---
title: "Segurança de Big Data em organizações da área da saúde: riscos de segurança cibernética, proteção de dados e privacidade dos dados dos pacientes"
published_at: "2026-07-17T17:30:12+00:00"
modified_at: "2026-07-17T17:30:54+00:00"
url: "https://www.baculasystems.com/pt/pt-blog/riscos-a-seguranca-cibernetica-na-area-da-saude-privacidade-dos-dados-dos-pacientes/"
markdown_url: "https://www.baculasystems.com/pt/pt-blog/riscos-a-seguranca-cibernetica-na-area-da-saude-privacidade-dos-dados-dos-pacientes.md"
---

[Home](https://www.baculasystems.com/pt/)
 > [Blog de Apoio e Recuperação](https://www.baculasystems.com/pt/pt-blog/)
 > Segurança de Big Data em organizações da área da saúde: riscos de segurança cibernética, proteção de dados e privacidade dos dados dos pacientes

# Segurança de Big Data em organizações da área da saúde: riscos de segurança cibernética, proteção de dados e privacidade dos dados dos pacientes

Atualizado 17th julho 2026, Rob Morrison

O setor de saúde gera mais dados — incluindo prontuários clínicos e dados comportamentais — do que outros setores. Esses dados são coletados constantemente por diversos sistemas, como plataformas de análise e fluxos de inteligência artificial.

Os dados da área da saúde têm alto valor clínico e são um alvo importante para grupos de hackers. É por isso que é bastante desafiador para as organizações da área da saúde protegerem seus dados com segurança.

Você sabia que mais de 700 [violações de dados na área da saúde](https://www.hipaajournal.com/healthcare-data-breach-statistics/)
 são relatadas anualmente ao Escritório de Direitos Civis (OCR) do Departamento de Saúde e Serviços Humanos (HHS)? O OCR é uma agência de aplicação da lei. O HHS é responsável pela saúde pública, pelos cuidados de saúde e pelos serviços humanos e sociais nos Estados Unidos.

## Por que a segurança de big data na área da saúde está se tornando mais difícil à medida que os dados da área da saúde se expandem?

A segurança do Big Data está se tornando cada vez mais desafiadora. Isso porque o volume, a velocidade e os diferentes tipos de dados da área da saúde estão se expandindo dramaticamente, excedendo a capacidade dos sistemas de segurança projetados para proteger esses dados. Big Data refere-se a grandes quantidades de conjuntos de dados complexos.

Os sistemas de saúde modernos utilizam um grande volume de dados, incluindo prontuários eletrônicos de saúde (EHRs), dados de imagem e genômicos, informações de dispositivos vestíveis e dados comportamentais. Essas informações são reunidas em lagos de dados centralizados e sistemas de processamento de dados. Um [prontuário eletrônico](https://www.cms.gov/priorities/key-initiatives/e-health/records)
 representa digitalmente o prontuário médico de um paciente.

Cada novo dado é um alvo para invasores. E, se um dos pontos falhar, os demais são afetados simultaneamente. Infelizmente, a maioria dos programas de segurança na área da saúde não foi projetada para ecossistemas de dados interconectados.

[Estatísticas sobre violações de dados na área da saúde](https://www.hipaajournal.com/healthcare-data-breach-statistics/)

| Ano | Vazamentos de dados que afetaram menos de 500 pessoas | Variação percentual anual |
| --- | --- | --- |
| 2024 | 74.299 | Aumento de 9% |
| 2023 | 68.315 | Aumento de 7% |
| 2022 | 63.966 | Aumento de 15% |
| 2021 | 63.571 | Redução de 4% |
| 2020 | 66.509 | Aumento de 6% |

### De que forma a coleta de dados em grande escala aumenta a superfície de ataque nos sistemas de saúde e nos ambientes de dados da área da saúde?

Fontes de dados adicionais, como integrações de dispositivos médicos vestíveis e informações de pesquisa biomédica, constituem novos locais de armazenamento nos quais as credenciais devem ser protegidas.

Assim, a exposição à segurança se multiplica por meio das fontes de dados conectadas. E, caso um sistema de processamento de dados apresente uma vulnerabilidade, as consequências se espalham pelos sistemas clínicos.

Por exemplo, a [violação de dados da Aflac](https://www.hipaajournal.com/aflac-data-breach/)
 em 2025 afetou 22,65 milhões de pessoas em todo o mundo, expondo informações de saúde protegidas.

### Por que as organizações de saúde enfrentam dificuldades para controlar dados confidenciais em ambientes de análise?

As clínicas de saúde têm dificuldade em controlar informações confidenciais em ambientes de análise porque os requisitos de segurança, como o controle de acesso baseado em função (RBAC) e a autenticação multifatorial (MFA), restringem o acesso aos dados.

O RBAC é um modelo projetado para autorizar o acesso do usuário final a sistemas, aplicativos e dados com base na função predefinida do usuário, como analista de segurança ou representante de vendas.

A MFA é um processo de verificação de identidade por meio de pelo menos duas formas distintas de comprovação, como uma senha e dados biométricos, por exemplo, uma impressão digital.

É importante destacar que os sistemas de análise orientados para big data são normalmente desenvolvidos para permitir amplo acesso aos dados. Cientistas de dados, pesquisadores e equipes de saúde geram insights utilizando grandes quantidades de dados. No entanto, essa mesma ampla capacidade de monitorar informações de saúde gera maior exposição do que o acesso normal de um único profissional clínico aos dados do paciente.

As políticas de gestão de segurança controlam o acesso a um único sistema. Elas não se adequam a ambientes onde os dados se multiplicam, mudam constantemente e são restaurados em plataformas de nuvem e ferramentas analíticas de terceiros, incluindo ferramentas de automação de fluxo de trabalho e de inteligência de negócios (BI), como o Tableau e o Power BI.

