Skalbar integritetsbevarande dataanalys för IoMT via FHE och zk-SNARK‑stödd kantaggregering

Varför säkrare medicinska data spelar roll

Modern medicin förlitar sig i allt större utsträckning på apparater vi bär eller till och med har implanterade—klockor som mäter hjärtfrekvens, glukosmätare och smarta inhalatorer. Tillsammans bildar dessa enheter ”Internet of Medical Things” och strömmar konstant hälsoinformation till läkare och sjukhus. Denna datastream är värdefull för att upptäcka tidiga varningssignaler, men den är också djupt personlig. Denna artikel presenterar MedGuard, ett ramverk utformat för att låta vårdsystem lära av sådana data i stor skala samtidigt som varje patients information hålls undan nyfikna ögon—even från de datorer som utför analyserna.

Problemet med dagens smarta hälsnätverk

Dagens uppkopplade hälsosystem fungerar genom att skicka mätvärden från tusentals enheter till närliggande gateways och vidare till molnet för analys. På vägen uppstår flera svaga punkter. En illojal gateway kan tyst ändra eller släppa data och snedvrida statistik som genomsnittlig hjärtfrekvens eller blodsocker. Många befintliga skydd fokuserar bara på att kryptera data under överföring, utan att bevisa att de resultat som produceras faktiskt är korrekta. Andra lösningar är antingen för enkla—stödjer bara grundläggande summor—or för tunga, vilket gör att lågströmsenheter blir långsamma av komplexa beräkningar. Som en följd måste hälsnätverk ofta välja mellan riklig analyskapacitet, stark integritet och praktisk prestanda, istället för att få alla tre.

Ett nytt sätt att skydda och verifiera hälsodata

MedGuard är byggt för att överbrygga detta glapp. Det kombinerar två avancerade idéer från kryptografin på ett sätt som är dolt för patienter och kliniker. För det första krypterar varje enhet sina mätningar på ett särskilt vis som ändå låter datorer addera och räkna medelvärden utan att någonsin dekryptera dem. För det andra, när en kantgateway kombinerar mätningar från många patienter, producerar den också ett litet matematiskt ”kvitto”—ett nollkunskapsbevis—att den beräkning den utförde var korrekt, återigen utan att avslöja de ursprungliga uppgifterna. Molnet accepterar ett resultat bara om detta bevis går igenom. Denna design tar bort behovet av att blint lita på någon mellanhand: även om en kantnod komprometteras kan den inte trovärdigt fejka regional statistik utan att bli upptäckt.

Hur MedGuard‑pipeline fungerar i praktiken

I MedGuard‑arkitekturen krypterar enkla sensorer på eller i kroppen varje ny mätning och bifogar grundläggande metadata som tidpunkt och enhets‑ID. Dessa krypterade paket färdas över säkra internetlänkar till lokala kantservrar. Varje kantserver grupperar data från cirka tio enheter och beräknar, fortfarande utan dekryptering, summor, medelvärden eller mått på variabilitet. Den genererar sedan nollkunskapsbeviset och vidarebefordrar både det krypterade resultatet och beviset till molnet. Molnet verifierar först beviset; först därefter kombinerar det resultat från alla regioner, kör mer avancerade analyser—som att leta efter ovanliga toppar eller långsiktiga trender—och för auktoriserade läkare dekrypterar det endast de slutliga, sammanfattade svaren. Rå patientdata förblir krypterade i varje steg och lagras i en säker databas med finmaskiga åtkomsträttigheter.

Prestanda i ett simulerat sjukhusnätverk

Författarna testade MedGuard i en detaljerad datorsimulering med 1 000 medicinska enheter, 100 kantnoder och en molnserver liknande de som används i praktiken. De matade systemet med en blandning av verkliga bärbara sensorsdata och noggrant genererade syntetiska data som speglar realistiska mönster för hjärtfrekvens, blodsocker och aktivitet, inklusive avsiktliga anomalier. Även med alla skydd aktiverade svarade MedGuard på cirka 65 millisekunder end‑to‑end—tillräckligt snabbt för realtidsövervakning—och förbättrade fördröjningen med mer än 13 procent jämfört med ledande alternativ. Det hanterade också över tusen paket och förfrågningar per sekund, använde mindre energi per förfrågan än jämförbara säkra system och motstod ett brett spektrum av simulerade attacker, från avlyssning och datamanipulation till överbelastningsattacker, med extremt små chanser för ett lyckat intrång.

Vad detta betyder för framtidens patientvård

För icke‑specialister är huvudbudskapet att MedGuard visar att det är möjligt att få det bästa av två världar: storskalig, alltid‑på hälsomonitorering och starka matematiska garantier att data förblir privata och att resultaten är pålitliga. Läkare kan köra avancerad statistik och trendanalyser över hela patientpopulationer utan att någonsin se individers råa mätvärden, och sjukhus behöver inte längre lägga blind tillit till de många datorer som står mellan en patients wearables och molnet. Medan ramverket fortfarande behöver verkliga fälttester och ytterligare justeringar för att minska sin beräkningsbörda, skisserar det en praktisk väg mot smarta vårdsystem som inte bara är intelligenta och snabba, utan också verifierbart säkra vad gäller patienters mest känsliga information.

Citering: 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

Nyckelord: Internet of Medical Things, integritetsbevarande analys, homomorfisk kryptering, nollkunskapsbevis, smart vård