ShinyAnonymizer Enhanced version and beyond: a further exploration of privacy-preserving solutions in health data management.

Απλή σελίδα τεκμηρίου
dc.contributor.advisorPapadakis, Nikolaosen
dc.contributor.advisorΠαπαδάκης, Νικόλαοςel
dc.contributor.authorVardalachakis, Mariosen
dc.contributor.authorΒαρδαλαχάκης, Μάριοςel
dc.date.accessioned2025-01-23T07:19:07Z
dc.date.available2025-01-23T07:19:07Z
dc.date.issued2025-01-22
dc.description.abstractIn the digital era, health organization’s gather millions of volumes of useful data regarding a patient. It is very important to sufficiently hide patient data, while at the same time allowing valid medical research. Since data privacy has become the most paramount concern, mechanisms should be developed which protect private data but allow useful querying nonetheless. ShinyAnonymizer was a package designed for anonymizing health data and had solved the issue. It does this by making various anonymization techniques easily accessible to its end-users. This paper introduces the re-designed version of ShinyAnonymizer that is far more performant. We explain how data analysis and visualization, along with privacy-oriented statistical paradigms, are coupled with data anonymization, hashing, and encryption to offer a wide range of tools for researchers and data analysts to manage data in a secure way.en
dc.description.abstractΤα ινστιτούτα υγειονομικής περίθαλψης παράγουν τεράστιες ποσότητες πολύτιμων δεδομένων των ασθενών στην σύγχρονη ψηφιακή εποχή. Είναι σημαντικό να βρεθεί η σωστή ισορροπία μεταξύ του απορρήτου των ασθενών και της ζήτησης για ιατρικές βελτιώσεις που βασίζονται σε αυτά τα δεδομένα. Δεδομένου ότι το απόρρητο των δεδομένων γίνεται όλο και πιο σημαντικό, πρέπει να αναπτυχθούν ισχυρές τεχνολογίες για την προστασία των ιδιωτικών δεδομένων και την ουσιαστική εξερεύνηση. Αυτό το ζήτημα αντιμετωπίστηκε από την εφαρμογή “ShinyAnonymizer”, το οποίο δημιουργήθηκε αρχικά για την ανωνυμοποίηση (anonymization) δεδομένων υγείας. Αυτό το επιτυγχάνει καθιστώντας τις μεθόδους ανωνυμοποίησης εύκολα διαθέσιμες στους χρήστες. Η βελτιωμένη έκδοση του “ShinyAnonymizer”, με σημαντική βελτίωση στην απόδοση, παρέχεται σε αυτή τη μελέτη. Εξηγούμε τη συγχώνευση των παραδειγμάτων ανάλυσης δεδομένων, οπτικοποίησης και στατιστικών που εστιάζουν στο απόρρητο με την ανωνυμοποίηση δεδομένων, τον κατακερματισμό και την κρυπτογράφηση, προσφέροντας μια εκτενή συλλογή εργαλείων για αξιόπιστη διαχείριση δεδομένων σε ερευνητές και αναλυτές δεδομένων.el
dc.identifier.urihttps://apothesis.hmu.gr/handle/123456789/11196
dc.language.isoen
dc.publisherΕΛΜΕΠΑ, Σχολή Μηχανικών (ΣΜΗΧ), ΠΜΣ Μηχανικών Πληροφορικής
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Statesen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/
dc.subjectMedical data
dc.subjectData visualisation
dc.subjectData privacy
dc.subjectΙατρικά δεδομένα
dc.subjectΟπτικοποίηση δεδομένων
dc.subjectΙδιωτικότητα δεδομένων
dc.titleShinyAnonymizer Enhanced version and beyond: a further exploration of privacy-preserving solutions in health data management.en
dc.titleShinyAnonymizer Βελτιωμένη έκδοση: μια περαιτέρω εξερεύνηση των λύσεων που προστατεύουν το απόρρητο στη διαχείριση δεδομένων υγείας.el
dc.typeΜεταπτυχιακή Διατριβή
heal.academicPublisherIDΕΛΜΕΠΑ Ελληνικό Μεσογειακό Πανεπιστήμιο
Αρχεία
Πρωτότυπος φάκελος/πακέτο
Τώρα δείχνει 1 - 1 of 1
Μικρογραφία εικόνας
Ονομα:
VardalachakisMarios2024.pdf
Μέγεθος:
4.75 MB
Μορφότυπο:
Adobe Portable Document Format
Λήψη
Φάκελος/Πακέτο αδειών
Τώρα δείχνει 1 - 1 of 1
Δεν υπάρχει διαθέσιμη μικρογραφία
Ονομα:
license.txt
Μέγεθος:
2.17 KB
Μορφότυπο:
Item-specific license agreed upon to submission
Περιγραφή:
Λήψη
Συλλογές
Μεταπτυχιακές εργασίες / Master Theses