論文の概要: HIPAA-Compliant AI Deployment Patterns in Clinical Settings: Privacy-Preserving Techniques and Governance Controls
- arxiv url: http://arxiv.org/abs/2609.31626v1
- Date: Thu, 13 Aug 2026 01:47:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 14:37:18.932814
- Title: HIPAA-Compliant AI Deployment Patterns in Clinical Settings: Privacy-Preserving Techniques and Governance Controls
- Title（参考訳）: 臨床現場におけるHIPAA対応AIデプロイメントパターン:プライバシ保護技術とガバナンス制御
- Abstract要約: 本稿では,HIPAAプライバシとセキュリティルールを共同で扱う臨床AIのための再利用可能な5つのデプロイメントパターンのカタログを提供する。
本稿では、臨床AIに対する脅威モデルと、データ感度、信頼境界、レイテンシ要求に基づいてパターンを選択するための決定手順を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI) is moving from research prototypes into clinical workflows, yet the deployment of AI systems that process protected health information (PHI) remains constrained by the U.S. Health Insurance Portability and Accountability Act (HIPAA) and by the absence of shared engineering guidance for satisfying it. Existing work tends to treat privacy-preserving machine learning and regulatory governance as separate concerns, leaving practitioners without a concrete mapping from architectural decisions to compliance obligations. This paper contributes a catalog of five reusable deployment patterns for clinical AI that jointly address the HIPAA Privacy and Security Rules: a de-identified analytics zone, cross-entity federated learning, confidential inference within trusted execution environments, a PHI-minimizing retrieval-augmented clinical assistant, and a synthetic data sandbox for development. Each pattern is specified in terms of context, governing forces, structure, and residual risk, and is mapped to the administrative, physical, and technical safeguards of the HIPAA Security Rule as well as to the NIST AI Risk Management Framework and ISO/IEC~42001. We further present a threat model for clinical AI and a decision procedure for selecting patterns based on data sensitivity, trust boundaries, and latency requirements. The goal is to give security engineers, compliance owners, and clinical informaticists a common vocabulary that turns abstract regulatory duties into verifiable architectural controls.
- Abstract（参考訳）: 人工知能(AI)は研究のプロトタイプから臨床ワークフローへと移行しているが、保護された健康情報(PHI)を処理するAIシステムの展開は、米国健康保険可搬性会計法(HIPAA)に制約され、それを満たすための共有エンジニアリングガイダンスが欠如している。
既存の作業は、プライバシ保護機械学習と規制ガバナンスを別個の関心事として扱う傾向があり、実践者はアーキテクチャ上の決定からコンプライアンス義務への具体的なマッピングを欠いている。
本稿では,HIPAAのプライバシとセキュリティルールに共同で対処する,5つの再利用可能なAIデプロイメントパターンのカタログとして,非識別分析ゾーン,クロス・エンタプライズ・フェデレーション・ラーニング,信頼された実行環境内の秘密推論,PHI最小化検索強化臨床アシスタント,開発のための合成データサンドボックスについて紹介する。
各パターンは、文脈、統治力、構造、残留リスクの観点で指定され、HIPAAセキュリティルールの管理、物理的、技術的保護、およびNIST AI Risk Management FrameworkとISO/IEC~42001にマップされる。