O processo tecnológico denominado BI coleta, limpa e analisa dados brutos da organização para transformá-los em insights acionáveis e orientados por dados.

### De que forma o big data na área da saúde amplifica tanto a inovação quanto o impacto de uma violação?

Os sistemas utilizados para armazenar insights de saúde, modelagem preditiva de riscos e diagnósticos baseados em IA podem ser uma fonte de vulnerabilidade para hackers. A IA é a capacidade dos sistemas computacionais de realizar tarefas típicas da inteligência humana.

Assim, ela expõe dados que representam anos de histórico clínico de milhões de pacientes. Isso não pode ser dito sobre uma violação tradicional no ponto de atendimento, que exporia registros limitados.

Por exemplo, o [ataque à Change Healthcare](https://www.aha.org/change-healthcare-cyberattack-underscores-urgent-need-strengthen-cyber-preparedness-individual-health-care-organizations-and)
 em 2024 afetou cerca de 190 milhões de pessoas, pois um dos sistemas visados incluía dados de pacientes de todo o ecossistema de pagamentos da área da saúde dos Estados Unidos.

**Segurança tradicional na área da saúde x segurança de big data: principais diferenças**

| Dimensão | Segurança tradicional na área da saúde | Segurança de Big Data na área da saúde |
| --- | --- | --- |
| Escopo do sistema | Um ou alguns sistemas separados, como prontuários eletrônicos (EHR), faturamento e imagens médicas. | Muitos sistemas conectados, como lagos de dados, plataformas de análise, pipelines de IA e ambientes em nuvem. |
| Tamanho do conjunto de dados | Pequenos conjuntos de dados vinculados individualmente a pacientes. | Grandes conjuntos de dados com anos de histórico dos pacientes. |
| Acesso de usuários | Número limitado de usuários, como profissionais clínicos e equipe de faturamento com funções definidas. | Várias equipes, como cientistas de dados, pesquisadores, analistas de saúde e sistemas de IA. |
| Impacto da violação | Contenido — normalmente afeta registros no sistema comprometido | Em grande escala — uma única violação pode expor dados agregados de toda a população de pacientes |

## Quais são as maiores ameaças à segurança cibernética enfrentadas pelos ambientes de big data na área da saúde?

As [principais ameaças à segurança cibernética na área da saúde](https://healthtechmagazine.net/article/2025/01/healthcare-cybersecurity-threats-2025-perfcon)
 incluem ransomware, ameaças internas, violações de segurança na cadeia de suprimentos por meio de fornecedores de análise de dados e riscos relacionados à inteligência artificial. Em 2024, 92% das organizações da área da saúde relataram ter sido afetadas por um ataque cibernético.

O setor de saúde está testemunhando ataques de hackers e incidentes de TI com maior frequência do que os incidentes associados à perda de laptops e erros de documentação, típicos das violações ocorridas há cerca de 10 anos.

### Como o ransomware, as ameaças internas e os ataques à cadeia de suprimentos têm como alvo os dados de saúde e as informações de saúde protegidas?

Grupos de ransomware têm como alvo prontuários médicos e informações de saúde protegidas (PHI), pois os ambientes de big data relacionados à área da saúde incluem registros provenientes de data lakes e plataformas de análise. E essa é uma fonte “valiosa” para grupos de ameaças. Um único ataque bem-sucedido pode paralisar as operações clínicas e expor dados em escala populacional.

As informações de saúde protegidas são os dados de saúde, tratamento e pagamento de um indivíduo, incluindo históricos médicos, resultados de exames e informações de cobrança.

Ameaças internas não significam necessariamente acesso não autorizado. No contexto de big data, podem ser exposições por negligência ou acidentais. As ameaças internas diferem estruturalmente do risco interno no ponto de atendimento. Um analista de dados com acesso legítimo a um data lake de pesquisa pode obter mais registros de pacientes em uma única sessão do que um profissional clínico consultando prontuários individuais.

Ataques à cadeia de suprimentos prejudicam a confiança nos ecossistemas de análise, e muitos fornecedores terceirizados sofrem violações de dados. Como muitas organizações de saúde dependem de plataformas de análise em nuvem, centrais de processamento de faturamento e fornecedores de IA, um único parceiro cuja segurança tenha sido violada pode expor dados de várias organizações de saúde simultaneamente.

### Por que o projeto de sistemas de saúde legados e as integrações de dispositivos médicos criam vulnerabilidades ocultas?

As plataformas legadas de prontuários eletrônicos (EHR) e os sistemas clínicos criam vulnerabilidades ocultas porque não foram projetados para fluxos contínuos de dados em sistemas modernos de processamento de dados.

Especificamente, grandes volumes de dados da área da saúde fluem por meio de interfaces e middleware que carecem dos padrões de autenticação, criptografia ou registro de auditoria exigidos para a coleta em lagos de dados.

Os dispositivos médicos conectados tornam a situação complexa. Isso porque eles atuam como fontes de dados e pontos potenciais de intrusão, sem recursos adequados de segurança, visibilidade ou controle sobre os conjuntos de dados da área da saúde que fluem para os sistemas de saúde.

### Como as plataformas de análise em nuvem e fornecedores terceirizados podem ampliar a exposição a violações de dados na área da saúde?

Plataformas de análise em nuvem, como a Google Cloud Healthcare API e a Microsoft Cloud for Healthcare, utilizam informações de saúde provenientes de diversas empresas do setor.

Uma interface de programação de aplicativos (API) representa as regras e os protocolos que permitem que diferentes aplicativos de software se comuniquem e troquem dados.

Essas plataformas coletam dados em uma infraestrutura compartilhada. Assim, se uma dessas plataformas for violada, os dados conectados podem ficar expostos em toda a infraestrutura compartilhada.

