| dc.contributor.advisor | Apostolou, Dimitrios | |
| dc.contributor.advisor | Αποστόλου, Δημήτριος | |
| dc.contributor.author | Psarra, Evgenia | |
| dc.contributor.author | Ψαρρά, Ευγενία | |
| dc.date.accessioned | 2023-11-27T10:28:54Z | |
| dc.date.available | 2023-11-27T10:28:54Z | |
| dc.date.issued | 2023-07 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/15997 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3419 | |
| dc.description.abstract | Το Σύστημα Υποστήριξης Κλινικών Αποφάσεων (CDSS) είναι μια τεχνολογία πληροφοριών στον τομέα της υγείας, η οποία παρέχει στο ιατρικό προσωπικό, πληροφορίες για τα δεδομένα των ασθενών, για τη βελτίωση της υγειονομικής περίθαλψης. Τα CDSSs αποτελούν ένα σημαντικό τομέα της τεχνητής νοημοσύνης στην ιατρική. Επιπλέον, η ανάγκη αξιόπιστων μέσων για τον έλεγχο της πρόσβασης σε ιατρικά δεδομένα αυξάνεται συνεχώς, καθώς ένας αυξανόμενος αριθμός υπηρεσιών υγειονομικής περίθαλψης παρέχονται ηλεκτρονικά. Σε κρίσιμες καταστάσεις όπου η ζωή του ασθενούς βρίσκεται σε κίνδυνο, πολλοί παράγοντες οι οποίες συμμετέχουν στις υπηρεσίες έκτακτης ανάγκης, θα πρέπει να έχουν δικαίωμα πρόσβασης στα Ηλεκτρονικά Μητρώα Υγείας (EHRs) των ασθενών.
i) Να ενισχύσει το μηχανισμό ABAC με προηγμένους και εξατομικευμένους χειριστές περιεχομένου. Ως εκ τούτου, αυτή η διδακτορική διατριβή επεκτείνει την προαναφερθείσα έρευνα σε σχέση με την ενσωμάτωση ασαφών κανόνων σχετικά με τις μετρήσεις υγείας των ασθενών σε έναν μηχανισμό ABAC ο οποίος παρέχει πρόσβαση σε EHRs εισάγοντας εξατομικευμένους χειριστές περιεχομένου για την καλύτερη αντιμετώπιση καταστάσεων έκτακτης ανάγκης. Πιο συγκεκριμένα, αυτή η έρευνα στοχεύει πρώτον στην εύρεση πιθανών συνδυαστικών μετρήσεων υγείας οι οποίες μπορούν να χαρακτηρίσουν κρίσιμες καταστάσεις. Επιπλέον, στόχος αυτής της έρευνας είναι η αξιολόγηση αυτής της προσέγγισης χρησιμοποιώντας μια διαδικτυακή εφαρμογή ώστε να συγκριθεί με υπάρχοντες απλούστερους μηχανισμούς που μελετήθηκαν σε αυτή τη διατριβή.
ii) Να αναπτύξει και να εφαρμόσει τεχνικές μηχανικής μάθησης, βάσει των ιατρικών μετρήσεων των ασθενών και να τις ενσωματώσει στο μηχανισμό ABAC. Αυτός ο μηχανισμός μπορεί να παραχωρήσει πρόσβαση σε ένα σύστημα ευαίσθητων EHRs εφαρμόζοντας εξατομικευμένους χειριστές περιεχομένου βασισμένοι στη μηχανική μάθηση, οι οποίοι μπορούν να αξιοποιήσουν ακατέργαστη σημασιολογική πληροφορία, π.χ. δεδομένα από συσκευές IoT, έτσι ώστε να εντοπιστούν κρίσιμες ιατρικές καταστάσεις και να παραχωρηθεί πρόσβαση σε ευαίσθητα ιατρικά δεδομένα. Πιο συγκεκριμένα, αυτή η προσέγγιση χρησιμοποιεί το ιστορικό υγείας του ασθενούς προκειμένου να προβλέψει τις ιατρικές μετρήσεις των επόμενων δύο ωρών εφαρμόζοντας Νευρωνικά Δίκτυα Μακροπρόθεσμης Μνήμης (LSTM). Οι τιμές των προβλεπόμενων μετρήσεων υγείας πρέπει να αξιολογηθούν από τους εξατομικευμένους ασαφείς χειριστές περιεχομένου της διατριβής, έτσι ώστε να εκτιμηθεί η κρίσιμη κατάσταση της υγείας του ασθενούς. Επιπρόσθετα, στόχος είναι να αναπτυχθεί μία επαρκής διαδικτυακή εφαρμογή ώστε να αξιολογηθεί αυτή η προσέγγιση και να συγκριθεί με διαφορετικές προηγούμενες προσεγγίσεις της παρούσας διδακτορικής διατριβής.
