La sécurité du Big Data dans les établissements de santé : risques liés à la cybersécurité, protection des données et confidentialité des données des patients

Le secteur de la santé génère davantage de données, notamment des dossiers cliniques et des données comportementales, que les autres secteurs. Ces données sont collectées en permanence par divers systèmes, tels que les plateformes d’analyse et les pipelines d’intelligence artificielle.

Les données de santé présentent une grande valeur clinique et constituent une cible de choix pour les groupes de pirates informatiques. C’est pourquoi il est particulièrement difficile pour les établissements de santé d’assurer la protection de leurs données en toute sécurité.

Saviez-vous que plus de 700 fuites de données de santé sont signalées chaque année au Bureau des droits civils (OCR) du ministère de la Santé et des Services sociaux (HHS) ? L’OCR est un organisme chargé de l’application de la loi. Le HHS est responsable de la santé publique, des soins de santé et des services sociaux et sociaux aux États-Unis.

Pourquoi la sécurité du Big Data dans le secteur de la santé devient-elle plus difficile à mesure que le volume de données de santé augmente ?

La sécurité du Big Data devient de plus en plus complexe. En effet, le volume, la vélocité et la diversité des données de santé connaissent une expansion spectaculaire, dépassant les capacités des systèmes de sécurité conçus pour les protéger. Le Big Data désigne de vastes ensembles de données complexes.

Les systèmes de santé modernes utilisent un volume considérable de données, notamment les dossiers médicaux électroniques (DME), les données d’imagerie et de génomique, les informations issues des appareils portables et les données comportementales. Ces informations sont regroupées dans des lacs de données centralisés et des systèmes de traitement des données. Un dossier médical électronique représente sous forme numérique le dossier médical d’un patient.

Chaque nouvelle donnée constitue une cible pour les pirates. Et si l’un des maillons cède, les autres sont affectés simultanément. Malheureusement, la plupart des programmes de sécurité dans le secteur de la santé ne sont pas conçus pour des écosystèmes de données interconnectés.

Statistiques sur les fuites de données dans le secteur de la santé

En quoi la collecte de données à grande échelle accroît-elle la surface d’attaque au sein des systèmes de santé et des environnements de données de santé ?

Les sources de données supplémentaires, telles que les appareils médicaux portables et les informations issues de la recherche biomédicale, constituent de nouveaux emplacements de stockage où les identifiants doivent être sécurisés.

Ainsi, les risques de sécurité se multiplient à travers ces sources de données connectées. Et si un système de traitement des données présente une vulnérabilité, les conséquences se répercutent sur l’ensemble des systèmes cliniques.

Par exemple, la fuite de données d’Aflac de 2025 a touché 22,65 millions de personnes à travers le monde, exposant ainsi des informations de santé protégées.

Pourquoi les établissements de santé peinent-ils à contrôler les données sensibles dans les environnements d’analyse ?

Les établissements de santé ont du mal à contrôler les informations confidentielles dans les environnements d’analyse car les exigences de sécurité, telles que le contrôle d’accès basé sur les rôles (RBAC) et l’authentification multifactorielle (MFA), restreignent l’accès aux données.

Le RBAC est un modèle conçu pour autoriser l’accès des utilisateurs finaux aux systèmes, aux applications et aux données en fonction d’un rôle prédéfini, tel que celui d’analyste en sécurité ou de commercial.

L’authentification multifactorielle (MFA) est un processus de vérification d’identité reposant sur au moins deux éléments distincts, tels qu’un mot de passe et des données biométriques comme une empreinte digitale.

Il convient de noter que les systèmes d’analyse orientés « big data » sont généralement développés pour permettre un accès étendu aux données. Les data scientists, les chercheurs et les équipes de santé génèrent des informations exploitables à partir de grandes quantités de données. Mais cette même capacité étendue à surveiller les informations de santé entraîne une exposition plus importante que celle liée à l’accès normal d’un seul clinicien aux données des patients.

Les politiques de gestion de la sécurité contrôlent l’accès à un système unique. Elles ne sont pas adaptées aux environnements où les données se multiplient, évoluent constamment et sont restaurées sur des plateformes cloud et des outils d’analyse tiers, notamment les outils d’automatisation des flux de travail et de veille stratégique (BI), tels que Tableau et Power BI.

Le processus technologique appelé « BI » (Business Intelligence) collecte, nettoie et analyse les données brutes de l’organisation afin de les transformer en informations exploitables et fondées sur les données.

Comment le big data dans le secteur de la santé amplifie-t-il à la fois l’innovation et l’impact des violations de données ?

Les systèmes utilisés pour le stockage des informations de santé, la modélisation prédictive des risques et les diagnostics basés sur l’IA peuvent constituer une source d’attaque pour les pirates informatiques. L’IA désigne la capacité des systèmes informatiques à effectuer des tâches propres à l’intelligence humaine.

Ainsi, elle expose des données représentant des années d’antécédents cliniques concernant des millions de patients. On ne peut pas en dire autant d’une violation traditionnelle au point de service, qui n’exposerait qu’un nombre limité de dossiers.

