Analisi dei dati scalabile e preservante la privacy per l’IoMT tramite FHE e aggregazione edge con zk‑SNARK

Perché i dati medici più sicuri sono importanti

La medicina moderna si affida sempre più a dispositivi che indossiamo o che ci vengono impiantati: orologi che monitorano la frequenza cardiaca, sensori per il glucosio e inalatori intelligenti. Insieme, questi dispositivi formano l’“Internet of Medical Things”, inviando un flusso continuo di dati sanitari a medici e ospedali. Quel flusso è prezioso per individuare segnali d’allarme precoci, ma è anche profondamente personale. Questo articolo presenta MedGuard, un framework pensato per permettere ai sistemi sanitari di apprendere da quei dati su larga scala mantenendo le informazioni di ciascun paziente chiuse a occhi indiscreti — anche ai computer che effettuano le analisi.

Il problema delle reti sanitarie intelligenti odierne

I sistemi sanitari connessi attuali funzionano inviando le misurazioni di migliaia di dispositivi a gateway locali e poi al cloud per l’analisi. Lungo il percorso emergono diversi punti deboli. Un gateway disonesto può silenziosamente alterare o eliminare dati, falsando statistiche come la frequenza cardiaca media o il livello medio di zucchero nel sangue. Molte protezioni esistenti si limitano a offuscare i dati in transito, senza dimostrare che i risultati prodotti siano effettivamente corretti. Altre soluzioni sono o troppo semplici — supportando solo somme di base — o troppo pesanti, rallentando dispositivi a basso consumo con calcoli complessi. Di conseguenza, le reti sanitarie spesso devono scegliere tra analisi ricche, forte privacy e prestazioni pratiche, invece di ottenere contemporaneamente tutti e tre gli aspetti.

Un nuovo modo per proteggere e verificare i dati sanitari

MedGuard è progettato per colmare questa lacuna. Combina due idee avanzate della crittografia in modo trasparente per pazienti e clinici. Primo, ogni dispositivo cripta le sue misurazioni in una modalità speciale che consente comunque ai computer di sommare e mediare i numeri senza mai decifrarli. Secondo, quando un gateway edge aggrega le letture di molti pazienti, produce anche una piccola “ricevuta” matematica — una prova a conoscenza zero — che attesta che il calcolo è stato eseguito correttamente, sempre senza rivelare i dati originali. Il cloud accetta un risultato solo se questa prova è valida. Questo progetto elimina la necessità di fidarsi ciecamente di qualunque intermediario: anche se un nodo edge venisse compromesso, non può falsificare in modo credibile le statistiche regionali senza essere scoperto.

Come funziona in pratica la pipeline MedGuard

Nella struttura MedGuard, semplici sensori sulla pelle o impiantati criptano ogni nuova misura e allegano metadati base come ora e ID del dispositivo. Questi pacchetti cifrati viaggiano su collegamenti internet sicuri verso server edge locali. Ogni server edge raggruppa i dati di circa dieci dispositivi e, sempre senza decifrare, calcola somme, medie o misure di variabilità. Genera quindi la prova a conoscenza zero e inoltra sia il risultato cifrato sia la prova al cloud. Il cloud verifica prima la prova; solo successivamente combina i risultati di tutte le regioni, esegue analisi più avanzate — come il rilevamento di picchi anomali o tendenze a lungo termine — e, per i medici autorizzati, decifra soltanto le risposte finali e riassunte. I dati grezzi dei pazienti rimangono cifrati in ogni fase e sono archiviati in un database sicuro con regole di accesso a granularità fine.

Prestazioni in una rete ospedaliera simulata

Gli autori hanno testato MedGuard in una simulazione al computer dettagliata con 1.000 dispositivi medici, 100 nodi edge e un server cloud simile a quelli usati nella pratica. Hanno alimentato il sistema con una miscela di dati reali di sensori indossabili e dati sintetici generati con cura che riflettevano pattern realistici di frequenza cardiaca, glicemia e attività, incluse anomalie deliberate. Anche con tutte le protezioni attivate, MedGuard ha risposto in circa 65 millisecondi end‑to‑end — abbastanza veloce per il monitoraggio in tempo reale — e ha migliorato i ritardi di oltre il 13 percento rispetto alle soluzioni principali. Ha gestito anche oltre mille pacchetti e query al secondo, ha consumato meno energia per query rispetto a schemi sicuri comparabili e ha resistito a un’ampia gamma di attacchi simulati, dallo spionaggio e manomissione dei dati fino a inondazioni di denial‑of‑service, con probabilità di violazione estremamente basse.

Che cosa significa per la cura dei pazienti futura

Per i non specialisti, il messaggio chiave è che MedGuard dimostra la possibilità di ottenere il meglio di entrambi i mondi: monitoraggio sanitario su larga scala e sempre attivo insieme a forti garanzie matematiche che i dati restino privati e i risultati affidabili. I medici possono eseguire statistiche approfondite e analisi di tendenza su intere popolazioni di pazienti senza mai vedere le misurazioni grezze dei singoli, e gli ospedali non devono più riporre fiducia cieca nei numerosi computer che si frappongono tra il dispositivo indossabile di un paziente e il cloud. Pur richiedendo ancora prove sul campo e ulteriori aggiustamenti per alleviare il carico computazionale, il framework traccia un percorso praticabile verso sistemi di sanità intelligente che non siano solo intelligenti e veloci, ma anche verificabilmente sicuri riguardo alle informazioni più sensibili dei pazienti.

Citazione: Ben Othman, S., Mihret, N. Scalable privacy-preserving data analytics for IoMT via FHE and zk-SNARK-enabled edge aggregation. Sci Rep 16, 5098 (2026). https://doi.org/10.1038/s41598-026-35284-0

Parole chiave: Internet of Medical Things, analisi preservante la privacy, cifratura omomorfica, prove a conoscenza zero, sanità intelligente