & Haynes, supra note 
226,  at  680  (cautioning  that  many  consumers  have  weak  information‐
evaluation skills); Miriam J. Metzger, Making Sense of Credibility on the Web: 
Models  for  Evaluating  Online  Information  and  Recommendations  for  Future 
Research, 58 J. AM. SOC. INF. SCI. 2078, 2079 (2007) (noting that “studies 
have found that users are seldom diligent in checking the accuracy of the 
information they obtain online”) But see S. Mo Jang, Seeking Congruency or 
Incongruency  Online?:  Examining  Selective  Exposure  to  Four  Controversial 
Science Issues, 36 SCIENCE COMMUNICATION 143, 159 (2014) (finding that 
“online users may not be as susceptible to confirmation bias [a tendency 
to favor information that confirms one’s views] as some scholars … have 
argued,”  although  “[t]hose  who  were  more  religious  tended  to  avoid 
science news articles that challenged their existing views.”).  
63 
Incorrect  findings  are  unlikely  to  be  a  rarity.  They  will 
stem  from  a  variety  of  failings  and  potentially  lead  to  a 
number of different harms. 
1. Error Sources 
Erroneous findings could be caused by poor data quality 
in the original dataset or flawed study design.230  Data quality 
deficiencies may result from clinicians’ data entry errors in 
electronic health records, fragmented or incomplete electronic 
health  records,  data  coding  inaccuracies,  or  problems  with 
software  that  processes  or  analyzes  data.231    Highly  skilled 
analysts should be able to recognize data quality problems, 
adjust for them, and estimate error rates, but amateurs may 
not know how to do so.232 
Furthermore, scientific studies can be flawed because of a 
variety  of  biases.    Selection  bias  arises  when  the  group  of 
subjects studied is not representative of the population as a 
whole, and thus, researches cannot generalize study results.233  
For  example,  researchers  using  information  from 
PatientsLikeMe  or  the  Personal  Genome  Project  should 
assume that individuals who choose to make their medical 
information public on such websites are a self‐selected group 
(perhaps more educated and more interested in research) that 
is not typical of average patients.  Confounding bias occurs 
when there are relevant variables that researchers neglect to 
                                                            
230 Sharona Hoffman & Andy Podgurski, The Use and Misuse of Biomedical 
Data:  Is Bigger Really Better?, 39 AM. J. L. & MED. 497, 515‐27 (2013). 
231 Id.  at 515‐21. 
232 Id. at 530‐32. 
233 Id. at 521‐23. 
64 
consider that affect treatment choices and outcomes, and thus, 
the study’s results are skewed.234  For example, low income 
may  be  a  confounder  because  it  may  cause  individuals  to 
select  inferior,  inexpensive  treatments  and  may  also 
separately lead to poor health because of stress or inadequate 
nutrition.235    Measurement  bias  is  a  concern  when 
measurements are inaccurate because equipment has failed, 
patients  have  reported  facts  incorrectly,  or  other  problems 
have  occurred  in  the  process  of  collecting  and  measuring 
values.236  Consequently, researchers face many hurdles and 
must conduct their studies very skillfully in order to derive 
valid results. 
Researchers  must  be  particularly  sensitive  to  the 
difference  between  association  and  causation.237  They  may 
identify associations between certain behaviors, exposures, or 
treatments and particular outcomes but wrongly assume that 
there is a causal relationship between the two.238  To illustrate, 
suppose that a citizen scientist concludes that people who eat 
acai berries live longer than those who do not eat this fruit.  
Does  this  mean  that  acai  berry  consumption  prolongs  life?  
Probably not.  The explanation for this finding may well be 
                                                            
234 Id. at 523‐25. 
235 Sharona Hoffman & Andy Podgurski, Big Bad Data:  Law, Public Health, 
and Biomedical Databases, 41 J. L. MED. & ETHICS 56, 58 (Supp. 2013). 
236 Id.  
237  Austin  Bradford  Hill,  The  Environment  and  Disease:  Association  or 
Causation,  58  PROC.  ROYAL  SOCʹY  MED.  295,  295‐300  (1965);  Arvid 
Sjolander, The Language of Potential Outcomes, in CAUSALITY:  STATISTICAL 
PERSPECTIVES AND APPLICATIONS 6, 9 (Carlo Berzuini et al. eds. 2012). 
238 Stephen Choi et al., The Power of Proxy Advisors:  Myth or Reality? 59 
EMORY  L.J.  869,  879‐85  (2010)  (discussing  the  difference  between 
correlation and causation). 
65 
that individuals who purchase this exotic fruit are generally 
well off and have the means to make careful food choices, to 
exercise, to limit their stress, and to obtain top‐notch medical 
care.  Thus, it may in fact be true that eating acai berries is 
associated with a longer life on average; but it does not follow 
that  acai  berries  have  some  property  that  actually  causes 
people to live longer.   
Crowdfunding239 may add another element of uncertainty 
to research quality.  Crowdfunding does not depend on peer 
review of carefully written grant proposals by professional 
experts.240    Rather,  researchers  aim  to  appeal  to  a  large 
number  of  donors  through  videos  and  social  media 
campaigns.241    Some  commentators  have  accused 
crowdfunding  of  turning  “science  into  a  popularity 
contest.”242  It is certainly possible that the “crowd” will ignore 
the most meritorious proposals and opt to fund projects that 
are less deserving but more media‐friendly and tantalizing.243  
Consequently, studies that are funded in this manner may not 
always be of the highest quality. 
2. Potential Harms 
While many mistaken conclusions will be benign, some 
could  be  harmful.    Patients  reading  incorrect  information 
about their diseases may become unnecessarily anxious or, in 
                                                            
239 See supra notes 111‐113 and accompanying text. 
240 Karen Kaplan, Crowd‐Funding:  Cash on Demand, 497 Nature 147, 148 
(2013). 
241 Id. 
242 Palca, supra note 113. 
243 Kaplan, supra note 240, at 148. 
66 
the opposite case, overly sanguine about their symptoms and 
fail to seek needed medical care.   
Worse  yet,  individuals  with  personal  agendas  may 
undertake  scientific  studies  with  malevolent  intent.    They 
may  use  findings  to  inflame  passion  and  prejudice  against 
particular  minority  groups.    Some  may  attempt  to  further 
political agendas by “proving” that their opponents’ policies 
have  adverse  effects  on  human  health  or  the  healthcare 
system.  Others with selfish economic interests may aim to 
hurt  competitors  by  claiming  that  their  products  cause 
particular ailments.244    
Even  peer‐reviewed  journals  have  published  articles 
whose conclusions are false.  A notorious example is a 1998 
study  published  in  the  prestigious  journal,  Lancet,  that 
suggested a link between autism and the measles, mumps, 
rubella  (MMR)  vaccination.245    While  the  study  was  later 
retracted,246  the  belief  that  vaccinations  can  lead  to  autism 
gained a considerable foothold and still needs to be explicitly 
repudiated on the CDC’s website.247   
                                                            
