Un protocolo experimental para la migración segura de datos en la nube impulsada por IA explicable utilizando datos sintéticos de atención sanitaria

Priyanka Nalawade; Prashant Kumbharkar; Pankaj Agarkar; Avanish Kumbharkar; Sudan Jha

doi:10.3791/71612

Artículo de método

Un protocolo experimental para la migración segura de datos en la nube impulsada por IA explicable utilizando datos sintéticos de atención sanitaria

DOI:

10.3791/71612

⸱

14 de agosto de 2026

Priyanka Nalawade¹^,² , Prashant Kumbharkar¹ , Pankaj Agarkar³ , Avanish Kumbharkar⁴ , Sudan Jha⁵

¹School of Engineering, Ajeenkya D Y Patil University, ²Department of Computer Engineering (Software Engineering), MIT Academy of Engineering, ³Ajeenkya D Y Patil SOE Lohegaon, ⁴MS Scholar, The University of Sydney, ⁵Department of Computer Science and Engineering, Kathmandu University

En este artículo

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este método presenta un marco integral basado en inteligencia artificial explicativa (XAI) para permitir la migración segura de datos en la nube de atención médica, aprovechando un conjunto de datos sintéticos de atención médica dentro de un entorno de nube controlado. El resultado es un prototipo que combina seguridad de confianza cero, control de acceso basado en el tiempo y detección explicativa de anomalías para respaldar la transparencia y la seguridad durante la migración.

Resumen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

En los sistemas de salud, se está realizando cada vez más migración de datos a la nube, pero esto también modifica los momentos en que la transferencia de datos probablemente representa el mayor riesgo en términos de seguridad. Este artículo describe un protocolo reproducible para la migración segura de datos a la nube basado en inteligencia artificial explicable (XAI, por sus siglas en inglés), utilizando un conjunto de datos sintéticos del sector salud y un entorno de nube controlado. El marco desarrollado combina la arquitectura de confianza cero, el privilegio temporal mínimo, la comunicación cifrada, la supervisión centralizada y la detección explicable de anomalías para lograr una migración más segura, transparente y susceptible de auditoría. Las pruebas utilizan un conjunto de datos de 10 GB de historias clínicas electrónicas sintéticas, que comprende aproximadamente 20 millones de registros distribuidos en 28 tablas relacionales. El proceso de migración se llevó a cabo en Amazon Web Services (AWS) utilizando bases de datos PostgreSQL y redes virtuales privadas. Para la detección de anomalías se utilizó el algoritmo Isolation Forest, y las explicaciones aditivas de Shapley (SHAP) sirvieron para la interpretación segura de eventos. El marco se evaluó en diez intentos de migración independientes, empleando métricas como la duración de la exposición de credenciales, el tiempo de detección de incidentes, la precisión en la detección de anomalías, la latencia de migración y la integridad de los datos. En la configuración evaluada, la exposición de credenciales se redujo de 24 h a 1 h (una reducción del 95,8 %), la precisión en la detección de anomalías fue del 97,4 %, el tiempo de detección de incidentes se redujo a aproximadamente 15 minutos, y se mantuvo una integridad de datos del 100 % mediante validación por suma de comprobación. Sin embargo, las medidas de seguridad más estrictas provocaron un aumento promedio del 11 % en la latencia de migración. Estos resultados demuestran el potencial de combinar la inteligencia artificial explicable con flujos de trabajo seguros de migración a la nube para gestionar datos de salud.

Introducción

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La computación en la nube es ahora una parte integral de los sistemas de salud en todo el mundo, ya que ofrece almacenamiento escalable, recursos computacionales y la capacidad de intercambiar registros médicos, apoyar sistemas de toma de decisiones y permitir análisis sanitarios a través de la nube¹^,²^,³. A medida que muchas instituciones sanitarias modernizan sus sistemas de información, la migración a la nube se ha convertido en un paso fundamental para transferir sus datos médicos sensibles almacenados en antiguos sistemas locales a la nube⁴. Una migración adecuada facilita la recuperación de datos, permite ejecutar operaciones de manera más eficiente y apoya análisis con mayores niveles de inteligencia; sin embargo, al mismo tiempo, no se pueden ignorar los riesgos bastante serios para la seguridad y la privacidad que conlleva trasladar datos de un lugar a otro⁵.

La fase de migración es un momento notoriamente vulnerable en el ciclo de vida de los datos, ya que por naturaleza del proceso los datos de atención médica se están moviendo activamente entre sistemas y redes⁶. Además, las organizaciones pueden verse expuestas a amenazas como el pirateo de credenciales, acceso no autorizado, interceptación de datos, manipulación de esquemas e incluso pérdida de datos durante la fase de migración⁶^,⁷. Los entornos de atención médica son menos inmunes a tales riesgos, dado que la información del paciente es altamente sensible y, por tanto, requiere el más alto nivel de cumplimiento de las medidas regulatorias y de seguridad⁸^,⁹. Sin ello, no es factible garantizar la confidencialidad, integridad y responsabilidad de los datos si el flujo de trabajo de migración no está protegido y no es observable¹⁰^,¹¹.

Se han desarrollado varios marcos y estándares de seguridad con el objetivo de mejorar la seguridad en la nube. Por ejemplo, la Arquitectura de Confianza Cero del Instituto Nacional de Estándares y Tecnología (NIST) se centra en verificar constantemente a los usuarios, dispositivos y servicios¹², mientras que los marcos para la adopción de la nube ofrecen orientaciones sobre gobernanza, gestión de identidades, cifrado y monitoreo¹³. De hecho, los métodos actuales de seguridad en la nube se enfocan en la automatización, la infraestructura como código y el monitoreo continuo¹⁴^,¹⁵. Aunque tales enfoques se basan en principios de seguridad valiosos, en gran medida abordan entornos generales de implementación y operación en la nube, más que el proceso de migración en sí¹⁶. En realidad, apenas proporcionan procedimientos detallados, paso a paso y reproducibles para realizar flujos de trabajo seguros de migración de datos sanitarios a la nube que combinen gestión de identidades, transferencia segura de datos, validación, monitoreo y endurecimiento tras la migración¹⁷.

La detección de anomalías mediante aprendizaje automático ha sido reconocida como una tecnología útil en la supervisión de seguridad de entornos en la nube. Detecta actividades anómalas del sistema así como posibles incidentes de seguridad¹⁸. Sin embargo, muchos métodos de detección de anomalías son sistemas cerrados que no proporcionan explicaciones sobre la lógica detrás de la identificación de un evento de seguridad¹⁹. La incapacidad para explicar las decisiones tomadas por el sistema reduce la credibilidad de los administradores, dificulta la auditoría y disminuye el valor de las decisiones automatizadas de seguridad en entornos sanitarios altamente regulados²⁰. Los métodos de inteligencia artificial explicable (XAI) como SHapley Additive exPlanations (SHAP) y Local Interpretable Model-agnostic Explanations (LIME) no solo ofrecen explicaciones claras para las predicciones del aprendizaje automático, sino que también mejoran la comprensión, la responsabilidad y la confianza en los sistemas de supervisión de seguridad²¹^,²².

Aunque la seguridad en la nube y la inteligencia artificial explicable han avanzado considerablemente, aún existe una escasez de protocolos experimentales reproducibles que combinen controles de migración segura con monitoreo de seguridad explicable con fines de integración²³. La investigación existente aborda principalmente componentes individuales, como cifrado, control de acceso, detección de anomalías o gobernanza en la nube, y en ningún caso ofrece una metodología integrada que pueda implementarse, evaluarse y reproducirse sistemáticamente²⁴. Además, casi ningún estudio ha intentado integrar los principios de seguridad de cero confianza, el privilegio mínimo temporal, la observabilidad centralizada y la detección explicable de anomalías en un único flujo de trabajo de migración a la nube en el sector salud²⁵^,²⁶.

Este artículo presenta un marco basado en inteligencia artificial explicable para la migración segura de datos en la nube en sistemas de atención médica, con el fin de llenar este vacío. La arquitectura propuesta utiliza un modelo de confianza cero, acceso restringido por tiempo, comunicación segura, registro y supervisión centralizados, y detección de anomalías interpretable basada en SHAP, integrados en un proceso de migración bien estructurado²⁷^,²⁸. El protocolo es una guía paso a paso para implementar, supervisar y evaluar la migración segura de datos sanitarios en condiciones experimentales. Al combinar controles de seguridad con monitoreo interpretable mediante inteligencia artificial, el marco propuesto busca aumentar el nivel de transparencia, auditabilidad y seguridad a lo largo de todo el ciclo de vida de la migración²⁹^,³⁰.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudio utilizó un conjunto de datos sanitarios completamente sintético, generado para la evaluación experimental de la migración segura de datos a la nube. No se utilizaron datos reales de pacientes, información médica protegida (PHI) ni registros sanitarios identificables. Por lo tanto, no se requirió la aprobación del comité de revisión institucional ni el consentimiento informado. Todos los materiales utilizados en este estudio se incluyen en la Tabla de materiales.

1. Resumen

Configure un entorno seguro de migración a la nube compuesto por una capa de origen, una capa de centro de migración, una capa de destino, una capa de red, una capa de gestión de identidad y acceso, una capa de observabilidad y una capa de inteligencia artificial explicable.
Despliegue todos los componentes dentro de entornos en la nube aislados para apoyar la migración segura de datos sanitarios. Establezca canales de comunicación cifrados entre todos los componentes del sistema.
Ejecute el protocolo mediante la preparación del conjunto de datos, la configuración del entorno, el despliegue de la arquitectura, la migración segura, el monitoreo de anomalías y la validación posterior a la migración. La arquitectura general del marco propuesto para la migración segura de datos a la nube impulsado por inteligencia artificial explicable se ilustra en Figura 1.

figure-protocol-1
Figura 1: Arquitectura general del marco de migración segura de datos en la nube habilitado para inteligencia artificial explicable (XAI) para sistemas de atención médica. El marco consta de la capa de gestión de identidad y acceso, la capa de base de datos de origen, la capa de centro de migración, la capa de base de datos en la nube de destino, la capa de seguridad de red, la capa de observabilidad, la capa de monitoreo con inteligencia artificial explicable y los servicios transversales de seguridad y gobernanza. La arquitectura integra el control de acceso temporal con privilegio mínimo, comunicación cifrada con TLS 1.3, verificación de integridad basada en sumas de comprobación, monitoreo continuo de seguridad y explicabilidad basada en SHAP para proporcionar una migración segura, transparente y reproducible de bases de datos médicas. Esta figura fue creada por los autores utilizando Microsoft PowerPoint (Microsoft 365). Haga clic aquí para ver una versión más grande de esta figura.