さらに、臨床AIに対する脅威モデルと、データ感度、信頼境界、レイテンシ要求に基づいてパターンを選択するための決定手順を提案する。
目標は、セキュリティエンジニア、コンプライアンスオーナ、臨床情報学者に共通の語彙を与え、抽象的な規制義務を検証可能なアーキテクチャ制御に変換することである。
関連論文リスト
- From Siloed Algorithms to Compliance-First Agentic Platforms: A Multi-Layered Architecture for Hospital AI Systems [0.18899300124593646]
医療AIパイロットの70～80%は、ガバナンスのギャップ、断片化されたデータ、統合ブループリントの欠如により、スケールアップに失敗している。
本研究では、複数の相互運用可能なレイヤを持つ病院固有のコンプライアンス優先のエージェントAIアーキテクチャを提案する。
本研究は, 総合的かつ構造的に現実的な病院データセットと, オープンでデプロイ可能なプロトタイプ実装を用いて, トリアージリスク予測のエンドツーエンドのオーケストレーションを実証する。
論文 参考訳（メタデータ） (2026-08-06T14:44:31Z) - FMRP-LEAN: A HIPAA-Compliant AI-Augmented LIMS Architecture for End-to-End Clinical Assay Workflow Optimization [0.0]
本稿では,HIPAAに準拠したAI強化実験室情報管理システム (LIMS) アーキテクチャであるFMRP-LEANについて述べる。
論文 参考訳（メタデータ） (2026-07-22T17:11:52Z) - Before the Clinic: Transparent and Operable Design Principles for Healthcare AI [42.994619952353396]
医療AIの先進的な技術的要件を運用するための基本設計原則を2つ提案する。
我々は、これらの原則を確立されたXAIフレームワークに根ざし、それらをドキュメント化された臨床ニーズにマッピングし、新たなガバナンス要件との整合性を実証します。
この前臨床プレイブックは、開発チームに対して実行可能なガイダンスを提供し、臨床評価への道を加速し、AI研究者、医療実践家、規制ステークホルダーを分かち合う共通語彙を確立する。
論文 参考訳（メタデータ） (2025-10-31T04:05:09Z) - Exploring Membership Inference Vulnerabilities in Clinical Large Language Models [42.52690697965999]
臨床大言語モデル(LLM)におけるメンバーシップ推論脆弱性の探索的研究について述べる。
最新の臨床質問応答モデルであるLlemrを用いて、標準的損失に基づく攻撃とドメインを動機としたパラフレージングに基づく摂動戦略の両方を評価する。
その結果は、コンテキスト認識、ドメイン固有のプライバシ評価、防衛の継続的な開発を動機付けている。
論文 参考訳（メタデータ） (2025-10-21T14:27:48Z) - Blockchain-Enabled Explainable AI for Trusted Healthcare Systems [0.0]
本稿では、医療システムのためのa-Integrated Explainable AI Framework(BXHF)を紹介する。
我々は、安全なデータ交換と理解可能なAIによる臨床意思決定という、健康情報ネットワークに直面する2つの課題に取り組む。
当社のアーキテクチャにはブロックチェーンが組み込まれており、患者の記録が不変で、監査可能で、安全でないことが保証されています。
論文 参考訳（メタデータ） (2025-09-18T14:17:19Z) - Safe and Certifiable AI Systems: Concepts, Challenges, and Lessons Learned [45.44933002008943]
この白書は、T"UV AUSTRIA Trusted AIフレームワークを提示する。
エンド・ツー・エンドの監査カタログであり、機械学習システムの評価と認定のための方法論である。
セキュアなソフトウェア開発、機能要件、倫理とデータプライバシという3つの柱の上に構築されているのは、EU AI Actの高レベルの義務を、特定かつテスト可能な基準に翻訳するものです。
論文 参考訳（メタデータ） (2025-09-08T17:52:08Z) - Towards a HIPAA Compliant Agentic AI System in Healthcare [3.6185342807265415]
本稿では,HIPAA準拠のエージェントAIフレームワークについて紹介する。
本フレームワークは,(1)粒度管理のための属性ベースアクセス制御(ABAC),(2)パターンとBERTモデルを組み合わせたハイブリッドPHI衛生パイプライン,(3)コンプライアンス検証のための不変監査パスの3つのコアメカニズムを統合する。
論文 参考訳（メタデータ） (2025-04-24T15:38:20Z) - FUTURE-AI: International consensus guideline for trustworthy and deployable artificial intelligence in healthcare [73.78776682247187]
医療AIに関連する技術的、臨床的、倫理的、法的リスクに関する懸念が高まっている。
この研究は、Future-AIガイドラインを、医療における信頼できるAIツールの開発とデプロイを導くための最初の国際コンセンサスフレームワークとして説明している。
論文 参考訳（メタデータ） (2023-08-11T10:49:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。