医疗物联网（IoMTs）技术中信任与不当行为的评估：一种改进的决策方法

《TECHNOLOGY IN SOCIETY》：An assessment for trust and misbehaviour in Internet of Medical Things (IoMTs) technologies: An improved decision making approach

　　

**摘要**

与 H3N2 流感相关的严重冠状病毒病例可能会加重呼吸道并发症并增加医疗服务的压力，尤其是在患者数据有限的情况下。医疗物联网（IoMT）技术提供了具有成本效益和高效的远程健康监测方案，尽管无线数据传输引发了隐私和安全性担忧。本研究提出了一种模糊多属性群决策（MAGDM）框架，用于基于隐私、安全性和患者护理需求评估生物传感器模型。研究结果确定生物传感器智能药丸是监测 H3N2 患者的合适选项。比较分析和离散事件模拟进一步评估了该框架和潜在的选择偏差。

**引言**

严重急性呼吸综合征冠状病毒 2 型（SARS-CoV-2）的亚变种使得全球更难从新型冠状病毒肺炎（COVID-19）大流行中恢复。这导致大量受影响者死亡及其他健康问题。同样，季节性流感继续给全球社区带来沉重负担，影响着相当一部分人口（Ameen, 2025）。由甲型流感病毒引起的 2009 年 H1N1 大流行导致了全球显著的人员死亡和患病率。最近，H3N2 流感病毒突变株被发现广泛传播，引起呼吸道症状并可能诱发神经系统问题。这些症状从头痛和嗜睡等轻微症状到脑炎和急性坏死性脑病（ANE）等严重状况不等。早期检测和治疗季节性流感引起的神经系统症状对于预防长期并发症至关重要（Scarvaglieri et al., 2026）。流感重症高危人群包括老年人（Dharmansyah et al., 2026）、患有慢性病或免疫抑制状况的个体、医护人员和孕妇。需要一种远程决策支持和监测系统来协助医生进行筛查、居家监测、医疗护理、药物管理和患者康复（Smith & Doe, 2023）。H3N2 流感的影响如图 1 所示。

物联网（IoT）是一个相互连接的计算机系统、软件和传感器网络，通过互联网处理和传输相关数据。随着技术成为日常生活的组成部分，减少人工劳动并实现持续连接，物联网在为大家提供可靠和广泛的服务方面发挥着关键作用（Rana et al., 2025）。物联网应用越来越多地用于医疗护理、交通、商业、能源和供应链管理（Dhinakaran, Kumar et al., 2025, Dhinakaran, Raja et al., 2025, Njomane and Telukdarie, 2022）。在临床医疗中，物联网可以显著增强可靠性和服务质量。物联网已经彻底改变了互联网连接，这对于各种具有挑战性的领域，特别是医疗保健服务的进步至关重要（Veiga et al., 2026）。

在医生无法到位或无法访问附近诊所的情况下，研究人员推荐一种医疗保健物联网模型（Mohapatra et al., 2025）。由于该模型的简单性、准确性和适应性，加强了医生、患者和医疗设备之间的联系。一项调查旨在评估对主动、预防和个性化医疗保健交付的支持，探索潜在解决方案并解决实施智能互联医疗保健物联网的挑战和机遇（Kumar et al., 2026）。根据最新研究，物联网技术现已广泛应用于各种儿科医疗环境，包括慢性病管理、重症和危重症监护、复杂手术系统和药物。展望未来，医疗保健物联网的扩展很可能取决于改进的系统互操作性、采用标准化通信协议、加强信息分享的数据安全性以及创建可扩展的医疗物联网（IoMT）框架（Alaba et al., 2025）。

医疗物联网（IoMT）包括医疗保健中使用的物联网设备和医疗设备。它允许医疗保健提供者通过基于网络的接口或智能手机应用程序实时监测患者的健康数据，帮助患者避免未来患严重疾病。IoMT 的感知、网络和应用构建层使数据能够从医院设备和应用程序流向医疗信息平台进行远程分析（Locharoenrat, 2026）。因此，本研究的主要目标是确定医疗保健监测服务中的物联网应用。采用了一种综合方法来实现这一目标。第一步应用最佳最差法（BWM）在立方图像模糊背景下对观察到的应用进行加权。第二阶段，采用了一种定性的基于理想解相似度的顺序偏好技术（TOPSIS）方法，利用群决策技术来确定和分类相关效用，以分析物联网医疗因素。符号表示见表 1。