2. Configuración del entorno computacional

Configurar el entorno computacional
1. Preparar los recursos computacionales necesarios para la migración segura de datos a la nube y la supervisión basada en inteligencia artificial explicativa.
2. Instalar y configurar todo el hardware, software, servicios en la nube, bases de datos, herramientas de seguridad y bibliotecas de aprendizaje automático enumerados en la Tabla de Materiales. Verificar que todos los componentes requeridos estén operativos antes de iniciar el experimento de migración.
Configurar el entorno en la nube
1. Configurar un entorno en la nube seguro para la migración de datos de atención médica. Establecer una VPC privada para permitir una comunicación fluida entre los sistemas de origen, el centro de migración y los sistemas de destino. Utilizar cifrado robusto no solo para los datos almacenados, sino también durante su transmisión.
2. Preparar la base de datos de destino y los servicios de migración según los detalles indicados en la Tabla de Materiales.
Configurar la gestión de identidad y acceso. Configurar los servicios de supervisión y registro.

3. Preparación y descripción del conjunto de datos

Genere un conjunto de datos sintéticos de atención médica utilizando la biblioteca Python Faker que se enumera en la Tabla de Materiales. Configure atributos demográficos, incluyendo edad del paciente, sexo, etnia y ubicación geográfica, utilizando distribuciones de probabilidad predefinidas.
Genere información clínica, incluyendo diagnósticos, resultados de laboratorio, medicamentos, alergias, procedimientos e ingresos hospitalarios, manteniendo relaciones clínicas realistas.
Genere encuentros longitudinales del paciente asignando múltiples visitas a pacientes individuales de acuerdo con distribuciones predefinidas de frecuencia de visitas.
Genere marcas de tiempo para ingresos, análisis de laboratorio, administración de medicamentos, resúmenes de alta y registros de auditoría utilizando un orden cronológico de eventos.
Introduzca valores ausentes clínicamente realistas, registros duplicados y observaciones atípicas de acuerdo con distribuciones predefinidas de calidad de datos.
Sustituya toda la información de identificación personal por valores sintéticos generados mediante la biblioteca Faker. Valide la integridad referencial y la coherencia lógica antes de exportar el conjunto de datos. Exporte el conjunto de datos validado en formato SQL compatible con PostgreSQL. Configure el conjunto de datos para que admita escenarios realistas de migración de datos en atención médica. Las características del conjunto de datos generado se resumen en Tabla 1.
Defina las relaciones de la base de datos. Asigne Patient_ID como clave primaria para la tabla de pacientes. Establezca relaciones de clave externa entre las tablas de pacientes, visitas, laboratorio, medicamentos y registros de auditoría. Verifique la integridad referencial en todas las tablas antes de iniciar la migración.
Simule características realistas de datos de atención médica. Genere edades de pacientes utilizando una distribución normal. Genere frecuencias de visitas utilizando una distribución de Poisson. Introduzca valores ausentes a una tasa del 5 % para simular la incompletitud real de los EHR. Sustituya todos los identificadores de pacientes por valores codificados antes de la migración. Verifique que todos los registros generados cumplan con las restricciones predefinidas del esquema.
Valide el conjunto de datos generado verificando la coherencia del esquema, la integridad referencial, los valores ausentes, los registros duplicados y las restricciones de calidad predefinidas antes de la migración.

Parámetro	Valor
Tipo de conjunto de datos	Conjunto de datos sintéticos de historias clínicas electrónicas en salud
Tamaño del conjunto de datos	10 GB
Total de registros	20 millones
Número de tablas	5 tablas principales - 28 tablas relacionales
Registros de pacientes	5.000.000
Registros de visitas	10.000.000
Resultados de laboratorio	4.000.000
Registros de medicamentos	3.000.000
Registros de auditoría	5.000.000
Clave principal	Patient_ID
Tasa de valores faltantes	5%
Distribución de edad	Distribución normal
Frecuencia de visitas	Distribución de Poisson
Umbral de integridad	<0,1% de violaciones

Tabla 1: Características del conjunto de datos sanitarios sintéticos utilizado para la validación del protocolo. La tabla proporciona una descripción general del conjunto de datos, como el tamaño de la base de datos, el número de tablas relacionales, el número total de registros, los atributos de los pacientes, las variables clínicas y las características de validación necesarias para reproducir los experimentos de migración segura.

4. Despliegue de la arquitectura del sistema

Despliegue la arquitectura segura de migración a la nube compuesta por la capa de origen, la capa de centro de migración, la capa de destino, la capa de seguridad de red, la capa de observabilidad y la capa de inteligencia artificial interpretable. La arquitectura del sistema desplegada en este estudio se ilustra en Figura 2.
El marco está compuesto por seis capas funcionales que, durante el proceso de migración, realizan sus funciones una tras otra. La primera capa, la Capa de Origen, es la que contiene la base de datos sintética de atención médica.
El Centro de Migración es el encargado de la extracción del esquema, la transferencia cifrada de datos, la validación de integridad y la orquestación de la migración. La capa de destino es donde se almacena la base de datos migrada en Amazon RDS PostgreSQL.
La capa de seguridad de red es la que protege todas las comunicaciones mediante el uso de puntos finales privados de VPC, cifrado TLS 1.3, grupos de seguridad y listas de control de acceso a la red.
La capa de observabilidad es la que constantemente recopila registros de autenticación, registros de migración, registros de actividad de la base de datos y eventos de seguridad con la ayuda de Amazon CloudWatch.
La capa de inteligencia artificial interpretable es la que obtiene la telemetría de seguridad recopilada, la procesa mediante un algoritmo de Bosque de Aislamiento y genera explicaciones basadas en SHAP para las anomalías detectadas. Todas las capas arquitectónicas se comunican entre sí a través de canales de red privados que están autenticados durante todo el flujo de trabajo de migración.
Despliegue y verifique el entorno de la base de datos de origen para garantizar el acceso seguro y la disponibilidad de los datos antes de la migración.
1. Configure una base de datos PostgreSQL 16 con el conjunto de datos sintético de atención médica. Mantenga en la base de datos de origen la información de los pacientes, detalles de visitas, resultados de laboratorio, registros de medicamentos y registros de auditoría.
2. Restrinja el acceso a la base de datos únicamente a los servicios autorizados de migración y a usuarios administrativos. Verifique la disponibilidad y conectividad de la base de datos antes de iniciar las operaciones de migración.
Configure el centro de migración para coordinar la extracción del esquema, la transferencia cifrada de datos y la orquestación de la migración.
1. Despliegue un servidor de migración dedicado dentro de la nube privada virtual (VPC) privada. Configure los servicios de orquestación de migración para coordinar la extracción del esquema, la transferencia de datos y las actividades de validación.
2. Habilite los servicios de validación de esquema para verificar la compatibilidad entre los entornos de origen y destino. Habilite los servicios de verificación de integridad para validar los datos migrados durante y después de la transferencia. Verifique la comunicación entre el centro de migración y los sistemas de base de datos antes de ejecutar las tareas de migración.
Despliegue la Capa de Destino. Despliegue Amazon RDS PostgreSQL 16 como entorno de base de datos de destino. Habilite servicios automáticos de copia de seguridad y recuperación. Habilite el cifrado AES-256 para los datos almacenados en la base de datos de destino.
Configure la seguridad de red. Desactive todas las direcciones IP públicas asociadas con los recursos de migración. Permita la comunicación únicamente a través de puntos finales privados dentro de la VPC. Configure listas de control de acceso a la red (NACLs) y grupos de seguridad. Habilite el cifrado TLS 1.3 para todas las comunicaciones entre los componentes del sistema. Verifique que no queden activos puntos finales accesibles públicamente.
Configure la supervisión centralizada para recopilar continuamente eventos de seguridad, registros de migración y métricas de rendimiento del sistema.
1. Habilite los servicios de registro y supervisión de Amazon CloudWatch. Recopile registros de autenticación, registros de migración, registros de actividad de la base de datos y registros de eventos de seguridad. Configure un período de retención de registros de 365 días. Habilite el almacenamiento inmutable de registros para cumplir con los requisitos de auditoría y conformidad. Verifique la recopilación en tiempo real de métricas y la generación de alertas.
Configure el entorno de inteligencia artificial interpretable para realizar detección de anomalías en tiempo real y generar explicaciones interpretables de seguridad.
1. Despliegue servicios de detección de anomalías dentro del entorno de supervisión. Configure el marco de inteligencia artificial interpretable para procesar la telemetría de seguridad generada durante la migración. Conecte flujos de telemetría de seguridad desde el origen, el centro de migración, la base de datos de destino y los servicios de supervisión.
2. Habilite la detección de anomalías en tiempo real y la generación de explicaciones basadas en SHAP. Verifique la ingesta exitosa de los datos de telemetría antes de iniciar los experimentos de migración.

figure-protocol-2
Figura 2: Arquitectura de implementación del marco para la migración segura a la nube en el sector salud. El entorno de implementación muestra la base de datos PostgreSQL de origen que contiene el conjunto de datos sintéticos del sector salud, el centro de migración dedicado dentro de una nube privada virtual (VPC) privada, la base de datos de destino Amazon RDS PostgreSQL, la capa de seguridad de red, la observabilidad centralizada mediante Amazon CloudWatch y la capa de monitoreo de Inteligencia Artificial Explicable. Toda la comunicación se realiza a través de puntos finales privados protegidos por cifrado TLS 1.3. Esta figura fue creada por los autores utilizando Microsoft PowerPoint (Microsoft 365). Haga clic aquí para ver una versión ampliada de esta figura.

5. Flujo de trabajo de migración segura

NOTA: Ejecute el flujo de trabajo de migración segura realizando modelado de amenazas, transferencia de esquema, migración segura de datos, validación de la migración y endurecimiento posterior a la migración.

