הערכת סיכון דינמית מודעת לנסיגה איטית במערכות קיברופיזיקליות באמצעות מודל קוואנטי נייטרוסופי מטושטש

מדוע שינויים שקטים בבתי חולים חכמים חשובים

בתי חולים מודרניים מסתמכים יותר ויותר על מכשירים מחוברים: מכשירי הנשמה, משאבות הזנה, משגחים ושירותי ענן היוצרים יחד מערכת קיברופיזיקלית. איומים רבים על מערכות אלו בולטים, כמו ניסיונות פריצה גלויים או כשל פתאומי של מכשיר. אך המאמר מתמקד במשהו עדין ולא פחות מסוכן: שינויים איטיים וכמעט בלתי נראים בהתנהגות הרשת שבונים על עצמם עם הזמן ויכולים לערער את בטיחות המטופל אם אינם מזוהים ומנוהלים.

בלאי נעלם ברשתות הדיגיטליות של בתי חולים

ברשת בית חולים, נתונים ממכשירים רפואיים זורמים ללא הרף בין ציוד ליד המיטה לשרתים מרכזיים. בחודשים או בשנים, תנועת התעבורה הזו יכולה להשתנות בהדרגה: מתעכבות מופיעות, אובדן מנות קטן נעשה תדיר יותר והקשרים מתנהגים במעט אחרת. שינויים איטיים אלה, המכונים נסיגה, עשויים להעיד על ציוד מתיישן, בעיות תצורה או פלישות מתוחכמות שמתחמקות מהפעלת אזעקות מסורתיות. כלי הערכת סיכון קיימים נוטים לחפש אנומליות קצרות וברורות ולעתים קרובות מפספסים סוג זה של הדרדרות שקטה, במיוחד כאשר הנתונים רעשים, לא שלמים או סותרים.

רשת הגנה שכבתית לטיפול מחובר

המחברים מציעים מסגרת מלאה לצפייה דינמית במערכות קיברופיזיקליות רפואיות, במקום להסתמך על בדיקות נקודתיות. ראשית, כל מכשיר רפואי נרשם בשרת בית החולים ונתוניו מושדרים למערכת לזיהוי פלישות ברשת. שם, ערכי חסר ממולאים, מדידות מנורמלות ותכונות מרכזיות של התנהגות התקשורת מחולצות. גישה חדשה, שנקראת ממוצע נזיל משוקלל מערכתי מבוסס מצב קוואנטי, משמשת למעקב אחרי נסיגה איטית. על ידי קידוד דפוסי תעבורה בצורה המדגישה חפיפות עדינות ומגמות ארוכות טווח, שיטה זו יכולה לזהות שינויים עדינים אך מתמידים שססטיסטיקה ישנה מטשטשת מהם.

זיהוי פלישות וציוני סיכון חכמים יותר

כדי לזהות התקפות בפועל בסביבה המתפתחת הזו, המסגרת משתמשת במודל רשת נוירונים מתקדם שמכויל ליציבות ומהירות. בחירות מיוחדות של אתחול משקלות ופונקציות הפעלה מסייעות לרשת ללמוד מרצפים ארוכים של תעבורה מבלי שהאותות הפנימיים יתעמעמו או יתפסו, מה שמשפר גם את הדיוק וגם את זמן האימון. לאחר שסימני פלישה פוטנציאליים מסומנים, האותות שלהם משולבים עם מדדי אנומליה אחרים באמצעות טכניקה שלוקחת במפורש בחשבון כיצד סימנים זה מזה מחזקים או משכפלים זה את זה. במקום פשוט לקחת ממוצע של ציונים, השיטה ממודלת תלותות זוגיות וקבוצתיות קטנות כך שמספר אינדיקטורים חלשים המופיעים יחד יכולים להיחשב כדאגה ממשית.

מתמודדים עם אי־ודאות ישירות

נתוני בתי חולים אמיתיים נדירים שהם חד־משמעיים. מדידות עשויות להיות בלתי עקביות והמומחים עלולים שלא להסכים במלואם לגבי כמה דפוס מסוים מסוכן. כדי להתמודד עם זה, המחברים מאמצים לוגיקה שמייצגת כל מצב באמצעות שלושה רכיבים: ראיות שמשהו אינו כשורה, ראיות שהוא תקין וחלק שלישי שמייצג אי־ודאות ממשית. לפני שילוב החלקים הללו, הציונים מושווים לטווח משותף כך שמדד הסיכון הסופי יישאר ניתן לפרש. המערכת אז מסבירה את נימוקיה באמצעות צורת ניתוח תרומה משופרת, המדגישה אילו תכונות תעבורה ואותות אנומליה העלו או הורידו את הסיכון, ועוזרת לקלינאים ולמהנדסים לסמוך ולאמת את התוצאות.

הפיכת תובנות סיכון לפעולה בזמן

להיות מודעים לעלייה בסיכון מועיל רק אם זה מוביל לפעולה סבירה. השלב האחרון במסגרת משתמש במודל החלטה מובנה לבחירת אסטרטגיות הפחתה, כגון החמרת בקרות גישה, סינון תעבורה חשודה או, במקרים קיצוניים, בידוד מכשירים וחזרה לתפעול ידני. מנוע ההחלטות הזה מתוכנן כך שהחישובים יישארו סבירים גם כאשר מספר המכשירים ותגובות אפשריות גדל. נבדק על מאגר נתונים ציבורי לזיהוי פלישות ברשת, המערכת הכוללת השיגה דיוק גבוה בזיהוי התקפות, עקבה באופן אמין אחרי נסיגה איטית והניבה ציוני סיכון יציבים ומובנים. במילים פשוטות, העבודה מראה כיצד בתי חולים יכולים לעבור מלהגיב למשברים ברורים לצפייה מתמשכת אחר סימני אזהרה שקטים, בעוד האנשים נשארים אחראים על החלטות הבטיחות.

ציטוט: Kiruthika, K., Rajesh, A., Dhapekar, N.K. et al. Slow drift aware dynamic risk assessment in cyber physical systems using quantum neutrosophic fuzzy modelling. Sci Rep 16, 15698 (2026). https://doi.org/10.1038/s41598-026-41732-8

מילות מפתח: מערכות קיברופיזיקליות, אבטחת IoT רפואי, נסיגת רשת, זיהוי פלישות, הערכת סיכון דינמית