Por exemplo, quando as credenciais de um fornecedor são violadas, os registros de saúde protegidos de milhões de pacientes podem ficar expostos por meio de infraestruturas interconectadas de análise e compartilhamento de arquivos ligadas ao parceiro de negócios. É por isso que os ataques a fornecedores e à cadeia de suprimentos são comuns no setor de saúde.

### De que forma os sistemas de IA e aprendizado de máquina introduzem novos riscos à segurança na área da saúde?

Na área da saúde, os sistemas de IA e aprendizado de máquina (ML) representam novos riscos à segurança, pois requerem grandes volumes de dados de saúde que, muitas vezes, são anonimizados e processados por meio de sistemas que carecem de recursos de segurança adequados, como criptografia de ponta a ponta e controles de acesso robustos.

O aprendizado de máquina (ML) é o subconjunto da inteligência artificial associado a algoritmos capazes de aprender os padrões dos dados de treinamento e tirar conclusões lógicas precisas sobre novos dados.

A IA paralela é um risco crescente na área da saúde. A IA paralela refere-se a ferramentas e modelos de IA que funcionários ou usuários finais implementam sem a aprovação formal do departamento de tecnologia da informação (TI). Nesse caso, conjuntos de dados provenientes de diversos fornecedores terceirizados para o treinamento de IA podem apresentar vulnerabilidades que uma análise de segurança convencional ignora.

Especificamente, uma organização de saúde que utilize IA generativa para analisar imagens pode transmitir imagens não criptografadas a um modelo na nuvem, criando riscos que os controles tradicionais de segurança de prontuários eletrônicos (EHR) não prevêem. Além disso, os modelos também podem expor dados de treinamento, prejudicando a privacidade.

## O que as organizações de saúde frequentemente subestimam em relação à segurança de Big Data na área da saúde?

As organizações de saúde frequentemente subestimam o fato de que a agregação de fragmentos de dados de baixo risco pode criar registros compostos altamente confidenciais. Além disso, a infraestrutura de análise utilizada fora das políticas formais de gestão de segurança de TI pode gerar exposição invisível. Por fim, quando as equipes de dados combinam dados desidentificados com outras fontes de dados disponíveis, esses dados podem ser reidentificados.

### Por que a combinação de múltiplos conjuntos de dados de saúde pode expor involuntariamente informações de saúde protegidas?

Quando conjuntos de dados com códigos de diagnóstico e CEPs estão isolados, podem parecer adequadamente desidentificados. No entanto, quando se fundem com outros conjuntos de dados que incluem idade e datas de consultas, eles podem identificar pacientes individualmente. Assim, criam um risco de reidentificação no setor de saúde.

Plataformas de dados de saúde que utilizam diversas fontes de dados, como registros genômicos e comportamentais, aumentam o risco mencionado a cada dado adicionado. Isso ocorre porque as equipes de controle de dados avaliam o risco à privacidade por fonte de dados, mas não avaliam o risco de reidentificação dos conjuntos de dados combinados.

### Como a infraestrutura de análise paralela aumenta discretamente o risco de violação?

[A análise paralela](https://www.researchgate.net/publication/354477921_Shadow_Analytics)
 é a análise de dados realizada de forma independente por departamentos de negócios, sem o controle dos departamentos oficiais de TI e análise. A análise paralela, incluindo planilhas, armazenamento em nuvem pessoal e bancos de dados de pesquisa hospedados localmente fora dos canais oficiais de TI, opera fora do escopo do monitoramento de segurança, do gerenciamento de acesso e dos registros de auditoria.

Um grande número de violações de dados envolve dados paralelos. Essas violações exigem mais tempo para serem identificadas do que aquelas que envolvem apenas dados gerenciados e inventariados.

Na área da saúde, a análise paralela costuma estar associada a necessidades clínicas e de pesquisa legítimas, como um departamento criando seu painel de melhoria da qualidade ou um pesquisador exportando um conjunto de dados para um laptop pessoal por conveniência. E as equipes de segurança não percebem o que está ocorrendo até que uma investigação de violação revele isso.

### Por que os prestadores de serviços de saúde estão perdendo a capacidade de monitorar a movimentação de dados médicos confidenciais?

Atualmente, os dados da área da saúde fluem do prontuário eletrônico (EHR) para o data warehouse, a plataforma de análise, o pipeline de treinamento de IA, a exportação para pesquisa e o sistema de fornecedores terceirizados. Muitas organizações da área da saúde não mapeiam de forma abrangente a movimentação de dados em tempo real.

Por exemplo, [a Kaiser Foundation Health Plan transmitiu inadvertidamente dados de quase 13,4 milhões de indivíduos](https://www.hipaajournal.com/kaiser-permanente-website-tracker-breach-affects-13-4-million-individuals/)
 para o Google, a Microsoft e a X por meio de tecnologias de rastreamento da web adicionadas aos seus sites. Os dados vinham fluindo há anos sem visibilidade de segurança ou conformidade. Uma investigação interna voluntária revelou o fato.

### Como a análise de dados da área da saúde pode criar riscos à privacidade e à segurança dos dados, mesmo sem identificadores diretos?

Os resultados da coleta e da análise de dados, como pontuações de risco e modelos preditivos, incluem informações confidenciais sobre os pacientes, mesmo que os dados subjacentes apareçam sem nomes e identificadores.

Por exemplo, um modelo preditivo treinado para identificar desfechos de alto risco em pacientes — como aqueles relacionados à gravidez — revela a condição da pessoa por meio de seus resultados, mesmo que nenhum nome seja mencionado.

Dados comportamentais e de localização que circulam por dispositivos vestíveis, dispositivos móveis e aplicativos de saúde criam risco de reidentificação. Como os padrões de movimento e os dados de tempo são específicos de cada indivíduo, torna-se extremamente fácil reidentificá-lo.

## Quais controles técnicos melhor protegem os dados da área da saúde e a privacidade do paciente?

A criptografia de dados, a autenticação forte, a estratégia de segurança “zero trust”, a tokenização, o projeto seguro de APIs, a segmentação de rede e o gerenciamento rigoroso do acesso aos dados protegem os sistemas de big data da área da saúde contra ataques cibernéticos.