Identifique amenazas potenciales de seguridad y establezca controles de mitigación adecuados antes de iniciar el proceso de migración.
1. Identifique los activos de migración, los vectores de ataque potenciales y los escenarios realistas de ciberataques.
2. Evalúe el robo de credenciales derivado de tokens de autenticación comprometidos, ataques internos que impliquen acceso administrativo no autorizado, ataques de repetición dirigidos a solicitudes de autenticación previamente interceptadas, ataques de intermediario (MITM) que intenten interceptar canales de comunicación cifrados, alteraciones del esquema destinadas a modificar las estructuras de la base de datos durante la migración, y ataques de escalada de privilegios orientados a obtener permisos administrativos no autorizados.
3. Compruebe que el uso de la gestión temporal de credenciales con privilegio mínimo es suficiente para prevenir el robo de credenciales y los ataques de escalada de privilegios. Verifique que la comunicación cifrada con TLS 1.3 protege contra ataques de repetición y ataques de intermediario.
4. Verifique que las políticas de gestión de identidad y acceso (IAM) impidan el acceso administrativo no autorizado. Confirme que el registro continuo de auditoría mantiene un historial de todas las actividades de migración relacionadas con la seguridad. Asegúrese de que la verificación mediante suma de comprobación SHA-256 pueda detectar cambios no autorizados en el esquema o en los datos.
5. Verifique que el marco explicativo de detección de anomalías pueda localizar actividades inusuales durante la migración y también proporcionar explicaciones de seguridad interpretables. Elabore un mapa de controles de seguridad para cada amenaza identificada. Confirme que todas las amenazas identificadas están adecuadamente mitigadas antes de comenzar la migración de la base de datos. Los autores resumieron el modelo de amenazas y los controles de seguridad en Tabla 2.
Transferencia del esquema de la base de datos. Extraiga las definiciones del esquema desde la base de datos PostgreSQL de origen. Valide la compatibilidad del esquema con el entorno de la base de datos de destino. Verifique las estructuras de las tablas, claves primarias, claves externas, índices y restricciones. Implemente las definiciones del esquema validadas en la base de datos de destino. Confirme la implementación exitosa del esquema antes de transferir los datos.
Migre los datos de atención médica de forma segura a través de canales de comunicación cifrados, mientras monitorea continuamente las actividades de migración.
1. Configure el tamaño del lote de migración en 10.000 registros por transacción. Establezca canales de comunicación cifrados utilizando TLS 1.3. Transfiera los datos a través de puntos finales de red privados dentro de la nube privada virtual (VPC).
2. Habilite reintentos automáticos con un máximo de tres intentos para las transacciones fallidas.
  Mantenga el rendimiento de transferencia de datos entre 100 MB/s y 150 MB/s. Supervise continuamente las actividades de migración durante todo el proceso de transferencia. Registre todos los eventos de migración en registros de auditoría centralizados.
Verifique la integridad y completitud de la migración comparando las sumas de comprobación, los conteos de registros y las estructuras de la base de datos.
1. Genere valores hash SHA-256 para todas las tablas de origen antes de la migración, y valores hash SHA-256 para todas las tablas de destino después de la migración. Compare los valores de suma de comprobación del origen y del destino. Verifique los conteos de filas entre las bases de datos de origen y destino. Compruebe la coherencia de los esquemas, las relaciones entre tablas y las restricciones de la base de datos. Considere la migración como exitosa únicamente cuando los valores de suma de comprobación, los conteos de registros y las estructuras del esquema sean idénticos.
Elimine los privilegios temporales y finalice los controles de seguridad tras la finalización exitosa de la migración de datos.
1. Revoca inmediatamente todas las credenciales temporales de migración tras completar la migración. Elimine los privilegios elevados de migración de las cuentas de servicio. Archive los registros de auditoría y los registros de monitoreo de seguridad.
2. Verifique la finalización exitosa de los procedimientos de respaldo. Desactive los servidores temporales de migración y los recursos auxiliares. Realice una revisión final de seguridad del entorno migrado. Documente los resultados de la migración y los resultados de validación. El flujo de trabajo completo de migración segura utilizado en este estudio se ilustra en Figura 3.

Escenario de amenaza	Control de seguridad	Método de detección	Atenuación
Robo de credenciales	Privilegio temporal mínimo (TLP)	Registros IAM	Revocación automática de credenciales
Ataque interno	Control de acceso basado en roles (RBAC)	Registros de auditoría + SHAP	Terminación de sesión
Ataque de repetición	TLS 1.3 + validación de número único	Supervisión de red	Rechazar solicitudes duplicadas
Hombre en el medio (MITM)	Cifrado TLS 1.3	Validación de certificados	Comunicación cifrada
Manipulación del esquema	Suma de verificación SHA-256 + validación del esquema	Verificación de integridad	Restaurar esquema validado
Elevación de privilegios	Aplicación de políticas IAM	Registros de seguridad	Revocación de privilegios

Tabla 2: Modelo de amenazas y las respectivas medidas de seguridad adoptadas en el marco de migración propuesto. La tabla describe las principales amenazas de seguridad representativas y sus correspondientes mecanismos de mitigación basados en principios de seguridad de confianza cero, cifrado, gestión de identidad, verificación de integridad, monitoreo y detección de anomalías explicables.

figure-protocol-3
Figura 3: Flujo de trabajo del protocolo propuesto para la migración segura de bases de datos en la nube. El protocolo consta de siete etapas secuenciales: modelado de amenazas, transferencia del esquema, migración segura de la base de datos, validación de los datos migrados, endurecimiento posterior a la migración, registro de auditoría y archivo, y finalización de la migración. Durante todo el flujo de trabajo de migración se mantiene el monitoreo de seguridad, la comunicación cifrada, la gestión de identidades, el registro inmutable y la detección explicativa de anomalías. Esta figura fue creada por los autores utilizando Microsoft PowerPoint (Microsoft 365). Haga clic aquí para ver una versión más grande de esta figura.

6. Configurar el monitoreo de inteligencia artificial interpretable

NOTA: El esquema del proceso es: identificar las características de seguridad de la migración, construir un modelo para detectar irregularidades, reconocer cuándo las acciones de migración son sospechosas y generar resultados explicables mediante métodos de interpretación SHAP.