Par exemple, l’attaque contre Change Healthcare en 2024 a touché environ 190 millions de personnes, car l’un des systèmes visés contenait des données de patients provenant de l’ensemble de l’écosystème américain de paiement des soins de santé.

Sécurité traditionnelle dans le secteur de la santé vs sécurité du Big Data : principales différences

Quelles sont les principales menaces de cybersécurité pesant sur les environnements de « big data » du secteur de la santé ?

Parmi les principales menaces de cybersécurité dans le secteur de la santé figurent les ransomwares, les menaces internes, les failles de sécurité de la chaîne d’approvisionnement liées aux fournisseurs de solutions d’analyse, ainsi que les risques liés à l’intelligence artificielle. En 2024, 92 % des établissements de santé ont déclaré avoir été victimes d’une cyberattaque.

Le secteur de la santé est aujourd’hui confronté à des piratages et à des incidents informatiques plus fréquents que les incidents liés à la perte d’ordinateurs portables et aux erreurs administratives, typiques des violations de données d’il y a une dizaine d’années.

Comment les rançongiciels, les menaces internes et les attaques visant la chaîne d’approvisionnement ciblent-ils les données de santé et les informations de santé protégées ?

Les groupes de rançongiciels ciblent les dossiers médicaux et les informations de santé protégées (PHI) car les environnements de mégadonnées du secteur de la santé contiennent des dossiers provenant de lacs de données et de plateformes d’analyse. Il s’agit là d’une source « précieuse » pour les groupes malveillants. Une seule attaque réussie peut paralyser les opérations cliniques et exposer des données à l’échelle de la population.

Les informations de santé protégées désignent les informations relatives à la santé, aux traitements et aux paiements d’un individu, y compris les antécédents médicaux, les résultats d’examens et les informations de facturation.

Les menaces internes ne se limitent pas à un accès non autorisé. Dans le contexte du big data, il peut s’agir d’une divulgation par négligence ou accidentelle. Les menaces internes diffèrent structurellement des risques liés au personnel soignant. Un analyste de données disposant d’un accès légitime à un lac de données de recherche peut obtenir davantage de dossiers de patients en une seule session qu’un clinicien consultant des dossiers individuels.

Les attaques visant la chaîne d’approvisionnement sapent la confiance dans les écosystèmes analytiques, et de nombreux fournisseurs tiers sont victimes de fuites de données. Étant donné que de nombreux établissements de santé dépendent de plateformes d’analyse dans le cloud, de centres de compensation de facturation et de fournisseurs d’IA, la compromission d’un seul partenaire peut exposer simultanément les données de plusieurs établissements de santé.

Pourquoi la conception des systèmes de santé hérités et les intégrations de dispositifs médicaux créent-elles des vulnérabilités cachées ?

Les anciennes plateformes de dossiers médicaux électroniques (DME) et les systèmes cliniques créent des vulnérabilités cachées, car ils ne sont pas conçus pour gérer des flux de données continus vers des systèmes modernes de traitement des données.

Plus précisément, les mégadonnées de santé transitent par des interfaces et des intergiciels qui ne respectent pas les normes d’authentification, de chiffrement ou de journalisation d’audit requises pour la collecte dans un lac de données.

Les dispositifs médicaux connectés compliquent encore la situation. En effet, ils servent à la fois de sources de données et de points d’intrusion potentiels, sans disposer des capacités de sécurité, de la visibilité ou du contrôle nécessaires sur les ensembles de données de santé circulant au sein des systèmes de santé.

Comment les plateformes d’analyse dans le cloud et les fournisseurs tiers peuvent-ils accroître l’exposition aux violations de données de santé ?

Les plateformes d’analyse dans le cloud, telles que l’API Google Cloud Healthcare et Microsoft Cloud for Healthcare, utilisent des informations de santé provenant de plusieurs entreprises du secteur.

Une interface de programmation d’application (API) définit les règles et protocoles permettant à différentes applications logicielles de communiquer et d’échanger des données.

Ces plateformes collectent les données au sein d’une infrastructure partagée. Ainsi, si l’une de ces plateformes fait l’objet d’une violation, les données connectées peuvent être exposées à travers l’ensemble de l’infrastructure partagée.

Par exemple, lorsque les identifiants d’un fournisseur sont compromis, les dossiers médicaux protégés de millions de patients peuvent être exposés via une infrastructure interconnectée d’analyse et de partage de fichiers reliée au partenaire commercial. C’est pourquoi les attaques visant les fournisseurs et la chaîne d’approvisionnement sont très répandues dans le secteur de la santé.

En quoi les systèmes d’IA et d’apprentissage automatique introduisent-ils de nouveaux risques pour la sécurité des soins de santé ?

Dans le secteur de la santé, les systèmes d’IA et d’apprentissage automatique (ML) représentent de nouveaux risques pour la sécurité des soins de santé, car ils nécessitent de grands volumes de données de santé qui sont souvent anonymisées et traitées par des systèmes dépourvus de fonctionnalités de sécurité adéquates, telles que le chiffrement de bout en bout et des contrôles d’accès robustes.