244 Michelle Mello et al., Preparing for Responsible Sharing of Clinical Trial 
Data, 369 N. ENGL. J. MED. 1651, 1653 (2013) (cautioning that public access 
to clinical trial data “could lead unskilled analysts, market competitors, or 
others  with  strong  private  agendas  to  publicize  poorly  conducted 
analyses.”). 
245  Andrew  J.  Wakefield  et  al.,  Ileal‐Lymphoid‐Nodular  Hyperplasia,  Non‐
Specific Colitis, and Pervasive Developmental Disorder in Children, 351 LANCET 
637, 641 (1998). 
246 Simon H. Murch et al., Retraction of an Interpretation, 363 LANCET 750, 
750 (2004).  
247  Measles,  Mumps,  and  Rubella  (MMR)  Vaccine,  CENTERS  FOR  DISEASE 
CONTROL  AND  PREVENTION, 
67 
Researchers who are media‐savvy or web‐savvy and do 
not submit their findings to peer‐reviewed journals for review 
by experts may be all the more likely to propagate incorrect 
and  potentially  harmful  views.    Manuscripts  that  are  not 
submitted to journals will not be scrutinized by experts before 
their  authors  post  them  on  the  Internet,  and  no  filtering 
mechanism exists to indicate to readers whether the material 
is valid or trustworthy.248  The Internet provides publishing 
opportunities  without  any  need  for  intermediaries  and 
oversight.  Therefore, potentially, millions of readers could 
view  and  believe  even  nonsensical  conclusions,  especially 
when authors assert that they based their research on data 
that the government furnished. 
Many  myths  have  in  fact  gained  considerable  traction 
despite the existence of abundant evidence to negate them.  
Two examples are climate change denial249 and the outcry that 
the  Patient  Protection  and  Affordable  Care  Act  (aka 
Obamacare) would authorize “death panels” to decide which 
patients should live and which should die.250  In both cases, 
the arguments gained popularity because high‐profile public 
                                                            
http://www.cdc.gov/vaccinesafety/Vaccines/MMR/MMR.html  (last 
updated Feb. 7, 2011). 
248 See supra notes 226‐228 and accompanying text. 
249 Aaron M. McCright & Riley E. Dunlap, Cool Dudes: The Denial of Climate 
Change  Among  Conservative  White  Males  in  the  United  States,  21  GLOBAL 
ENV. CHANGE 1163, 1163 (2011). 
250 Brian Beutler, Republicans’ “Death Panel” Smear Was Appallingly Effective, 
THE  NEW  REPUBLIC,  June  23,  2014,  available  at 
http://www.newrepublic.com/article/118313/gop‐obamacare‐death‐
panel‐smear‐putting‐peoples‐lives‐risk.   
68 
figures embraced them to further their own political agendas, 
which may occur in many other instances as well. 
A particularly pernicious argument was made by Michael 
Levin in a 1997 book called Why Race Matters.251  The author 
argued that African‐Americans are typically less intelligent 
and more aggressive, assertive, and impulsive than Whites.252  
In addition, according to the author, African‐Americans are 
more likely to commit crimes because they suffer from “an 
absence  of  conscience”  and  an  inability  to  engage  in  self‐
monitoring  and  have  less  free  will  and  a  different  moral 
orientation from Whites.253  In an era in which anyone in the 
world can access Internet material without leaving home or 
paying  any  money  for  a  publication,  these  types  of 
purportedly  research‐backed  arguments  can  be  more 
dangerous than ever before. 
D. LITIGATION  
Open health data may lead to a proliferation of litigation 
or threats of litigation in several circumstances.  First, parties 
who feel they were injured by published research outcomes 
that  were  invalid  may  assert  claims  such  as  defamation  or 
interference  with  economic  advantage.    Second,  business 
entities  may  threaten  to  sue  or  file  frivolous  cases  against 
citizen  scientists  who  have  acted  in  good  faith  and  posted 
legitimate  findings  because  the  companies  fear  that  the 
research  outcomes  will  harm  them  in  some  way.    Thus, 
                                                            
251  MICHAEL  LEVIN,  WHY  RACE  MATTERS:    RACE  DIFFERENCES  AND  WHAT 
THEY MEAN (Praeger 1997). 
252 Id. at 213. 
253 Id. at 213, 322. 
69 
litigation  could  be  used  to  intimidate  citizen  scientists  and 
pressure them to retract and remove purportedly offending 
materials.  Third, data subjects who feel that they are victims 
of unauthorized disclosure of identifiable medical data may 
assert  common  law  privacy  breach  claims.    This  section 
analyzes several potential causes of action and the protection 
provided in some states by legislation that prohibits  strategic 
lawsuits against public participation (SLAPPs).   
1. Defamation 
Defamation  claims  generally  require  proof  of  the 
following elements:   
(1)  publication  (to  a  third  party)  (2)  of  a  defamatory 
statement (3) “of and concerning” the plaintiff (4) that is 
false,  (5)  published  with  requisite  degree  of  fault 
(negligence  or  actual  malice),  and  (6)  damages  the 
plaintiffʹs  reputation  (which,  in  some  instances,  can  be 
presumed).254 
Establishing a successful defamation claim is no easy task, 
and  plaintiffs  must  meet  a  high  standard  of  proof.255  
                                                            
254Matthew E. Kelley & Steven D. Zansberg, A Little Birdie Told Me, “You’re 
A Crook”: Libel in the Twittersphere and Beyond, 30‐Mar COMMUNICATION 
LAWYER 1 (2014); Restatement (Second) of Torts § 558 (1977). 
255 K.J. Greene, Intellectual Property Expansion:  the Good, the Bad, and the 
Right of Publicity, 11 CHAP. L. REV. 521, 534 (2008) (stating that “defamation 
law sets very high standards of proof and injury to prevent conflict with 
First Amendment principles.”). 
70 
Electronic  speech  is  entitled  to  the  same  stringent  First 
Amendment protections as print communication.256  
Nevertheless,  both  individuals  and  entities  may  bring 
defamation claims.257  For example, a manufacturer may file a 
defamation  suit  relating  to  the  publication  of  intentionally 
false  statements  asserting  that  its  product  causes  health 
problems.  However, as a rule, defamatory statements against 
groups are not actionable.258  Thus, if an author published or 
posted a piece asserting that Jews or African‐Americans are 
biologically  inferior  in  some  way,  Jewish  or  African‐
American  plaintiffs  could  not  bring  a  defamation  claim  no 
matter how baseless and offensive the publication was.   
An  increasing  number  of  defamation  cases  involve 
material posted on the Internet, which is the most likely venue 
for citizen science publications.259  For example, defamation 
                                                            
256  Reno  v.  American  Civil  Liberties  Union,  521  U.S.  844,  870  (1997) 
(asserting that “our cases provide no basis for qualifying the level of First 
Amendment  scrutiny  that  should  be  applied  to  this  medium  [the 
Internet].”). 
257  Wendy  Gerwick  Couture,  The  Collision  between  the  First 
Amendment  and  Securities  Fraud,  65  Ala.  L.  Rev  903,  918‐20  (2014) 
(discussing defamation suits brought by entities and individuals). 
258 Restatement (2d) of Torts, § 564A (1977); Ellyn Tracy Marcus, Group 
Defamation and Individual Actions: A New Look at an Old Rule, 71 CALIF. L. 
REV. 1532, 1533 (1983). 
259 Amy Kristin Sanders & Natalie Christine Olsen, Re‐defining Defamation:  
Psychological Sense of Community in the Age of the Internet, 17 COMM. L. & 
POL’Y  355,  365  (2012)  (noting  that  “[w]ith  the  increasing  number  of 
speakers and messages has come a flurry of litigation as courts struggle to 
regulate the medium of the masses.”).   
71 
suits have been filed by businesses in response to negative 
reviews on the website Yelp.260   
A  particularly  memorable  defamation  case  brought  by 
industry involved a discussion on Oprah Winfrey’s television 
show.261  After scientists linked the consumption of beef from 
cattle infected by Mad Cow Disease with a new variant of the 
deadly  Creutzfeldt–Jakob  Disease,  the  Oprah  Winfrey  Show, 
like many other media outlets, covered the story in a segment 
entitled “Dangerous Foods.”262  At one point in the show Ms. 
Winfrey  stated  that  she  was  “stopped  cold  from  eating 
another burger.”263  Subsequently, several Texas cattle men 
sued Ms. Winfrey and other defendants, asserting numerous 
causes of action, including defamation, and claiming that the 
beef  market  suffered  significant  losses  because  of  the 
broadcast.264  Fortunately for Oprah, the defendants prevailed 
on all claims.265 
In some cases, plaintiffs may well have legitimate claims 
against  individuals  who  maliciously  publicize  damaging 
information that they know to be false.  In fact, the prospect 
of facing defamation claims may be an important deterrent to 
such misconduct.  However, it is not difficult to imagine that 
in other instances, the chilling effect of litigation will thwart 
the dissemination of non‐defamatory information. Industry 
                                                            
