IoT-Enabled e-Health Systems: Navigating Security Challenges and Strategic Recommendations
Notice bibliographique
Résumé
The Internet of Things (IoT) facilitates the integration of diverse devices for data collection and exchange, significantly impacting various domains, including e-health. E-health systems leverage IoT to monitor patients' health through smart medical devices, enabling local and remote data access. Despite the benefits, the increased connectivity introduces new cybersecurity risks, as malicious actors can exploit vulnerabilities to access sensitive patient information. Traditional security measures have mostly focused on securing individual devices through authentication and encryption. However, many medical devices lack built-in security features or the ability to be updated. To this end, this paper proposes a shift towards system-level security for e-health IoT systems, emphasizing the protection of the entire system rather than just the devices. The paper outlines best practices and recommendations to enhance security, improve interoperability, and address current gaps. These recommendations and guidelines are introduced to support medical institutions, device manufacturers, policymakers, and governments in developing robust security frameworks and policies. The recommendations are designed to be actionable across various levels of the e-health system, fostering secure and interoperable e-health solutions.
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 | 0,019 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,016 | 0,023 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,018 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,005 |
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 ».