本文的结构如下。第 1 节作为引言描述研究框架的重要性；进一步揭示医疗保健中物联网的背景以及使用模糊集的决策方法。第 2 节包括立方图像模糊（CPF）背景下的定义。第 3 节确立了所提方法的程序。第 4 节通过数值计算展示了所考虑的应用，第 5 节讨论了结果。第 6 节结论部分给出了总体总结。

新冠肺炎大流行加速了物联网与医疗技术的融合，创建了允许护理人员和医疗专业人员远程监测多名患者的智能医疗系统（Khan & Duncan, 2025）。这种融合改善了患者护理，降低了成本，并降低了疾病传播的风险。分析后，数据被发送到医疗数据中心或云端进行存储和进一步处理，服务于各种利益相关者，包括医生、护理人员和保险公司。基于骨架的活动捕捉和位置定制使用 Kinect 等深度传感器，允许在不侵犯隐私的情况下进行广泛监测（Lu et al., 2025）。针对老年人和慢性病患者的普遍医疗保健监测结合了位置、活动、生理和心理健康特征（Anjali et al., 2025）。

在医疗管理中部署物联网应用以处理患者信息引发了隐私和安全的担忧。安全涉及确保在医疗应用之间传输的数据的准确性、完整性和真实性，而隐私指的是授予特定人员查看信息的权限。由于这些网络依赖于无线数据传输，它们容易受到各种安全问题的影响。这些设备处理的数据包括敏感信息，如健康问题、既往处方、心理健康、遗传信息、性取向、药物成瘾和传染病，这使得数据隐私成为关键问题。现代医疗系统的进步增加了对通过这些网络传输和处理的数据进行安全保护的需求。确保真实性和公正性对于提高医疗行业电子设备的准确性、可靠性和生产力至关重要（Albahri, Duhaim et al., 2023, Veiga et al., 2026）。

医疗物联网（IoMT）及其相关技术的使用通过远程监测、远程医疗、机器人、传感器等解决了许多问题。网络连接的生物传感设备与家庭环境中的检测器相结合，能够持续实时地收集个人的心理和生理状态及相关活动数据（Kargarandehkordi et al., 2025）。这改善了患者护理，降低了治疗成本，增强了医疗服务流动性，并提高了健康部门的运营效率。此外，IoMT 使医生和医务人员能够更准确、更主动地履行职责，减少压力并提高智能性。Dwivedi 等人（2022）考察了医疗专业人员、决策者和专家在评估医疗保健中 IoMT 实施方面的观点和角色。然而，广泛采用面临诸如数据安全与隐私、数据管理、耐用性和可升级性等挑战（H. Sharma et al., 2026）。

基于物联网的医疗保健创新的发展以及革命性网络结构、渠道、实例和物联网驱动的健康解决方案的商业进展的分析解决了各种物联网安全和隐私问题。这包括医疗保健背景下的安全需求、基于风险的框架和攻击分类法（Mohammed et al., 2026）。为了最小化隐私风险，讨论并分析了一种智能协作安全模型，以及世界各地众多的物联网和电子健康政策和法规，以评估其在健康环境中促进社会经济生长的能力（Shahrour et al., 2026）。建议采用各种指标，如能耗、数据包投递率、电池寿命、服务质量、能量损耗、网络带宽、延迟和数据传输速度，以优化基于人工智能（AI）的 IoMT 框架的环境可持续性（Beloualid et al., 2026, Dhinakaran et al., 2024）。然而，该框架存在缺点，特别是涉及 IoMT 设计中固有的患者信息、隐私和安全问题。为了稳定基于 AI 的 IoMT 结构的能效，应考虑诸如能耗、数据包投递率、电池寿命、服务质量、功耗、网络吞吐量、延迟和传输容量等指标（Jayawardane et al., 2026）。讨论了入侵检测系统，这是保护 IoMT 网络的关键安全解决方案（P. Sharma et al., 2026）。通常，信任是建立可靠且安全的 IoMT 系统的重要特征。创建可靠 IoMT 模型时考虑的其他关键特征包括数据原创性、认证、能量限制、数据完整性、数据审计、端到端延迟、患者数据隐私和安全漏洞（Alharbi et al., 2025）。

随着医疗物联网应用范围的扩大，医院和医疗机构对本地活动的需求正在增加。许多制药公司现在考虑或支持一种边缘计算范式，以在网络边缘处理计算密集型任务。这种方法旨在避免延迟并解决与云处理相关的网络安全挑战。现实情况是，诊所和医疗机构可能缺乏完成高级机器学习（ML）（Mashmool et al., 2026）或人工智能（AI）（Jayawardane et al., 2026）任务所需的处理能力。此外，某些流程可能难以外包或涉及敏感的患者医疗数据，从而增加了遭受敌对攻击的风险（Semenova et al., 2026）。而且，信任是一个抽象概念，无法精确量化，在众多的 IoMT 模型中，找到一个值得信赖的模型仍然是一个重大挑战。