No entanto, eles devem funcionar em conjunto para serem eficazes. Por quê? Cada técnica de segurança é desenvolvida para um ponto específico no ciclo de vida dos dados.

### Como a criptografia de dados, a autenticação e a abordagem “zero trust” podem reduzir o risco de violação na área da saúde?

A criptografia em repouso e em trânsito impede que dados hackeados ou transmitidos sejam utilizáveis sem chaves especiais de descriptografia. O Padrão Avançado de Criptografia (AES-256) é a referência aceita para criptografar dados da área da saúde em repouso. Ele abrange o conteúdo de bancos de dados, cópias de backup e armazenamento portátil, fornecendo a resistência criptográfica exigida pela proteção de dados em conformidade com a HIPAA.

A HIPAA é a Lei de Portabilidade e Responsabilidade do Seguro Saúde, que permite que prestadores de serviços de saúde e empresas divulguem informações protegidas apenas ao paciente.

A autenticação forte, como a autenticação multifatorial, garante que apenas as pessoas, os serviços e os aplicativos corretos, com as permissões adequadas, possam acessar os recursos da organização. Ela elimina o vetor de ataque baseado em credenciais.

A abordagem “zero trust” permite que cada conexão entre usuários, dispositivos, aplicativos e dados implemente políticas de segurança específicas. Assim, ela não confia em ninguém nem em nenhum sistema com base na localização na rede. Esse projeto de sistema de segurança verifica cada acesso de forma independente.

### Quando a tokenização ou a pseudonimização devem ser utilizadas em vez da anonimização?

A tokenização ajuda a converter informações confidenciais em tokens, um substituto digital não confidencial que remete ao original.

[A pseudonimização](https://docs.cloud.google.com/sensitive-data-protection/docs/pseudonymization)
 é uma técnica de desidentificação que as organizações implementam para substituir informações confidenciais por tokens gerados criptograficamente.

A tokenização e a pseudonimização devem ser utilizadas para reidentificar ou vincular novamente registros caso haja necessidade de acompanhamento clínico, pesquisa longitudinal ou auditoria regulatória. Consequentemente, esses dados tornam-se adequados para equipes de análise que acompanham registros clínicos ao longo do tempo.

[A anonimização](https://www.edps.europa.eu/system/files/2021-04/21-04-27_aepd-edps_anonymisation_en_5.pdf)
 refere-se a dados associados a uma pessoa física identificada ou identificável, ou a dados pessoais transformados em informações anônimas de tal forma que o titular dos dados não seja identificável.

As organizações de saúde geralmente ignoram a anonimização, prejudicando a proteção da privacidade que a técnica foi projetada para oferecer.

### Como APIs seguras e a segmentação podem melhorar a prestação de serviços de saúde e a segurança no atendimento ao paciente?

O projeto de API diz respeito ao processo de tomada de decisão que uma interface de programação de aplicativos utiliza para expor dados e com base no qual ela funciona para usuários e desenvolvedores. O projeto de APIs seguras permite que os sistemas de troca de dados em organizações de saúde utilizem autenticação, limitação de taxa e acesso com privilégios mínimos para proteger as informações dos pacientes.

[Secure Sockets Layer (SSL)](https://csrc.nist.gov/glossary/term/secure_sockets_layer)
 impõe canais de comunicação criptografados entre os sistemas de saúde. Como resultado, as organizações de saúde evitam incidentes quando as APIs se multiplicam de forma descontrolada entre diferentes equipes. E essa é uma das maiores preocupações em relação à segurança dos dados na área da saúde, já que o compartilhamento de informações está em ascensão entre os sistemas dentro das organizações.

A segmentação de rede consiste em dividir a rede em partes menores, chamadas segmentos, para aumentar a segurança, melhorar o desempenho e atender aos requisitos de conformidade por meio da comunicação controlada entre a infraestrutura e os aplicativos.

Especificamente, um projeto de sistema devidamente segmentado impede que uma violação em um ambiente de análise de pesquisa se espalhe automaticamente para os sistemas clínicos de produção ou vice-versa.

As APIs seguras e a segmentação de rede ajudam as empresas do setor de saúde a compartilhar dados com segurança, sem prejudicar a qualidade do atendimento, a coordenação do cuidado ao paciente e evitando que problemas de segurança e privacidade se espalhem pelos sistemas dentro das organizações.

### Qual é o papel do gerenciamento de acesso a dados na proteção dos prontuários médicos dos pacientes e dos prontuários eletrônicos de saúde?

O gerenciamento de acesso a dados é uma disciplina de gerenciamento de dados que determina quem pode acessar quais dados, em que condições e por quanto tempo. No entanto, essa medida de segurança é tão robusta quanto as decisões de gestão subjacentes.

Esse tipo de controle de acesso de segurança ajuda as organizações da área da saúde a garantir a integridade e a segurança dos dados por meio de políticas, normas e procedimentos nos quais as organizações se baseiam para coletar, atribuir propriedade, armazenar, processar e utilizar dados.

Por exemplo, modelos de controle de acesso baseados em funções e em atributos são adequados para o acesso individual aos prontuários eletrônicos de saúde (EHR). No entanto, eles nem sempre funcionam em ambientes de análise, onde as solicitações de acesso são enviadas por pipelines automatizados, modelos de aprendizado de máquina e equipes de pesquisa com necessidades de acesso que não se enquadram nas funções clínicas.

Por exemplo, para aplicar a gestão de acesso de segurança, as organizações de saúde devem revisar regularmente o acesso e realizar uma auditoria documentada que mostre quais consultas se referem a quais informações do paciente. As investigações e as auditorias de conformidade regulatória dependem dessa base probatória.