Extraiga y preprocese las características de telemetría de seguridad necesarias para la detección de anomalías y el análisis de explicabilidad.
1. Recolecte registros de seguridad de servidores de bases de datos, servidores de autenticación, servidores de aplicaciones y sistemas de monitoreo de red. Agregue todos los eventos relacionados con la migración en un repositorio centralizado de registros. Elimine registros duplicados y entradas incompletas. Sincronice las marcas de tiempo entre todas las fuentes de registros utilizando la hora universal coordinada (UTC).
2. Calcule la frecuencia de acceso de cada usuario durante las operaciones de migración. Registre el número de intentos fallidos de inicio de sesión asociados con cada cuenta. Monitoree los cambios en las direcciones IP de origen durante las sesiones de migración.
3. Mida la duración de la sesión de usuario desde el inicio hasta la finalización. Calcule los volúmenes de transferencia de datos entrantes y salientes durante las actividades de migración. Normalice todas las características extraídas utilizando la normalización Min-Máx.
4. Tabla 3 resume las características de seguridad utilizadas para la detección de anomalías y el análisis de explicabilidad.
Entrene y valide el modelo Isolation Forest utilizando el conjunto de datos de características de seguridad preparado.
1. Divida el conjunto de datos. Separe aleatoriamente el conjunto de datos en conjunto de entrenamiento (70 %), conjunto de validación (15 %) y conjunto de prueba (15 %). Mantenga una distribución consistente de eventos normales y anómalos en todos los subconjuntos.
2. Selección del modelo de IA explicable. Seleccione el algoritmo Isolation Forest porque detecta eficientemente actividades anómalas de migración sin requerir datos de entrenamiento etiquetados. Utilice el algoritmo para aislar observaciones anómalas mediante la partición aleatoria recursiva del espacio de características.
3. Aplique SHAP TreeExplainer para cuantificar la contribución de cada característica de seguridad a la predicción de anomalías y mejorar la transparencia del proceso de monitoreo de seguridad.
4. Configure el modelo de detección de anomalías. Inicialice un modelo Isolation Forest. Configure el modelo utilizando los parámetros enumerados en Tabla 4.
5. Defina la formulación matemática utilizada para calcular las puntuaciones de anomalía y explicar las contribuciones de las características.
  1. Defina el vector de características de seguridad para cada evento de migración como se muestra en la Ecuación 1.
    x_i = [x₁ , x₂, x₃, x₄, x₅ ] (1)
    donde x₁ denota la frecuencia de acceso, x₂ denota el número de intentos fallidos de inicio de sesión, x₃ denota la frecuencia de cambio de dirección IP, x₄ denota la duración de la sesión y x₅ denota el volumen de transferencia de datos.
  2. Extraiga las características de seguridad de los registros de migración. Normalice todos los valores de características antes del entrenamiento del modelo. Calcule la puntuación de anomalía de Isolation Forest para cada evento de migración utilizando la Ecuación 2.
    (2)
    donde S(X,n) denota la puntuación de anomalía de la observación X, X denota el vector de características de seguridad, E(h(X)) es la longitud esperada del camino de la observación X, c(n) es la longitud promedio del camino en búsquedas no exitosas en un árbol binario de búsqueda, y n es el número total de muestras de entrenamiento. El factor de normalización se calcula como se muestra en la Ecuación 3.
    (3)
    donde H(n-1) denota el número armónico (n-1).
  3. Clasifique los eventos de migración con puntuaciones de anomalía superiores al umbral de decisión predefinido como anómalos.
  4. Aplique SHAP (Explicaciones Aditivas de Shapley) para explicar la contribución de cada característica de seguridad a la predicción de anomalías. Calcule el valor SHAP para la característica i utilizando la Ecuación 4.
    (4)
    donde (F) denota el conjunto completo de características, (S) denota un subconjunto de características, y (f(.)) denota la función de predicción de Isolation Forest.
  5. Calcule la importancia global de las características calculando el valor absoluto medio de SHAP utilizando la Ecuación 5.
    (5)
    donde (N) denota el número total de eventos de migración.
  6. Ordene las características de seguridad según sus valores absolutos medios de SHAP. Genere gráficos resumen de SHAP, gráficos de dependencia y gráficos de fuerza para visualizar la importancia global y local de las características.
6. Entrene el modelo Isolation Forest utilizando el conjunto de datos de entrenamiento. Evalúe el rendimiento del modelo utilizando el conjunto de datos de validación. Si es necesario, ajuste los umbrales de contaminación. Almacene la configuración del modelo que presente el mejor rendimiento. Valide el rendimiento del modelo. Determine métricas como exactitud, precisión, exhaustividad, puntuación F1 y ROC-AUC. Registre las medidas de rendimiento del modelo para comparaciones posteriores.
Aplique el modelo entrenado para identificar eventos de migración anómalos y clasificar actividades sospechosas.
1. Realice la predicción de anomalías. Aplique el modelo Isolation Forest entrenado al conjunto de datos de prueba. Genere puntuaciones de anomalía para todos los eventos de migración.
2. Identifique actividades sospechosas. Determine si los eventos de migración son típicos o anómalos. Marque como sospechosos aquellos eventos que superen los niveles preestablecidos de anomalía. Produzca documentación de anomalías para su revisión de seguridad.
3. La finalización del proceso de detección de anomalías produce puntuaciones de anomalía, etiqueta los eventos de migración como normales o anómalos, mide la eficacia de la detección mediante análisis ROC y detecta las principales anomalías de seguridad. Se muestran ejemplos de salidas producidas por el proceso diseñado en Figura 4.
4. Categorice las anomalías detectadas. Clasifique las anomalías en anomalías de autenticación, anomalías de red, anomalías de sesión y anomalías de transferencia de datos. Mantenga las etiquetas de anomalía para el análisis de explicabilidad.
5. Evalue el rendimiento de la detección. Revise los incidentes de seguridad registrados hasta la fecha. Luego, utilizando estos como referencia, evalúe las anomalías detectadas y determine cuáles de ellas fueron verdaderas anomalías. Determine la tasa de detección de anomalías y la tasa de falsos positivos. Elabore un registro oficial de la documentación de la exactitud de detección para poder reproducirla.
Genere explicaciones basadas en SHAP para interpretar la contribución de características individuales de seguridad a las predicciones de anomalías.
1. Configure el entorno SHAP. Cargue el modelo Isolation Forest entrenado. Inicialice SHAP TreeExplainer. Verifique la integración exitosa entre el modelo de detección de anomalías y el marco de explicabilidad.
2. Seleccione muestras de referencia. Seleccione aleatoriamente 1.000 muestras representativas del conjunto de datos de entrenamiento. Utilice las muestras seleccionadas como conjunto de datos de referencia de SHAP. Calcule los valores SHAP. Compute los valores SHAP para todas las anomalías detectadas. Mida las contribuciones individuales de las características a las predicciones de anomalías. Almacene las salidas de SHAP para análisis posteriores.
3. Genere explicaciones globales. Cree gráficos resumen de SHAP que muestren la importancia general de las características. Genere gráficos de barras de SHAP basados en los valores absolutos medios de SHAP. Produzca gráficos de dependencia de SHAP para las características altamente influyentes.
4. Genere explicaciones locales. Seleccione eventos representativos de migración anómalos. Cree gráficos de fuerza y gráficos de cascada de SHAP. Visualice las contribuciones de las características responsables de cada anomalía.
5. Se muestran en Figura 5 salidas representativas de explicabilidad generadas durante el proceso de interpretación. Estas visualizaciones demuestran la importancia global de las características, los rankings de contribución de características, las relaciones de dependencia entre características de seguridad influyentes y explicaciones locales para eventos individuales de migración anómalos.
6. Ordene las características de seguridad. Calcule los valores absolutos medios de SHAP para todas las características. Ordene las características según su contribución a la detección de anomalías. Identifique los indicadores de seguridad más influyentes que afectan la seguridad de la migración. Tabla 5 resume los rankings de importancia de características basados en SHAP.
7. Valide la consistencia de las explicaciones. Repita el análisis SHAP en cinco ejecuciones experimentales independientes. Mida la estabilidad y consistencia de las explicaciones. Verifique que los rankings de características permanezcan estables en análisis repetidos.
  NOTA: Tabla 6 proporciona problemas comunes encontrados durante la detección explicable de anomalías y las acciones correctivas recomendadas.

Característica	Descripción	Finalidad
Frecuencia de acceso	Número de solicitudes de acceso del usuario durante la migración	Detectar comportamientos anómalos de acceso
Conteo de inicio de sesión fallido	Número de intentos fallidos de autenticación	Identificar intentos de acceso por fuerza bruta o no autorizados
Cambios de dirección IP	Frecuencia de cambios en la dirección IP de origen	Detectar comportamientos de red sospechosos
Duración de la sesión	Duración de las sesiones del usuario durante la migración	Identificar actividades anómalas en la sesión
Volumen de transferencia de datos	Cantidad de datos transferidos durante la migración	Detectar movimientos inusuales de datos o exfiltración

Tabla 3: Características de telemetría de seguridad utilizadas para la detección explicable de anomalías. La tabla presenta las características de seguridad que se monitorearon durante la migración de la base de datos, su significado, la forma en que se midieron y cómo ayudaron en el análisis de detección de anomalías y explicabilidad.

Parámetro	Valor	Descripción
Algoritmo	Isolation Forest	Modelo de detección de anomalías
n_estimators	100	Número de árboles de aislamiento
contamination	0.02	Proporción esperada de anomalías
max_samples	Auto	Muestras utilizadas por árbol
random_state	42	Valor inicial para reproducibilidad
bootstrap	False	Muestreo sin reemplazo
Conjunto de entrenamiento	70%	Datos para entrenar el modelo
Conjunto de validación	15%	Validación de hiperparámetros
Conjunto de prueba	15%	Evaluación final del modelo

Tabla 4: Configuración del Bosque de Aislamiento utilizada para detectar anomalías durante la migración segura de bases de datos. Esta tabla detalla los ajustes de hiperparámetros del modelo de Bosque de Aislamiento para el entrenamiento, como la forma en que se dividió el conjunto de datos, el nivel de contaminación, el número de estimadores, la semilla aleatoria y la configuración de evaluación.

figure-protocol-8
Figura 4: Resultados representativos del marco de detección de anomalías durante la migración segura de datos a la nube. (A) Distribución de las puntuaciones de anomalía del bosque de aislamiento que muestra el umbral de anomalía. (B) Clasificación de los eventos de migración en categorías normales y anómalas. (C) Curva característica de operación del receptor (ROC) que demuestra el rendimiento del modelo de bosque de aislamiento (AUC = 0,97 ± 0,01). (D) Eventos de migración anómalos representativos que muestran las puntuaciones de anomalía, las etiquetas predichas, las características de seguridad influyentes y las categorías de anomalía. Esta figura fue generada por los autores utilizando Python 3.11 (Matplotlib 3.9) y formateada utilizando Microsoft PowerPoint (Microsoft 365). Haga clic aquí para ver una versión más grande de esta figura.

figure-protocol-9
Figura 5: Ejemplos de salidas de explicabilidad basadas en SHAP generadas durante la interpretación de anomalías. (A) Gráfico resumen de SHAP que destaca las características más importantes a nivel global. (B) Clasificación de las características de seguridad según su valor medio absoluto de SHAP. (C) Gráficos de dependencia de SHAP que muestran cómo el número de intentos fallidos de inicio de sesión y el volumen de transferencia de datos afectan la predicción de anomalías. (D) Gráfico de fuerza de SHAP que ofrece una explicación local para un evento típico de migración anómala. Estos gráficos muestran la interpretabilidad global y local del modelo propuesto de detección de anomalías. Esta figura fue generada por los autores utilizando Python 3.11 (Matplotlib 3.9) y formateada con Microsoft PowerPoint (Microsoft 365). Haga clic aquí para ver una versión ampliada de esta figura.

Rango	Característica	Valor Absoluto Medio de SHAP	Interpretación
1	Conteo de Inicios de Sesión Fallidos	0.352	Indicador más influyente de actividad anómala
2	Volumen de Transferencia de Datos	0.287	Contribuye fuertemente a la detección de anomalías
3	Cambios de Dirección IP	0.221	Indica comportamiento sospechoso en la red
4	Duración de la Sesión	0.184	Asociado con sesiones de usuario anormales
5	Frecuencia de Acceso	0.156	Refleja patrones de acceso inusuales

Tabla 5: Puntuaciones de importancia de características SHAP de los datos de telemetría de seguridad. La tabla muestra la clasificación de las características de seguridad según sus valores absolutos medios de SHAP y describe sus respectivas contribuciones a la predicción de anomalías.

Problema	Causa posible	Solución recomendada
Pocos eventos anómalos detectados	Parámetro de contaminación demasiado bajo	Aumente el umbral de contaminación y vuelva a entrenar el modelo.
Tasa alta de falsos positivos	Registros de migración ruidosos o inconsistentes	Limpie los datos de registro y normalice las características de seguridad antes del entrenamiento del modelo.
Explicaciones SHAP inestables	Insuficiencia de muestras de referencia	Aumente el número de muestras de fondo representativas utilizadas por SHAP.
Baja precisión en la detección de anomalías	Desbalance de características o preprocesamiento inadecuado	Aplique normalización de características, equilibrio y procedimientos de control de calidad.
Convergencia lenta del modelo	Conjunto de datos grande o recursos computacionales limitados	Optimice los hiperparámetros o utilice GPU/procesamiento paralelo.
Fallas de comunicación	Inestabilidad de la red durante el monitoreo	Verifique los canales de comunicación segura y repita la sincronización.
Características de seguridad faltantes	Recolección incompleta de registros	Valide las fuentes de registros antes de la extracción de características y regenere el conjunto de datos de características.

Tabla 6: Guía para la resolución de problemas en la migración segura de bases de datos basada en Inteligencia Artificial Explicable. Esta tabla proporciona un resumen de los problemas típicos de implementación, posibles causas, signos de diagnóstico, acciones recomendadas y resultados esperados como consecuencia de la ejecución del protocolo y su reproducibilidad.