L’apprentissage automatique est un sous-ensemble de l’intelligence artificielle associé à des algorithmes capables d’apprendre les modèles des données d’entraînement et de tirer des conclusions logiques précises à partir de nouvelles données.

L’« IA fantôme » constitue un risque croissant dans le secteur de la santé. Elle désigne les outils et modèles d’IA que les employés ou les utilisateurs finaux déploient sans l’autorisation officielle du service informatique. Dans ce cas, les ensembles de données provenant de multiples fournisseurs tiers et destinés à l’entraînement de l’IA peuvent présenter des vulnérabilités que l’un audit de sécurité classique ne détecte pas.

Plus précisément, un établissement de santé s’appuyant sur l’IA générative pour analyser des images médicales peut transmettre des images non chiffrées à un modèle dans le cloud, créant ainsi des risques que les contrôles de sécurité traditionnels des dossiers médicaux électroniques (DME) ne prévoient pas. De plus, ces modèles peuvent également exposer les données d’entraînement, portant ainsi atteinte à la vie privée.

Qu’est-ce que les établissements de santé sous-estiment fréquemment concernant la sécurité du Big Data dans le secteur de la santé ?

Les établissements de santé sous-estiment souvent le fait que l’agrégation d’éléments de données à faible risque peut donner lieu à des dossiers composites hautement sensibles. De plus, les infrastructures d’analyse utilisées en dehors des politiques officielles de gestion de la sécurité informatique peuvent générer des expositions invisibles. Enfin, lorsque les équipes chargées des données combinent des données anonymisées avec d’autres sources de données disponibles, ces données peuvent être réidentifiées.

Pourquoi la combinaison de plusieurs ensembles de données de santé peut-elle exposer involontairement des informations de santé protégées ?

Lorsque des ensembles de données contenant des codes de diagnostic et des codes postaux sont isolés, ils peuvent sembler suffisamment anonymisés. Cependant, lorsqu’ils sont fusionnés avec d’autres ensembles de données comportant l’âge et les dates de consultation, ils permettent d’identifier des patients individuels. Ils créent ainsi un risque de réidentification dans le domaine de la santé.

Les plateformes de données de santé utilisant diverses sources de données, telles que les dossiers génomiques et comportementaux, augmentent ce risque à chaque élément de données ajouté. En effet, les équipes chargées du contrôle des données évaluent le risque lié à la confidentialité pour chaque source de données, mais n’évaluent pas le risque de réidentification des ensembles de données fusionnés.

Comment l’infrastructure d’analyse parallèle augmente-t-elle discrètement le risque de violation ?

L’analyse parallèle désigne l’analyse de données effectuée de manière indépendante par les services opérationnels, sans le contrôle des services informatiques et analytiques officiels. L’analyse parallèle, qui inclut les feuilles de calcul, le stockage personnel dans le cloud et les bases de données de recherche hébergées localement en dehors des canaux informatiques officiels, échappe à la surveillance de la sécurité, à la gestion des accès et à la journalisation des audits.

Un grand nombre de violations de données impliquent des données parallèles. Ces violations nécessitent plus de temps pour être identifiées que celles impliquant uniquement des données gérées et répertoriées.

Dans le secteur de la santé, l’analyse « fantôme » s’accompagne souvent de besoins cliniques et de recherche légitimes, comme lorsqu’un service élabore son tableau de bord d’amélioration de la qualité ou qu’un chercheur exporte un ensemble de données vers son ordinateur portable personnel pour des raisons de commodité. Et les équipes de sécurité ne se rendent compte de ce qui se passe que lorsqu’une enquête sur une violation le révèle.

Pourquoi les prestataires de soins de santé perdent-ils la capacité de surveiller les mouvements de données médicales sensibles ?

De nos jours, les données de santé circulent des dossiers médicaux électroniques (DME) vers les entrepôts de données, les plateformes d’analyse, les pipelines d’entraînement de l’IA, les exportations à des fins de recherche et les systèmes de fournisseurs tiers. De nombreux établissements de santé ne cartographient pas de manière exhaustive les mouvements de données en temps réel.

Par exemple, Kaiser Foundation Health Plan a transmis par inadvertance les données de près de 13,4 millions de personnes à Google, Microsoft et X via des technologies de suivi Web intégrées à ses sites Internet. Ces données circulaient depuis des années sans aucune visibilité en matière de sécurité ou de conformité. C’est une enquête interne volontaire qui a permis de le découvrir.

Comment l’analyse des données de santé peut-elle créer des risques pour la confidentialité et la sécurité des données, même en l’absence d’identifiants directs ?

Les résultats de la collecte et de l’analyse des données, tels que les scores de risque et les modèles prédictifs, contiennent des informations sensibles sur les patients, même si les données sous-jacentes ne comportent ni nom ni identifiant.