## Por que o Big Data na área de saúde altera fundamentalmente o impacto de uma violação?

O Big Data na área de saúde altera o impacto de uma violação porque, quando um único prontuário clínico é exposto, isso tem um grande impacto no histórico de um paciente. Mas, se um data lake de saúde centralizado for violado, isso afeta anos de registros agregados em todo o sistema, o que é dramático.

### Por que uma única violação de dados pode expor anos de dados de pacientes, prontuários médicos e prontuários eletrônicos?

O projeto de sistemas de saúde baseados em Big Data armazena dados históricos para análises de longo prazo e aprofundadas. Assim, as violações de dados expõem todas as informações relacionadas à experiência do paciente, com décadas de histórico.

Essas violações podem afetar milhões de pessoas. Cada prontuário normalmente inclui o histórico acumulado de diagnósticos, medicação e tratamentos. Violações de sistemas operacionais geralmente expõem apenas dados transacionais recentes.

### Como os lagos de dados centralizados da área da saúde amplificam a gravidade dos ataques?

Os dados centralizados da área da saúde amplificam os riscos de ataque porque um único lago de dados contém um grande número de registros de pacientes em um único local. Em vez de atacar esses registros separadamente, os hackers têm como alvo a fonte e a violam imediatamente.

E é assim que ocorrem as mega violações na área da saúde baseadas em dados, quando milhões de pacientes são vítimas de ataques. Especificamente, muitas das mega violações em 2024 e em 2025 estão associadas ao projeto de sistemas de dados centralizados, em vez de sistemas individuais que os invasores violam.

**Lagos de dados centralizados na área da saúde: prós x contras**

| Prós | Contras |
| --- | --- |
| Melhores análises: os dados unificados dos pacientes permitem que as organizações analisem com sucesso essas informações e obtenham insights valiosos sobre a saúde, o que não ocorre com registros fragmentados. | Maior impacto de violações: uma única violação expõe anos de histórico dos pacientes em toda a população. |
| Treinamento de IA: grandes conjuntos de dados servem como uma fonte precisa e clinicamente confiável para modelos de aprendizado de máquina. | Gerenciamento de dados mais complexo: controles de acesso, políticas de retenção e auditorias tornam-se mais complexos em grande escala. |
| Geração de relatórios mais rápida: os dados centralizados agilizam a geração de relatórios, eliminando os atrasos típicos de múltiplos sistemas de origem desconectados. | Maior vulnerabilidade da infraestrutura: os dados centralizados constituem um alvo único de alto valor para invasores sofisticados. |
| Melhor coordenação do atendimento: registros acessíveis por todas as equipes de atendimento reduzem a repetição de exames e erros de diagnóstico. | Complexidade regulatória: um único lago de dados com informações de diversos ambientes de atendimento deve estar em conformidade com a HIPAA, as leis estaduais e as obrigações do Regulamento Geral de Proteção de Dados (GDPR). O GDPR representa a lei abrangente de privacidade de dados da União Europeia. |
| Eficiência operacional: uma única plataforma regulamentada torna o gerenciamento de dados eficiente. | Tempo de recuperação: leva significativamente mais tempo para restaurar um lago de dados centralizado após um ataque de ransomware do que um backup de sistema individual. |

### Por que os prontuários médicos e os dados comportamentais são tão valiosos para os invasores?

Os prontuários médicos contêm os dados pessoais mais duradouros e abrangentes, incluindo identificadores financeiros, informações de seguro, diagnósticos, bem como registros comportamentais e genômicos. Essas informações são permanentes e não podem ser canceladas como um cartão de crédito.

Como os registros médicos dos pacientes não perdem seu valor ao longo dos anos, eles continuam sendo altamente valiosos para os invasores. Consequentemente, tornam-se uma fonte de [chantagem](https://www.justia.com/criminal/offenses/white-collar-crimes/blackmail/?__cf_chl_f_tk=K_HwXQD.gRphvtZQmgtlJ2iYNZob1n3UYxBeoWgAuxk-1783445245-1.0.1.1-uTRUdSzNwaVo49Urp26tfKlVy6K1CWRY.0NNBb.E9_E)
 e [roubo de identidade](https://www.investopedia.com/terms/i/identitytheft.asp)
, além de esquemas de fraude de longa duração, como a apresentação de pedidos de reembolso por procedimentos, exames laboratoriais ou prescrições de alto custo.

Os dados comportamentais, incluindo informações provenientes de tecnologias médicas eletrônicas, dispositivos vestíveis e aplicativos de saúde, acumulam uma enorme quantidade de dados, o que não ocorre com as informações financeiras.

### Como os invasores podem explorar dados da área da saúde e dados médicos para fraudes, extorsão e ataques direcionados?

Os prontuários médicos não têm um valor de revenda simples para os hackers, como é o caso dos registros financeiros. Informações médicas roubadas permitem que os hackers façam pedidos de reembolso fraudulentos de seguros, obtenham prescrições fraudulentas e corrompam o prontuário de um paciente por meio de uma entrada fraudulenta, como uma senha roubada.

Grupos sofisticados de ransomware extraem constantemente dados antes da criptografia para criar uma ameaça secundária que permite roubar informações confidenciais e exigir um pagamento para mantê-las em segredo. A média das [exigências de resgate de ransomware no setor de saúde](https://www.beckershospitalreview.com/healthcare-information-technology/cybersecurity/healthcare-ransomware-demands-average-18-2m-7-notes/)
 contra organizações chega a US$ 18,2 milhões.

## Por que as ferramentas tradicionais de segurança costumam ser ineficazes para ambientes de Big Data na área da saúde?

Softwares tradicionais de segurança, como firewalls e ferramentas de [gestão de identidade e acesso (IAM)](https://www.microsoft.com/en-us/security/business/security-101/what-is-identity-access-management-iam)
, monitoram padrões de tráfego conhecidos.

