AI-Driven Threat Detection and Response for Healthcare: Securing Patient Data in Cloud Environments
Notice bibliographique
Résumé
Several healthcare organizations have started adopting cloud services, which has led to the emergence of this issue, with patient data privacy and security being the most crucial. Current conventional security operating models are more reactive and based on rules that do not suffice in the case of new and more complex threats in large systems dealing with big data from EHRs, connected smart devices, and heavily used patient care access. This paper provides a detailed overview of threat detection and response systems in the healthcare sector through the help of a powerful Artificial Intelligence system. The system utilizes ML models trained on past intrusion data from cloud-native services such as Amazon SageMaker, AWS GuardDuty, and Macie. It performs real-time threat detection on the client’s network and responds to them effectively while adhering to HIPAA standards. Such technological components consist of Federated Learning, an advanced method of training Machine Learning models without compromising the data owner’s privacy, Behavioural Biometrics as an improved method of identification and authentications, and Blockchain technology to provide an unchanging record of events. Realizations of the framework were performed based on both artificial and real datasets of a hospital to show that it outperforms traditional systems with 97.2% average detection accuracy, 70% less false positive rates, and saved hours, whereas the meantime for threat detection was reduced to seconds. The study also discusses AI’s use in real-time compliance monitoring, eradicating compliance issues and operational expenses. There exist great prospects for the further improvement of health care information security utilizing AI as an instrument for advances in early, continuous, and scalable actualisation of patient data’s cloud; as for other considerable further studies, there are tendencies in explainable models, intelligence federation, and quantum insensitivity of information protection.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».