7. Evaluación del rendimiento

NOTA: Esta sección describe el procedimiento experimental utilizado para comparar el marco de migración de referencia con el marco de migración propuesto basado en inteligencia artificial explicable y cero confianza. La evaluación del rendimiento incluye seguridad, capacidad de detección de anomalías, eficiencia de migración y validación estadística bajo condiciones experimentales idénticas.

Configure ambos entornos, el de referencia y el propuesto, en condiciones idénticas para permitir una comparación justa del rendimiento.
1. Configure el entorno de migración convencional. Configure credenciales estáticas a largo plazo con un período de validez mayor a 24 h. Habilite puntos finales de red pública para el acceso a la base de datos. Desactive los mecanismos de detección y explicabilidad de anomalías basados en IA. Supervise las actividades de migración manualmente utilizando registros de seguridad convencionales. Registre los eventos de migración para su posterior comparación de rendimiento.
2. Configure el marco de migración de confianza cero (Zero-Trust). Habilite credenciales temporales con el menor privilegio posible, con expiración automática tras completar la migración. Desactive todos los puntos finales de red pública. Habilite la comunicación por red privada utilizando canales seguros.
3. Despliegue el modelo entrenado de detección de anomalías mediante bosque de aislamiento (Isolation Forest). Habilite SHAP TreeExplainer para la interpretación del modelo. Configure la supervisión de seguridad automatizada durante todo el proceso de migración. Verifique la comunicación segura entre todos los componentes de migración antes de la ejecución.
Realice experimentos de migración repetidos en condiciones controladas para evaluar la reproducibilidad del marco.
1. Realice un experimento de migración. Lleve a cabo diez experimentos de migración independientes tanto para el entorno de referencia como para el propuesto. Mantenga configuraciones idénticas de hardware, software y red durante todos los experimentos.
2. Migre 10 GB de datos de salud en cada ejecución experimental. Repita todos los experimentos en condiciones de carga de trabajo idénticas. Registre eventos de seguridad, registros de migración, resultados de detección de anomalías y tiempos de ejecución durante cada experimento.
3. Valide la integridad de la migración. Calcule sumas de verificación SHA-256 antes y después de la migración. Verifique la integridad completa de los datos tras cada experimento de migración. Documente los resultados de la validación de las sumas de verificación.
Calcule métricas cuantitativas de seguridad, migración y detección de anomalías para la evaluación comparativa.
1. Mida el rendimiento de seguridad. Mida la duración de la exposición de credenciales. Calcule el número de credenciales expuestas durante la migración. Mida el tiempo de detección de incidentes. Registre la duración de la exposición a la red pública.
2. Evalúe el rendimiento de detección de anomalías. Calcule la exactitud de detección de anomalías, precisión, exhaustividad (recall), puntuación F1 y el área bajo la curva de característica operativa del receptor (AUC). Evalúe el rendimiento de migración. Mida la latencia total de migración y calcule el rendimiento de migración (throughput). Registre la sobrecarga de comunicación introducida por los mecanismos de seguridad.
3. Realice la validación estadística. Calcule la media y la desviación estándar para todas las métricas de rendimiento. Calcule intervalos de confianza del 95 %. Realice pruebas t de Student pareadas para comparar los marcos de referencia y propuesto. Considere significancia estadística con p < 0,05. En Figura 6 se muestran resultados representativos de la evaluación de rendimiento generados durante la comparación experimental.
4. Tabla 7 resume la comparación cuantitativa del rendimiento entre el marco de referencia y el marco de migración propuesto.
  Tabla 8 resume los problemas comunes de implementación encontrados durante la migración segura de bases de datos, sus posibles causas y las acciones correctivas recomendadas.

figure-protocol-10
Figura 6: Comparación del rendimiento entre el marco de migración de referencia y el marco propuesto de migración segura a la nube habilitado por inteligencia artificial explicativa y basado en cero confianza. (A) Comparación de la duración de la exposición de credenciales utilizando credenciales de privilegio mínimo a largo plazo y temporales. (B) Comparación de las métricas de rendimiento en la detección de anomalías, incluyendo precisión, exactitud, exhaustividad, puntuación F1 y AUC. (C) Comparación de la latencia de migración en diez ejecuciones experimentales independientes, mostrando que el aumento de latencia permaneció por debajo del umbral de aceptación predefinido. (D) Comparación estadística de métricas clave de rendimiento mediante pruebas t de Student pareadas, mostrando diferencias medias e intervalos de confianza del 95 %. Las barras de error representan intervalos de confianza del 95 % obtenidos de diez ejecuciones experimentales independientes. Esta figura fue generada por los autores utilizando Python 3.11 (Matplotlib 3.9) y formateada con Microsoft PowerPoint (Microsoft 365). Haga clic aquí para ver una versión más grande de esta figura.

Métrica de rendimiento	Marco de referencia de línea base (media ± DE)	Marco de referencia propuesto (media ± DE)	Mejora	Intervalo de confianza del 95%	Valor p
Duración de exposición de credenciales (h)	24.70 ± 1.32	0.42 ± 0.18	reducción del 98,3%	23,6–24,9	<0.001
Precisión en la detección de anomalías (%)	72,4 ± 2,1	94,6 ± 1,3	+22,2%	20,8–23,5	<0.001
Precisión (%)	68,1 ± 2,5	92,7 ± 1,5	+24,6%	23,1–26,0	<0.001
Exhaustividad (%)	70,3 ± 2,4	93,1 ± 1,6	+22,8%	21,4–24,2	<0.001
Puntuación F1 (%)	69,2 ± 2,2	92,9 ± 1,4	+23,7%	22,3–25,0	<0.001
AUC	0,78 ± 0,03	0,97 ± 0,01	+0,19	0,17–0,21	<0.001
Latencia de migración (min)	87,6 ± 3,2	97,4 ± 2,9	sobrecarga del 11,2%	8,9–10,7	0,002
Integridad de los datos (%)	99,8	100,0	mejora del 0,2%	0,1–0,3	0,031
Exposición a red pública	Habilitado	Eliminado	100% eliminado	N/A	<0.001

Tabla 7: Comparación del rendimiento entre los marcos de migración de bases de datos seguras en condiciones basales y los propuestos. La tabla muestra la duración de la exposición de las credenciales, la efectividad en la detección de anomalías, la latencia de migración, la integridad de los datos y las mejoras de seguridad evaluadas cuantitativamente durante la validación del protocolo.

Problema	Causa posible	Solución recomendada
Fallo en la autenticación de migración	Credenciales temporales caducadas o inválidas	Regenere las credenciales temporales y verifique las políticas IAM antes de reiniciar la migración.
Alta latencia en la migración	Congestión de red o ancho de banda insuficiente	Optimice el enrutamiento de red, programe la migración durante períodos de bajo tráfico y verifique la conectividad de los puntos finales.
Alertas de anomalías falsas positivas	Umbral de contaminación inadecuado en el bosque de aislamiento	Ajuste el parámetro de contaminación utilizando el conjunto de datos de validación y vuelva a entrenar el modelo.
Explicaciones SHAP inestables	Muestras de fondo insuficientes o no representativas	Aumente el tamaño de la muestra de fondo para SHAP y asegúrese de que el muestreo sea representativo.
Discrepancia en la integridad de los datos	Migración interrumpida o transferencia de datos dañados	Vuelva a ejecutar la migración tras validar los valores de suma de comprobación SHA-256 y la coherencia entre origen y destino.
Fallo en la conexión del punto final seguro	Errores en la configuración del cortafuegos o de TLS	Verifique los certificados SSL/TLS, las reglas del cortafuegos y la configuración del punto final privado.
Baja precisión en la detección de anomalías	Extracción de características incompleta o preprocesamiento deficiente	Revise la ingeniería de características, normalice las características de seguridad y vuelva a entrenar el modelo.
Problemas de convergencia del modelo	Hiperparámetros inadecuados	Ajuste los parámetros de aprendizaje y valide el rendimiento del modelo antes del despliegue.

Tabla 8: Guía de solución de problemas para la migración segura de bases de datos de atención médica. La tabla enumera errores frecuentes durante la migración, sus causas posibles, las medidas correctivas recomendadas y los resultados esperados para garantizar una ejecución confiable del protocolo de migración segura.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Resumen del experimento

El protocolo propuesto de migración segura de datos en la nube habilitado por inteligencia artificial explicable (XAI) fue evaluado utilizando un conjunto de datos sintéticos de atención médica que comprende aproximadamente 20 millones de registros electrónicos de salud (EHR) distribuidos en 28 tablas de bases de datos relacionales, con un total de 10 GB. Los experimentos se realizaron en un entorno en la nube de Amazon Web Services (AWS) utilizando Amazon RDS PostgreSQL 16, redes privadas virtuales (VPC) privadas, comunicación cifrada con TLS 1.3 y servicios de monitoreo centralizados. Se realizaron diez experimentos independientes de migración en condiciones idénticas de hardware, software, red y carga de trabajo para garantizar la reproducibilidad y minimizar el sesgo experimental. Todos los valores de rendimiento informados representaron la media de las diez ejecuciones experimentales. La significancia estadística se evaluó mediante pruebas t de Student para muestras apareadas tras verificar la normalidad usando la prueba de Shapiro-Wilk (p < 0.05).

Resultados de la preparación y validación del conjunto de datos

El conjunto de datos sanitarios sintético se generó con éxito según las especificaciones del protocolo. La validación de los datos confirmó la creación exitosa de aproximadamente 20.000.000 de registros relacionados con pacientes distribuidos en 28 tablas relacionales, incluyendo datos demográficos de pacientes, encuentros clínicos, diagnósticos, informes de laboratorio, medicamentos, metadatos de imágenes, información de facturación y registros médicos. Se verificaron con éxito la unicidad de las claves primarias, las relaciones de claves externas y las restricciones de integridad referencial antes de la migración. Aproximadamente el 5 % de los valores de los datos se dejaron intencionadamente faltantes para simular bases de datos realistas de historiales clínicos electrónicos, y posteriormente se procesaron durante la limpieza de datos. La evaluación de la calidad del conjunto de datos demostró una validación exitosa del esquema, rangos de valores aceptables y una integridad referencial completa. El error acumulado en la validación del conjunto de datos permaneció por debajo del 0,1 %, lo que indica que el conjunto de datos generado fue adecuado para experimentos de migración segura, como se muestra en Tabla 1.