260  Yelp,  Inc.  v.  Hadeed  Carpet  Cleaning,  Inc.  752  S.E.2d  554  (Va.App. 
2014);  Bently  Reserve  L.P.  v.  Papaliolios,  218  Cal.App.4th  418  (1st  Dist. 
2013). 
261 Texas Beef Group v. Winfrey, 201 F.3d 680 (5th Cir. 2000). 
262 Id. at 682‐84. 
263 Id. at 688. 
264 Id. at 682. 
265 Id. at 680. 
72 
may file lawsuits primarily to intimidate citizen scientists and 
force them to comply with demands for removal or retraction 
of  material  that  they  researched  and  posted  in  good  faith.  
Citizen scientists who are far less powerful and prosperous 
than Oprah Winfrey may be unable to mount a full defense 
and simply capitulate.266 
2. Other Causes of Action 
Plaintiffs may file a myriad of other claims, only a few of 
which  will  be  discussed  as  examples  below.    The  cattle 
ranchers  who  sued  Oprah  Winfrey  alleged  not  only 
defamation  but  also  the  closely  related  tort  of  business 
disparagement as well as negligence and negligence per se.267  
In  addition,  companies  that  feel  their  products  have  been 
inappropriately denigrated may bring a claim of interference 
with economic advantage.  This theory of liability typically 
involves proof of the following elements: (1) plaintiff had an 
economic  relationship  with  a  third  party  that  would  have 
likely  been  economically  beneficial  for  the  plaintiff,  (2)  the 
defendant  knew  of  the  relationship,  (3)  the  defendant 
engaged in intentional or negligent acts designed to disrupt 
the  relationship,  (4)  the  relationship  was  in  fact  disrupted, 
and (5) the defendant’s conduct proximately caused plaintiff 
to suffer economic harm.268  Individuals and entities that have 
been subjected to published criticism or negative commentary 
                                                            
266 But see infra Part III.D.3 (discussing anti‐SLAPP statutes). 
267 Winfrey, supra note 261 at 682.  See id. at 685 for a discussion of the 
elements of a business disparagement claim. 
268 Crown Imports, LLC v. Superior Court, 223 Cal. App. 4th 1395, 1404 (2d 
Dist. 2014). 
73 
often assert allegations of tortious interference with economic 
advantage alongside defamation claims.269 
Patients whose data were used for research purposes may 
also  initiate  litigation.  A  patient  who  believes  she  did  not 
consent to the posting of her identifiable medical records may 
assert a claim of public disclosure of private facts, a tort with 
the following elements: “‘(1) public disclosure (2) of a private 
fact  (3)  which  would  be  offensive  and  objectionable  to  the 
reasonable person and (4) which is not of legitimate public 
concern.”270  There is no precedent for applying this theory of 
liability to re‐identified data, but in the future, parties may 
attempt to invoke it in such circumstances.  If re‐identified 
medical information were posted on the Internet or otherwise 
publicized, the affected individuals may well find the conduct 
objectionable, and courts are likely to agree that the health 
records are not of public concern, thus ruling for plaintiffs. 
3. Anti‐SLAPP Legislation 
Citizen  scientists  can  take  a  degree  of  comfort  in  the 
existence of anti‐SLAPP legislation in some states.271  Strategic 
lawsuits  against  public  participation  (SLAPPs)  have  been 
defined as “civil complaints or counterclaims (against either 
an individual or an organization) in which the alleged injury 
was the result of petitioning or free speech activities protected 
                                                            
269  Digital  Media  Law  Project,  Responding  to  Strategic  Lawsuits  Against 
Public  Participation  (SLAPPs),  at  http://www.dmlp.org/legal‐
guide/responding‐strategic‐lawsuits‐against‐public‐participation‐slapps.  
270 Diaz v. Oakland Tribune, Inc., 139 Cal.Rprt. 762, 768 (1983). 
271
 Digital Media Law Project, supra note 269. 
74 
by  the  First  Amendment  of  the  U.S.  Constitution.”272    For 
example, SLAPPs have been filed by businesses as a form of 
retaliation against consumers who posted negative comments 
about them on social networking sites.273  There is thus reason 
to worry that some companies will file SLAPPs against citizen 
scientists who claim that their products are inferior to others 
or cause health‐related harms. 
Anti‐SLAPP  statutes  have  been  enacted  in  twenty‐eight 
states,  the  District  of  Columbia,  and  Guam.274    These  laws 
enable defendants subject to certain frivolous allegations to 
have  SLAPPS  dismissed  quickly  and  to  recover  costs  and 
attorneys’  fees.275    The  statutes  can  vary  significantly.276 
Pennsylvania’s  is  very  narrow,  granting  immunity  to 
defendants who make “an oral or written communication to 
a  government  agency  relating  to  enforcement  or 
implementation of an environmental law or regulation ….”277  
By  contrast,  in  California  the  law  is  much  broader278  and 
covers “written or oral statement[s] or writing made in a place 
                                                            
272 Robert D. Richards, A  SLAPP in the Facebook:  Assessing the Impact of 
Strategic Lawsuits against Public Participation on Social Networks, Blogs, and 
Consumer Gripe Sites, 21 DEPAUL J. ART, TECH. & INTELL. PROP. L. 221, 222 
(2011). 
273 Id. at 222‐23; Rex Hall, Jr., Firm Sues WMU Student Over Facebook Page; 
Towing Company Seeks $750,000 in Damages for Online Criticism, THE GRAND 
RAPIDS PRESS, April 14, 2010, at A6 (discussing litigation that followed the 
student’s posting of an entry on his Facebook page that criticized T & J 
Towing  for  wrongly  towing  his  car  from  a  legal  parking  space  and 
damaging it). 
274 Digital Media Law Project, supra note 269.   
275 Id.  
276 Richards, supra note 272, at 232. 
277 27 PA. CONS. STAT. ANN. § 8302(a) (2001). 
278 CAL. CODE CIV. PRO. §§ 425.16(e)  & 425.17 (West 2011). 
75 
open to the public or a public forum in connection with an 
issue  of  public  interest.”    The  Pennsylvania  law  allows 
defendants  to  request  hearings  at  which  the  court  will 
determine  whether  they  are  entitled  to  immunity.279    The 
California  law  establishes  a  somewhat  different  procedure, 
allowing a covered defendant to file a special motion to strike, 
after  which  the  court  will  require  the  plaintiff  to  produce 
evidence that it is likely to prevail on its claim. In the absence 
of such evidence, the claim will be dismissed and defendant 
will  recover  attorney’s  fees  and  costs.280    Protection  is 
inconsistent across jurisdictions but may be very helpful to 
some victims of frivolous litigation initiated for purposes of 
harassment and intimidation. 
IV. RECOMMENDATIONS 
  The  growing  trend  of  opening  patient‐related  data 
held  by  the  government  and  private  entities  to  the  public 
raises hopes for considerable benefits at the same time that it 
provokes  significant  concerns.    Should  legislators  and 
regulators  respond  in  any  way  to  this  emerging 
phenomenon?  The law must balance the interests of a variety 
of  stakeholders:    patients,  professional  researchers,  citizen 
scientists, the government, industry, and the public at large.   
An excessively heavy‐handed approach to regulation might 
discourage  citizen  scientists  from  pursuing  projects  and 
making  important  contributions  and  may  deter  data 
custodians  from  releasing  records.    However,  a  regulatory 
approach  that  is  too  timid  may  result  in  privacy  breaches, 
                                                            