iii) Τέλος, για να ενεργοποιηθεί ο μηχανισμός προληπτικής δράσης, εφαρμόζονται LSTM νευρωνικά δίκτυα τα οποία χρησιμοποιούν το πρόσφατο ιστορικό υγείας του ασθενούς για να προβλέψουν τις τιμές ιατρικών μετρήσεων εντός των επόμενων δύο ωρών. Η ασαφής λογική χρησιμοποιείται για την αξιολόγηση της κρισιμότητας της κατάστασης της υγείας του ασθενούς. Αυτές οι τεχνικές ενσωματώνονται σε ένα ιδιωτικό και αδειοδοτημένο δίκτυο αλυσίδας συστοιχιών (blockchain) αξιοποιώντας την πλατφόρμα Hyperledger-Fabric, ικανό να διασφαλίζει τις ευαίσθητες πληροφορίες του ασθενούς. Συνολικά, η ενσωμάτωση αυτού του προγνωστικού μηχανισμού στο δίκτυο αλυσίδας συστοιχιών blockchain αποδείχθηκε ένα ισχυρό εργαλείο για τη βελτίωση της απόδοσης του μηχανισμού ελέγχου πρόσβασης. Επιπλέον, το εν λόγω δίκτυο αλυσίδας συστοιχιών blockchain μπορεί να καταγράψει το ιστορικό του ποιος και πότε είχε πρόσβαση στα ευαίσθητα EHRs ενός συγκεκριμένου ασθενούς, διασφαλίζοντας την ακεραιότητα και την ασφάλεια των ιατρικών δεδομένων. Ο προτεινόμενος μηχανισμός ενημερώνει προληπτικά την ομάδα έκτακτης ανάγκης σχετικά κρίσιμες ιατρικές καταστάσεις των ασθενών συνδυάζοντας ασαφείς και προγνωστικές τεχνικές και εκμεταλλεύεται τα κατανεμημένα δεδομένα του δικτύου αλυσίδας συστοιχιών blockchain, διασφαλίζοντας την ακεραιότητα και την ασφάλεια των δεδομένων και ενισχύοντας την εμπιστοσύνη των χρηστών στον εν λόγω μηχανισμό.
vi) Τελευταίο αλλά εξίσου σημαντικό, αυτή η διατριβή αξιοποιεί χειριστές περιεχομένου που βασίζονται σε νευρωνικά δίκτυα για την επίτευξη διαγνωστικού ελέγχου σε ευαίσθητες ιατρικές πληροφορίες και για την εκτίμηση ασθενειών των ασθενών, όπως υπέρταση ή εγκεφαλοαγγειακές παθήσεις, με βάση τις ιατρικές μετρήσεις τους. | el |
| dc.format.extent | 296 | el |
| dc.language.iso | en | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.title | Clinical decision support systems – Diagnostic and prognostic attribute-based access control in acute care | el |
| dc.title.alternative | Συστήματα υποστήριξης κλινικών αποφάσεων – Διαγνωστικός και προγνωστικός μηχανισμός ελέγχου έκτακτης πρόσβασης προσωπικών κλινικών δεδομένων | el |
| dc.type | Doctoral Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | A Clinical Decision Support System (CDSS) is a health information technology, which provides clinicians and staff, with patients person-specific information, intelligently filtered or presented at appropriate times, to enhance healthcare. CDSSs constitute a major topic in artificial intelligence in medicine. In addition, the demand of robust means to control access to healthcare data is constantly growing as an increasing number of healthcare services are provided electronically. In critical situations where the patient’s life is in danger, several subjects participating in emergency services should be entitled to retrieve critical data concerning the patients’ Electronic Health Records (EHRs).