Além disso, não foram projetados para o alto volume, a alta velocidade, a criptografia e os diversos formatos de dados típicos dos ambientes modernos de análise na área da saúde.

O IAM é uma estrutura de segurança cibernética que permite que os usuários e sistemas corretos obtenham acesso adequado aos recursos digitais.

É por isso que apresentam desempenho insatisfatório em infraestruturas de big data sem um ajuste específico para o setor da saúde.

### Por que muitas plataformas de segurança enfrentam dificuldades para analisar conjuntos de dados da área da saúde em grande escala?

As plataformas de segurança monitoram sistemas transacionais; portanto, o volume e a velocidade dos dados que trafegam pelos sistemas de processamento de dados da área da saúde são avassaladores para elas. Esses dados incluem informações como registros de carregamentos em lote no data warehouse e fluxos de dados clínicos em tempo real.

As plataformas convencionais de gerenciamento de informações e eventos de segurança (SIEM), como o Microsoft Sentinel e o IBM QRadar, não conseguem processar essas informações sem um ajuste abrangente e específico para a área da saúde.

O SIEM é uma solução de segurança que permite às organizações reconhecer e prevenir possíveis ameaças e vulnerabilidades de segurança antes que elas possam interromper as operações comerciais.

Portanto, as organizações não conseguem monitorar totalmente os fluxos de dados nem impedir que ameaças reais sejam ocultadas no ruído. Consequentemente, essas plataformas enfrentam dificuldades para reduzir com precisão a capacidade de detecção de malware.

Essas plataformas permitem o reconhecimento e o tratamento de possíveis ameaças e vulnerabilidades de segurança antes que elas interrompam as operações comerciais.

### De que forma o tráfego criptografado do setor de saúde reduz a visibilidade da detecção?

As informações de saúde criptografadas estão protegidas contra interceptação. No entanto, a criptografia não permite que as ferramentas tradicionais de detecção baseadas em rede, que inspecionam o conteúdo do tráfego, detectem atividades fraudulentas.

Com as organizações de saúde aumentando a criptografia do fluxo de dados, as equipes de segurança têm menos visibilidade. E os métodos de detecção dependem da inspeção de assinaturas e de conteúdo. Como resultado, as organizações acabam enfrentando um verdadeiro conflito arquitetônico.

Especificamente, a criptografia é utilizada não apenas para proteger os dados contra interceptação, mas também para impedir que as ferramentas de segurança detectem os dados que circulam pela rede. Consequentemente, os métodos utilizados para detecção comportamental e detecção baseada em metadados devem diferir daqueles que exigem a descriptografia do conteúdo do tráfego.

### Por que a coleta de dados da área da saúde cria linhas de base comportamentais anormais para ferramentas de big data?

As ferramentas de detecção de anomalias comportamentais criam uma linha de base de atividades normais e sinalizam as fraudulentas. No entanto, o acesso aos dados da área da saúde está associado a irregularidades que geram confusão na detecção de atividades normais․

Por exemplo, um analista de pesquisa pode fazer uma consulta para um estudo pontual, ou um cientista de dados pode executar uma exportação em lote excepcionalmente grande para o treinamento de modelos. Nesses casos, essas ferramentas, projetadas para ambientes de TI corporativos com padrões de acesso mais uniformes e previsíveis, produzem falsos positivos ou até mesmo deixam de detectar anomalias genuínas por completo.

### Como as organizações de saúde equilibram o monitoramento, o acesso aos dados e a privacidade do paciente?

As organizações de saúde equilibram o monitoramento, o acesso aos dados e a experiência e privacidade do paciente levando em consideração os fluxos de trabalho da área de saúde. Os modelos de monitoramento consideram padrões legítimos de amplo acesso para pesquisas e análises aprovadas, bem como os padrões genuinamente anômalos associados a violações de segurança ou uso indevido.

As equipes de segurança e as equipes clínicas, de pesquisa e de análise colaboram estreitamente para fornecer um monitoramento adequado, a fim de detectar padrões operacionais em vez de suposições genéricas.

Por fim, quando os sistemas de registro e monitoramento capturam registros detalhados de pessoas que acessam dados deste ou daquele paciente, esses registros também devem ser protegidos como dados confidenciais. Por quê? Porque os registros de auditoria mostram quais registros são mais valiosos para uma violação.

## Como as organizações de saúde devem proteger a nuvem, a análise de dados e os ecossistemas de terceiros?

As organizações de saúde devem compreender claramente o [modelo de responsabilidade compartilhada](https://www.techtarget.com/searchcloudcomputing/definition/shared-responsibility-model)
 para definir quem é responsável pela segurança e avaliar rigorosamente a segurança dos fornecedores antes de conceder acesso.

Também é essencial aplicar abordagens regulamentadas ao compartilhamento de dados entre instituições.

Na realidade, muitas organizações de saúde aplicam as disciplinas mencionadas de forma inconsistente, criando oportunidades de violação para ciberatacantes.

### Quais riscos de responsabilidade compartilhada existem na análise de dados de saúde hospedada na nuvem?

As organizações de saúde assumem a responsabilidade por proteger dados, configurações e controles de acesso dentro da infraestrutura em nuvem.

No entanto, essa responsabilidade é frequentemente mal interpretada, levando a violações causadas por configurações incorretas do lado do cliente. A falha do provedor de nuvem não é a principal causa dessas violações.

Por exemplo, a [violação da Blue Shield of California](https://www.hipaajournal.com/blue-shield-of-california-google-ads-data-breach/)
 é um desses casos. A violação de dados envolvendo 5,5 milhões de registros no Yale New Haven Health System foi causada por uma configuração incorreta do Google Analytics. A plataforma em nuvem em si não foi violada. A configuração feita pela organização expôs informações de saúde protegidas.

Portanto, as organizações de saúde que utilizam análises em nuvem devem configurar o gerenciamento como uma função crítica para a segurança e monitorá-lo regularmente.

