Notice bibliographique
Résumé
Background Since the beginning of 2020, many societal systems have been used to extend the health care system, which were not planned for, and as such, there is concern for its collapse. Clearly, the collapse of the health care system, primarily hospitals, has been a key concern, and many initiatives, including lockdown and curfew, were taken to avoid such a collapse. The internet was the key platform used to enable people to work from home, provide remote teaching, conduct meetings on the web, etc. However, when it comes to data communication and processing, the risk of collapse is not the only risk, and maybe not even the biggest one. Many systems were not properly adapted for used in such a hurry, which did not allow time (and concern) for a proper risk and privacy assessment. Objective This paper presents internet performance statistics and analyzes how this knowledge can be used in future designs of internet-based telemedical solutions. Methods Statistics regarding traffic increases and security attacks on the internet during 2020 and 2021 were analyzed. Results The internet did not collapse during the COVID pandemic—as many people had predicted. However, the massive use of the internet, in new innovative ways, created a number of new opportunities for cybersecurity breach. Especially, the use videoconferences enabled made-in-middle attacks, phishing, and other classical breaches in new ways due to insufficient authentication and content encryption. Conclusions Even though a large amount of experience has been gathered with respect to scaling eHealth systems, a minimum amount of improvement with respect to privacy and security has been identified. Conflicts of Interest None declared.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».