多属性群决策（MAGDM）框架对于通过基于各种标准评估其采用情况来确定可靠的 IoMT 模型至关重要（Chen and Chiu, 2022, Mohammadian et al., 2026）。基于模糊的 MAGDM 技术在这项确定安全模型的复杂任务中特别有价值（Ksibi et al., 2023）。例如，已经开发了一种增强的故障模式和影响分析（FMEA）方法，以减少混乱环境下的医院手术室入院时间（Ghoushchi et al., 2023）。此外，提出了一种基于模糊层次分析法（AHP）的方法，用于评估互联医疗设备的安全属性，并根据用户选择的需求对比不同的设备模型。这旨在增强用户安全意识并实现知情决策。此外，结合患者信息进行医疗应用活动卸载的边缘化动态资源范式通常涉及多个相互竞争的属性。

全球数据库的增加，加上能够捕获各种输入的先进传感器的普及，以及需要多样化专家观点的复杂场景，凸显了整合信息的必要性。许多作者已论述了采用群决策方法的重要性（Mohammadian et al., 2026）。最佳最差法（BWM）是一种多属性决策（MADM）技术，用于根据预定义的选项属性集评估选项（Hasan et al., 2022）。BWM 作为一种决策方法，有助于评估决策框架内标准或属性的重要性。它涉及识别相对于特定目标的最优和最劣标准。通过 BWM 方法，根据标准的相对重要性分配权重。相反，TOPSIS 是一种旨在通过测量到理想解的最短距离和到负理想解的最远距离，从选项池中确定最佳替代方案的方法。它通过衡量每个替代方案与理想解的相似程度及其与负理想解的偏离程度来评估其性能（Baral et al., 2025）。

具体来说，利用模糊逻辑和基于 AHP 的 TOPSIS 方法评估了几个与医疗物联网相关的因素，以确定引起这些挑战的元素的重要性，并将 AHP 与 TOPSIS 方法进行比较（Tariq et al., 2020）。此外，传统和修改后的 TOPSIS 技术已被用于调度患者信息并提高牙科临床绩效（Al-Hawari et al., 2022）。值得注意的是，TOPSIS 因其坚实的理论基础、适应性和简单的实施而受到关注（Taherdoost & Madanchian, 2024）。混合方法同时整合数值数据和定性判断，导致更平衡的决策。

因此，集成的群决策技术需要专家的 subjective 输入，表2展示了可适配的BWM-TOPSIS方法及其实际案例。此外，在物联网领域，基于准则移除效应（MEREC）的TOPSIS框架也被用于5G异构网络的最优网络选择（Yadav等，2023），并采用分步权重评估比率分析（SWARA）-TOPSIS方法在Pythagorean模糊环境下评估供应商中断风险（Saeidi等，2022）。可持续性供应商选择通过BWM与多标准化多距离评估（TRUST）结合技术进行评价（Bonab等，2023）。构建强健的网络至关重要，因为IoMT设备管理的敏感信息日益增多（Weck等，2022）。立方集（CS）因其融合了区间模糊集扩展与模糊集修正而尤为重要（Li等，2026）。Picture模糊集（PFS）（Luo等，2026）定义为(??(??), ??(??), ??(??))，其中变量分别代表积极、中立和消极等级。条件是??(??)、??(??)和??(??)之和在0-1范围内，不确定性程度描述为1-(??(??), ??(??), ??(??))。该概念扩展至立方直觉模糊集（CIFS），将犹豫程度和拒绝程度纳入评估（Traneva & Tranev，2026）。类似地，立方Pythagorean模糊集（CPyFS）也被构建，其中隶属度为区间值Picture模糊集（IVPFS）（Yonthanthum等，2026），非隶属度为PFS（Luo等，2026）。CPF概念从CS延伸至PFS（Tanoli等，2025）。为突出MADM技术的应用，本研究考察了Einstein聚合算子（Qawaqneh等，2026）以及立方Picture模糊框架下Bonferroni聚合算子（Zaman等，2025）的发展。此外，表3回顾了IoMT模型、传统模糊集理论和MAGDM方法的优势，以识别其局限性。
- 同时感染H3N2流感的COVID-19患者无法通过物联网应用程序进行监测，可用数据不足。
- IoMT中依赖量子计算的技术通常仅限于高度先进的医疗机构，使得小型诊所难以获取。此外，其高成本使经济弱势社区的个人无法负担。
- 传统MAGDM算法，如PROMETHEE和ELECTRE，需要更多计算时间。
- 常规集成方法通常不太适合实际应用，经常无法有效捕捉决策信息的复杂结构，特别是在中立或拒绝程度也发挥重要作用时。

