MedRec-Secure: A Framework for Confidentiality Preservation in Medical Patient Records
Notice bibliographique
Résumé
The digitization of healthcare has revolutionized patient data management through Medical Patient Records (MPRs), but has simultaneously introduced critical security vulnerabilities, as traditional cryptographic methods explicitly reveal the presence of sensitive information.This study introduces MedRec-Secure, a comprehensive data hiding scheme designed to enhance MPR confidentiality through a novel Dynamic Subtractor Selection Steganographic Framework (DSSSF) that conceals sensitive medical information within medical images while preserving diagnostic quality.The proposed framework operates on grayscale medical images divided into 4-pixel blocks, employing statistical analysis to select optimal reference pixels dynamically.A multi-zone embedding strategy categorizes pixels into three intensity zones, with tailored embedding rules for each zone.Experimental evaluation demonstrated superior performance, with a Peak Signal-to-Noise Ratio (PSNR) achieving a maximum of 75.43 dB across varying MPR payload sizes (1 kb to 100 kb).The Structural Similarity Index Measure (SSIM) achieved outstanding maximum values of 1.000, maintaining near-perfect similarity despite slight decreases with larger payloads.MedRec-Secure outperforms existing methods by 3.2 dB in PSNR performance, preserving diagnostic image integrity while enabling secure MPR transmission across healthcare networks.
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 | 0,028 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,012 | 0,012 |
| Science ouverte | 0,008 | 0,015 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,006 |
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 ».