### Como as organizações de saúde devem avaliar a postura de segurança dos fornecedores?

As organizações de saúde devem avaliar a postura de segurança dos fornecedores por meio da análise das práticas reais de tratamento de dados desses fornecedores. Especificamente, as organizações devem definir quais categorias avaliar, quais dados armazenar, quais acessos controlar internamente, em quais processos se basear para tal avaliação, bem como determinar o prazo de notificação de violações e a resposta a incidentes por parte do fornecedor.

Atualmente, a maioria das organizações colabora com fornecedores terceirizados que, por sua vez, sofrem violações de dados. Assim, a questão é se o projeto do sistema de um fornecedor pode limitar e prevenir uma ameaça.

Portanto, é vital avaliar os riscos dos fornecedores regularmente ao longo do relacionamento. Não basta avaliar esses riscos apenas durante a integração inicial.

### Como os prestadores de serviços de saúde podem proteger o compartilhamento de dados de saúde entre instituições?

Para proteger o compartilhamento de dados entre instituições, as organizações devem padronizar protocolos de troca de dados com autenticação e criptografia integradas, bem como a minimização de dados. Com isso, elas podem identificar casos de uso específicos para os dados compartilhados. Dessa forma, também podem definir claramente como a instituição receptora pode utilizar, compartilhar e reter os dados.

A validação de certificados SSL e a imposição de versões do TLS (Transport Layer Security) em todos os pontos finais de troca de dados entre instituições são configurações incorretas que permitem que versões desatualizadas do protocolo SSL permaneçam ativas. O TLS é o protocolo de segurança que criptografa os dados enviados pela internet. Esses fatores são identificados como contribuintes em vários casos de exposição de dados relacionados à interoperabilidade na área da saúde.

[Fast Healthcare Interoperability Resources (FHIR)](https://ecqi.healthit.gov/fhir/about)
 são padrões da web que permitem que sistemas de software médico troquem prontas-atendimentos eletrônicos de forma segura e rápida. Eles fornecem a base técnica, mas isso não é suficiente para a proteção de dados na área da saúde.

As organizações também devem utilizar estruturas de gestão de segurança para definir quais elementos de dados podem ser transmitidos sob quais acordos de compartilhamento. Dessa forma, as instituições receptoras podem saber quais padrões de segurança devem seguir e quais requisitos devem cumprir.

Caso contrário, acordos informais de compartilhamento de dados entre instituições podem ser a causa das violações mais prejudiciais ocorridas recentemente.

### Como a Bacula Systems pode ajudar as organizações de saúde a proteger a segurança de big data em ambientes de saúde?

A [Bacula Systems](https://www.baculasystems.com/pt/)
 atende aos requisitos de backup e recuperação de organizações preocupadas com a segurança cibernética que utilizam big data na área da saúde, onde esses dados estão crescendo tanto em volume quanto em complexidade. Ela foi projetada para mitigar os riscos associados ao fato de que, quanto maior e mais centralizado for o ambiente de dados, mais perigosa se torna uma falha no backup durante a recuperação de um ataque de ransomware.

As soluções da Bacula Systems oferecem suporte à infraestrutura mista e de alto volume típica dos ambientes de big data na área da saúde. A Bacula oferece os seguintes recursos:

- Backup: Backup em todas as principais plataformas de banco de dados subjacentes a data warehouses e repositórios analíticos.
- Armazenamento imutável: Cópias de backup isoladas fisicamente e imutáveis que permanecem protegidas mesmo quando as credenciais de produção são totalmente comprometidas.
- Criptografia: Criptografia AES-256, uma criptografia simétrica que mantém os dados seguros tanto em repouso quanto em trânsito. Assim, ela estende a proteção alinhada à HIPAA à camada de backup, em vez de tratá-la como algo secundário. A criptografia AES-256 é aplicada aos dados de backup tanto em repouso quanto em trânsito. Isso garante que os repositórios de backup que armazenam dados agregados da área da saúde atendam ao mesmo padrão de proteção criptográfica exigido para os sistemas clínicos primários.
- Escalabilidade: Graças ao projeto escalável do sistema da Bacula Systems e ao gerenciamento granular de políticas de retenção, as organizações de saúde podem proteger consistentemente os dados em todos os volumes de dados, ao contrário das ferramentas tradicionais de backup. Isso porque as ferramentas tradicionais são desenvolvidas para a proteção de um único sistema.
- Recuperação: O backup da Bacula oferece às organizações a capacidade de recuperação comprovada de que tanto necessitam. Como resultado, a infraestrutura de dados nas organizações de saúde pode ter a certeza de que será restaurada dentro de prazos clinicamente aceitáveis, em vez de enfrentar falhas de backup durante uma crise em andamento.

## Perguntas frequentes

### Por que as fusões no setor de saúde aumentam drasticamente os riscos à segurança e à privacidade de big data?

Quando ambientes de dados anteriormente separados se fundem em um único projeto de sistema, o foco geralmente recai sobre a integração comercial, em vez da preparação de segurança.

Assim, quando diferentes plataformas de prontuários eletrônicos (EHR), ferramentas analíticas, níveis de maturidade de segurança e modelos de gerenciamento de acesso se fundem, a organização resultante geralmente passa a apresentar uma postura de segurança mais fraca, com controles menos maduros. Como resultado, surge um conjunto de dados maior e mais valioso, que se torna um alvo “atraente” para ciberataques.

Quando os dados são migrados durante a integração, grandes volumes de dados de pacientes circulam entre os sistemas. E isso geralmente ocorre por meio de interfaces temporárias e privilégios de acesso elevados. As questões e os riscos relacionados à segurança e à privacidade do big data aumentam durante esses processos devido ao amplo acesso, ao monitoramento reduzido e à pressão de tempo.

