A Novel AI-Driven Homomorphic Encryption Framework for Secure Real-Time Telehealth Data Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,016 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,078 | 0,064 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle