Presentazione
Rassegna di scoping della letteratura scientifica con revisione tra pari, pubblicata dal 1° gennaio 2023 al 15 novembre 2026, sugli attacchi e sulle difese che riguardano la riservatezza e l'integrità dei sistemi di apprendimento automatico in sanità, e sugli effetti degli incidenti informatici nelle strutture sanitarie.
Materiali. Protocollo · Registro delle ricerche · Record vagliati con le decisioni · Studi inclusi con la valutazione della qualità
La rassegna segue un protocollo dichiarato: banche dati e stringhe di ricerca, intervallo temporale, criteri di inclusione ed esclusione, regole di eleggibilità sul testo completo e valutazione della qualità di ciascuno studio. La selezione è documentata nel diagramma di flusso. È complementare alla raccolta delle fonti ufficiali.
Sintesi
Record identificati: 15.653 · vagliati per titolo e abstract: 1.157 · valutati sul testo completo: 281 · studi inclusi: 202.
| Tema | Studi | Qualità alta | Media | Bassa |
|---|---|---|---|---|
| Inferenza e rischio di divulgazione | 61 | 20 | 26 | 15 |
| Ricostruzione dai gradienti | 10 | 5 | 2 | 3 |
| Avvelenamento e aggregazione robusta | 13 | 3 | 6 | 4 |
| Privacy differenziale | 44 | 13 | 24 | 7 |
| Crittografia e calcolo sicuro | 20 | 4 | 12 | 4 |
| Rimozione dei dati e rilascio di modelli | 4 | 0 | 4 | 0 |
| Modelli linguistici e agenti clinici | 16 | 6 | 8 | 2 |
| Incidenti nelle strutture sanitarie | 34 | 5 | 19 | 10 |
| Totale | 202 | 56 | 101 | 45 |
Domanda e temi
Protocollo
Domanda. Quali attacchi alla riservatezza e all'integrità dei sistemi di apprendimento automatico e dei sistemi informativi in sanità, e quali difese, sono stati valutati empiricamente nella letteratura con revisione tra pari? Quali effetti hanno gli incidenti informatici sulle strutture sanitarie?
Tipo di rassegna. Rassegna di scoping con valutazione della qualità dei singoli studi. Lo scopo è mappare le evidenze disponibili, non stimare un effetto complessivo.
| Codice | Tema | Contenuto |
|---|---|---|
| T1 | Inferenza e rischio di divulgazione | Inferenza di appartenenza, inversione del modello e rischio di reidentificazione da modelli, dati sintetici o anonimizzati. |
| T2 | Ricostruzione dai gradienti | Recupero dei dati di addestramento da gradienti o aggiornamenti nell'apprendimento federato. |
| T3 | Avvelenamento e aggregazione robusta | Avvelenamento dei dati o del modello, porte nascoste, partecipanti bizantini e difese. |
| T4 | Privacy differenziale | Addestramento con privacy differenziale su dati sanitari, con analisi del compromesso tra privacy e utilità. |
| T5 | Crittografia e calcolo sicuro | Aggregazione sicura, cifratura omomorfica, calcolo multiparte e ambienti fidati per l'apprendimento su dati sanitari. |
| T6 | Rimozione dei dati e rilascio di modelli | Rimozione dei dati (unlearning), rilascio controllato dei modelli, ambienti di ricerca fidati. |
| T7 | Modelli linguistici e agenti clinici | Iniezione di istruzioni, jailbreak, avvelenamento e attacchi avversari a modelli linguistici medici. |
| T8 | Incidenti nelle strutture sanitarie | Studi empirici su frequenza e impatto clinico, operativo ed economico degli incidenti informatici. |
Banche dati e stringhe di ricerca
Protocollo
Ricerche eseguite il 15 novembre 2026. PubMed (interfaccia E-utilities) per la letteratura biomedica; Semantic Scholar (API di ricerca bibliografica) per le sedi informatiche. DBLP, previsto inizialmente per le sedi informatiche, non era interrogabile in modo automatico alla data della ricerca.
I record di Semantic Scholar sono stati limitati alle sedi di riferimento per sicurezza informatica, privacy e apprendimento automatico (sedi di fascia A* o A nella classificazione CORE o riviste IEEE di riferimento del settore) e alla sanità: IEEE TIFS (235), IEEE TDSC (214), ICLR (166), ACL (165), NeurIPS (159), EMNLP (138), ICML (83), ACM CCS (77), USENIX Security (60), PoPETs (57), IEEE S&P (43), NDSS (37), IEEE SaTML (30), IEEE EuroS&P (13), MICCAI (7), Medical Image Analysis (4). Su questi record è stato applicato un filtro per termini sanitari nel titolo o nell'abstract.
| Banca dati | Tema | Stringa | Filtri | Risultati |
|---|---|---|---|---|
| Semantic Scholar | T1 | "membership inference" | anni 2023–2026; titolo e abstract | 1.942 |
| Semantic Scholar | T2 | ("gradient inversion" | "gradient leakage" | "reconstruction attack" | "data reconstruction") + "federated" | anni 2023–2026; titolo e abstract | 746 |
| Semantic Scholar | T3 | (poisoning | backdoor | byzantine) + "federated learning" | anni 2023–2026; titolo e abstract | 3.211 |
| Semantic Scholar | T4 | "differential privacy" + "federated learning" | anni 2023–2026; titolo e abstract | 3.994 |
| Semantic Scholar | T5 | ("secure aggregation" | "homomorphic encryption" | "trusted execution") + "federated learning" | anni 2023–2026; titolo e abstract | 2.711 |
| Semantic Scholar | T6 | ("machine unlearning" | "federated unlearning") + (attack | privacy) | anni 2023–2026; titolo e abstract | 989 |
| Semantic Scholar | T7 | ("prompt injection" | jailbreak) + (agent | agents | "language model" | "language models") | anni 2023–2026; titolo e abstract | 3.707 |
| PubMed | T1 | ("membership inference"[tiab] OR "model inversion"[tiab] OR "privacy attack"[tiab] OR "privacy attacks"[tiab] OR "reconstruction attack"[tiab]) | data di pubblicazione 1/1/2023–15/11/2026; lingua inglese; esclusi i preprint | 188 |
| PubMed | T2-T5 | ("federated learning"[tiab] AND (attack[tiab] OR attacks[tiab] OR poisoning[tiab] OR backdoor[tiab] OR "differential privacy"[tiab] OR "secure aggregation"[tiab] OR homomorphic[tiab] OR adversarial[tiab])) | data di pubblicazione 1/1/2023–15/11/2026; lingua inglese; esclusi i preprint | 637 |
| PubMed | T6 | (("synthetic data"[tiab] OR "machine unlearning"[tiab] OR "trusted research environment"[tiab] OR "trusted research environments"[tiab] OR "secure processing environment"[tiab]) AND privacy[tiab] AND (attack[tiab] OR attacks[tiab] OR "disclosure risk"[tiab] OR "re-identification"[tiab])) | data di pubblicazione 1/1/2023–15/11/2026; lingua inglese; esclusi i preprint | 70 |
| PubMed | T7 | (("large language model"[tiab] OR "large language models"[tiab] OR LLM[tiab] OR LLMs[tiab] OR "AI agent"[tiab] OR "AI agents"[tiab]) AND ("prompt injection"[tiab] OR jailbreak[tiab] OR jailbreaking[tiab] OR "adversarial attack"[tiab] OR "adversarial attacks"[tiab] OR "data poisoning"[tiab])) | data di pubblicazione 1/1/2023–15/11/2026; lingua inglese; esclusi i preprint | 56 |
| PubMed | T8 | ((ransomware[tiab] OR cyberattack[tiab] OR cyberattacks[tiab] OR "cyber attack"[tiab] OR "cyber attacks"[tiab] OR "cybersecurity incident"[tiab] OR "cybersecurity incidents"[tiab]) AND (hospital[tiab] OR hospitals[tiab] OR healthcare[tiab] OR "health care"[tiab])) | data di pubblicazione 1/1/2023–15/11/2026; lingua inglese; esclusi i preprint | 227 |
Criteri di inclusione ed esclusione
Protocollo
Inclusione (tutti i criteri)
| Codice | Criterio |
|---|---|
| I1 | Articolo in rivista o atti di convegno con revisione tra pari, pubblicato dal 1/1/2023 al 15/11/2026, in inglese. |
| I2 | Oggetto: un attacco o una difesa per la riservatezza o l'integrità di modelli di apprendimento automatico o di dati sanitari, oppure uno studio empirico sugli incidenti informatici in sanità. |
| I3 | Contesto sanitario: la valutazione usa dati clinici, biomedici o sanitari, oppure riguarda sistemi o strutture sanitarie. |
| I4 | Contributo empirico (esperimenti, misure, dati osservazionali o qualitativi) oppure rassegna sistematica o di scoping con metodo dichiarato. |
Esclusione
| Codice | Criterio |
|---|---|
| E1 | Tipo di pubblicazione non ammesso: preprint, editoriale, commento, lettera, abstract di convegno, rassegna narrativa, capitolo. |
| E2 | Nessuna valutazione empirica: proposta architetturale, quadro concettuale, studio solo teorico. |
| E3 | Contesto non sanitario: la sanità è citata solo come motivazione. |
| E4 | Fuori tema: la sicurezza o la privacy non è l'oggetto della valutazione. |
| E5 | Duplicato o versione precedente di un lavoro incluso. |
Regole di eleggibilità sul testo completo
| Regola | Contenuto |
|---|---|
