www.fabioliberti.comFonti ufficiali · Apprendimento federato · Rassegna della letteratura scientifica

Apprendimento federato

Quadro di riferimento normativo e tecnico

Presentazione

Aggiornamento: 16 novembre 2026 · A cura di Fabio Liberti · Versione 0.1.3

L'apprendimento federato addestra un modello su dati che restano presso i centri che li detengono: circolano gli aggiornamenti del modello, non i dati. Nessuna norma europea o nazionale lo disciplina con questo nome. Le regole che lo riguardano sono quelle generali su protezione dei dati, sicurezza informatica, intelligenza artificiale, dispositivi medici e Spazio europeo dei dati sanitari.

Questa pagina collega ciascuna fase di un progetto di apprendimento federato in sanità alle norme e alle linee guida che la riguardano, con il riferimento puntuale e la conseguenza pratica. Ogni fonte rimanda alla scheda nella raccolta delle fonti ufficiali. La sezione Questioni aperte riporta i punti che le fonti stesse indicano come non risolti.

Due riferimenti nei testi vincolanti si avvicinano di più all'apprendimento federato. Il considerando 69 dell'AI Act menziona, tra le misure di tutela dei dati, le «tecnologie che consentano di inserire algoritmi nei dati e di addestrare i sistemi di IA senza trasmissione tra le parti o copia degli stessi dati». L'art. 53 dell'EHDS ammette tra le finalità dell'uso secondario l'«addestramento, prova e valutazione degli algoritmi». (testo: AI Act considerando 69, p. 20 · EHDS art. 53, p. 59).

Fasi

Fasi

Accordo tra centri e base giuridica

Definire chi decide finalità e mezzi dell'addestramento, su quale base giuridica si trattano i dati sanitari e con quali garanzie.

Tema e riferimentoConseguenza per l'apprendimento federatoFonti
Ruoli del trattamentoGDPR, artt. 26 e 28Gli ospedali che stabiliscono insieme finalità e mezzi dell'addestramento sono contitolari e regolano i rispettivi obblighi in un accordo; un coordinatore che aggrega solo su istruzione dei centri è responsabile del trattamento.GDPRTesto: GDPR art. 26, p. 48 · GDPR art. 28, p. 49
Base giuridica e garanzie per la ricercaGDPR, art. 6, art. 9, par. 2, lett. j), art. 89, par. 1Il trattamento di dati sanitari per ricerca richiede una base giuridica e garanzie adeguate, tra cui la minimizzazione e, ove possibile, la pseudonimizzazione.GDPRTesto: GDPR art. 6, p. 36 · GDPR art. 9, p. 38 · GDPR art. 89, p. 84
Ricerca senza consenso in ItaliaCodice privacy, artt. 110 e 110-bis; regole deontologiche (allegato A5)L'art. 110 richiede valutazione d'impatto e parere favorevole del comitato etico; l'art. 110-bis, comma 4, stabilisce che negli IRCCS l'uso a fini di ricerca dei dati raccolti per l'assistenza non è trattamento ulteriore.Codice privacyRegole deontologicheTesto: Codice art. 110 · Codice art. 110-bis
Uso secondario tramite lo Spazio europeo dei dati sanitariEHDS, art. 53, par. 1, lett. e), punto ii); artt. 67, 68 e 74L'addestramento, la prova e la valutazione di algoritmi, anche per dispositivi medici e sistemi di IA, è una finalità ammessa. L'accesso passa per domanda e autorizzazione dell'organismo di accesso, che nell'ambiente sicuro agisce come responsabile per conto dell'utente dei dati.EHDSTesto: EHDS art. 53, p. 59 · EHDS art. 67, p. 69 · EHDS art. 68, p. 70 · EHDS art. 74, p. 76
Federazione di ambienti sicuriTEHDAS2 D7.4, par. 4.2.2 (requisiti FSPER e FCR)Più ambienti sicuri possono formare una federazione solo sulla base di un accordo giuridico o contrattuale; il progetto deve essere autorizzato al calcolo federato, che gli organismi di accesso non sono obbligati a offrire.TEHDAS2 D7.4Testo: TEHDAS2 D7.4 par. 4.2.2, p. 24
Dati protetti del settore pubblico fuori dall'EHDSData Governance Act, art. 5Il riutilizzo di dati protetti di enti pubblici è consentito solo su dati anonimizzati o in un ambiente di trattamento sicuro controllato dall'ente.Data Governance ActTesto: DGA art. 5, p. 22
Valutazione d'impattoGDPR, art. 35; decalogo del Garante sull'IA in sanitàIl trattamento su larga scala di dati sanitari con tecnologie nuove richiede una valutazione d'impatto, che deve considerare anche i rischi specifici dello scambio di aggiornamenti.GDPRDecalogo del GaranteTesto: GDPR art. 35, p. 53

Fasi

Preparazione dei dati locali

Selezionare, ridurre e trasformare i dati in ciascun centro prima dell'addestramento.

Tema e riferimentoConseguenza per l'apprendimento federatoFonti
Minimizzazione e pseudonimizzazioneGDPR, art. 4, punto 5, artt. 5, par. 1, lett. c) e 25; EHDS, art. 66Ogni centro usa solo i dati necessari. Nell'EHDS i dati sono forniti anonimizzati quando basta, altrimenti pseudonimizzati, con la chiave conservata solo dall'organismo di accesso o da un terzo affidabile.GDPREHDSTesto: GDPR art. 4, p. 33 · GDPR art. 25, p. 48 · EHDS art. 66, p. 69
Tecniche di pseudonimizzazioneENISA 2022; ISO 25237; EDPB, linee guida 01/2025 (versione per consultazione)Indicano come scegliere tecnica e dominio di pseudonimizzazione in scenari sanitari; la pseudonimizzazione non rende anonimi i dati.ENISAISO 25237EDPB 01/2025
Opposizione all'uso secondarioEHDS, art. 71; TEHDAS2 D8.1I dati di chi si è opposto vanno esclusi dalle autorizzazioni successive alla registrazione dell'opposizione, che non è retroattiva; l'elenco cambia nel tempo e va considerato alla data dell'autorizzazione.EHDSTEHDAS2 D8.1Testo: EHDS art. 71, p. 73 · TEHDAS2 D8.1 par. 5.7.1, p. 51
Governance dei dati di addestramentoAI Act, art. 10, parr. 2, 3 e 5Se il modello è destinato a un sistema ad alto rischio, i dati di addestramento devono essere pertinenti e rappresentativi e soggetti a pratiche di governance documentate; le categorie particolari possono essere trattate eccezionalmente per rilevare e correggere distorsioni.AI ActTesto: AI Act art. 10, p. 57

Fasi

Addestramento locale e infrastruttura

Mettere in sicurezza i nodi dei centri, la piattaforma software e i canali di comunicazione.

Tema e riferimentoConseguenza per l'apprendimento federatoFonti
Misure di sicurezza dei soggetti NISNIS2, art. 21; D.Lgs. 138/2024, art. 24; determinazione ACN 379907Per gli ospedali soggetti alla NIS2 i nodi di addestramento rientrano nei sistemi da coprire con le misure di gestione del rischio, compresa la sicurezza della catena di fornitura.NIS2D.Lgs. 138/2024Determinazione ACNTesto: NIS2 art. 21, p. 48 · D.Lgs. 138/2024 art. 24
Ambiente di trattamento sicuroEHDS, art. 73, par. 1; TEHDAS2 D7.4 e D7.1Accesso limitato a persone autorizzate con identità individuali, riduzione del rischio di copia o modifica, registrazioni degli accessi conservate almeno un anno. D7.4 tratta l'apprendimento federato tra più ambienti sicuri.EHDSTEHDAS2 D7.4TEHDAS2 D7.1Testo: EHDS art. 73, p. 75
Software della piattaformaCyber Resilience Act, art. 2 e allegato IIl software di apprendimento federato immesso sul mercato è un prodotto con elementi digitali soggetto ai requisiti essenziali, salvo che sia disciplinato come dispositivo medico.CRATesto: CRA art. 2, p. 28
Reti cliniche e dispositivi connessiIEC 80001-1:2021Il collegamento di nodi di calcolo alla rete clinica va gestito con un processo di gestione del rischio che consideri sicurezza del paziente, efficacia e sicurezza informatica.IEC 80001-1
Architettura e canaliNIST SP 800-207; guida NSA–CISA su Kubernetes; linee guida ACN sulle funzioni crittograficheVerifica continua delle identità dei nodi, isolamento dei carichi di lavoro e configurazione TLS secondo i parametri raccomandati.NIST SP 800-207Guida KubernetesLinee guida ACN

Fasi

Aggregazione e scambio degli aggiornamenti

Combinare gli aggiornamenti dei centri limitando ciò che rivelano e resistendo a partecipanti malevoli.