Par exemple, un modèle prédictif entraîné à identifier les issues à haut risque chez les patients, notamment celles liées à la grossesse, révèle le statut de la personne à travers ses résultats, même si aucun nom n’est mentionné.

Les données comportementales et de localisation transmises par les appareils portables, les appareils mobiles et les applications de santé créent un risque de réidentification. En effet, les schémas de déplacement et les données temporelles sont propres à chaque individu, ce qui rend la réidentification extrêmement facile.

Quels contrôles techniques protègent le mieux les données de santé et la vie privée des patients ?

Le chiffrement des données, l’authentification forte, la stratégie de sécurité « zero trust », la tokenisation, la conception sécurisée des API, la segmentation du réseau et une gestion rigoureuse des accès aux données protègent les systèmes de mégadonnées de santé contre les cyberattaques.

Toutefois, elles doivent fonctionner conjointement pour être efficaces. Pourquoi ? Chaque technique de sécurité est conçue pour une étape spécifique du cycle de vie des données.

Comment le chiffrement des données, l’authentification et l’approche « zero trust » peuvent-ils réduire le risque de violation des données de santé ?

Le chiffrement au repos et en transit empêche l’utilisation des données piratées ou transmises sans clés de déchiffrement spécifiques. La norme AES-256 (Advanced Encryption Standard) est la référence reconnue pour le chiffrement des données de santé au repos. Elle couvre le contenu des bases de données, les copies de sauvegarde et les supports de stockage portables, offrant ainsi la robustesse cryptographique requise par la protection des données conforme à la loi HIPAA.

La loi HIPAA (Health Insurance Portability and Accountability Act) autorise les prestataires de soins et les entreprises du secteur de la santé à ne divulguer les informations protégées qu’au patient.

Une authentification forte, telle que l’authentification multifactorielle, garantit que seules les personnes, les services et les applications autorisés, disposant des autorisations appropriées, peuvent accéder aux ressources de l’organisation. Elle élimine ainsi le vecteur d’attaque basé sur les identifiants.

Le modèle « zero trust » permet à chaque connexion entre les utilisateurs, les appareils, les applications et les données de mettre en œuvre des politiques de sécurité spécifiques. Ainsi, il ne fait confiance à personne ni à aucun système en fonction de son emplacement sur le réseau. Cette conception du système de sécurité vérifie chaque accès de manière indépendante.

Quand faut-il recourir à la tokenisation ou à la pseudonymisation plutôt qu’à l’anonymisation ?

La tokenisation permet de convertir des informations sensibles en jetons, c’est-à-dire des substituts numériques non sensibles, qui renvoient à l’original.

La pseudonymisation est une technique de dépersonnalisation que les organisations mettent en œuvre pour remplacer les informations sensibles par des jetons générés de manière cryptographique.

La tokenisation et la pseudonymisation doivent être utilisées pour réidentifier ou relier à nouveau des dossiers en cas de besoin de suivi clinique, de recherche longitudinale ou d’audit réglementaire. Par conséquent, ces données deviennent exploitables par les équipes d’analyse chargées de suivre les dossiers cliniques au fil du temps.

L’anonymisation consiste à transformer les données associées à une personne physique identifiée ou identifiable, ou les données à caractère personnel, en informations anonymes de telle sorte que la personne concernée ne soit plus identifiable.

Les organismes de santé négligent généralement l’anonymisation, ce qui nuit à la protection de la vie privée que cette technique est censée garantir.

Comment des API sécurisées et la segmentation peuvent-elles améliorer la prestation des soins de santé et la sécurité des patients ?

La conception d’une API concerne le processus décisionnel qu’une interface de programmation d’application utilise pour exposer les données et sur la base duquel elle fonctionne pour les utilisateurs et les développeurs. Une conception sécurisée des API permet aux systèmes d’échange de données des établissements de santé d’utiliser l’authentification, la limitation de débit et le principe du moindre privilège pour protéger les informations des patients.

Le protocole SSL (Secure Sockets Layer) impose des canaux de communication chiffrés entre les systèmes de santé. Ainsi, les établissements de santé évitent les incidents lorsque les API se multiplient de manière incontrôlée au sein des différentes équipes. Il s’agit là d’une des principales préoccupations en matière de sécurité des données de santé, car le partage d’informations ne cesse de s’intensifier entre les différents systèmes au sein des établissements.

La segmentation du réseau consiste à diviser le réseau en parties plus petites, appelées segments, afin de renforcer la sécurité, d’améliorer les performances et de respecter les exigences de conformité grâce à une communication contrôlée entre l’infrastructure et les applications.

Plus précisément, une conception de système correctement segmentée empêche une faille survenant dans un environnement d’analyse de recherche de se propager automatiquement aux systèmes cliniques de production, ou inversement.

Les API sécurisées et la segmentation du réseau aident les entreprises du secteur de la santé à partager des données en toute sécurité sans nuire à la qualité des soins ni à la coordination de la prise en charge des patients, tout en empêchant les problèmes de sécurité et de confidentialité de se propager d’un système à l’autre au sein des organisations.