279 27 PA. CONS. STAT. ANN. § 8303 (2001). 
280 CAL. CODE CIV. PRO. § 425.16(b)‐(c) (2011). 
76 
discrimination,  and  other  societal  harms.    This  Part 
formulates  recommendations  for  regulatory  and  policy 
modifications to address open data concerns. 
A. PRIVACY AND DATA STEWARDSHIP 
The risk that anonymized health information will be re‐
identified  and  used  inappropriately  can  never  be  fully 
eliminated,281  but  it  can  be  minimized.    Several  legal  and 
policy interventions could enhance privacy protections.  First, 
the HIPAA Privacy Rule should be amended to expand the 
definition  of  “covered  entity”  and  to  add  a  provision  that 
prohibits  re‐identification.    Second,  any  party  releasing 
patient‐related  data  to  the  public  should  establish  a  data 
release review board that will scrutinize all disclosed data sets 
to ensure that they are de‐identified as effectively as possible.  
The  review  board  should  also  oversee  other  privacy 
protections,  including  privacy  training  for  data  recipients, 
data use agreements, user registries, and consent procedures 
for data subjects opting to share identifiable information. 
1. HIPAA Privacy Rule Modifications 
Two  HIPAA  Privacy  Rule  changes  should  be  made  to 
enhance  data  subject  privacy.    The  HIPAA  statute  and 
regulations  should  be  amended  to  expand  their  reach  and 
efficacy through a broader definition of “covered entity” and 
an explicit prohibition of any attempt to re‐identify data.   
                                                            
281 See infra Part III.A.3. 
77 
a. Expand  the  Definition  of  “Covered  Entity” 
and Creating National Data Release and De‐
identification Standards 
The  HIPAA  Privacy  Rule  currently  governs  only 
healthcare providers, health plans, healthcare clearinghouses, 
and their business associates.282  It therefore does not apply to 
numerous parties that store and disclose health information, 
including  government  entities  and  database  operators.  
Expansion of the definition of “covered entity” in the HIPAA 
Privacy  Rule  and  its  enabling  legislation283  could  improve 
privacy protection for data subjects.  Regulators could turn to 
a Texas privacy statute as a model for more comprehensive 
coverage.  The law defines “covered entity” in relevant part 
as any party who: 
(A)    for  commercial,  financial,  or  professional  gain, 
monetary fees, or dues, or on a cooperative, nonprofit, or 
pro bono basis, engages, in whole or in part, and with real 
or constructive knowledge, in the practice of assembling, 
collecting,  analyzing,  using,  evaluating,  storing,  or 
transmitting  protected  health  information.    The  term 
includes  a  business  associate,  healthcare  payer, 
governmental unit, information or computer management 
entity, school, health researcher, healthcare facility, clinic, 
healthcare provider, or person who maintains an Internet 
site.284 
                                                            
282 45 C.F.R. §§ 160.102‐160.103 (2013); 42 U.S.C. §17934 (2010). 
283 45 C.F.R. §160.103 (2013) and 42 U.S.C. §1320d‐1(a) (2010). 
284 TEX. HEALTH & SAFETY CODE ANN.  181.001(b)(2) (West 2012). 
78 
The HIPAA Privacy Rule’s scope of coverage should be 
similarly  broadened.    However,  the  regulations  should 
explicitly reach employers, financial institutions, and amateur 
researchers,  along  with  the  parties  listed  in  the  definition 
above.  
The proposed change should not inhibit the release of data 
to the public.  Rather, it would provide all data holders with 
clear  instructions  regarding  privacy  safeguards  and  create 
uniform,  national  standards  for  data  disclosure  and  de‐
identification.285    Those  releasing  identifiable  information, 
such  as  PatientsLikeMe  or  the  Personal  Genome  Project 
would  need  to  obtain  meaningful  patient  consent,286  as 
discussed in greater detail below.287  Those who wish to be 
exempt  from  HIPAA  coverage  would  need  to  de‐identify 
disclosed  data  in  accordance  with  the  Privacy  Rule’s  de‐
identification provision.288   
In  some  cases,  data  holders  will  want  to  release 
information  that  is  largely  anonymized  but  contains  a  few 
identifiers that are particularly useful for research purposes.  
In  these  instances,  database  operators  would  follow  the 
Privacy Rule’s “limited data set” provision.289   In limited data 
                                                            
285 Note that the definition of “health information” would also need to be 
revised because it is currently limited to information that is “created or 
received by a healthcare provider, health plan, public health authority, 
employer, life insurer, school or university, or healthcare clearinghouse.”  
45 C.F.R. § 160.103 (2013).  It thus fails to include data handled by website 
operators and others.  
286 45 C.F.R. §164.508 (2013). 
287 See infra notes 311‐314 and accompanying text. 
288 45 C.F.R. §164.514(b)(2013); See supra Part III.A.2 for detailed discussion 
of de‐identification. 
289 45 C.F.R. §§164.514(e)(1)‐(4) (2013). 
79 
sets  custodians  redact  most  of  the  safe  harbor  provision’s 
eighteen identifiers but retain dates and geographic locales, 
including city or town, state, and postal codes.290   Database 
operators  may  release  limited  data  sets  without  patient 
authorization  so  long  as  data  recipients  sign  data  use 
agreements  containing  specified  restrictions  and  privacy 
protections.291    These  agreements  are  required  because  the 
added  identifiers,  while  valuable  to  analysts,  make  re‐
identification considerably easier for skilled attackers.292 
The proposed change would modify only the definition of 
“covered entity.”  It would not impact the exceptions to the 
HIPAA  Privacy  Rule  that  the  regulations  establish 
elsewhere.293 Thus, the proposal would not create hurdles for 
health  care  treatment,  payment,  administration,  or  the 
activities of law enforcement and public health officials.294  
b.  Prohibiting Re‐identification 
The  HIPAA  Privacy  Rule  should  also  be  amended  to 
include  a  general  prohibition  of  any  attempt  to  re‐identify 
information  that  would  apply  to  any  user  of  de‐identified 
data.295    This restriction is already an element of data use 
                                                            
290 45 C.F.R. §164.514(e)(2) (2013). 
291 45 C.F.R. §164.514(e)(4) (2013). 
292 Kathleen Benitez & Bradley Malin, Evaluating Re‐identification Risks with 
Respect to the HIPAA Privacy Rule, 17 J. AM MED. INFORM. ASSOC. 169, 169 
(2010) (estimating  that  the  risk  of  re‐identification is  between  10% and 
60%, depending on the state). 
293 45 C.F.R. §§ 164.502, .506 & .512 (2013). 
294 Id. 
295
 If the HIPAA Privacy Rule’s scope of coverage is expanded as suggested 
above, the prohibition would apply to all covered entities and individuals.  If 
not, the HIPAA statute itself should be amended to include a re‐identification 
prohibition that applies broadly to all de‐identified health data users. 
80 
agreements, which require the recipients of limited data sets 
to  promise  that  they  will  not  “identify  the  information  or 
contact  the  individuals.”296    The  proposed  change  would 
extend  this  regulatory  proscription  to  anyone  using  de‐
identified  information,  including  employers,  financial 
institutions, and all other parties.  The provision could specify 
exceptions,  such  as  permitting  re‐identification  that  is 
necessary  in  order  to  respond  to  medical  or  public  health 
emergencies.  Violators  should  be  subject  to  HIPAA’s 
enforcement provisions, which incorporate civil and criminal 
penalties.297 
2. Data Release Review Boards 
In the absence of HIPAA Privacy Rule amendments, 
data  custodians  not  currently  covered  by  the  Rule  should 
implement their own privacy safeguards.  Database operators 
who release patient‐related information to the public should 
institute a thoughtful and thorough process for reviewing the 
information  at  issue  and  establishing  strong  privacy 
safeguards.   
The  Centers  for  Disease  Control  and  Prevention’s 
“Policy  on  Releasing  and  Sharing  Data”  recommends  the 
establishment  of  data‐release  review  boards,  and  data 
custodians  would  be  wise  to  adopt  this  suggestion.298   The 
boards, composed of data mining and privacy experts, would 
review any data that are to be released to ascertain that they 
are as effectively de‐identified as possible.  For example, the 
                                                            