Tema e riferimentoConseguenza per l'apprendimento federatoFonti
Natura delle informazioni scambiateEDPB, parere 28/2024; TEHDAS2 D7.4, par. 4.2.2Aggiornamenti e modelli addestrati su dati personali non sono anonimi per presunzione. Per D7.4 l'anonimato delle informazioni scambiate nell'apprendimento federato non può essere pienamente garantito.Parere EDPB 28/2024TEHDAS2 D7.4Testo: TEHDAS2 D7.4 par. 4.2.2, p. 24
Sicurezza del trattamentoGDPR, art. 32Cifratura, aggregazione sicura e privacy differenziale sono misure tecniche da valutare in base allo stato dell'arte e al rischio.GDPRTesto: GDPR art. 32, p. 51
Partecipanti malevoliAI Act, art. 15, par. 5, terzo comma; considerando 76Le soluzioni tecniche devono prevenire, accertare e contrastare l'avvelenamento dei dati e del modello, gli esempi antagonistici e gli attacchi alla riservatezza; il considerando 76 cita espressamente anche gli attacchi di inferenza di appartenenza. Nell'apprendimento federato la minaccia può venire da un centro partecipante.AI ActTesto: AI Act art. 15, par. 5, p. 61 · AI Act considerando 76, p. 22
Tassonomie degli attacchiNIST AI 100-2 E2025; OWASP Machine Learning Security Top 10; MITRE ATLASClassificano inferenza di appartenenza, ricostruzione, avvelenamento e porte nascoste, utili per scrivere il modello di minaccia del progetto.NIST AI 100-2OWASP ML Top 10MITRE ATLAS
Privacy differenzialeNIST SP 800-226Spiega come valutare una garanzia di privacy differenziale: unità protetta, parametri, contabilità della perdita di privacy e insidie di implementazione.NIST SP 800-226

Fasi

Uscita del modello

Decidere se e come il modello addestrato può lasciare l'ambiente sicuro o il consorzio.

Tema e riferimentoConseguenza per l'apprendimento federatoFonti
Solo dati non personali in uscitaEHDS, art. 73, par. 2L'organismo di accesso esamina ciò che si chiede di scaricare: possono uscire solo dati non personali, compresi i dati in forma statistica anonimizzata. Un modello che conserva informazioni personali non può uscire.EHDSTesto: EHDS art. 73, par. 2, p. 75
Anonimato del modelloEDPB, parere 28/2024; EDPB, linee guida 02/2026 (versione 1.0)L'anonimato va dimostrato caso per caso, considerando la probabilità di estrarre dati personali dal modello e i criteri di isolamento, collegamento e inferenza.Parere EDPB 28/2024EDPB 02/2026
Rilascio di modelli dagli ambienti sicuriTEHDAS2 D7.2, par. 5.5.3; D7.4, esportazione dei risultatiLa responsabilità finale resta all'organismo di accesso; le simulazioni di attacco possono non essere praticabili e i requisiti possono essere attenuati se si è usata la privacy differenziale. Il modello federato esce solo dopo valutazione del rischio e approvazione dell'organismo.TEHDAS2 D7.2TEHDAS2 D7.4Testo: TEHDAS2 D7.2 par. 5.5.3, p. 52 · TEHDAS2 D7.4 par. 4.2.2, p. 24

Fasi

Uso clinico del modello

Impiegare il modello nell'assistenza, come dispositivo medico o come sistema di IA ad alto rischio.

