La gestión del acceso entre un gran número de dispositivos médicos distribuidos se ha convertido en un aspecto crucial de los sistemas de salud modernos, lo que permite el establecimiento de hospitales inteligentes e infraestructuras de telemedicina. Sin embargo, a medida que la tecnología de telemedicina continúa evolucionando y los dispositivos de Internet de las Cosas (IoT) se utilizan cada vez más, también están cada vez más expuestos a diversos tipos de vulnerabilidades y errores médicos. En los sistemas de información sanitaria, aproximadamente el 90% de las vulnerabilidades surgen de errores médicos y errores humanos. Como resultado, existe la necesidad de investigar y desarrollar herramientas de seguridad adicionales para prevenir tales ataques. Este artículo propone un marco de trabajo basado en la confianza cero y consciente del contexto para gestionar el acceso a los principales componentes del ecosistema de la nube, incluidos los usuarios, dispositivos y datos de salida. El objetivo principal y el beneficio del marco propuesto es construir un sistema de puntuación para prevenir o aliviar errores médicos al utilizar dispositivos médicos distribuidos en sistemas de información sanitaria basados en la nube. El marco tiene dos criterios principales de puntuación para mantener la cadena de confianza. En primer lugar, propone una puntuación de confianza crítica basada en microservicios nativos de la nube para la autenticación, el cifrado, el registro y las autorizaciones. En segundo lugar, se crea un sistema de puntuación de confianza de vínculo para evaluar el análisis semántico y sintáctico en tiempo real de atributos almacenados en un sistema de información sanitaria. El análisis se basa en un modelo de aprendizaje automático preentrenado que genera las puntuaciones semánticas y sintácticas. El marco también tiene en cuenta el cumplimiento normativo y el consentimiento del usuario en la creación del sistema de puntuación. La ventaja de este método es que se aplica a cualquier idioma y se adapta a todos los atributos, ya que se basa en un modelo de lenguaje, no solo en un conjunto de atributos predefinidos y limitados. Los resultados muestran una puntuación alta del 93.5%, lo que demuestra que es válido para detectar errores médicos.