296 45 C.F.R. §164.514(e)(4)(ii)(C)(5) (2013). 
297 45 C.F.R. §§ 160.300‐.552 (2013). 
298 CDC/ATSDR Policy on Releasing and Sharing Data, supra note 122 at 9.  
81 
board would assess whether the disclosed sample size is so 
small that data subjects are likely to be identified no matter 
what variables are stripped away, as may be the case when 
data  is  collected  about  very  rare  diseases.299    It  would  also 
determine what statistical methods should be used to achieve 
de‐identification of various data sets, including suppression, 
perturbation,  and  generalization.300    In  addition,  the  board 
could  analyze  data  quality  to  ensure  that  the  released 
information is sufficiently reliable that it will be of value to 
users.301    Finally,  the  data‐release  review  board  should 
oversee  all  other  privacy  safeguards  that  data  holders 
implement.  
3. Data  Use  Agreements,  Privacy  Training, 
Registries, and Consent Procedures 
Data custodians who release medical information to the 
public should implement several privacy protection measures 
beyond  board  review,  and  the  extent  of  these  procedures 
should depend on the type of data at issue.  Users who access 
any  database  of  medical  information,  including  aggregate, 
summary‐level  data,  should  be  alerted  to  the  fact  that  the 
information  is  sensitive  and  raises  privacy  concerns.    For 
example,  the  CDC  Wonder  website  asks  viewers  who  are 
seeking mortality information from its database to agree to a 
                                                            
299 See supra note 155 and accompanying text. 
300 CDC/ATSDR Policy on Releasing and Sharing Data, supra note 122, at 9; 
supra note 152 and accompanying text (discussing the various statistical 
methods). 
301 CDC/ATSDR Policy on Releasing and Sharing Data, supra note 122, at 9; 
see supra Part III.C.1 (discussing data quality shortcomings); Hoffman & 
Podgurski, supra note 230, at 530‐32 (discussing data quality assessment). 
82 
short  list  of  data  use  restrictions  by  clicking  an  “I  agree” 
icon.302   
For  patient‐level  data  that  is  not  aggregated,  more 
elaborate procedures are needed.  The Healthcare cost and 
Utilization Project’s National (Nationwide) Inpatient Sample 
(NIS) furnishes a useful model.  The NIS contains information 
concerning millions of hospital stays.303  It provides detailed 
information  about  patients  and  hospitals  but  is  careful  to 
remove  identifiers  and  most  likely  meets  the  HIPAA  safe 
harbor standard.304  Nevertheless, NIS requires purchasers of 
the data to take a 15‐minute training course that addresses 
                                                            
302  CDC  Wonder,  About  Underlying  Cause  of  Death,  1999‐2010,  at 
http://wonder.cdc.gov/ucd‐icd10.html.  Users agree to: 
•Use these data for health statistical reporting and analysis only.  
•For  sub‐national  geography,  do  not  present  or  publish  death 
counts of 9 or fewer or death rates based on counts of nine or 
fewer (in figures, graphs, maps, tables, etc.).  
•Make  no  attempt  to  learn  the  identity  of  any  person  or 
establishment included in these data.  
•Make no disclosure or other use of the identity of any person or 
establishment  discovered  inadvertently  and  advise  the  NCHS 
Confidentiality Officer of any such discovery. 
303  Healthcare  Cost  and  Utilization  Project,  Overview  of  the  National 
(Nationwide)  Inpatient  Sample  (NIS),  at  http://www.hcup‐
us.ahrq.gov/nisoverview.jsp#purchase.  
304 Id. The data elements that are provided are:   
•Primary and secondary diagnoses and procedures 
•Patient demographic characteristics (e.g., sex, age, race, median 
household income for ZIP Code) 
•Hospital characteristics (e.g., ownership) 
•Expected payment source 
•Total charges 
•Discharge status 
•Length of stay 
•Severity and comorbidity measures 
83 
privacy  concerns.305    It  also  requires  purchasers  to  sign  a 
detailed  data  use  agreement  that  specifies  a  variety  of  use 
restrictions designed to protect individual and institutional 
data subjects from privacy violations and other abuses, such 
as  attempts  to  gain  commercial  or  competitive  advantage 
through analysis of released NIS data.306   
If  data  users  violate  the  agreement,  the  NIS  would 
presumably challenge them in court.  A useful supplement to 
the  NIS’s  requirements  would  be  an  online  test  in  which 
examinees  would  have  to  demonstrate  that  they  read  and 
understood the training materials and contents of the data use 
agreement.  
Admittedly, training courses and data use agreements will 
not prevent all privacy violations, and data custodians are not 
likely to dedicate significant resources to their enforcement.307  
However,  these  measures  will  alert  the  public  to  the 
importance  of  privacy  and  responsible  data  handling  and 
may well  avert innocent breaches by citizen scientists who 
wish to do no harm.  
Equally important is the fact that the data use agreement 
requirement will create a record of those accessing data, and 
                                                            
305 Healthcare Cost and Utilization Project, Welcome to the HCUP Data Use 
Agreement  (DUA)  Training!  at  http://www.hcup‐
us.ahrq.gov/tech_assist/dua.jsp.  
306  Healthcare  Cost  and  Utilization  Project,  Data  Use  Agreement  for  the 
Nationwide Databases from the Healthcare Cost and Utilization Project Agency 
for  Healthcare  Research  and  Quality,  at  http://www.hcup‐
us.ahrq.gov/team/HCUP_Nationwide_DUA_051614.pdf.  
307 See id. (explaining that violation of the data use agreement can lead to 
fines or imprisonment under federal and state law); CDC Wonder, supra 
note 302 (describing sanctions for violations). 
84 
data  custodians  should  maintain  functional  registries  of 
users.    Signatories  can  be  required  to  provide  their  name, 
affiliation, and contact information.308  If the dataset at issue 
consists of lower‐risk, aggregated or summary data and users 
do no more than click on an “I agree” icon, only their network 
addresses will be recorded.  Nevertheless, if the individuals 
used their own computers, authorities could link the network 
addresses  to  their  identities  if  need  be.309    Those  who  are 
found to violate data use agreements by re‐identifying data 
or engaging in other misconduct, could be precluded from 
downloading information in the future and be subjected to 
other penalties.310 
In  some  cases,  privacy  requirements  should  apply  not 
only  to  data  users,  but  also  to  data  subjects.    Specifically, 
individuals choosing to allow public access to identifiable or 
easily  identifiable  data,  such  as  datasets  that  include  birth 
date, sex, and zip code,311 should undergo a comprehensive 
informed  consent  process.312    Such  data  subjects  should 
                                                            
308 Healthcare Cost and Utilization Project, supra note 306. 
309 Julie Sartain, Can Your IP Address Give Away Your Identity to Hackers, 
Stalkers  and  Cybercrooks?,  NETWORKWORLD,  Jul.  16,  2013,  at 
http://www.networkworld.com/article/2168144/malware‐
cybercrime/can‐your‐ip‐address‐give‐away‐your‐identity‐to‐hackers‐‐
stalkers‐and‐cybercrooks‐.html.    Devious  persons  may,  however,  use  a 
spoofed Internet address. 
310 CDC Wonder, supra note 302 (describing sanctions for violations and 
stating  that  “[r]esearchers  who  violate  the  terms  of  the  data  use 
restrictions  will  lose  access  to  WONDER  and  their  sponsors  and 
institutions will be notified.”). 
311 See supra note 158 and accompanying text (explaining that it is relatively 
easy to re‐identify such data). 
312 Arguably, anyone whose data is released to the public in any form, 
including as fully de‐identified information, should be asked for consent.  
A  full  exploration  of  this  issue  is  beyond  the  scope  of  this  Article.  
85 
understand  that  their  personal  health  information  will  be 
viewable not only by researchers who have good intentions 
but also by employers, marketers, financial institutions, and 
others who may not have their best interest in mind.313  To this 
end,  the  Harvard  Personal  Genome  Project  requires 
participants  to  read  and  sign  a  lengthy  consent  document.  
They also must pass an examination and thereby demonstrate 
their understanding of the material contained in the consent 
form.314  Testing data subjects’ comprehension of the privacy 
risks they are accepting would be an important component of 
any  informed  consent  process  pertaining  to  sharing 
individually identifiable data. 
B. ANTI‐DISCRIMINATION PROTECTIONS 
Ironically, while open data policies promote transparency 
on  the  government’s  part315  they  may  provide  new 
opportunities  for  employers  and  others  to  discriminate  in 
                                                            