Tema e riferimentoConseguenza per l'apprendimento federatoFonti
Dispositivo medicoMDR, allegato I, punti 17.2 e 17.4; IVDR, allegato I, punti 16.2 e 16.4; MDCG 2019-16; IEC 81001-5-1Se il modello ha finalità mediche, il software deve essere sviluppato secondo lo stato dell'arte con sicurezza delle informazioni, e il fabbricante deve indicare le misure di sicurezza informatica necessarie.MDRIVDRMDCG 2019-16IEC 81001-5-1Testo: MDR allegato I, punto 17.4, p. 101 · IVDR allegato I, punto 16.4, p. 89
Sistema di IA ad alto rischioAI Act, artt. 6, 9, 15, 26 e 72, come modificato dal Reg. (UE) 2026/1744; MDCG 2025-6Un modello inserito in un dispositivo medico soggetto a valutazione di terzi è ad alto rischio: gestione del rischio, robustezza, obblighi dell'utilizzatore e monitoraggio dopo l'immissione, applicabili dal 2 agosto 2028.AI ActOmnibus digitale sull'IAMDCG 2025-6Testo: AI Act art. 6, p. 53 · AI Act art. 9, p. 56 · AI Act art. 26, p. 67 · AI Act art. 72, p. 101
Decisioni e trasparenza verso il pazienteGDPR, art. 22; L. 132/2025, art. 7, commi 3 e 5; decalogo del GaranteI sistemi di IA sono un supporto: la decisione resta sempre rimessa al medico e l'interessato ha diritto di essere informato sull'impiego di tecnologie di IA. Il GDPR limita le decisioni basate unicamente su trattamenti automatizzati.GDPRLegge 132/2025Decalogo del GaranteTesto: GDPR art. 22, p. 46 · L. 132/2025 art. 7
Gestione del rischio dell'IA nell'organizzazioneNIST AI 100-1; ISO/IEC 42001:2023Quadri volontari per governare il ciclo di vita del modello, utili per documentare responsabilità e controlli tra i centri.NIST AI 100-1ISO/IEC 42001

Fasi

Diritti degli interessati lungo il ciclo

Garantire informazione, opposizione e cancellazione anche quando i dati hanno già contribuito a un modello.

Tema e riferimentoConseguenza per l'apprendimento federatoFonti
InformazioneGDPR, artt. 13 e 14, par. 5, lett. b)Per la ricerca l'obbligo di informazione individuale può essere attenuato se richiede uno sforzo sproporzionato, con misure appropriate come l'informazione pubblica.GDPRTesto: GDPR art. 13, p. 40 · GDPR art. 14, p. 41
Opposizione e cancellazioneGDPR, artt. 17 e 21; EHDS, art. 71Le norme non dicono come esercitare questi diritti su un modello già addestrato: l'opposizione EHDS vale solo per le autorizzazioni successive.GDPREHDSTesto: GDPR art. 17, p. 43 · GDPR art. 21, p. 45 · EHDS art. 71, p. 73
TracciabilitàEHDS, art. 73, par. 1, lett. e); EHDS, allegato II, punto 3Registrazioni degli accessi e delle attività nell'ambiente sicuro, conservate almeno un anno, e registrazione degli accessi ai sistemi di cartella clinica elettronica.EHDSTesto: EHDS art. 73, p. 75 · EHDS allegato II, punto 3.2, p. 94

Questioni aperte

Punti che le fonti ufficiali raccolte indicano come non risolti, o su cui non danno indicazioni.

  1. Gli aggiornamenti e i modelli scambiati sono dati personali?Il parere EDPB 28/2024 rinvia a una valutazione caso per caso; TEHDAS2 D7.4 afferma che l'anonimato delle informazioni scambiate non può essere pienamente garantito. Mancano criteri misurabili.Parere EDPB 28/2024 · TEHDAS2 D7.4
  2. Con quali prove un modello può uscire da un ambiente sicuro?TEHDAS2 D7.2 dichiara di non poter fornire criteri definitivi per l'approvazione della divulgazione; le soglie restano una questione aperta.TEHDAS2 D7.2
  3. Chi è titolare in un consorzio federato fuori dall'EHDS?L'EHDS definisce i ruoli nel proprio perimetro (art. 74). Per i consorzi tra ospedali fuori dall'EHDS l'unica indicazione europea è un esempio delle linee guida EDPB 1/2026, ancora in versione per consultazione, che qualifica come contitolari i partner di una base di dati federata (vedi Documenti specifici).EHDS
  4. Come si esercitano opposizione e cancellazione su un modello già addestrato?L'opposizione EHDS non è retroattiva; né il GDPR né l'EHDS indicano come rimuovere il contributo di un interessato da un modello.TEHDAS2 D8.1 · GDPR
  5. Come si dimostra la robustezza contro centri malevoli?L'AI Act chiede misure contro l'avvelenamento (art. 15, par. 5) ma non fissa metriche; alla data di aggiornamento non risultano norme armonizzate pubblicate su questo punto.AI Act
  6. Quando arriveranno le regole tecniche dell'EHDS sugli ambienti sicuri?Gli atti di esecuzione sugli ambienti di trattamento sicuri e sull'infrastruttura HealthData@EU non risultano ancora pubblicati; l'uso secondario si applica dal 26 marzo 2029.EHDS

Documenti specifici

Documenti di autorità, organismi internazionali e organismi di normazione che trattano espressamente l'apprendimento federato. Verificati sulle fonti ufficiali alla data di aggiornamento.