Quel rôle la gestion des accès aux données joue-t-elle dans la protection des dossiers médicaux des patients et des dossiers de santé électroniques ?

La gestion des accès aux données est une discipline de gestion des données qui détermine qui peut accéder à quelles données, dans quelles conditions et pendant combien de temps. Toutefois, cette mesure de sécurité n’est aussi efficace que le sont les décisions de gestion sous-jacentes.

Ce type de contrôle d’accès sécurisé aide les établissements de santé à garantir l’intégrité et la sécurité des données grâce à des politiques, des normes et des procédures sur lesquelles ils s’appuient pour collecter, attribuer la propriété, stocker, traiter et utiliser les données.

Par exemple, les modèles de contrôle d’accès basés sur les rôles et sur les attributs conviennent parfaitement à l’accès individuel aux dossiers de santé électroniques (DSE). Cependant, ils ne sont souvent pas adaptés aux environnements d’analyse, où les demandes d’accès sont envoyées par des pipelines automatisés, des modèles d’apprentissage automatique et des équipes de recherche dont les besoins d’accès ne correspondent pas aux rôles cliniques.

Par exemple, pour mettre en œuvre la gestion des accès sécurisés, les établissements de santé doivent régulièrement examiner les accès et réaliser un audit documenté indiquant quelles requêtes se rapportent à quelles informations patient. Les enquêtes et les audits de conformité réglementaire s’appuient sur cette base probatoire.

Pourquoi le Big Data dans les soins de santé modifie-t-il fondamentalement l’impact d’une violation de données ?

Le Big Data dans le secteur de la santé modifie l’impact d’une violation de données car, lorsqu’un dossier clinique isolé est exposé, cela a un impact important sur l’historique d’un seul patient. Mais si un lac de données de santé centralisé est piraté, cela affecte des années de dossiers agrégés à l’échelle du système, ce qui est dramatique.

Pourquoi une seule violation de données peut-elle exposer des années de données sur les patients, de dossiers médicaux et de dossiers de santé électroniques ?

La conception des systèmes de santé basée sur le Big Data stocke les données historiques à des fins d’analyse approfondie et à long terme. Ainsi, les violations de données exposent l’ensemble des informations liées au parcours du patient, couvrant plusieurs décennies d’historique.

Ces violations peuvent toucher des millions de personnes. Chaque dossier comprend généralement l’historique cumulé des diagnostics, des traitements médicamenteux et des soins prodigués. Les violations des systèmes opérationnels n’exposent généralement que les données transactionnelles récentes.

Comment les lacs de données centralisés du secteur de la santé amplifient-ils la gravité des attaques ?

La centralisation des données de santé amplifie les risques d’attaque, car un seul lac de données contient un grand nombre de dossiers de patients en un seul endroit. Au lieu d’attaquer ces dossiers séparément, les pirates ciblent la source et la compromettent immédiatement.

C’est ainsi que se produisent les méga-fuites de données dans le secteur de la santé, lorsque des millions de patients sont victimes d’un piratage. Plus précisément, de nombreuses méga-fuites survenues en 2024 et en 2025 sont liées à la conception de systèmes de données centralisés, plutôt qu’à des systèmes individuels que les attaquants parviennent à compromettre.

Lacs de données centralisés dans le secteur de la santé : avantages et inconvénients

Pourquoi les dossiers médicaux et les données comportementales présentent-ils un intérêt considérable pour les cybercriminels ?

Les dossiers médicaux contiennent les données personnelles les plus durables et les plus complètes, notamment des identifiants financiers, des informations d’assurance, des diagnostics, ainsi que des données comportementales et génomiques. Ces informations sont permanentes et ne peuvent pas être annulées comme une carte de crédit.

Comme les dossiers médicaux des patients ne perdent pas leur valeur pendant des années, ils restent extrêmement précieux pour les cybercriminels. Ils deviennent ainsi une source de chantage et d’usurpation d’identité, ainsi que de stratagèmes de fraude à long terme, tels que la soumission de demandes de remboursement pour des interventions, des analyses de laboratoire ou des ordonnances onéreuses.

Les données comportementales, notamment celles issues des technologies médicales électroniques, des appareils portables et des applications de santé, génèrent une quantité considérable de données, ce qui n’est pas le cas des informations financières.

Comment les cybercriminels peuvent-ils exploiter les données de santé et les données médicales à des fins de fraude, d’extorsion et d’attaques ciblées ?

Les dossiers médicaux n’ont pas de simple valeur de revente pour les pirates, contrairement aux dossiers financiers. Les informations médicales volées permettent aux pirates de présenter des demandes de remboursement frauduleuses, d’obtenir des ordonnances frauduleuses et de corrompre le dossier médical d’un patient via une entrée frauduleuse, telle qu’un mot de passe volé.

Des groupes de ransomware sophistiqués extraient systématiquement des données avant leur chiffrement afin de créer une menace secondaire permettant de voler des informations sensibles et d’exiger un paiement en échange de leur confidentialité. Le montant moyen des demandes de rançon liées au ransomware dans le secteur de la santé adressées aux organisations s’élève à 18,2 millions de dollars.

