Assessing Information Confidentiality in Telemedicine Platforms Using Public Web Data: A Case Study of Persian Televisit Websites.
Notice bibliographique
Résumé
Background: The shift from traditional office visits to internet-based care has accelerated during the COVID-19 pandemic, increasing reliance on telemedicine platforms. This growth has led to more health-related electronic data and heightened risks of unauthorized access, making it essential to prioritize information confidentiality issues. This study aims to reveal the disclosure of confidential information on a Persian televisit website. Methods: In this observational case study, we gathered public health-related electronic data from a Persian televisit website in 2022. SAS software was used to harvest messy data about patients and doctors and create a structured dataset. Meanwhile, Microsoft Excel and RStudio software programs were used for data visualization. A hashing algorithm was applied to encode personal information, preventing the identification of individuals. Results: Our study showed how public web data about 263 patients and 194 doctors, harvested from the target website, can be used to reveal patients' private information. Using such data, we explored the patient-doctor interaction patterns. With access to the patients' identifiable information, we recognized the identity of the clients who received internet-based care services and their possible diseases. Conclusion: This analysis revealed that exposure of patients' confidential information could compromise their identities and underlying medical conditions. This highlights the need for a national framework to ensure the security of health-related electronic data. Health authorities should enforce comprehensive laws, while the owners of televisit websites should implement privacy by design principles into the development of such platforms to prevent the disclosure of sensitive information.
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 | 0,009 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».