DocumentoContenutoTesto
EDPS e AEPD, TechDispatch n. 1/2025 – Federated LearningGarante europeo della protezione dei dati e Agencia Española de Protección de Datos, giugno 2025; ISBN 978-92-9242-892-1; licenza CC BY 4.0L'unico documento di autorità di protezione dei dati dedicato all'apprendimento federato, con un paragrafo sui modelli di IA in sanità. Ne descrive i benefici per minimizzazione e responsabilizzazione e avverte che i dati scambiati e il modello finale non vanno considerati anonimi senza un'analisi tecnica e giuridica caso per caso.Fasi: preparazione dei dati; addestramento; aggregazione; uscita del modello; diritti degli interessatiEDPSPDF (AEPD)
TEHDAS2 D7.4, par. 4.2.2 – Federated computing requirementsSpecifica tecnica sugli ambienti di trattamento sicuri, 24.2.2026Distingue l'analisi federata, con risultati anonimi per costruzione, dall'apprendimento federato, in cui l'anonimato delle informazioni scambiate non può essere pienamente garantito. Richiede una federazione di ambienti sicuri basata su accordo, e l'uscita del modello solo dopo valutazione del rischio e approvazione dell'organismo di accesso. Il calcolo federato non è obbligatorio per gli organismi di accesso.Fasi: accordo tra centri; addestramento; aggregazione; uscita del modelloSchedaPDF
TEHDAS2 D7.3 – GlossarioSpecifiche tecniche sull'infrastruttura informatica comune, 24.2.2026, allegato 4Definisce analisi federata, apprendimento federato e trattamento federato nel contesto di HealthData@EU: nell'apprendimento federato i modelli sono addestrati su risorse distribuite senza trasferire i dati grezzi, scambiando solo aggiornamenti o gradienti.Fasi: accordo tra centri (terminologia)PDF
TEHDAS2 D7.1 – Uso dei dati in un ambiente sicuroLinee guida per gli utenti dei dati, 27.5.2025Ammette l'analisi federata di dati conservati in più ambienti sicuri sotto la supervisione dell'organismo di accesso; il resoconto della consultazione segnala che il documento non tratta l'apprendimento federato.Fasi: accordo tra centri; addestramentoScheda
EDPB, Linee guida 1/2026 sul trattamento di dati personali per finalità di ricerca scientificaAdottate il 15.4.2026, versione per la consultazione pubblicaNon nominano l'apprendimento federato, ma indicano basi di dati federate, ambienti di trattamento sicuri e tecnologie per la tutela della vita privata tra le garanzie dell'art. 89 GDPR. In un esempio qualificano come contitolari i partner di un consorzio ospedaliero che gestisce una base di dati federata.Fasi: accordo tra centri; diritti degli interessatiEDPB
ENISA, Engineering Personal Data Protection in EU Data SpacesVersione 1.0, gennaio 2024Indica che la scelta dell'apprendimento federato come mezzo di tutela va attuata e coordinata dal titolare del trattamento in stretta collaborazione con l'intermediario dei dati.Fasi: accordo tra centriScheda
CNIL, Bac à sable «santé numérique» – raccomandazioni ai vincitoriRapporto della sandbox sulla sanità digitale, 2022 (pubblicato nel 2023); progetto CHU di Lille e InriaAccompagnamento di un progetto di apprendimento federato tra più archivi di dati sanitari ospedalieri. Se gli aggregati scambiati non possono essere considerati anonimi, il loro invio costituisce un'esportazione di dati personali durante l'addestramento, con le relative formalità e i diritti degli interessati.Fasi: accordo tra centri; aggregazione; diritti degli interessatiPDFScheda IA (2024)
OCSE, Emerging privacy enhancing technologies: Current regulatory and policy approachesOECD Digital Economy Papers, n. 351, marzo 2023Classifica l'apprendimento federato tra le analisi federate e distribuite: riduce la necessità di vedere e conservare dati sensibili, ma i parametri inviati possono far trapelare informazioni. Cita reti sanitarie distribuite e la sandbox della CNIL.Fasi: addestramento; aggregazione; uscita del modelloPDF
Nazioni Unite, The PET GuideGuida sulle tecnologie per la tutela della vita privata nelle statistiche ufficiali, UN-CEBD, 2023Presenta l'apprendimento federato come tecnica di riservatezza dell'input che da sola non garantisce la riservatezza dell'output, vulnerabile ad avvelenamento e inversione del modello, e lo combina con privacy differenziale e aggregazione cifrata. Include casi di studio con istituti statistici nazionali.Fasi: accordo tra centri; addestramento; aggregazione; uscita del modelloPDF
NIST e Regno Unito, serie sull'apprendimento federato con tutela della privacyDieci contributi, dicembre 2023 – gennaio 2025Indicazioni pratiche nate dalle sfide internazionali sulle tecnologie per la privacy: attacchi alla privacy, protezione degli aggiornamenti con aggregazione sicura, protezione del modello addestrato con privacy differenziale, problemi di implementazione e di scalabilità.Fasi: preparazione dei dati; addestramento; aggregazione; uscita del modelloNIST
IEEE 3652.1-2020Guide for Architectural Framework and Application of Federated Machine Learning; pubblicata il 19.3.2021Architettura di riferimento, categorie (orizzontale e verticale), scenari applicativi, valutazione delle prestazioni e requisiti regolatori dell'apprendimento federato. Norma a pagamento.Fasi: accordo tra centri; addestramentoIEEE
IEEE 2986-2023Recommended Practice for Privacy and Security for Federated Machine Learning; pubblicata il 26.4.2024Guasti malevoli e non malevoli, requisiti di privacy e sicurezza per il sistema e per i partecipanti, metodi di difesa e di ripristino, valutazione del rischio. Norma a pagamento.Fasi: addestramento; aggregazioneIEEE
IEEE 3187-2024Guide for Framework for Trustworthy Federated Machine Learning; pubblicata il 19.12.2024Principi e requisiti di affidabilità lungo il ciclo di vita: privacy, sicurezza, prestazioni, efficienza, supervisione, spiegabilità. Norma a pagamento.Fasi: tutte le fasiIEEE
IEEE 3127-2025Guide for an Architectural Framework for Blockchain-Based Federated Machine Learning; pubblicata il 16.4.2025Tracciabilità e verificabilità dei contributi e dell'aggregazione tramite registri distribuiti. Norma a pagamento.Fasi: aggregazioneIEEE
ITU-T, raccomandazioni sull'apprendimento federatoF.748.24 (04/2024), F.748.35 (06/2024), M.3387 (03/2024)Valutazione affidabile del contributo dei partecipanti, requisiti e architettura di servizi di apprendimento federato affidabili, requisiti di gestione dei sistemi federati. Non specifiche per la sanità.Fasi: accordo tra centri; addestramento; aggregazioneF.748.24F.748.35M.3387