Pourquoi les outils de sécurité traditionnels s’avèrent-ils souvent inefficaces dans les environnements de « big data » du secteur de la santé ?

Les logiciels de sécurité traditionnels, tels que les pare-feu et les outils de gestion des identités et des accès (IAM), surveillent les modèles de trafic connus.

De plus, ils ne sont pas conçus pour les volumes élevés, les débits rapides, les données chiffrées et les différents formats de données caractéristiques des environnements modernes d’analyse de données de santé.

L’IAM est un cadre de cybersécurité qui permet aux utilisateurs et aux systèmes autorisés d’obtenir un accès approprié aux ressources numériques.

C’est pourquoi ces outils ne sont pas à la hauteur dans les infrastructures de mégadonnées sans paramétrage spécifique au secteur de la santé.

Pourquoi de nombreuses plateformes de sécurité peinent-elles à analyser les ensembles de données de santé à grande échelle ?

Les plateformes de sécurité surveillent les systèmes transactionnels ; le volume et la vitesse des données transitant par les systèmes de traitement des données de santé sont donc trop importants pour elles. Ces données comprennent des informations telles que les enregistrements issus de chargements par lots dans des entrepôts de données et les flux de données cliniques en temps réel.

Les plateformes classiques de gestion des informations et des événements de sécurité (SIEM), telles que Microsoft Sentinel et IBM QRadar, ne peuvent pas traiter ces informations sans un réglage approfondi et spécifique au secteur de la santé.

Le SIEM est une solution de sécurité permettant aux organisations d’identifier et de prévenir les menaces et vulnérabilités potentielles avant qu’elles ne perturbent les opérations métier.

Par conséquent, les organisations ne peuvent pas surveiller pleinement les flux de données ni empêcher que de véritables menaces ne soient noyées dans le bruit. En conséquence, ces plateformes ont du mal à affiner avec précision leur capacité de détection des logiciels malveillants.

Ces plateformes permettent d’identifier et de traiter les menaces et vulnérabilités potentielles avant qu’elles ne perturbent les opérations métier.

En quoi le trafic chiffré du secteur de la santé réduit-il la visibilité en matière de détection ?

Les informations de santé chiffrées sont protégées contre toute interception. Cependant, le chiffrement empêche les outils de détection traditionnels basés sur le réseau, qui s’appuient sur l’inspection du contenu du trafic, de détecter les activités frauduleuses.

Les établissements de santé renforçant le chiffrement de leurs flux de données, les équipes de sécurité disposent d’une visibilité réduite. Or, les méthodes de détection reposent sur l’inspection des signatures et du contenu. En conséquence, les organisations se retrouvent confrontées à une véritable tension architecturale.

Plus précisément, le chiffrement est utilisé non seulement pour empêcher l’interception des données, mais aussi pour empêcher les outils de sécurité de détecter les données circulant sur le réseau. Par conséquent, les méthodes utilisées pour la détection comportementale et la détection basée sur les métadonnées doivent différer de celles qui nécessitent le déchiffrement du contenu du trafic.

Pourquoi la collecte de données de santé crée-t-elle des références comportementales anormales pour les outils de big data ?

Les outils de détection des anomalies comportementales établissent une référence des activités normales et signalent celles qui sont frauduleuses. Cependant, l’accès aux données de santé s’accompagne d’irrégularités qui brouillent la détection des activités normales․

Par exemple, un analyste de recherche peut effectuer une requête dans le cadre d’une étude ponctuelle, ou un data scientist peut lancer une exportation par lots d’une taille inhabituellement importante pour l’entraînement d’un modèle. Dans de tels cas, ces outils, conçus pour des environnements informatiques d’entreprise présentant des schémas d’accès plus uniformes et prévisibles, génèrent des faux positifs, voire passent complètement à côté d’anomalies réelles.

Comment les établissements de santé parviennent-ils à trouver un équilibre entre la surveillance, l’accès aux données et la confidentialité des patients ?

Les établissements de santé concilient surveillance, accès aux données, expérience des patients et confidentialité en tenant compte des flux de travail propres au secteur de la santé. Les modèles de surveillance prennent en compte les schémas d’accès légitimes et à grande échelle liés à la recherche et à l’analyse approuvées, ainsi que les schémas véritablement anormaux associés à des failles de sécurité ou à des utilisations abusives.

Les équipes de sécurité collaborent étroitement avec les équipes cliniques, de recherche et d’analyse afin d’assurer une surveillance adéquate permettant de détecter des schémas opérationnels plutôt que de se fonder sur des hypothèses génériques.

Enfin, lorsque les systèmes de journalisation et de surveillance enregistrent des informations détaillées sur les personnes accédant aux données de tel ou tel patient, ces données doivent également être protégées en tant que données sensibles. Pourquoi ? Parce que les journaux d’audit indiquent quels enregistrements présentent le plus d’intérêt en cas de violation.

Comment les établissements de santé doivent-ils sécuriser le cloud, les outils d’analyse et les écosystèmes tiers ?

Les établissements de santé doivent bien comprendre le modèle de responsabilité partagée afin de définir qui est en charge de la sécurité et d’évaluer rigoureusement la sécurité des fournisseurs avant d’accorder l’accès.

Il est également essentiel d’adopter des approches encadrées pour le partage des données entre établissements.

En réalité, de nombreux établissements de santé appliquent les principes mentionnés de manière incohérente, créant ainsi des opportunités de violation pour les cyberattaquants.

Quels sont les risques liés à la responsabilité partagée dans le domaine de l’analyse des données de santé hébergée dans le cloud ?

Les établissements de santé assument la responsabilité de la sécurisation des données, des configurations et des contrôles d’accès au sein de l’infrastructure cloud.

Cependant, cette responsabilité est souvent mal comprise, ce qui conduit à des violations causées par une mauvaise configuration du côté du client. Une défaillance du fournisseur de cloud n’est pas la cause principale de ces violations.

Par exemple, la violation de données chez Blue Shield of California est l’un de ces cas. La violation de données portant sur 5,5 millions d’enregistrements au sein du Yale New Haven Health System a été causée par une configuration incorrecte de Google Analytics. La plateforme cloud elle-même n’a pas été compromise. C’est la configuration qu’en avait faite l’organisme qui a exposé des informations de santé protégées.

Par conséquent, les établissements de santé utilisant l’analyse de données dans le cloud doivent considérer la gestion comme une fonction essentielle à la sécurité et la surveiller régulièrement.

Comment les établissements de santé doivent-ils évaluer le niveau de sécurité d’un fournisseur ?

Les établissements de santé doivent évaluer le niveau de sécurité d’un fournisseur en examinant ses pratiques réelles en matière de traitement des données. Plus précisément, ils doivent définir les catégories à évaluer, les données à stocker, les accès à réguler en interne, les processus sur lesquels s’appuyer pour cette évaluation, ainsi que déterminer les délais de notification des violations et la procédure de réponse aux incidents du fournisseur.

Aujourd’hui, la plupart des établissements collaborent avec des prestataires tiers qui sont eux-mêmes victimes de violations de données. La question est donc de savoir si la conception du système d’un prestataire permet de limiter et de prévenir une menace.

Il est donc essentiel d’évaluer régulièrement les risques liés aux prestataires tout au long de la relation. Il ne suffit pas d’évaluer ces risques uniquement lors de la mise en place initiale de la collaboration.

Comment les prestataires de soins de santé peuvent-ils sécuriser le partage interinstitutionnel des données de santé ?

Pour sécuriser le partage interinstitutionnel des données, les organisations doivent normaliser les protocoles d’échange de données en y intégrant l’authentification et le chiffrement, ainsi que le principe de minimisation des données. Elles peuvent ainsi identifier des cas d’utilisation spécifiques pour les données partagées. De cette manière, elles peuvent également définir clairement comment l’établissement destinataire peut utiliser, partager et conserver les données.

La validation des certificats SSL et l’application des versions du protocole TLS (Transport Layer Security) sur tous les points d’échange de données interinstitutionnels constituent des erreurs de configuration qui permettent à des versions obsolètes du protocole SSL de rester actives. Le protocole TLS est le protocole de sécurité qui chiffre les données transmises sur Internet. Ces éléments ont été identifiés comme des facteurs contribuant à plusieurs fuites de données liées à l’interopérabilité dans le secteur de la santé.

Les ressources FHIR (Fast Healthcare Interoperability Resources) sont des normes Web qui permettent aux systèmes logiciels médicaux d’échanger des dossiers médicaux électroniques de manière sûre et rapide. Elles fournissent la base technique, mais cela ne suffit pas pour assurer la protection des données de santé.

Les organisations doivent également recourir à des cadres de gestion de la sécurité afin de définir quels éléments de données peuvent circuler dans le cadre de quels accords de partage. De cette manière, les établissements destinataires peuvent savoir quelles normes de sécurité respecter et quelles exigences satisfaire.

Sinon, les accords informels de partage de données entre établissements peuvent être à l’origine des violations les plus préjudiciables survenues récemment.

Comment Bacula Systems peut-il aider les organismes de santé à protéger la sécurité du Big Data dans les environnements de santé ?

Bacula Systems répond aux besoins de sauvegarde et de restauration des organismes soucieux de la cybersécurité qui utilisent le Big Data dans le secteur de la santé, où ce Big Data ne cesse de croître tant en volume qu’en complexité. Il est conçu pour atténuer les risques liés au fait que plus l’environnement de données est vaste et centralisé, plus une défaillance de sauvegarde devient dangereuse lors de la restauration après une attaque par ransomware.