However,  it  is  unrealistic  to  expect  that  government  authorities  who 
receive data relating to millions of patients from a variety of sources will 
have the resources to track down, contact, and consent all data subjects.  
Moreover, allowing individuals to opt out of data sharing could lead to 
selection bias, whereby the people who choose to be included in databases 
are not representative of the population as a whole.  If that is the case, 
research  results  based  on  study  of  database  participants  could  not  be 
generalized to others, and therefore, would be of very limited scientific 
use.    Therefore,  this  Article  recommends  extensive  consent  procedures 
only  for  data  subjects  who  opt  to  disclose  identifiable  or  easily  re‐
identifiable information.  See Hoffman & Podgurski, supra note 15, at 114‐
123 (discussing the problems with consent). 
313 See supra Part III.B (discussing discrimination concerns). 
314  Personal  Genome  Project:  Harvard  Medical  School,  Participation 
Documents,  at  http://www.personalgenomes.org/harvard/sign‐
up#documents.  
315 See supra notes 121‐122 and accompanying text. 
86 
non‐transparent ways.316   Based on data about various health 
risks, entities might discriminate against discrete population 
sub‐groups  such  as  African‐American  women  older  than 
fifty.317    These  multi‐factor  discrimination  cases  are  much 
more difficult to detect and prosecute than cases involving 
traditional,  broad  protected  classes.318    In  addition,  entities 
may retain experts to mine data and develop new applicant 
screening  tools  that  focus  on  proxies  for  disability  or 
predictors  of  bad  health  that  can  be  considered  without 
violating any explicit legal prohibition.319  As open data and 
data  mining  proliferates,  novel  forms  of  health‐based 
discrimination  may  become  increasingly  common  and 
require  several  changes  to  anti‐discrimination  law  and 
practice.   
1. Detecting,  Deterring,  and  Prosecuting  Multi‐Factor 
Discrimination 
As  difficult  as  multi‐factor  discrimination  may  be  to 
detect,  enforcement  agencies  and  plaintiffs’  attorneys  will 
need to recognize the real possibility that it is occurring.320  An 
uptick in litigation and enforcement actions relating to multi‐
factor  cases  may  encourage  victims  to  bring  this  type  of 
discrimination  to  light  and  discourage  employers  and 
businesses from engaging in it. 
                                                            
316 See supra Part III.B. 
317 See supra notes 196‐197 and accompanying text. 
318 See supra notes 200‐201 and accompanying text. 
319 See supra notes 204‐211 and accompanying text. 
320  See  supra  note  201  and  accompanying  text;  Cathy  Scarborough, 
Conceptualizing Black Women’s Employment Experiences, 98 YALE L.J. 1457, 
1476‐78 (1989) (discussing Title VII multi‐factor claims). 
87 
In  multi‐factor  cases,  employment  discrimination 
plaintiffs  who  believe  that  one  of  the  attributes  that  was 
improperly  considered  was  their  age  may  face  particular 
hurdles because of the Supreme Courts’ decision in Gross v. 
FBL Financial Services, Inc. This decision barred mixed‐motive 
claims and required “but for” proof of age discrimination.321  
However,  in  Gross  the  employer  allegedly  considered  a 
mixture of proper (performance‐related) and improper (the 
plaintiff’s  age  of  54)  factors  rather  than  a  combination  of 
prohibited  categories  (e.g.  age,  race,  sex).322    The  Supreme 
Court should revisit the question of whether plaintiffs may 
sue  employers  for  discriminating  based  on  age  and  one  or 
more  other  protected  classifications  in  a  future  case  and 
clarify  its  intentions  with  respect  to  such  claims.      In  the 
alternative, Congress could amend the Age Discrimination in 
Employment Act to add a provision that explicitly permits 
multi‐factor claims.323 
2. Requiring  Disclosure  of  Data  Mining  for  Disability 
Proxies and Predictors 
Instances  in  which  employers,  financial  institutions,  or 
others engage in data mining and exclude individuals based 
on  specific  perceived  or  anticipated  health  conditions  will 
also be difficult to detect.  Consequently, anti‐discrimination 
laws should include a requirement that businesses disclose 
                                                            
321 Day, supra note 197, at 466‐67; Gross v. Fin. Servs., Inc., 557 U.S. 167, 
177‐78 (2009). 
322 FBL’s defense was that “Gross’ reassignment was part of a corporate 
restructuring and that Gross’ new position was better suited to his skills” 
and no protected classification other than age was at issue.  Id. at 169. 
323  See  Day,  supra  note  197,  at  466‐67  (proposing  legislative  action  to 
approve age‐plus‐sex claims). 
88 
their data mining practices to workers, consumers, and other 
parties that are affected by them. 
Several other commentators have called for transparency 
with  respect  to  data  mining  and  predictive  modeling 
activities.    Professors  Danielle  Citron  and  Frank  Pasquale 
argue that “we need to switch the default in situations like 
this  away  from  an  assumption  of  secrecy,  and  toward  the 
expectation that people deserve to know how they are rated 
and ranked.”324  Similarly, commentators Kate Crawford and 
Jason  Schultz  would  require  parties  to  provide  notice, 
“disclosing not only the type of predictions they attempt, but 
also the general sources of data that they draw upon as inputs, 
including  a  means  whereby  those  whose  personal  data  is 
included can learn of that fact.”325 
A disclosure requirement would be a valuable addition to 
anti‐discrimination  protections.    It  would  constitute  a 
compromise  between  prohibiting  data  mining  practices 
altogether and ignoring them.  A tweak of the Americans with 
Disabilities  Act’s  (ADA)  medical  inquiry  and  exam 
provision326 could add a requirement that employers disclose 
in  writing  to  applicants  and  employees  any  medical  data 
mining  activities  that  they  intend  to  use  for  purposes  of 
making employment decisions.  This information would then 
be  available  to  plaintiffs’  attorneys  and  government 
enforcement  agencies  such  as  the  Equal  Employment 
                                                            
324 Citron & Pasquale, supra note 180, at 21.  
325 Crawford & Schultz, supra note 180, at 125. 
326 42 U.S.C. §12112(d) (2010). 
89 
Opportunity Commission (EEOC),327 which could investigate 
whether these activities resulted in unlawful discrimination.  
Likewise,  the  ADA’s  public  accommodation  title  could 
feature the same provision to cover financial institutions and 
other businesses.328  Disclosure statements could be included 
on  employment  or  loan  application  forms  so  long  as  they 
were in sufficiently large and readable print or on separate 
sheets given to applicants.   
Some may object that such a requirement will open the 
floodgates  of  litigation,  especially  in  employment 
discrimination  cases,  because  any  applicant  who  receives 
notice of an employer’s data mining activities and who is not 
hired or promoted will claim discrimination.  Employment 
discrimination  claimants,  however,  must  exhaust  their 
administrative  remedies  prior  to  filing  suit.329    While  the 
EEOC and state administrative agencies would likely be able 
to hire experts to investigate and interpret employers’ data 
mining activities in selected instances, they pursue litigation 
in  only  a  handful  of  cases  each  year  because  of  limited 
resources.330  The vast majority of claimants, whose cases the 
                                                            
327 The Equal Employment Opportunity Commission is the federal agency 
tasked  with  enforcing  the  federal  anti‐discrimination  laws.    See  Equal 
Employment  Opportunity  Commission,  Overview,  at 
http://www.eeoc.gov/eeoc/.  
328 42 U.S.C. § 12182 (2010). 
329  42  U.S.C.  §§  2000e‐5(e)‐(f)  &  12117  (addressing  EEOC  enforcement 
responsibilities).    Title  III  of  the  ADA,  which  covers  public 
accommodations such as financial institutions does not include a similar 
requirement that plaintiffs exhaust administrative remedies.  See Hill v. 
Park, 2004 WL 180044 (E.D. Pa. Jan. 27, 2004). 
330 See U.S. Equal Employment Opportunity Commission, EEOC Litigation 
Statistics,  FY  1997  through  FY  2013,  at 
http://www.eeoc.gov/eeoc/statistics/enforcement/litigation.cfm 
90 
government  will  not  pursue,  will  need  to  find  an  attorney 
who is interested in investing the time and money in delving 
into the technicalities of data mining activities, which may be 
no  easy  task.331        Furthermore,  plaintiffs  would  have 
legitimate claims only if they were persons with disabilities, 
as defined by the statute, and could prove that data mining 
practices actually led to harm in the form of exclusion from 
an employment opportunity for health‐related reasons.  Still, 
the existence of a disclosure requirement may deter at least 
some employers from engaging  in unlawful discrimination 
and depriving qualified employees of job opportunities. 
3. Addressing  Data  Mining  in  the ADA’s  Definition  of 
Disability 
The  ADA  defines  “disability”  very  broadly332  and 
prohibits employers, financial institutions,  and others from 
discriminating against individuals based on a belief that they 
currently have physical or mental impairments, even if the 
belief  is  unfounded.  The  ADA’s  “regarded  as”  provision 
explicitly states that an individual is protected by the statute 
if “he or she has been subjected to an action prohibited under 
this  chapter  because  of  an  actual  or  perceived  physical  or 
                                                            
(indicating  that  in  fiscal  year  2013,  the  EEOC  filed  only  148  lawsuits 
nationwide). 
331 See Theodore J. St. Antoine, Mandatory Arbitration:  Why It’s Better than 
It Looks, 41 U. MICH. J. L. REFORM 783, 790  (2008) (estimating that only 5% 
of  individuals  with  employment  discrimination  claims  who  turn  to 
private attorneys for help are actually able to retain counsel). 
332 See 42 U.S.C. § 12102 (2010). 
91 
mental impairment whether or not the impairment limits or 
is perceived to limit a major life activity.”333 
However, the ADA does not ban discrimination against 
individuals who are neither currently impaired nor perceived 
as impaired but are deemed to be at risk of being unhealthy 
in the future because of their eating habits, exposure to toxins, 
or a myriad of other concerns.334  Thus, for example, so long 
as  employers  do  not  consider  genetic  factors,335  they  can 
exclude such workers without being challenged.   
If  discrimination  against  high  health‐risk  individuals  is 
enabled  by  open  data  and  becomes  increasingly  common, 
legislators would be wise to respond to it.  An easy fix would 
be to add language to the “regarded as” provision indicating 
that  individuals  are  also  regarded  as  disabled  if  they  have 
been  subjected  to  an  adverse  action  because  they  are 
perceived  as  likely  to  develop  physical  or  mental 
impairments in the future.   
C. CITIZEN SCIENTIST CHAPERONING 
Several mechanisms should be developed to assist citizen 
scientists  in  conducting,  validating,  and  publishing  their 
research.  Chaperoning citizen scientists by means of research 
support  and  filtering  tools  could  reduce  the  potential  for 
                                                            
333 42 U.S.C. § 12102 (3) (A) (2010). 
334 Id. 
335  See  supra  note  211  and  accompanying  text  (discussing  the  Genetic 
Information Nondiscrimination Act). 
92 
widespread dissemination of erroneous and harmful research 
conclusions.336   
First,  government  agencies,  academic  institutions,  and 
other research experts should develop educational resources 
and  best  practices  guidelines  to  assist  citizen  scientists  in 
conducting research.337  These documents or videos could be 
posted on database websites, and users could be required or 
encouraged to review them, along with the privacy training 
materials,  before  signing  data  use  agreements.338    Data 
custodians could also test users on these materials in order to 
ensure  that  they  have  read  and  understood  them  prior  to 
allowing them to sign the agreement.339 
Second,  citizen  scientists  should  have  opportunities  to 
have their work vetted, validated, and published in platforms 
that are recognized as reliable.  Without such mechanisms, 
readers will have no way to discern whether citizen scientists’ 
findings are trustworthy.   
One  option  is  to  follow  the  Wikipedia  paradigm.  
Wikipedia allows any member of the public to post articles 
                                                            
336 See supra Part III.C. 
337 CDC/ATSDR Policy on Releasing and Sharing Data, supra note 122, at 7 
(urging CDC staff to develop “[i]nstructions for non‐CDC users on the 
appropriate use of the data”); John P. Holdren, OSTP Memo to Departments 
and Agencies: Increasing Access to the Results of Federally Funded Scientific 
Research,  Feb.  22,  2013,  at  6,  available  at 
http://www.spaceref.com/news/viewsr.html?pid=43429  (urging  federal 
agencies,  in  coordination  with  the  private  sector,  to  “support  training, 
education,  and  workforce  development  related  to  scientific  data 
management, analysis, storage, preservation, and stewardship”). 
338 See supra Part IV.A.3. 
339 See supra note 314 and accompanying text. 
93 
and anyone to edit those entries but provides some degree of 
oversight and quality control.340  Authors can request reviews 
of  their  entries  from  peers,  and  Wikipedia  administrators 
have authority to delete and undelete pages, protect pages 
from  editing,  and  take  other  actions.341    In  extreme  cases, 
administrators, of whom there are over 1400, can temporarily 
or permanently bar authors from contributing to Wikipedia 
because  of  intentional  and  persistent  misconduct.342    In 
addition,  Wikipedia  has  an  extensive  dispute  resolution 
system  for  disagreements  about  the  contents  of  Wikipedia 
pages.343    Readers  who  find    passages  that  are  biased  or 
erroneous  are  encouraged  to  improve  it  and  discuss  the 
problem with the original author.  Parties may also ask for a 
Third  Opinion  or  for  a  moderated  discussion  through  the 
Dispute  Resolution  Noticeboard,  or  they  can  initiate  open 
requests  for  comments  from  the  community  at  large  or 
requests  for  mediation  with  help  from  the  Mediation 
Committee.344 
A similar venue could be established for the publication of 
citizen scientists’ reports and findings that are not submitted 
to  traditional  journals.    Opportunities  for  editing  by  other 
professional  and  amateur  scientists,  dispute  resolution 
                                                            
340  Wikipedia,  Wikipedia:  Policies  and  Guidelines,  at 
http://en.wikipedia.org/wiki/Wikipedia:Policies_and_guidelines.  
341  Wikipedia,  Wikipedia:    Editor  Review,  at 
http://en.wikipedia.org/wiki/Wikipedia:Editor_review;  Wikipedia, 
Wikipedia:  Administrators,  at 
http://en.wikipedia.org/wiki/Wikipedia:Administrators.  
342 Id. Wikipedia, supra note 340;  
343  Wikipedia,  Wikipedia:  Dispute  Resolution,  at 
http://en.wikipedia.org/wiki/Wikipedia:Dispute_resolution.  
344 Id. 
94 
mechanisms,  and  other  forms  of  oversight  would 
significantly enhance the reliability of posted materials.  The 
venue’s  policy  should  also  require  authors  to  disclose  any 
computer programs that they used so that their research can 
be replicated and verified.345   
Opportunities for peer review of citizen science research 
outcomes would be of significant benefit.  The contemporary 
scientific community is open to innovation and several hybrid 
peer  review  models  are  emerging.    For  example, 
F1000Research  is  a  pioneering  open  access  journal  for  life 
scientists.346    F1000Research  reviews  submitted  articles 
internally  and,  if  it  initially  deems  them  meritorious,  it 
publishes them within a week of submission, together with 
their  underlying  datasets,  making  all  materials  publicly 
available.  The service only then sends articles for peer review.  
Another novelty is that F1000Research discloses its reviewers’ 
identities and enables authors to communicate with them to 
address  their  concerns.    Authors  may  publish  revised 
manuscripts,347 and articles that peer reviewers approve are 
indexed in external databases such as PubMed.348   
                                                            