研究工作的动机如下：
- 为保障平台运行时的保密信息，需要安全监测。
- 需要一个适当的IoMT模型来融合承受副作用或受COVID-19中立影响的患者信息，以及当前受季节性流感影响的患者信息。
- 为解决上述问题，缺乏理想的量化框架。由立方Picture模糊集表示的认知数据提供了更高效的决策框架。
- 提出一种使用立方Picture模糊集的先进决策模型，以提高效率和实际应用中的适用性。

研究论文的贡献如下：
- 为监测患者病情严重程度，在AI和ML学科中的IoMT模型也被分析，以便从专家角度选择最佳模型。
- 在模糊概念框架下概述了模糊信息的实际限制。
- 为得出最优结论，决策支持系统整合了决策范式。
- 在软件驱动平台上配置了集成的BWM和TOPSIS技术。
- 利用AHP和加法比率评估（ARAS）以及若干CPF评分函数进行比较分析，以证明结果的优势。

**数学描述**
本节展示并审视了已建立的CPF集定义，以提供对其性质和应用的全面理解。包括对CPF集基本概念和理论基础的深入探索。

**定义1** 设??为??≠?上的CPF集，表示为??={s, ??p, ??p, ??p? | s∈??} 或 ??={(s, ?[??, ?+], f?, ?[???, ??+], g?, ?[???, ??+], h?)}，其中?[??, ?+], f?为积极和消极隶属等级，?[???, ??+], g?为积极和消极中立等级，?[???, ??+], h?为积极和消极非隶属等级。

**方法框架** 设备选方案集合为??=(??1, …, ??u)，待分类准则集合为?=(?1, …, ?v)，权向量为w=(w1, …, wv)??，其中∑(q=1到u) wq=1且wq∈[0,1]。每位专家(Eq)在CPF环境下评估备选方案相对于属性的情况，??pq=??pq, ?′pq, ?″pq?。?pq、?′pq和?″pq分别表示备选方案??pq对准则?v的确保、部分确保和不确保程度，其中?pq=?[??pq, ?+pq], fpq?，?′pq=?[???pq, ??+pq], gpq?，?″pq=?[???pq, ??+pq], hpq?，条件为[??pq, ?+pq]?[0,1]。

**实证研究** 感染COVID-19的个人极易感染H3N2流感，因为冠状病毒对呼吸系统影响严重。这种脆弱性在婴儿、儿童、孕妇和老年人中尤为明显。在实践中，各种基于IoMT的模型被应用于AI、机器学习和深度学习，以诊断慢性疾病预防并提供适当治疗。然而，此类情况下错误的指导会恶化患者的健康。

**结果** 与物联网网络相比，IoMT范式在监测患者时强调对一致性和数据升级的需求。受评估的方面通常通过患者信息的行为分析来查看。根据专家意见，医疗物联网模型应优先考虑患者数据隐私（?8）、数据原创性（?1）、数据完整性（?4）、数据认证（?2）、数据审计（?5）、自我修复（?7）和能量限制（?3），同时考虑……

**结论** H3N2流感被认为对婴儿、儿童、孕妇和老年人有害。物联网使建立为患者提供个性化监测的医疗保健系统变得更加简单。所提出的决策支持系统促进了适当IoMT模型的推荐，该模型通过无线连接收集数据并进行行为分析，并为医生提供基于模糊MAGDM的可定制IoMT模型以诊断患者健康。本研究展示了如何……

**CRediT作者贡献声明**
Pragathi Subramaniam：撰写 – 审阅与编辑、撰写 – 初稿、可视化、方法论、形式分析、数据管理、概念化。
Samayan Narayanamoorthy：撰写 – 审阅与编辑、撰写 – 初稿、验证、监督、软件、资源、调查、形式分析、概念化。
Joseph Raj Vikilal Joice Brainy：撰写 – 审阅与编辑、可视化、验证、方法论、调查。
Dragan Pamucar：撰写 – 审阅与编辑。

**未引用参考文献**
Ar?can (2026)

**利益冲突声明**
作者声明，他们没有已知的 competing 经济利益或个人关系可能影响本论文所报告的工作。

Pragathi Subramaniam | Samayan Narayanamoorthy | Joseph Raj Vikilal Joice Brainy | Dragan Pamucar | Vladimir Simic | Daekook Kang
印度Coimbatore Bharathiar大学数学系