Μηχανική μάθηση σε μεγάλα δεδομένα για την ασφάλεια της ιατρικής πληροφορίας

Abstract

This doctoral dissertation examines the intersection between machine learning, big data analytics, and the security of medical information, amid continuously escalating cyber threats and increasing demands for digital protection. This research aims to develop and evaluate innovative technological solutions that prevent cyberattacks, enhance the accuracy of medical predictions, and foster trust in healthcare information systems. Initially, the study presents a systematic mapping of the legal and technical framework of health information security, including an empirical study in Greek hospitals, and a review of advanced security technologies with an emphasis on algorithmic approaches and artificial intelligence. This is followed by the classification of large-scale health data and an analysis of the challenges associated with interoperability, privacy, and regulatory compliance. In the context of this research, supervised learning algorithms are applied to accurately predict cardiovascular diseases using real clinical data, thereby contributing to the improvement of early diagnosis. In parallel, a comprehensive electronic prescription system was designed, enhanced with SQL injection detection mechanisms based on machine learning, and integrated directly into the clinical workflow. Additionally, an interactive simulation environment of cyberattacks and defensive strategies was developed, supporting active and realistic role-based training. A key contribution of the dissertation is the design of a hybrid information system that combines blockchain and fuzzy logic for managing high-risk antibiotics. This system aims to enhance resilience, traceability, and the rational use of medications. Overall, this research makes a substantial contribution to the practical strengthening of cybersecurity in healthcare, laying the foundation for scalable, explainable, and robust solutions in the field of large-scale medical data.

Η παρούσα διδακτορική διατριβή εξετάζει τη διασύνδεση της μηχανικής μάθησης και της ανάλυσης μεγάλων δεδομένων με την ασφάλεια της ιατρικής πληροφορίας, σε ένα περιβάλλον συνεχώς αυξανόμενων απειλών και απαιτήσεων για ψηφιακή προστασία. Στόχος της έρευνας είναι η ανάπτυξη και αξιολόγηση καινοτόμων τεχνολογικών λύσεων για την πρόληψη κυβερνοεπιθέσεων, τη βελτίωση της ακρίβειας ιατρικών προβλέψεων και την ενίσχυση της εμπιστοσύνης στα πληροφοριακά συστήματα υγείας. Αρχικά, παρουσιάζεται μια συστηματική χαρτογράφηση του νομικού και τεχνικού πλαισίου της υγειονομικής ασφάλειας, με εμπειρική μελέτη σε ελληνικά νοσοκομεία, και επισκόπηση προηγμένων τεχνολογιών ασφάλειας με έμφαση σε αλγοριθμικές προσεγγίσεις και τεχνητή νοημοσύνη. Ακολουθεί η ταξινόμηση των δεδομένων μεγάλης κλίμακας στην Υγεία και η αποτύπωση των προκλήσεων διαλειτουργικότητας, ιδιωτικότητας και κανονιστικής συμμόρφωσης. Στο πλαίσιο της έρευνας, εφαρμόζονται αλγόριθμοι επιβλεπόμενης μάθησης για την ακριβή πρόβλεψη καρδιαγγειακών παθήσεων με βάση πραγματικά κλινικά δεδομένα, συμβάλλοντας στη βελτίωση της έγκαιρης διάγνωσης. Παράλληλα, σχεδιάζεται ένα ολοκληρωμένο σύστημα ηλεκτρονικής συνταγογράφησης, ενισχυμένο με μηχανισμούς εντοπισμού SQL injection μέσω μηχανικής μάθησης, ενσωματωμένους απευθείας στη ροή εργασίας. Επιπλέον, δημιουργήθηκε ένα διαδραστικό περιβάλλον προσομοίωσης κυβερνοεπιθέσεων και αμυντικών στρατηγικών, που υποστηρίζει ενεργή και ρεαλιστική εκπαίδευση με αξιοποίηση ρόλων και σεναρίων κυβερνοασφάλειας. Κορυφαία συνεισφορά της διατριβής αποτελεί η σχεδίαση ενός υβριδικού πληροφοριακού συστήματος βασισμένου σε blockchain και ασαφής λογικής (fuzzy logic) για τη διαχείριση αντιβιοτικών υψηλού κινδύνου, με στόχο την ενίσχυση της ανθεκτικότητας, της ιχνηλασιμότητας και της ορθολογικής χρήσης φαρμάκων. Συνολικά, η έρευνα συμβάλλει ουσιαστικά στην πρακτική ενίσχυση της κυβερνοασφάλειας στην Υγεία και θέτει τις βάσεις για επεκτάσιμες, εξηγήσιμες και ανθεκτικές λύσεις στον τομέα των μεγάλων ιατρικών δεδομένων.

Cette thèse de doctorat examine l'interconnexion entre l'apprentissage automatique et l'analyse du Big Data avec la sécurité des informations médicales, dans un contexte de menaces et d'exigences de protection numérique toujours plus fortes. L'objectif de la recherche est de développer et d'évaluer des solutions technologiques innovantes pour prévenir les cyberattaques, améliorer la précision des prédictions médicales et renforcer la confiance dans les systèmes d'information de santé. Dans un premier temps, une cartographie systématique du cadre juridique et technique de la sécurité sanitaire est présentée, accompagnée d'une étude empirique menée dans des hôpitaux grecs et d'un aperçu des technologies de sécurité avancées, mettant l'accent sur les approches algorithmiques et l'intelligence artificielle. S'ensuivent la classification des données à grande échelle dans le domaine de la santé et la cartographie des défis d'interopérabilité, de confidentialité et de conformité réglementaire. Dans le cadre de cette recherche, des algorithmes d'apprentissage supervisé sont appliqués pour prédire avec précision les maladies cardiovasculaires à partir de données cliniques réelles, contribuant ainsi à l'amélioration du diagnostic précoce. Parallèlement, un système intégré de prescription électronique est conçu, enrichi de mécanismes de détection des injections SQL par apprentissage automatique, intégrés directement au flux de travail. De plus, un environnement interactif de simulation de cyberattaques et de stratégies défensives a été créé, permettant une formation active et réaliste grâce à l'utilisation de rôles et de scénarios de cybersécurité. La principale contribution de la thèse réside dans la conception d'un système d'information hybride basé sur la blockchain et la logique floue pour la gestion des antibiotiques à haut risque, visant à améliorer la résistance, la traçabilité et l'utilisation rationnelle des médicaments. Globalement, la recherche contribue significativement à l'amélioration pratique de la cybersécurité dans le secteur de la santé et pose les bases de solutions évolutives, explicables et résilientes dans le domaine du Big Data médical.