编辑推荐：
在 COVID-19 疫情下，医疗数据通信存在安全级别低、数据分类准确性差等问题。研究人员设计 CPCSC-JCDC 方法，经实验验证，该方法能提高安全级别、分类准确性，减少数据分类时间，对医疗数据处理意义重大。
在新冠疫情的阴霾笼罩下，全球医疗系统面临着前所未有的挑战。大量的新冠患者需要及时诊断和治疗，这使得医疗数据的处理变得至关重要。然而，传统的医疗数据通信和分类方法却问题重重。一方面，现有技术在数据通信过程中，安全级别难以保障，患者的隐私数据可能面临泄露风险；另一方面，数据分类的准确性也不尽人意，这可能导致对患者病情的误判，影响治疗效果，增加患者的住院次数，降低患者满意度。
为了解决这些棘手的问题，来自 JAIN（被视为大学）、Velagapudi Ramakrishna Siddhartha 工程学院（自治）、SASTRA 被视为大学、Applied Science 私立大学、Jadara 大学以及 Imam Khomeini 海军科学大学的研究人员，展开了一项关于 COVID 患者数据分析的研究。他们设计了基于 Cayley–Purser 加密安全通信的 Jackknife 关联数据分类（CPCSC-JCDC）方法，相关研究成果发表在《Scientific Reports》上。
研究结果
- 对安全级别的影响：研究人员通过计算数据保密率来评估安全级别。数据保密率是指仅由医生访问或查看的感知数据数量与 IoMT 设备感知的数据数量之比。实验结果表明，CPCSC-JCDC 方法的数据保密率在不同数据量下均高于其他四种现有方法，如与传统的物联网医疗系统、线性回归预测模型、支持向量机（SVM）和决策树相比，分别提高了 7%、11%、14% 和 17%。这得益于 Cayley–Purser 密码系统的应用，该系统通过生成密钥对，在患者端用公钥加密数据，医生端用私钥解密，有效提高了数据保密率。
- 对数据分类准确性的影响：数据分类准确性是指正确分类的数据数量与感知数据数量之比。研究发现，CPCSC-JCDC 方法的数据分类准确性在不同数据量下同样高于其他四种现有方法，与传统的物联网医疗系统、线性回归预测模型、SVM 和决策树相比，分别提高了 8%、11%、14% 和 18%。这是因为 CPCSC-JCDC 方法结合了 Cayley–Purser 密码系统和 Jackknife 关联函数，既保障了数据通信的安全性，又通过 Jackknife 关联函数准确分析患者数据，将其分类为紧急病例和正常病例，降低了患者的再入院率，从而提高了数据分类准确性。
- 对数据分类时间的影响：数据分类时间是指进行安全数据通信和分类所需的时间，由感知数据数量和分类单个患者数据所需时间的乘积得出。研究结果显示，CPCSC-JCDC 方法的数据分类时间比其他四种现有方法都要少，与传统的物联网医疗系统、线性回归预测模型、SVM 和决策树相比，分别减少了 34%、48%、57% 和 63%。这是由于 Cayley–Purser 密码系统和 Jackknife 关联函数的协同作用，使得数据通信安全高效，数据分类快速准确，从而减少了数据分类时间。
研究结论与讨论
CPCSC-JCDC 方法成功地实现了数据收集、通信和分类的优化。该方法先利用 Cayley–Purser 密码系统，借助患者的公钥对收集到的患者数据进行加密，再将加密数据发送给医生，医生用私钥解密后，通过 Jackknife 关联函数分析数据，将其分类为紧急病例或正常病例，有效降低了患者的再入院率，提高了患者满意度。
通过全面的实验评估，研究人员发现，与其他相关工作相比，CPCSC-JCDC 方法在提高数据保密率和减少数据分类时间方面表现出色，分别提升了 12% 和减少了 51%。这一研究成果为 COVID 患者数据的处理提供了更安全、高效的解决方案，在医疗领域具有重要的应用价值，有望推动物联网医疗技术的进一步发展，改善医疗服务质量，保障患者的健康权益。