Resultados de la implementación de la arquitectura del sistema

La arquitectura de migración segura se implementó y validó con éxito antes de la ejecución del flujo de trabajo de migración. Todos los recursos en la nube operan dentro de una nube privada virtual (VPC) de AWS aislada, utilizando subredes privadas, grupos de seguridad y políticas de acceso basadas en identidad. Las comunicaciones de la base de datos se protegieron mediante cifrado TLS 1.3, y las credenciales de migración se generaron dinámicamente según la política temporal de privilegio mínimo. Los registros de autenticación, registros de migración, eventos de base de datos, eventos de red y registros de auditoría de seguridad se recopilaron continuamente mediante Amazon CloudWatch. Durante todas las ejecuciones experimentales, las comunicaciones ocurrieron exclusivamente a través de puntos de conexión de red privados, y no se detectaron servicios de base de datos accesibles públicamente. La supervisión continua mostró una comunicación estable entre todos los componentes de migración sin interrupciones de servicio inesperadas ni fallos de autenticación, como se muestra en Figura 2.

Resultados del flujo de trabajo de migración segura

Modelado de amenazas

El modelo de amenazas predefinido identificó con éxito el robo de credenciales, ataques internos, ataques de repetición, ataques de intermediario, alteración de esquemas y escenarios de escalada de privilegios. Los controles de seguridad implementados mitigaron eficazmente todas las amenazas identificadas antes de la ejecución de la migración, como se resume en Tabla 2.

Transferencia del esquema de la base de datos

La migración del esquema de la base de datos se completó con éxito en todos los ensayos experimentales. Todas las tablas relacionales, índices, procedimientos almacenados, restricciones, metadatos, claves primarias y claves externas se transfirieron sin inconsistencias estructurales ni desviaciones del esquema.

Migración segura de datos

El proceso de migración se completó con éxito en los diez ensayos experimentales sin interrupciones del flujo de trabajo ni fallos en las transacciones. Se mantuvo una transferencia segura de datos durante todo el proceso de migración mediante canales de comunicación cifrados a través de puntos de conexión de red privados.

Validación de la migración

La validación posterior a la migración confirmó una consistencia completa entre las bases de datos de origen y destino. La verificación mediante suma de comprobación SHA-256 produjo una coincidencia del 100 % en todas las tablas migradas, lo que demuestra que no ocurrió ninguna corrupción de datos durante la transmisión. La validación del número de registros confirmó la migración exitosa de los 20 millones de registros sin pérdida, duplicación ni truncamiento. La validación de claves primarias, claves externas, índices, definiciones de esquema y restricciones de la base de datos confirmó la preservación completa de la integridad de la base de datos. No se observaron desviaciones del esquema, eventos de reversión, fallos en transacciones ni inconsistencias en la migración durante todo el período de evaluación. La cuantificación de los resultados de integridad se muestra en Tabla 9.

Métrica de validación	Resultado observado	Criterio de aceptación	Estado
Total de historias clínicas migradas	20.000.000	20.000.000	Aprobado
Tablas de base de datos relacionales migradas	28	28	Aprobado
Tamaño del conjunto de datos migrado	10 GB	10 GB	Aprobado
Verificación del checksum SHA-256	Coincidencia del 100 %	Coincidencia del 100 %	Aprobado
Consistencia en el conteo de registros	100 %	100 %	Aprobado
Validación del esquema	Todas las tablas validadas	Sin errores de esquema	Aprobado
Integridad de clave primaria	Verificada	Sin violaciones	Aprobado
Integridad de clave externa	Verificada	Sin violaciones	Aprobado
Tasa de corrupción de datos	0 %	0 %	Aprobado
Desviación del esquema	No observada	Ninguna	Aprobado
Eventos de reversión	0	0	Aprobado
Tasa de finalización de la migración	100 %	100 %	Aprobado

Tabla 9: Resultados de la validación de integridad de datos tras la migración segura de la base de datos. Presenta las principales métricas de verificación de integridad desde el punto de vista cuantitativo. Estas incluyen la comprobación de que las sumas hash SHA-256 coincidieron, la consistencia en el número de registros, la validación del esquema, la preservación de las restricciones de clave, la finalización de la migración, los eventos de reversión y el éxito general de diez experimentos de migración independientes.

Tabla 9 resume los resultados de la validación de la integridad de los datos cuantitativos obtenidos tras la migración segura de datos a la nube. Los resultados demostraron que todos los criterios de aceptación de la migración se cumplieron en las diez ejecuciones experimentales independientes.

Endurecimiento tras la migración

La gestión temporal de credenciales con privilegio mínimo mejoró sustancialmente la seguridad de las credenciales en comparación con el marco convencional de migración. La vida media de las credenciales disminuyó de 24,7 ± 1,3 h en el entorno de referencia a 0,42 ± 0,18 h en el marco propuesto, lo que representa una reducción del 98,3 % en la duración de exposición de las credenciales. Las credenciales temporales se revocaron inmediatamente después de completar la migración, y no se detectaron intentos de autenticación no autorizados mediante credenciales caducadas durante ninguna ejecución experimental. La eliminación de credenciales de larga duración redujo la superficie de ataque potencial manteniendo un rendimiento de migración ininterrumpido, como se muestra en la Figura 3.

Resultados del monitoreo mediante IA explicable

Extracción de características de seguridad

La telemetría de seguridad se recopiló con éxito a partir de servidores de bases de datos, servicios de autenticación, servidores de aplicaciones y sistemas de monitoreo de red. La extracción de características generó mediciones normalizadas de la frecuencia de acceso, la cantidad de intentos de inicio de sesión fallidos, los cambios de dirección IP, la duración de la sesión y el volumen de transferencia de datos para la detección de anomalías, como se describe en Tabla 3.

Rendimiento del modelo de detección de anomalías

El modelo de bosque de aislamiento demostró un rendimiento robusto en la detección de anomalías en 10 experimentos independientes. La precisión, exactitud, recuperación, puntuación F1 y área bajo la curva característica de operación del receptor (AUC) promedio fueron 94,6 ± 1,3 %, 92,7 ± 1,5 %, 93,1 ± 1,6 %, 92,9 ± 1,4 % y 0,97 ± 0,01, respectivamente. La configuración del modelo siguió los parámetros resumidos en Tabla 4.

Detección de anomalías de seguridad

El marco de monitoreo propuesto redujo el tiempo promedio de detección de incidentes de más de 24 h en el entorno de referencia a aproximadamente 15 min. Las detecciones de falsos positivos se mantuvieron por debajo del 3 %, y no hubo fallas críticas de migración sin detectar durante todo el período de evaluación. En la Figura 4 se presentan salidas representativas de la detección de anomalías.

Análisis de explicabilidad

El TreeExplainer de SHAP generó resultados interpretables de atribución de características para todas las anomalías detectadas. Se utilizó un conjunto de datos de referencia que contenía 1 000 muestras representativas de entrenamiento para calcular los valores de SHAP. El análisis de explicación global identificó consistentemente el número de intentos fallidos de inicio de sesión, el volumen de transferencia de datos, los cambios de dirección IP, la duración de la sesión y la frecuencia de acceso como las características más influyentes en las predicciones de anomalías. Un análisis repetido de explicabilidad en diez ejecuciones experimentales produjo clasificaciones de características casi idénticas, lo que demuestra una interpretación estable del modelo. Las explicaciones locales de SHAP identificaron además los factores principales que contribuyen a predicciones individuales de anomalías, mejorando así la transparencia del proceso de monitoreo de seguridad. Las salidas representativas del análisis de explicabilidad se muestran en la Figura 5, mientras que las clasificaciones correspondientes de importancia de características se resumen en la Tabla 5.

Resultados de la evaluación del rendimiento

La comparación con el marco de migración de referencia demostró mejoras sustanciales en múltiples métricas de seguridad. La duración de la exposición de credenciales disminuyó en un 98,3 %, la precisión en la detección de anomalías mejoró del 72,4 ± 2,1 % al 94,6 ± 1,3 %, y los puntos finales de migración accesibles públicamente pasaron de seis a cero. El tiempo promedio de detección de incidentes se redujo notablemente, mientras que se mantuvo intacta la integridad completa de la migración durante toda la evaluación. Aunque los controles de seguridad adicionales incrementaron la latencia de migración en un 11,2 ± 2,9 %, el aumento observado permaneció por debajo del umbral de aceptación predefinido del 15 %, lo que indica que las mejoras en seguridad se lograron con un impacto mínimo en la eficiencia de la migración. Los resultados representativos de la evaluación del rendimiento se presentan en la Figura 6, y la comparación cuantitativa entre los marcos de referencia y el propuesto se resume en la Tabla 7.

Validación estadística y reproducibilidad

El análisis estadístico demostró mejoras significativas en la duración de la exposición de credenciales, la precisión en la detección de anomalías, el tiempo de detección de incidentes y la latencia de migración entre los marcos de trabajo de referencia y el propuesto (prueba t de Student pareada, p < 0.05). Los intervalos de confianza del 95 % calculados mostraron una baja variabilidad a lo largo de las 10 ejecuciones experimentales independientes, confirmando la reproducibilidad y estabilidad del protocolo propuesto. Los resultados detallados de cada experimento se presentan en Tabla 10.

Corrida experimental	Duración de exposición de credenciales (h)	Precisión en detección de anomalías (%)	Latencia de migración (min)	Validación SHA-256	Estado de migración
Corrida 1	0.45	94.3	96.8	Superada	Exitosa
Corrida 2	0.41	95	98.2	Superada	Exitosa
Corrida 3	0.39	94.7	95.9	Superada	Exitosa
Corrida 4	0.44	94.5	97.6	Superada	Exitosa
Corrida 5	0.43	94.8	96.9	Superada	Exitosa
Corrida 6	0.4	94.2	98.5	Superada	Exitosa
Corrida 7	0.42	95.1	97.2	Superada	Exitosa
Corrida 8	0.38	94.6	96.7	Superada	Exitosa
Corrida 9	0.43	94.9	97.8	Superada	Exitosa
Corrida 10	0.41	94.5	97	Superada	Exitosa
Media ± DE	0.42 ± 0.02	94.66 ± 0.29	97.26 ± 0.80	100 % superada	10/10 exitosas

Tabla 10: Reproducibilidad experimental en diez ejecuciones independientes de migración. La tabla presenta un resumen del intervalo de tiempo durante el cual se expuso una credencial, la precisión en la detección de anomalías, el retraso de una migración, el estado de la validación SHA-256 y el éxito de la migración en cada ejecución experimental, demostrando así la estabilidad y reproducibilidad del marco propuesto para la migración segura a la nube bajo las mismas condiciones experimentales.