The focus of the current research is:
i) Τo enhance the ABAC paradigm with advanced and personalized context handlers. Therefore, this Ph.D. dissertation extends the aforementioned work with respect to the integration of fuzzy rules concerning patients’ health metrics to an ABAC mechanism that grants access to EHRs by introducing personalized context handlers that can better cope with emergency situations. More precisely, this work aims firstly at finding possible conjunctive combinations of health metrics that result in the consideration of critical conditions (e.g., hypertension) during the access control process, and secondly, at forming complex fuzzy rules that can realistically assess critical situations. Additionally, our objective is to evaluate this approach by using a web application and compare it with the existing simpler implementations studied in this dissertation.
ii) To develop and apply machine learning techniques, based on patients’ health metrics and integrate them with an ABAC paradigm. This mechanism can grant access to a sensitive EHRs system by applying personalized machine learning-based context handlers in which raw contextual information e.g., data from IoT devices, can be used in order to identify acute care conditions and grant access to sensitive medical information. More specifically, this approach uses the patient’s health history in order to predict the health metrics of the next couple of hours by implementing Long Short Term Memory (LSTM) Neural Networks (NNs). The prognosed health metrics’ values are to be evaluated by the dissertation’s personalized fuzzy context handlers, so as to estimate the criticality of the health condition of patient. Additionally, our objective is to develop a sufficient web application so as to evaluate this approach and compare with different ones of this current dissertation.
iii) Finally, to enable proactivity, we apply LSTM NNs that utilize patient’s recent health history to prognose the next two-hour health metrics values. Fuzzy logic is used to evaluate the severity of the patient’s health state. These techniques are incorporated in a private and permissioned Hyperledger-Fabric blockchain network, capable of securing patient’s sensitive information in the blockchain network. Overall, integrating this predictive mechanism within the blockchain network proved to be a robust tool to enhance the performance of the access control mechanism. Furthermore, our blockchain network can record the history of who and when had access to a specific patient’s sensitive EHRs, guaranteeing the integrity and security of the data. Our proposed mechanism informs proactively the emergency team about patients’ critical situations by combining fuzzy and predictive techniques, and it exploits the distributed data of the blockchain network, guaranteeing the integrity and security of the data, and enhancing the users’ trust to the mechanism.
iv) Last but not least, this dissertation leverages neural network-based context handlers for achieving diagnostic control in sensitive health information, and for estimating patients’ diseases, such hypertension or cerebrovascular diseases, based on their health metrics. | el |
| dc.subject.keyword | Attribute-based access control | el |
| dc.subject.keyword | Healthcare data security | el |
| dc.subject.keyword | Cloud | el |
| dc.subject.keyword | Context-aware security policies | el |
| dc.subject.keyword | Context-aware services | el |
| dc.subject.keyword | Decision making | el |
| dc.subject.keyword | Electronic health records | el |
| dc.subject.keyword | Emergency services | el |
| dc.subject.keyword | Fuzzy logic | el |
| dc.subject.keyword | Health information management | el |
| dc.subject.keyword | Medical diagnosis | el |
| dc.subject.keyword | Medical information systems | el |
| dc.subject.keyword | Acute care | el |
| dc.subject.keyword | Data privacy | el |
| dc.subject.keyword | Cloud storage | el |
| dc.subject.keyword | Context handling | el |
| dc.subject.keyword | Complex fuzzy rules | el |
| dc.subject.keyword | Personalized access control | el |
| dc.subject.keyword | Descriptive analytics | el |
| dc.subject.keyword | Descriptive synthesis | el |
| dc.subject.keyword | Body mass index | el |
| dc.subject.keyword | Blood pressure | el |
| dc.subject.keyword | Smoking | el |
| dc.subject.keyword | Hypertension | el |
| dc.subject.keyword | Sequential health data | el |
| dc.subject.keyword | Health records | el |
| dc.subject.keyword | Long short term memory | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Neural networks | el |
| dc.subject.keyword | Medical diagnosis | el |
| dc.subject.keyword | Medical prognosis | el |
| dc.subject.keyword | Private and permissioned blockchain | el |
| dc.subject.keyword | Hyperledger fabric blockchain technology | el |
| dc.subject.keyword | Smart contacts | el |
| dc.subject.keyword | Personalized policies | el |
| dc.subject.keyword | Proactive access control | el |
| dc.subject.keyword | Artificial neural networks | el |
| dc.date.defense | 2023-07-03 | |
