Analytics de dados escaláveis que preservam a privacidade para IoMT via FHE e agregação de borda habilitada por zk-SNARKs

Por que dados médicos mais seguros importam

A medicina moderna depende cada vez mais de aparelhos que usamos ou até implantamos—relógios que monitoram a frequência cardíaca, monitores de glicose e inaladores inteligentes. Juntos, esses dispositivos formam a “Internet das Coisas Médicas”, transmitindo um fluxo contínuo de dados de saúde para médicos e hospitais. Esse fluxo é valioso para detectar sinais de alerta precoces, mas também é profundamente pessoal. Este artigo apresenta o MedGuard, uma estrutura projetada para permitir que sistemas de saúde aprendam com esses dados em escala, mantendo as informações de cada paciente protegidas contra olhares curiosos—mesmo dos próprios computadores que realizam a análise.

O problema com as redes de saúde inteligentes atuais

Os sistemas de saúde conectados atuais funcionam enviando leituras de milhares de dispositivos para gateways próximos e depois para a nuvem para análise. Ao longo do caminho, surgem vários pontos fracos. Um gateway desonesto pode alterar silenciosamente ou descartar dados, distorcendo estatísticas como frequência cardíaca média ou glicemia. Muitas proteções existentes se concentram apenas em embaralhar dados em trânsito, sem provar que os resultados que produzem são realmente corretos. Outras são ou simples demais—suportando apenas somas básicas—ou pesadas demais, retardando dispositivos de baixa energia com matemática complexa. Como resultado, redes de saúde costumam ter que escolher entre análises ricas, forte privacidade e desempenho prático, em vez de obter os três.

Uma nova forma de proteger e verificar dados de saúde

O MedGuard foi construído para fechar essa lacuna. Ele combina duas ideias avançadas da criptografia de forma que fica transparente para pacientes e clínicos. Primeiro, cada dispositivo criptografa suas leituras de um modo especial que ainda permite aos computadores somar e calcular médias sem jamais descriptografá‑las. Segundo, quando um gateway de borda agrega leituras de muitos pacientes, ele também produz um pequeno “recibo” matemático—uma prova de conhecimento zero—de que o cálculo realizado foi honesto, novamente sem expor os dados originais. A nuvem aceita um resultado apenas se essa prova for validada. Esse desenho elimina a necessidade de confiar cegamente em qualquer intermediário: mesmo que um nó de borda seja comprometido, ele não pode forjar estatísticas regionais de forma convincente sem ser detectado.

Como o pipeline do MedGuard funciona na prática

No esquema do MedGuard, sensores simples sobre ou dentro do corpo criptografam cada nova medição e anexam metadados básicos como hora e ID do dispositivo. Esses pacotes criptografados viajam por links de internet seguros até servidores de borda locais. Cada servidor de borda agrupa dados de cerca de dez dispositivos e, ainda sem descriptografar, calcula somas, médias ou medidas de variabilidade. Em seguida, gera a prova de conhecimento zero e encaminha tanto o resultado criptografado quanto a prova para a nuvem. A nuvem primeiro verifica a prova; só então combina resultados de todas as regiões, executa análises mais avançadas—como checar por picos incomuns ou tendências de longo prazo—e, para médicos autorizados, descriptografa apenas as respostas finais sumarizadas. Os dados brutos dos pacientes permanecem criptografados em cada etapa e são armazenados em um banco de dados seguro com regras de acesso granulares.

Desempenho em uma rede hospitalar simulada

Os autores testaram o MedGuard em uma simulação detalhada com 1.000 dispositivos médicos, 100 nós de borda e um servidor em nuvem similar aos usados na prática. Eles alimentaram o sistema com uma mistura de dados reais de sensores vestíveis e dados sintéticos cuidadosamente gerados refletindo padrões realistas de frequência cardíaca, glicemia e atividade, incluindo anomalias deliberadas. Mesmo com todas as proteções ativadas, o MedGuard respondeu em cerca de 65 milissegundos de ponta a ponta—rápido o suficiente para monitoramento em tempo real—e melhorou a latência em mais de 13% em comparação com alternativas de ponta. Também lidou com mais de mil pacotes e consultas por segundo, usou menos energia por consulta do que esquemas seguros comparáveis e resistiu a uma ampla gama de ataques simulados, desde escutas e alteração de dados até inundações de negação de serviço, com chances extremamente baixas de uma violação bem‑sucedida.

O que isso significa para o cuidado futuro do paciente

Para não‑especialistas, a mensagem principal é que o MedGuard demonstra ser possível obter o melhor dos dois mundos: monitoramento de saúde em grande escala e sempre ativo, com garantias matemáticas fortes de que os dados permanecem privados e os resultados são confiáveis. Médicos podem executar estatísticas ricas e análises de tendências sobre populações inteiras de pacientes sem jamais ver as leituras brutas dos indivíduos, e hospitais não precisam mais depositar fé cega nos muitos computadores que ficam entre o wearable do paciente e a nuvem. Embora a estrutura ainda precise de testes no mundo real e de ajustes adicionais para aliviar sua carga computacional, ela traça um caminho prático para sistemas de saúde inteligentes que são não apenas inteligentes e rápidos, mas também verificavelmente seguros em relação às informações mais sensíveis dos pacientes.

Citação: 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

Palavras-chave: Internet das Coisas Médicas, análises que preservam a privacidade, criptografia homomórfica, provas de conhecimento zero, saúde inteligente