La tabla 10 presenta los resultados detallados de las diez ejecuciones experimentales independientes, lo que demuestra la consistencia, estabilidad y reproducibilidad del protocolo propuesto de migración segura a la nube bajo condiciones experimentales idénticas.

La evaluación experimental demostró que la integración de la seguridad de confianza cero, el control de acceso temporal con privilegio mínimo, la monitorización continua de anomalías y la explicabilidad basada en SHAP mejoró la seguridad de la migración, manteniendo al mismo tiempo la integridad completa de la base de datos y un rendimiento de migración aceptable. Dado que los experimentos se realizaron utilizando un conjunto de datos sintéticos de atención médica dentro de un entorno de nube controlado, estos resultados deben interpretarse dentro de la configuración experimental evaluada. Será necesario realizar una validación adicional utilizando infraestructuras operativas de atención médica, conjuntos de datos clínicos reales y entornos de nube multi-institucionales antes de generalizar el protocolo para su implementación rutinaria en sistemas de atención médica en producción.

Discusión

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

En esta investigación, se desarrolló un protocolo reproducible y seguro para la migración de bases de datos a la nube que incorpora principios de seguridad de confianza cero, control de acceso basado en tiempo y privilegio mínimo, inteligencia artificial explicable (XAI) y monitoreo continuo de seguridad, todo ello dentro de un entorno experimental restringido. No era intención de este artículo utilizar un nuevo algoritmo de migración; por lo tanto, los autores presentan principalmente un flujo de trabajo estandarizado que permite a investigadores y profesionales realizar, evaluar y reproducir la migración segura de bases de datos de atención médica mediante pasos procedimentales claramente definidos. El éxito en la implementación del protocolo depende del cuidadoso cumplimiento de algunos pasos muy importantes. La modelización de amenazas con alta precisión es de gran ayuda para conocer los activos que se van a migrar, las formas en que los atacantes podrían acceder y el conjunto de controles de seguridad que serán efectivos, todo lo cual se realiza antes de la migración. La validación del esquema de la base de datos es un paso que debe completarse antes de la transferencia de datos para evitar inconsistencias estructurales y desviaciones en el esquema. En cuanto a la migración, es necesario generar credenciales temporales siguiendo el principio de privilegio mínimo temporal, mantener el uso del protocolo criptográfico TLS 1.3 para proteger la comunicación y recopilar registros de migración de forma continua para su uso en monitoreo de seguridad y auditoría. El entorno de migración debe vaciarse, y abandonarlo solo será correcto cuando se hayan realizado tareas como la verificación de sumas de comprobación SHA-256, la validación del número de registros y las comprobaciones de consistencia del esquema, las cuales demuestran que se ha preservado la integridad de la base de datos.

El componente de monitoreo de anomalías explicable también requiere pasos cuidadosos de configuración para obtener resultados reproducibles. Entre los factores importantes que influyen en el rendimiento de la detección de anomalías y en la calidad de las explicaciones se encuentran la selección de características adecuadas de telemetría de seguridad, el preprocesamiento consistente de los registros de monitoreo, los hiperparámetros adecuados del bosque de aislamiento y un conjunto de datos de referencia representativo para SHAP. Los cambios en estos ajustes de configuración pueden provocar variaciones en las puntuaciones de anomalía, en los valores de atribución de características y en la interpretabilidad general del modelo. Por lo tanto, se recomienda a los investigadores mantener idénticas las versiones del software, los parámetros del modelo y los ajustes de evaluación al reproducir el protocolo.

Los procedimientos de solución de problemas del protocolo están diseñados para ayudar a los usuarios a abordar problemas comunes de implementación, como incompatibilidades de esquemas, interrupciones de red, fallos de autenticación, detecciones excesivas de falsos positivos y sobrecarga de latencia durante la migración. La validación sistemática después de cada paso del protocolo permitirá localizar estos problemas y corregirlos antes de ejecutar los siguientes pasos de la migración. Esta es una de las formas de mejorar la confiabilidad y la reproducibilidad del flujo de trabajo experimental.

Aunque la evaluación experimental demostró que la configuración probada podría mejorar la protección de credenciales, la detección de anomalías, la explicabilidad y la integridad de la migración, los hallazgos deben considerarse específicos únicamente al alcance de esta investigación. El protocolo solo se probó con un conjunto de datos sintéticos de atención médica en un entorno de laboratorio en la nube, y no en un sistema real de información sanitaria. Los resultados presentados aquí no deben considerarse como prueba de cumplimiento regulatorio ni de uso clínico. En cambio, indican que la técnica puede implementarse en un entorno de laboratorio controlado y proporciona un marco que otros pueden utilizar para estudios posteriores de validación.

Varios estudios recientes han investigado la migración segura a la nube en el sector sanitario, arquitecturas de seguridad de confianza cero y la inteligencia artificial explicable; sin embargo, la mayoría se han centrado en mecanismos de seguridad individuales en lugar de en un flujo de trabajo integrado y reproducible para la migración. La Arquitectura de Confianza Cero del NIST ofrece orientación integral para la verificación continua de identidad y el control de acceso con privilegios mínimos, pero no define un protocolo estandarizado para la migración segura de bases de datos ni para la supervisión de seguridad explicable durante la migración¹. De forma similar, los marcos existentes para la migración a la nube en el ámbito sanitario enfatizan principalmente la adopción de la nube, el cifrado, la gobernanza y el cumplimiento normativo, pero ofrecen una orientación procedimental limitada para la ejecución, validación y reproducibilidad seguras de la migración^7,8,⁹. Los enfoques de seguridad en la nube basados en inteligencia artificial han demostrado una mayor capacidad de detección de anomalías mediante detección de intrusiones y supervisión de seguridad basadas en aprendizaje automático; sin embargo, estos métodos generalmente se centran en el rendimiento de la detección sin incorporar explicaciones interpretables que apoyen la auditoría de seguridad y la toma de decisiones administrativas⁶^,¹³. Las técnicas de inteligencia artificial explicable, como las Explicaciones Aditivas SHapley (SHAP) y las Explicaciones Locales Independientes del Modelo (LIME), han mejorado significativamente la transparencia de las predicciones del aprendizaje automático^17,18,19,²⁰, pero su aplicación ha estado principalmente limitada a la interpretación de modelos en lugar de su integración en flujos de trabajo estandarizados y reproducibles para la migración segura a la nube de extremo a extremo. En contraste, el protocolo propuesto combina la arquitectura de confianza cero, la gestión temporal de credenciales con privilegios mínimos, la migración cifrada de bases de datos, la verificación de integridad basada en sumas de comprobación SHA-256, la supervisión centralizada continua, la detección de anomalías basada en Isolation Forest y la explicabilidad basada en SHAP dentro de un único flujo de trabajo estandarizado y reproducible. Este marco integrado mejora la transparencia, la auditabilidad y la reproducibilidad, manteniendo al mismo tiempo la integridad completa de la migración y una latencia de migración aceptable bajo las condiciones experimentales evaluadas.

Sin embargo, existen muchas limitaciones que deben considerarse al interpretar los resultados de este protocolo. En primer lugar, la evaluación se realizó utilizando un conjunto de datos sintético que podría no capturar la complejidad completa, la variabilidad y los desafíos de seguridad de bases de datos clínicas reales. En segundo lugar, el protocolo solo se probó en un entorno de nube controlado único; el rendimiento podría variar en otros proveedores de nube, plataformas de bases de datos o infraestructuras de red. En tercer lugar, aunque los autores utilizaron un flujo de trabajo de migración tradicional como control, sería beneficioso para estudios futuros comparar sus resultados con otros métodos de migración segura y arquitecturas de seguridad en la nube. En cuarto lugar, la validación estadística se realizó solo con diez experimentos de migración independientes; estudios a mayor escala podrían ofrecer una mejor indicación de la solidez del protocolo. En quinto lugar, los autores no han considerado explícitamente escenarios de ataques adversarios como el robo de credenciales, amenazas internas, ransomware o ataques persistentes avanzados, los cuales deberían ser el enfoque de investigaciones futuras. Por último, el marco propuesto será tan bueno como la configuración de las políticas de gestión de identidades, los parámetros de detección de anomalías, la infraestructura de registro y los ajustes de explicabilidad; si las configuraciones son incorrectas, tanto la seguridad de la migración como el rendimiento del monitoreo se verán negativamente afectados.

En general, este protocolo ofrece un marco y un método que puede repetirse para el estudio de la migración segura de bases de datos en la nube mediante inteligencia artificial explicable en entornos de investigación con controles. La validación y verificación del protocolo podría realizarse en trabajos futuros mediante la ejecución de sistemas de información en salud en funcionamiento, utilizando diversas plataformas en la nube, diferentes tecnologías de bases de datos y conjuntos de datos clínicos auténticos para evaluar la escalabilidad, generalización y aplicabilidad práctica del protocolo.

Este artículo describe un método reproducible para la migración segura de bases de datos a la nube que combina principios de seguridad de confianza cero, control de acceso temporal con privilegios mínimos, inteligencia artificial explicable (XAI) y monitoreo continuo de seguridad en un entorno de nube controlado. El método especifica en detalle los pasos de preparación del conjunto de datos, modelado de amenazas, migración segura, verificación de integridad, detección de anomalías, análisis de explicable y evaluación del rendimiento. Los experimentos realizados con un conjunto de datos sintéticos de atención médica han demostrado que el protocolo puede mejorar la seguridad de las credenciales, mantener la integridad de la migración, detectar anomalías con precisión y monitorear la seguridad de manera interpretable, al tiempo que mantiene la latencia de migración en un nivel aceptable. El procedimiento estandarizado tiene como objetivo hacer que la implementación y evaluación de estrategias de migración segura a la nube sea más reproducible en entornos académicos.

