Skalowalna analiza danych z zachowaniem prywatności dla IoMT przy użyciu FHE i agregacji brzegowej wspieranej przez zk-SNARK

Dlaczego bezpieczniejsze dane medyczne są ważne

Współczesna medycyna coraz bardziej polega na urządzeniach, które nosimy lub które mamy wszczepione — zegarki śledzące tętno, monitory glukozy czy inteligentne inhalatory. Razem te urządzenia tworzą „Internet rzeczy medycznych”, przesyłając nieustannie dane zdrowotne do lekarzy i szpitali. Ten strumień jest cenny dla wykrywania wczesnych sygnałów ostrzegawczych, ale jest też głęboko osobisty. Artykuł przedstawia MedGuard — ramy zaprojektowane tak, by systemy opieki zdrowotnej mogły uczyć się na podstawie tych danych na dużą skalę, jednocześnie trzymając informacje każdego pacjenta z dala od ciekawskich oczu — nawet przed komputerami wykonującymi analizę.

Problem dzisiejszych sieci inteligentnej opieki zdrowotnej

Obecne połączone systemy zdrowotne działają przez wysyłanie odczytów z tysięcy urządzeń do pobliskich bramek, a następnie do chmury w celu analizy. Po drodze pojawia się kilka słabych punktów. Nieuczciwa bramka może po cichu modyfikować lub usuwać dane, zniekształcając statystyki, takie jak średnie tętno czy poziom cukru. Wiele istniejących zabezpieczeń koncentruje się jedynie na szyfrowaniu danych w tranzycie, nie udowadniając, że uzyskane wyniki są faktycznie poprawne. Inne rozwiązania są albo zbyt proste — obsługując tylko podstawowe sumy — albo zbyt ciężkie, spowalniając urządzenia o niskiej mocy skomplikowanymi obliczeniami. W rezultacie sieci zdrowotne często muszą wybierać między zaawansowaną analizą, silną prywatnością i praktyczną wydajnością, zamiast otrzymać wszystkie trzy jednocześnie.

Nowy sposób ochrony i weryfikacji danych zdrowotnych

MedGuard został zaprojektowany, by zamknąć tę lukę. Łączy dwie zaawansowane techniki kryptograficzne w sposób niewidoczny dla pacjentów i klinicystów. Po pierwsze, każde urządzenie szyfruje swoje odczyty w specjalny sposób, który pozwala komputerom dodawać i obliczać średnie bez ich odszyfrowywania. Po drugie, gdy bramka brzegowa agreguje odczyty wielu pacjentów, generuje też mały matematyczny „paragon” — dowód zerowej wiedzy — że wykonane obliczenie było uczciwe, znów bez ujawniania danych źródłowych. Chmura akceptuje wynik tylko wtedy, gdy dowód się zgadza. Ten projekt eliminuje konieczność bezkrytycznego zaufania któremukolwiek pośrednikowi: nawet jeśli węzeł brzegowy zostanie przejęty, nie może wiarygodnie sfałszować regionalnych statystyk bez wykrycia.

Jak potok MedGuard działa w praktyce

W układzie MedGuard proste czujniki na ciele lub wewnątrz niego szyfrują każdy nowy pomiar i dołączają podstawowe metadane, takie jak czas i identyfikator urządzenia. Zaszyfrowane pakiety podróżują przez zabezpieczone łącza internetowe do lokalnych serwerów brzegowych. Każdy serwer brzegowy grupuje dane z około dziesięciu urządzeń i, nadal bez odszyfrowywania, oblicza sumy, średnie lub miary zmienności. Następnie generuje dowód zerowej wiedzy i przesyła zarówno zaszyfrowany wynik, jak i dowód do chmury. Chmura najpierw weryfikuje dowód; dopiero potem łączy wyniki ze wszystkich regionów, wykonuje bardziej zaawansowane analizy — np. wykrywanie nietypowych skoków czy długoterminowych trendów — i dla uprawnionych lekarzy odszyfrowuje jedynie ostateczne, zsyntetyzowane odpowiedzi. Surowe dane pacjentów pozostają zaszyfrowane na każdym etapie i są przechowywane w bezpiecznej bazie danych z drobiazgowymi zasadami dostępu.

Wydajność w symulowanej sieci szpitalnej

Autorzy przetestowali MedGuard w szczegółowej symulacji komputerowej z 1 000 urządzeń medycznych, 100 węzłów brzegowych i serwerem chmurowym podobnym do tych stosowanych w praktyce. Do systemu wprowadzono mieszankę rzeczywistych danych z urządzeń noszonych i starannie wygenerowanych danych syntetycznych odzwierciedlających realistyczne wzorce tętna, poziomu cukru i aktywności, w tym celowe anomalie. Nawet z wszystkimi włączonymi zabezpieczeniami MedGuard odpowiadał w około 65 milisekund od końca do końca — wystarczająco szybko do monitorowania w czasie rzeczywistym — i poprawił opóźnienia o ponad 13 procent w porównaniu z wiodącymi alternatywami. Obsługiwał też ponad tysiąc pakietów i zapytań na sekundę, zużywał mniej energii na zapytanie niż porównywalne bezpieczne schematy i wytrzymywał szeroki zakres symulowanych ataków, od podsłuchu i manipulacji danymi po zalewy typu denial‑of‑service, z wyjątkowo niskim prawdopodobieństwem udanego włamania.

Co to oznacza dla przyszłej opieki nad pacjentem

Dla osób nietechnicznych kluczowy przekaz jest taki, że MedGuard pokazuje, iż można osiągnąć najlepsze z obu światów: monitorowanie zdrowia na dużą skalę, zawsze włączone, oraz silne matematyczne gwarancje, że dane pozostają prywatne, a wyniki — wiarygodne. Lekarze mogą prowadzić rozbudowane statystyki i analizy trendów nad całymi populacjami pacjentów, nie widząc nigdy surowych odczytów poszczególnych osób, a szpitale nie muszą już pokładać ślepego zaufania w wielu komputerach znajdujących się między urządzeniem pacjenta a chmurą. Choć ramy wciąż wymagają testów w środowisku rzeczywistym i dalszego dostrojenia w celu zmniejszenia obciążenia obliczeniowego, wytyczają praktyczną ścieżkę ku inteligentnym systemom opieki zdrowotnej, które są nie tylko inteligentne i szybkie, ale też weryfikowalnie bezpieczne w odniesieniu do najbardziej wrażliwych informacji pacjentów.

Cytowanie: 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

Słowa kluczowe: Internet rzeczy medycznych, analizy z zachowaniem prywatności, szyfrowanie homomorficzne, dowie‑rzeczywistości zerowej wiedzy, inteligentna opieka zdrowotna