### As plataformas de big data na área da saúde podem permanecer em conformidade se os dados de pacientes forem reutilizados para o treinamento de IA?

A possibilidade de as plataformas de big data permanecerem em conformidade caso os dados de pacientes sejam reutilizados para o treinamento de IA depende da base jurídica relativa aos dados. Especificamente, depende se os dados foram coletados originalmente e se a base jurídica abrange o uso secundário para o treinamento de IA.

De acordo com a HIPAA, certos usos de [dados desidentificados](https://www.hhs.gov/hipaa/for-professionals/special-topics/de-identification/index.html)
 não exigem autorização adicional do paciente. No entanto, a desidentificação deve atender a [padrões específicos de Safe Harbor ou Determinação por Especialista](https://pmc.ncbi.nlm.nih.gov/articles/PMC4267471/)
 da [Regra de Privacidade](https://www.hhs.gov/hipaa/for-professionals/privacy/laws-regulations/index.html)
.

Por exemplo, 18 identificadores específicos devem ser removidos dos dados. Além disso, um especialista qualificado deve utilizar princípios estatísticos e científicos válidos para a análise dos dados. E o especialista deve documentar que é praticamente improvável que alguém consiga reidentificar o indivíduo.

A maneira mais segura é tratar os dados de treinamento de IA com o mesmo rigor de gestão de segurança aplicado a outros usos secundários de PHI. Especificamente, isso se refere à autorização documentada ou à desidentificação qualificada. As organizações não devem presumir que os casos de uso de IA não se enquadram nas obrigações padrão da HIPAA.

### Por que as organizações de saúde perdem a capacidade de monitorar dados confidenciais após a expansão das iniciativas de análise?

As organizações de saúde perdem a capacidade de monitorar dados confidenciais após a expansão das iniciativas de análise porque os processos de gerenciamento de dados se tornam menos capazes de acompanhar a crescente quantidade de informações.

Fontes de dados anteriormente bem governadas se transformam em dezenas de conjuntos de dados copiados em armazenamentos na nuvem, estações de trabalho locais de analistas e sistemas de processamento intermediários. E cada um desses fragmentos de dados se torna um alvo em potencial para hackers, sem que haja gerenciamento de dados capaz de monitorá-los.

A falta de capacidade de monitoramento é um desafio estrutural contínuo que se intensifica à medida que a maturidade e a escala da análise aumentam. Para superar esse desafio, as organizações de saúde devem trabalhar constantemente para manter as ferramentas de descoberta e inventário de dados em dia.

Sobre o autor

[https://www.linkedin.com/in/rob-morrison-3aa443/](https://www.linkedin.com/in/rob-morrison-3aa443/)

Rob Morrison é o diretor de marketing da Bacula Systems. Ele começou sua carreira de marketing de TI na Silicon Graphics, na Suíça, e desempenhou intensamente várias funções de administração de marketing por quase 10 anos. Nos 10 anos seguintes, Rob também ocupou vários cargos de administração de marketing na JBoss, Red Hat e Pentaho, assegurando o crescimento da participação no mercado dessas empresas reconhecidas. Ele é formado pela Universidade de Plymouth e tem um diploma de honras em mídia digital e comunicação, além de ter feito um programa de estudos no exterior.

*Posts Relacionados*

[https://www.baculasystems.com/pt/pt-blog/backup-imutavel/](https://www.baculasystems.com/pt/pt-blog/backup-imutavel/)
[O que é backup imutável? Backups imutáveis como medida de segurança de dados](https://www.baculasystems.com/pt/pt-blog/backup-imutavel/)

fevereiro 6, 2024

[https://www.baculasystems.com/pt/pt-blog/backup-e-restauracao-do-intersystems-iris-para-garantir-a-integridade-do-banco-de-dados/](https://www.baculasystems.com/pt/pt-blog/backup-e-restauracao-do-intersystems-iris-para-garantir-a-integridade-do-banco-de-dados/)
[Backup e restauração do InterSystems IRIS para garantir a integridade do banco de dados](https://www.baculasystems.com/pt/pt-blog/backup-e-restauracao-do-intersystems-iris-para-garantir-a-integridade-do-banco-de-dados/)

maio 28, 2026

[https://www.baculasystems.com/pt/pt-blog/requisitos-de-backup-de-conformidade-com-a-hipaa/](https://www.baculasystems.com/pt/pt-blog/requisitos-de-backup-de-conformidade-com-a-hipaa/)
[Requisitos e políticas de conformidade com a HIPAA para soluções de backup de dados](https://www.baculasystems.com/pt/pt-blog/requisitos-de-backup-de-conformidade-com-a-hipaa/)

janeiro 9, 2025

[https://www.baculasystems.com/pt/pt-blog/guia-de-seguranca-da-hpc-800-223-800-234/](https://www.baculasystems.com/pt/pt-blog/guia-de-seguranca-da-hpc-800-223-800-234/)
[Guia e padrões de segurança HPC: NIST SP 800-223 e SP 800-234](https://www.baculasystems.com/pt/pt-blog/guia-de-seguranca-da-hpc-800-223-800-234/)

outubro 6, 2025

[https://www.baculasystems.com/pt/pt-blog/backup-em-fita-magnetica-lto/](https://www.baculasystems.com/pt/pt-blog/backup-em-fita-magnetica-lto/)
[Como executar um backup em fita? Soluções de backup em fita LTO.](https://www.baculasystems.com/pt/pt-blog/backup-em-fita-magnetica-lto/)

abril 15, 2025

[https://www.baculasystems.com/pt/pt-blog/recuperacao-de-backup-iso-27001/](https://www.baculasystems.com/pt/pt-blog/recuperacao-de-backup-iso-27001/)
[Implementação de backup e recuperação de dados ISO 27001: Um guia completo de requisitos](https://www.baculasystems.com/pt/pt-blog/recuperacao-de-backup-iso-27001/)

janeiro 10, 2025