Los resultados deben considerarse dentro de los límites del entorno experimental rigurosamente controlado que se utilizó en este estudio. Dado que el protocolo se probó con un conjunto de datos sanitarios sintéticos en lugar de un sistema real de información sanitaria, los resultados no deben interpretarse como indicadores de implementación clínica, cumplimiento regulatorio o despliegue a gran escala en producción. Los esfuerzos de investigación posteriores deberían centrarse en el uso de entornos sanitarios reales, diferentes plataformas en la nube, diversas tecnologías de bases de datos y conjuntos de datos clínicos más amplios para evaluar aún más la versatilidad, fiabilidad y utilidad del protocolo en la práctica.

Divulgaciones

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores declaran que no tienen intereses financieros competitivos, relaciones comerciales ni relaciones personales que pudieran haber influido en el trabajo presentado en este estudio. Los autores no tienen conflictos de interés que declarar. Todos los materiales necesarios para reproducir la metodología presentada en este estudio están disponibles públicamente en un repositorio de GitHub. El repositorio está disponible en: https://github.com/priyankanalawade896-tech/XAI-Secure-Cloud-Data-Migration. El repositorio contiene únicamente datos de referencia generados sintéticamente y no incluye ninguna información real de pacientes, información protegida de salud ni registros sanitarios identificables.

Agradecimientos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores reconocen el apoyo institucional brindado por sus respectivas instituciones afiliadas durante el desarrollo y evaluación de este protocolo. Los autores también reconocen el uso de instalaciones computacionales institucionales y recursos de computación en la nube que respaldaron la validación experimental del marco propuesto para la migración segura de datos en la nube.
Esta investigación no recibió financiación externa. El estudio se realizó utilizando instalaciones de investigación institucionales y recursos computacionales proporcionados por las instituciones afiliadas de los autores. No se recibió financiamiento mediante subvenciones ni apoyo económico de ninguna agencia pública, comercial o sin fines de lucro.

Materiales

Lista de materiales utilizados en este artículo
Nombre	Empresa	Número de catálogo	Comentarios
Encriptación AES	NIST	AES-256	Encriptación de datos en reposo
Amazon RDS PostgreSQL	Amazon Web Services	PostgreSQL 16	Base de datos de destino
Plataforma en la nube	Amazon Web Services	AWS	Infraestructura en la nube
CloudWatch	Amazon Web Services	Última versión estable	Supervisión y registro
Docker	Docker Inc.	27.0	Contenerización
Faker	Desarrolladores de Faker	30.0	Generación de datos sintéticos
GPU	NVIDIA	RTX 4090	24 GB de VRAM
Matplotlib	Desarrolladores de Matplotlib	3.9	Visualización
NumPy	Desarrolladores de NumPy	1.26	Procesamiento numérico
Sistema operativo	Canonical	Ubuntu 22.04 LTS	Entorno del sistema
Pandas	PyData	2.2	Procesamiento de datos
PostgreSQL	Grupo de Desarrollo Global de PostgreSQL	16	Base de datos de origen
Python	Fundación Python Software	3.11	Lenguaje de programación
Scikit-learn	Desarrolladores de Scikit-learn	1.5	Aprendizaje automático
SHAP	Desarrolladores de SHAP	0.46	IA explicable
Terraform	HashiCorp	1.8	Provisionamiento de infraestructura
TLS	IETF	TLS 1.3	Encriptación de datos en tránsito
Nube privada virtual	Amazon Web Services	VPC	Entorno de red privada
Estación de trabajo	Dell/HP	NA	Intel Xeon Gold 6226R, 64 GB de RAM, 1 TB de SSD

Referencias

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Kindervag J. Build security into your network's DNA: The Zero Trust Network Architecture. Cambridge (MA): Forrester Research; 2010.
Rose S, Borchert O, Mitchell S, Connelly S. Zero Trust Architecture. NIST Special Publication 800-207. Gaithersburg (MD): National Institute of Standards and Technology; 2020. doi:10.6028/NIST.SP.800-207.
Rieke N, et al. The future of digital health with federated learning. NPJ Digit Med. 2020;3:119. doi:10.1038/s41746-020-00323-1.
Kairouz P, McMahan HB, Avent B, Bellet A, Bennis M, Bhagoji AN, et al. Advances and open problems in federated learning. Found Trends Mach Learn. 2021;14(1-2):1-210. doi:10.1561/2200000083.
Nguyen DC, Ding M, Pathirana PN, Seneviratne A, Li J, Niyato D, et al. Privacy-preserving federated learning: A comprehensive survey. IEEE Commun Surv Tutor. 2021;23(3):1622-1651. doi:10.1109/COMST.2021.3075434.
Sarker IH. AI-driven cybersecurity: An overview, security intelligence modeling, and research directions. SN Comput Sci. 2021;2:173. doi:10.1007/s42979-021-00557-0.
Kuo AM. Opportunities and challenges of cloud computing to improve health care services. J Med Internet Res. 2011;13(3):e67. doi:10.2196/jmir.1867.
Kota TK. Cloud migration for healthcare data: Challenges and solutions. Nanotechnol Percept. 2024;20:3048-3062.
Rancea A, Anghel I, Cioara T. Edge computing in healthcare: Innovations, opportunities, and challenges. Future Internet. 2024;16(9):329.
Mersha M, et al. Explainable artificial intelligence: A survey of needs, techniques, applications, and future direction. Neurocomputing. 2024;599:128111. doi:10.1016/j.neucom.2024.128111.
Mennella C, Maniscalco U, De Pietro G, Esposito M. Ethical and regulatory challenges of AI technologies in healthcare: A narrative review. Heliyon. 2024;10(4):e26297. doi:10.1016/j.heliyon.2024.e26297.
Roppelt JS, Kanbach DK, Kraus S. Artificial intelligence in healthcare institutions: A systematic literature review on influencing factors. Technol Soc. 2024;76:102443. doi:10.1016/j.techsoc.2023.102443.
Lekkala S, Avula R, Gurijala P. Next-Gen firewalls: Enhancing cloud security with generative AI. J Artif Intell Cloud Comput. 2024;3(4):1-9. doi:10.47363/JAICC/2024(3)404.
Al-Hammuri K, Gebali F, Kanan A. ZTCloudGuard: Zero Trust context-aware access management framework to avoid medical errors in the era of generative AI and cloud-based health information ecosystems. AI. 2024;5(3):1111-1131. doi:10.3390/ai5030055.
Pfeifer B, Sirocchi C, Bloice MD, Kreuzthaler M, Urschler M. Federated unsupervised random forest for privacy-preserving patient stratification. Bioinformatics. 2024;40(Suppl 2):ii198-ii207. doi:10.1093/bioinformatics/btae382.
Li T, Sahu AK, Talwalkar A, Smith V. Federated learning: Challenges, methods, and future directions. IEEE Signal Process Mag. 2020;37(3):50-60. doi:10.1109/MSP.2020.2975749.
Lundberg SM, Lee SI. A unified approach to interpreting model predictions. In: Proceedings of the 31st International Conference on Neural Information Processing Systems (NeurIPS); 2017. p. 4768-4777.
Ribeiro MT, Singh S, Guestrin C. "Why should I trust you?": Explaining the predictions of any classifier. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016. p. 1135-1144. doi:10.1145/2939672.2939778.
Ortigossa ES, Gonçalves T, Nonato LG. Explainable artificial intelligence (XAI)—From theory to methods and applications. IEEE Access. 2024;12:80799-80846. doi:10.1109/ACCESS.2024.3409843.
Chaddad A, et al. Explainable, domain-adaptive, and federated artificial intelligence in medicine. IEEE/CAA J Autom Sin. 2023;10(4):859-876. doi:10.1109/JAS.2023.123123.
Albshaier L, Almarri S, Albuali A. Federated learning for cloud and edge security: A systematic review of challenges and AI opportunities. Electronics. 2025;14(5):1019. doi:10.3390/electronics14051019.
Vani MS, Sudhakar RV, Mahendar A, et al. Personalized health monitoring using explainable AI: Bridging trust in predictive healthcare. Sci Rep. 2025;15:31892. doi:10.1038/s41598-025-15867-z.
Zakhmi K, et al. Evolving Zero Trust architectures for AI-driven cyber threats in healthcare and other high-risk data environments: A systematic review. Cureus. 2025;17(6):e85446. doi:10.7759/cureus.85446.
Selvaperumal D, et al. Artificial intelligence-enabled zero-trust cyber security framework for smart healthcare infrastructure. Int J Artif Intell Mach Learn. 2026;6(2 Suppl):204-217. doi:10.51483/IJAIML.6.2s.2026.204-217.
Abbas SR, Seol H, Abbas Z, Lee SW. Exploring the role of artificial intelligence in smart healthcare: A capability and function-oriented review. Healthcare (Basel). 2025;13(14):1642. doi:10.3390/healthcare13141642.
Al-Nafjan A, et al. Artificial intelligence in predictive healthcare: A systematic review. J Clin Med. 2025;14(19):6752. doi:10.3390/jcm14196752.
Qureshi SS, et al. Advanced AI-driven intrusion detection for securing cloud-based industrial IoT. Egypt Inform J. 2025;30:100644. doi:10.1016/j.eij.2025.100644.
Chen T, Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016. p. 785-794. doi:10.1145/2939672.2939785.
Liu FT, Ting KM, Zhou ZH. Isolation Forest. In: Proceedings of the 8th IEEE International Conference on Data Mining; 2008. p. 413-422. doi:10.1109/ICDM.2008.17.
Abadi M, Agarwal A, Barham P, Brevdo E, Chen Z, Citro C, et al. TensorFlow: A system for large-scale machine learning. In: Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI); 2016. p. 265-283.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Arquitectura de Confianza Cero Comunicaci n Cifrada Monitoreo Centralizado Detecci n de Anomal as Isolation Forest Explicaciones de Shapley Integridad de Datos

Un protocolo experimental para la migración segura de datos en la nube impulsada por IA explicable utilizando datos sintéticos de atención sanitaria

En este artículo

Resumen

Resumen

Introducción

Protocolo

Resultados

Discusión

Divulgaciones

Agradecimientos

Materiales

Referencias

Reimpresiones y permisos

Etiquetas

Artículos relacionados