This study conducts a bibliometrics analysis of research on secure healthcare systems and big data, aiming to identify trends, key contributors, and thematic areas within the field. By examining a comprehensive database of academic publications, we highlight the evolution of research from foundational concepts to contemporary innovations in data security and privacy management in healthcare. Key metrics such as publication volume, citation impact, and co-authorship networks are analyzed to uncover the most influential authors and institutions. Additionally, we explore the integration of big data analytics in enhancing healthcare delivery while addressing security challenges. The findings provide valuable insights for researchers and practitioners, emphasizing the importance of developing robust, secure frameworks that leverage big data to improve patient outcomes and operational efficiency in healthcare systems. This analysis serves as a foundational resource for future studies and strategic initiatives in securing health information systems amid the growing reliance on big data technologies.

This study investigated an advanced approach to enhancing security and privacy in healthcare by incorporating artificial intelligence (AI)-based strategies to detect and mitigate data poisoning attacks. The proposed method combined unified learning, homomorphic encryption, and autoencoder-based anomaly detection. It ensured that models were trained in diverse places, protected data, and improved model security. Anomaly identification and mitigation and data poisoning resistance were investigated using simulated medical data. Main results. This approach visualized and assessed model performance. This study offers a complete solution to securing medical data and models against new threats.

Water is one of the world's most precious resources, essential to life. Industrial waste, agricultural runoff, and urban discharge degrade water, rendering it unfit for consumption. Water quality monitoring and evaluation are more important than ever. Big Data analytics is used to examine water quality utilizing enormous datasets of pH, hardness, solids concentration, chloramine, sulfate, conductivity, organic carbon, trihalomethanes, and turbidity. This work classifies water potability, which is vital for human consumption, using strong machine learning on massive datasets. Classifiers were Random Forest, Gradient Boosting, and Support Vector Machine on 3,276 water bodies. The Random Forest classifier obtained the highest accuracy at 66.77% after significant data preparation and training, followed by Gradient Boosting at 66.01% and SVM at 62.80%. This shows that Big Data analytics and machine learning algorithms can interpret complex water quality data for public health and natural resource management. The Random Forest classifier and SVM in this study accurately calculate water potability. Prediction algorithms consider water cleanliness data and may aid public safety and water resource monitoring.