Framework di apprendimento federato diviso assistito dal cloud e abilitato a blockchain per la sicurezza e la privacy dell’IoMT nella healthcare 5.0

Perché la sanità intelligente più sicura è importante

Gli odierni dispositivi medici, dagli orologi fitness ai sensori ospedalieri connessi, trasmettono continuamente dati che possono aiutare i medici a individuare malattie prima e a intervenire più rapidamente. Ma inviare tutte queste informazioni sensibili a cloud remoti solleva questioni impegnative: come proteggere la privacy dei pazienti, fermare gli hacker e allo stesso tempo reagire in tempo reale quando qualcosa va storto? Questo studio esplora un nuovo modo di addestrare sistemi di sicurezza intelligenti per le reti sanitarie, così che possano imparare da molti dispositivi senza esporre dati privati o fare affidamento su un unico punto di controllo fragile.

Dispositivi intelligenti che imparano vicino al paziente

Negli ospedali e nelle case del futuro, innumerevoli dispositivi dell’Internet of Medical Things raccoglieranno frequenze cardiache, saturazione dell’ossigeno e altre misurazioni. Invece di spedire i dati grezzi a un server centrale, gli autori impiegano una tecnica in cui parte del modello di apprendimento gira direttamente su ciascun dispositivo. Un piccolo ed efficiente rilevatore di pattern analizza le misurazioni locali e le trasforma in segnali compatti che nascondono i dettagli originali. Questi segnali, non le cartelle cliniche grezze, vengono inoltrati per analisi successive, contribuendo a mantenere privata l’informazione del singolo paziente.

Condividere il carico tra edge e cloud

Una volta che i segnali compatti lasciano i dispositivi, vengono elaborati da computer più potenti posizionati all’edge della rete, più vicini rispetto a un cloud distante. Qui, una seconda e più profonda parte del modello di apprendimento studia come i segnali cambiano nel tempo per rilevare comportamenti anomali che possono indicare cyberattacchi o guasti. Questo design diviso significa che i piccoli dispositivi si occupano solo di calcoli leggeri, mentre le macchine edge si fanno carico dell’elaborazione più pesante. Il risultato è una reattività più rapida e minori latenze di rete, elementi cruciali quando allarmi medici o decisioni terapeutiche dipendono da informazioni tempestive e accurate.

Costruire fiducia con un registro digitale condiviso

Una debolezza chiave di molti sistemi di apprendimento è la dipendenza da un server centrale per combinare gli aggiornamenti provenienti da tutti i dispositivi. Se quel server viene compromesso o va in errore, l’intero sistema è a rischio. Per evitare ciò, gli autori sovrappongono al processo di apprendimento un sistema blockchain. Invece di fidarsi di un unico server, diversi nodi validatori controllano congiuntamente ogni lotto di aggiornamenti del modello. Utilizzando un metodo di consenso progettato per velocità e affidabilità, decidono quali aggiornamenti siano sufficientemente onesti da essere aggiunti a un registro digitale condiviso. I dispositivi che forniscono informazioni valide possono essere ricompensati, mentre quelli sospetti possono essere segnalati, creando una forma di reputazione automatica e responsabilità attraverso la rete.

Quanto bene funziona il nuovo approccio

Il team ha testato il proprio framework su due ampie raccolte di traffico di rete provenienti da dispositivi sanitari e altri dispositivi connessi, ciascuna etichettata come normale o attacco. Hanno confrontato il loro metodo con un approccio comune in cui ogni dispositivo addestra un modello completo e invia soltanto i parametri a un server centrale. In round ripetuti di addestramento, il nuovo sistema diviso e assistito da blockchain ha raggiunto un’accuratezza molto elevata, in alcuni casi prossima alla perfezione, anche con l’aumentare del numero di dispositivi partecipanti. Ha inoltre ridotto il tasso di falsi allarmi e mostrato maggiore resilienza a varie strategie di attacco, mentre il metodo blockchain scelto ha confermato rapidamente gli aggiornamenti e ha permesso di aggiungere molti blocchi sicuri al secondo.

Cosa significa per la cura del futuro

Per un lettore non esperto, il messaggio principale è che questo lavoro propone un modo per le reti sanitarie intelligenti di imparare da molti dispositivi senza concentrare tutti i dati sensibili in un unico posto o dipendere da un server singolo e vulnerabile. Suddividendo il compito di apprendimento tra codice semplice sui dispositivi, analisi più robuste all’edge e un registro condiviso che traccia e approva le modifiche, il framework può individuare le minacce in modo più affidabile e con minor rischio di fughe di dati. Se ulteriormente raffinati e rafforzati contro attacchi avanzati, tali progetti potrebbero contribuire a rendere ospedali connessi e sistemi di monitoraggio domiciliare sia più intelligenti sia più sicuri per i pazienti.

Citazione: Baihan, A., Kryvinska, N., Amoon, M. et al. Cloud assisted blockchain-enabled split federated learning framework for security and privacy-preserving of IoMT in healthcare 5.0. Sci Rep 16, 15599 (2026). https://doi.org/10.1038/s41598-026-41771-1

Parole chiave: sanità intelligente, Internet of Medical Things, apprendimento federato, sicurezza blockchain, rilevamento intrusioni