Nota metodologica

Costruzione. I riferimenti puntuali (articoli, paragrafi, punti degli allegati) sono stati verificati sul testo ufficiale in lingua italiana degli atti dell'Unione e su Normattiva per gli atti nazionali. La colonna «Conseguenza per l'apprendimento federato» è una lettura del curatore che collega la disposizione allo scenario federato: non riproduce il testo normativo e non costituisce parere legale.

Verifica testuale. Nei testi di GDPR, AI Act, EHDS, NIS2 e CRA il termine «apprendimento federato» non compare. Tra i documenti della raccolta lo usano espressamente le specifiche TEHDAS2 sugli ambienti di trattamento sicuri e il rapporto ENISA sugli spazi di dati.

Documenti specifici. Sono inclusi solo documenti aperti e letti sul sito dell'ente o di un coautore ufficiale. Non sono inclusi, perché i siti non consentivano la verifica automatica: la guida dell'autorità britannica (ICO) sulle tecnologie per la privacy, la norma ISO/IEC 4922 sul calcolo multiparte sicuro e il progetto ISO 26502 sull'apprendimento federato per dati genomici clinici, ancora in elaborazione.

Limiti. La mappa riguarda progetti in sanità in Italia e nell'Unione; non copre il diritto di altri Paesi. Le questioni aperte riflettono lo stato delle fonti al 16 novembre 2026.

Risultati della ricerca