345 Ari B. Friedman, Preparing for Responsible Sharing of Clinical Trial Data 
(letter to the editor), 370 N. ENGL. J. MED. 484, (2014). 
346  F1000Research,  F1000Research,  an  Open  Science  Journal,  at 
http://f1000research.com/about.  
347  Id.;  F1000Research,  Why  publish  with  F1000Research?  at 
http://f1000research.com/why‐submit;  
348  F1000Research,  The  First  Open  Science  Journal  for  Life  Scientists,  at 
http://f1000research.com/.  
95 
Peerage  of  Science  offers  a  second  non‐traditional 
approach.349 Authors submit manuscripts to the service rather 
than directly to journals.  Authors set their own deadlines for 
reviews,  and  any  qualified  reviewer  with  a  prior  peer‐
reviewed publication can submit a review.  A second stage of 
the  process  reviews  the  initial  reviewers’  assessments.350  
Authors  can  accept  offers  from  participating  journals  or 
export reviews outside of Peerage of Science to journals of 
their choice.351  
F1000Research  and  Peerage  of  Science  demonstrate  the 
contemporary  spirit  of  innovation  in  the  academic 
community.  They are not suggested as venues for amateur 
citizen scientists because they are designed for professional 
scientists  producing  conventional  scholarship.    The  future, 
however, may herald different models to chaperone citizen 
scientists.  Whether these follow the Wikipedia paradigm or 
another  path,  they  would  assist  not  only  researchers  in 
improving and publicizing their work, but also the reading 
public in distinguishing between valid research findings and 
those that have no reliable basis.352 
D. TORT CLAIM LITIGATION STRATEGIES 
                                                            
349  Peerage  of  Science,  How  It  Works,  at 
http://www.peerageofscience.org/how‐it‐works/. 
350  Peerage  of  Science,  Process  Flow,  at 
http://www.peerageofscience.org/how‐it‐works/process‐flow/.  
351 Id. 
352
 Admittedly, even experienced scientists often cannot reach consensus about 
the validity of research findings and disagree about the accuracy of study 
outcomes.   See supra notes 97‐101 and accompanying text.  However, a 
filtering mechanism could at least screen out material that no educated 
reviewer would consider reliable. 
96 
Parties who are hurt by citizen scientists’ wrongdoing will 
have a variety of avenues by which to seek redress.  Plaintiffs 
may  allege  defamation,  interference  with  economic 
advantage,  public  disclosure  of  private  fact,  and  other 
claims.353    Database  operators  who  have  required  data 
recipients to sign data use agreements may also sue for breach 
of contract if recipients attempt to re‐identify information, use 
data for commercial or competitive purposes, or violate other 
agreement provisions, and the breaches have damaged the 
database’s reputation or economic interests.354 
Of greater concern are instances in which parties may file 
suit  against  citizen  scientists  who  act  in  good  faith  but 
publicize information that is critical of the plaintiffs’ products 
or  conduct.    Businesses  may  hope  to  intimidate  and  deter 
citizen scientists and to force them to disavow and remove 
any offending material.355  Citizen scientists who publish their 
data outside of traditional academic journals will not have a 
defense based on scrutiny and approval by highly qualified 
peer  reviewers  and  will  have  no  academic  institution 
committed to their vigorous defense. 
In  some  states,  defendants  will  be  able  to  utilize  anti‐
SLAPP  legislation  and  have  cases  quickly  dismissed.356    If 
amateur researchers make valuable contributions to science 
but  are  routinely  harassed  through  frivolous  litigation, 
                                                            
353 See supra Parts III.D.1 and III.D.2. 
354 See supra notes 302‐306 and accompanying text. 
355 See supra Part III.D.3. 
356 Id. 
97 
additional states may respond with anti‐SLAPP statutes that 
cover such cases.   
In the meantime, citizen scientist advocacy organizations 
can develop educational materials that address strategies to 
minimize  the  risk  of  liability.    To  this  end,  the  Harvard‐
affiliated Digital Media Law Project, offers “Practical Tips for 
Avoiding Liability Associated with Harms to Reputation.”357  
The long list of detailed suggestions includes, among others:  
Strive to be as accurate as possible; 
Use reliable sources; 
Seek  comment  from  the  subjects  of  your 
statements, when appropriate; 
Document your research; 
Keep  an  eye  out  for  “Red  Flag”  statements  [e.g. 
explicitly accusing someone of criminal or immoral 
conduct]; 
Be cautious when publishing negative information 
about businesses; 
Where possible, get consent from the people you 
cover; 
Be willing to correct or retract your mistakes.358 
Lawsuits  can  be  expensive  and  traumatic  even  if  they 
come to a quick end.  Precautions will not prevent litigation 
in  every  case,  but  citizen  scientists  would  be  wise  to  heed 
                                                            
357 Digital Media Law Project, Practical Tips for Avoiding Liability Associated 
with  Harms  to  Reputation,  at  http://www.dmlp.org/legal‐guide/practical‐
tips‐avoiding‐liability‐associated‐harms‐reputation.  
358 Id. 
98 
experts’ advice in order to minimize the likelihood of being 
sued and especially of facing liability. 
V. CONCLUSION 
  The  medical  and  scientific  communities  are  rapidly 
adopting a culture of data sharing, and the expansion of open 
data practices is widely perceived as inevitable.359  Many are 
grappling  with  the  legal  and  ethical  implications  of  public 
access to patient‐related data.  For example, the prestigious 
Institute of Medicine is in the process of crafting a document 
entitled “Strategies for Responsible Sharing of Clinical Trial 
Data.”360   
  Open  medical  data  have  the  potential  to  yield 
numerous  benefits,  including  scientific  discoveries,  cost 
savings, the development of patient support tools, healthcare 
quality  improvement,  greater  government  transparency, 
public education, and positive changes in healthcare policy.361  
At the same time, open data raise several complex legal and 
ethical concerns related to privacy, discrimination, erroneous 
research findings, and litigation.362   
Scientists and policy‐makers must carefully consider 
the  varied  implications  of  making  patient‐related  big  data 
available  to  the  public.    In  the  future,  they  may  devise  a 
                                                            
359 See Exec. Order No. 13642, supra note 1. 
360 Institute of Medicine, Activity: Strategies for Responsible Sharing of Clinical 
Trial  Data,  at 
http://www.iom.edu/Activities/Research/SharingClinicalTrialData.aspx 
(describing  the  project  and  its  timeline;  see  supra  note  221  for  interim 
report. 
361 See supra Part II. 
362 See supra Part III. 
99 
detailed  regulatory  framework  for  citizen  science.363    Until 
then, the government, industry, data custodians, and others, 
should implement the more modest interventions proposed 
in this Article in order to protect all stakeholders:  patients, 
researchers, businesses, and the public at large.   
In  his  May  2013  executive  order,  President  Obama 
asserted  that  “making  information  resources  easy  to  find, 
accessible, and usable can fuel entrepreneurship, innovation, 
and  scientific  discovery  that  improves  Americans’  lives.”364  
Unfortunately, without well‐considered responses to the legal 
and  ethical  implications  of  open  data,  the  new  trend  may 
generate more harm than good.  However, with careful data 
stewardship,  society  may  well  enjoy  the  new  policy’s 
promised bounty.     
                                                            
363 O’Connor, supra note 227 at 481. 
364 Exec. Order No. 13642, supra note 1.