Les solutions de Bacula Systems prennent en charge les infrastructures mixtes à haut volume caractéristiques des environnements de mégadonnées du secteur de la santé. Bacula offre les fonctionnalités suivantes :

• Sauvegarde : sauvegarde sur les principales plateformes de bases de données sous-jacentes aux entrepôts de données et aux référentiels analytiques.
• Stockage immuable : copies de sauvegarde isolées physiquement et immuables qui restent protégées même en cas de compromission totale des identifiants de production.
• Chiffrement : chiffrement AES-256, un chiffrement symétrique qui sécurise les données au repos et en transit. Ainsi, la protection conforme à la norme HIPAA est étendue à la couche de sauvegarde, plutôt que d’être considérée comme un élément secondaire. Le chiffrement AES-256 est appliqué aux données de sauvegarde tant au repos qu’en transit. Il garantit que les référentiels de sauvegarde contenant des données de santé agrégées respectent la même norme de protection cryptographique que celle requise pour les systèmes cliniques primaires.
• Évolutivité : grâce à la conception évolutive du système de Bacula Systems et à la gestion granulaire des politiques de conservation, les établissements de santé peuvent protéger leurs données de manière cohérente, quel que soit leur volume, contrairement aux outils de sauvegarde traditionnels. En effet, ces derniers sont conçus pour la protection d’un seul système.
• Récupération : la solution de sauvegarde de Bacula offre aux établissements la capacité de récupération vérifiée dont ils ont tant besoin. Ainsi, l’infrastructure de données des établissements de santé peut être restaurée dans des délais cliniquement acceptables, sans risquer de subir des défaillances de sauvegarde en pleine crise.

FAQ

Pourquoi les fusions dans le secteur de la santé augmentent-elles considérablement les risques liés à la sécurité et à la confidentialité des mégadonnées ?

Lorsque des environnements de données auparavant distincts fusionnent au sein d’une architecture système unique, l’accent est généralement mis sur l’intégration métier plutôt que sur la préparation en matière de sécurité.

Ainsi, lorsque différentes plateformes de DME, différents outils d’analyse, différents niveaux de maturité en matière de sécurité et différents modèles de gestion des accès fusionnent, l’organisation issue de la fusion se retrouve généralement avec une posture de sécurité plus faible et des contrôles moins matures. Il en résulte un ensemble de données plus vaste et plus précieux, qui devient une cible « attrayante » pour les cyberattaquants.

Lors de la migration des données au cours de l’intégration, d’importants volumes de données de patients circulent entre les systèmes. Or, cela s’effectue généralement via des interfaces temporaires et des privilèges d’accès étendus. Les problèmes et les risques liés à la sécurité et à la confidentialité du Big Data s’amplifient au cours de ces processus en raison de l’accès étendu, de la surveillance réduite et de la pression temporelle.

Les plateformes de Big Data du secteur de la santé peuvent-elles rester conformes si les données des patients sont réutilisées pour l’entraînement de l’IA ?

La capacité des plateformes de mégadonnées à rester conformes lorsque les données des patients sont réutilisées pour l’entraînement de l’IA dépend de la base juridique relative à ces données. Plus précisément, cela dépend du fait que les données aient été collectées à l’origine et que la base juridique couvre ou non une utilisation secondaire à des fins d’entraînement de l’IA.

Selon la loi HIPAA, certaines utilisations de données anonymisées ne nécessitent pas d’autorisation supplémentaire de la part des patients. Toutefois, l’anonymisation doit respecter les normes « Safe Harbor » ou « Expert Determination » spécifiques de la règle de confidentialité.

Par exemple, 18 identifiants spécifiques doivent être supprimés des données. De plus, un expert qualifié doit appliquer des principes statistiques et scientifiques valides pour l’analyse des données. Et l’expert doit attester qu’il est pratiquement impossible que quelqu’un puisse réidentifier la personne concernée.

La méthode la plus sûre consiste à traiter les données d’entraînement de l’IA avec la même rigueur en matière de gestion de la sécurité que celle appliquée aux autres utilisations secondaires des informations médicales protégées (PHI). Concrètement, cela fait référence à une autorisation documentée ou à une anonymisation qualifiée. Les organisations ne doivent pas partir du principe que les cas d’utilisation de l’IA ne relèvent pas des obligations standard de la loi HIPAA.

Pourquoi les organismes de santé perdent-ils la capacité de surveiller les données sensibles une fois que les initiatives d’analyse prennent de l’ampleur ?

Les organismes de santé perdent la capacité de surveiller les données sensibles une fois que les initiatives d’analyse prennent de l’ampleur, car les processus de gestion des données sont de moins en moins à même de suivre le volume croissant d’informations.

Des sources de données auparavant bien gérées se transforment en dizaines d’ensembles de données dupliqués, répartis entre le stockage dans le cloud, les postes de travail locaux des analystes et les systèmes de traitement intermédiaires. Et chacun de ces éléments de données devient une cible potentielle pour les pirates informatiques, sans qu’aucune gestion des données ne permette de les surveiller.

L’incapacité à surveiller ces données constitue un défi structurel permanent qui s’accentue à mesure que la maturité et l’ampleur de l’analyse augmentent. Pour surmonter ce défi, les organismes de santé doivent s’efforcer en permanence de maintenir à jour leurs outils de découverte et d’inventaire des données.