Personal health records (PHR) represent health data managed by a specific individual. Traditional solutions rely on centralized architectures to store and distribute PHR, which are more vulnerable to security breaches. To address such problems, distributed network technologies, including blockchain and distributed hash tables (DHT) are used for processing, storing, and sharing health records. Furthermore, fully homomorphic encryption (FHE) is a set of techniques that allows the calculation of encrypted data, which can help to protect personal privacy in data sharing. In this context, we propose an architectural model that applies a DHT technique called the interplanetary protocol file system and blockchain networks to store and distribute data and metadata separately; two new elements, called data steward and shared data vault, are introduced in this regard. These new modules are responsible for segregating responsibilities from health institutions and promoting end-to-end encryption; therefore, a person can manage data encryption and requests for data sharing in addition to restricting access to data for a predefined period. In addition to supporting calculations on encrypted data, our contribution can be summarized as follows: (i) mitigation of risk to personal privacy by reducing the use of unencrypted data, and (ii) improvement of semantic interoperability among health institutions by using distributed networks for standardized PHR. We evaluated performance and storage occupation using a database with 1.3 million COVID-19 registries, which showed that combining FHE with distributed networks could redefine e-health paradigms.
Resumo: Este artigo apresenta uma abordagem orientada a objetos à leitura e extração de métricas de bases de características. Aspectos estruturais são apresentados inicialmente e, em seguida, os recursos de modelagem da Programação Orientada a Objetos (POO) são utilizados para representar os principais elementos presentes neste contexto. Questões de implementação deste modelo são discutidas e uma aplicação em C++ é apresentada. Para validar o modelo é feita sua aplicação sobre algumas bases da University of Carolina, Irvine Machine Learning Database (UCI).Palavras-chave: Bases de Características, Programação Orientada a Objetos, Aprendizagem de Máquina, UML Abstract: This article presents an object oriented approach to data reading and metrics extraction from feature bases. Structural issues are first discussed, and then the Object Oriented Programming (OOP) modelling tools are used to represent the main elements in this context. Implementation issues are then discussed and a C++ application is presented. In order to validate the proposed model, it is applied on some feature bases from the University of Carolina, Irvine Machine Learning Database (UCI).Keywords: Feature Bases, Object Oriented Programing, Machine Learning, UML IntroduçãoAs bases de características (BCs) constituem um papel extremamente importante à Aprendizagem de Má-quina (AM) por conterem intrínseco em seus exemplos conhecimento importante sobre o domínio. Em muitos casos o modelo de Representação do Conhecimento (RC) é obtido destas bases por técnicas de aprendizagem supervisionada, não supervisionada ou de mineração de dados.A criação de uma BC passa por diversas fases e obedece a um conjunto de procedimentos criteriosamente especificados. Tipos de atributos, valores ausentes, bias e underfitting/overfitting são elementos estruturais que permitem avaliar o quanto uma dada BC é representativa no domínio abordado. Este conhecimento estrutural pode ser obtido pela análise de métricas extraídas dos valores existentes na BC e pode ser utilizado, por exemplo, na redução do espaço dimensional (seleção e extração de características) [13], amostragem, validação cruzada e bootstrap [14].Analisando de uma forma geral, BCs possuem estruturas semelhantes, o que nos permite generalizar estas estruturas por modelos programáticos reutilizáveis (como classes, por exemplo). Da mesma forma, métricas que descrevem estas BCs têm uma grande utilidade, independentemente do contexto no qual o processo de aprendizagem será executado. As abordagens programáticas existentes em AM são voltadas principalmente a linguagens de programação e funcionalidades, tornando difícil especificar estes modelos a contextos específicos. Outra característica marcante é a de que a maioria das abordagens concentra-se em métodos de indução, não abordando a extração de métricas das BCs como uma fase do processo de AM.Este artigo apresenta um conjunto de modelos abstratos de representação de BCs e extração de métri-cas baseado em Programação Orientada a Objetos (POO). Estes modelos são aprese...
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.