A Novel AI-Driven Homomorphic Encryption Framework for Secure Real-Time Telehealth Data Analysis
Notice bibliographique
Résumé
Ensuring privacy in AI-driven telehealth analytics remains a persistent challenge, as conventional cryptographic methods struggle to meet real-time and compliance requirements. This research developed and validated an AI-driven homomorphic encryption framework for secure real-time telehealth data analysis, addressing critical privacy challenges in medical IoT systems. The study designed a proactive threat intelligence system, developed a predictive analytics framework, and guided secure implementation. A review of existing cryptographic solutions identified gaps in scalability and real-time processing. Using a quantitative experimental design, synthetic telehealth datasets, hybrid CKKS-BFV schemes, and neural network optimization were employed. Implementation in Python with SEAL and TensorFlow was tested across computational, security, and compliance metrics. Results showed a 23.7% overhead reduction, sub-535 ms latency for 5,000 records/sec, and 96.9% HIPAA compliance, with attack success rates below 6%. Synthetic data achieved 99.3% quality, and performance improvements over AES-256 and Paillier were statistically significant (p < 0.001). The hybrid scheme outperformed single approaches by 18.4%, supporting scalable, accurate analytics. Despite synthetic data limitations, findings confirm the framework’s ability to secure telehealth data and enhance clinical decision-making. Future work includes real-world dataset development, explainable AI integration, clinical deployments, and adaptive algorithms for emerging threats.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».