| R1 | Apprendimento federato, privacy differenziale, cifratura omomorfica, calcolo multiparte, aggregazione sicura: includere solo se lo studio VALUTA una proprietà di sicurezza o privacy: - esegue un attacco (inferenza di appartenenza, ricostruzione, inversione, avvelenamento, backdoor, esempi avversari) e ne misura l'efficacia, oppure - misura la perdita di privacy con epsilon dichiarato E analizza il compromesso privacy–utilità su più valori, oppure - fornisce un'analisi di sicurezza formale o una misura di costo e prestazioni del meccanismo crittografico rispetto a una linea di base. Se riporta solo l'accuratezza diagnostica con un meccanismo "privacy-preserving" dichiarato: E4. |
| R2 | Dati sintetici, anonimizzazione, pseudonimizzazione: includere solo se misura il rischio di divulgazione con un attacco o una metrica di rischio riconosciuta (inferenza di appartenenza o di attributi, collegamento, distanza dal record più vicino, Anonymeter, k-anonimità con attacco). Se misura solo utilità o fedeltà: E4. |
| R3 | Contesto sanitario: almeno un insieme di dati di valutazione principale deve essere clinico, biomedico o sanitario. Lavori generici in cui la sanità è solo motivazione o uno tra molti domini secondari: E3. Per i temi T1–T6, dati solo sintetici o simulati non derivati da dati clinici reali: E3. |
| R4 | Rilevamento di intrusioni di rete, anche per dispositivi medici connessi (IoMT): E4, anche quando lo studio valuta attacchi al rilevatore, perché il traffico di rete non è un dato sanitario. |
| R5 | Blockchain, autenticazione, cifratura di immagini senza componente di apprendimento automatico e senza valutazione di attacchi: E4. Architetture con sole metriche di prestazione: E2. |
| R6 | Modelli linguistici (T7): includere solo se lo studio esegue attacchi (prompt injection, jailbreak, avvelenamento, allucinazioni indotte, esempi avversari) o valuta difese su modelli o compiti medici. Modelli linguistici generici con un dominio medico tra molti: E3. |
| R7 | T8: inclusi studi quantitativi (registri, serie temporali, differenze nelle differenze, studi di caso con dati di attività clinica) e studi qualitativi con metodo dichiarato (interviste, focus group). Esclusi: indagini su consapevolezza o preparazione senza dati su incidenti (E4), testi divulgativi o introduttivi (E1), resoconti senza dati (E2). |
| R8 | Rassegne: incluse solo se sistematiche o di scoping con banche dati, stringhe e criteri dichiarati. Altrimenti E1. |
| R9 | Pubblicazione: sedi con revisione tra pari. Se la pubblicazione risulta un preprint o una lettera senza dati originali: E1. |
| R10 | Eleggibilità non verificabile: se il testo accessibile (testo completo o abstract) non permette di verificare il requisito di R1, R2 o R6 (attacco eseguito, più valori di epsilon, risultati e insiemi di dati), lo studio è escluso (E4). |
Valutazione della qualità
Protocollo
Ogni studio incluso è valutato su cinque voci, con punteggio 0 (assente), 1 (parziale) o 2 (pieno). Il totale va da 0 a 10: qualità alta da 8 a 10, media da 5 a 7, bassa da 0 a 4. La lista è costruita per questa rassegna a partire dai criteri di valutazione in uso nella letteratura di sicurezza dell'apprendimento automatico; non è uno strumento validato. Il punteggio non è usato per escludere studi.
La valutazione è fatta sul testo completo quando accessibile (149 studi), altrimenti sull'abstract (53 studi). Con il solo abstract, le voci Q4 e Q5 valgono 0 se non deducibili.
| Voce | Nome | Criterio |
|---|---|---|
| Q1 | Oggetto definito | Modello di minaccia esplicito (attaccante, conoscenze, capacità, obiettivi); per gli studi sugli incidenti, definizione dell'esposizione; per le rassegne, domanda e criteri. |
| Q2 | Rigore della valutazione | Linee di base appropriate; per le difese, attaccante adattivo o più attacchi; per l'inferenza di appartenenza, metriche a basso tasso di falsi positivi o rischio individuale; per gli studi osservazionali, gruppo di confronto e controllo dei confondenti; per le rassegne, valutazione degli studi inclusi. |
| Q3 | Validità dei dati | Dati clinici reali; più insiemi di dati o più centri; per gli incidenti, più strutture o periodo adeguato. |
| Q4 | Riproducibilità | Codice o dati disponibili, oppure parametri sufficienti a ripetere lo studio. |
| Q5 | Limiti | Limiti e validità esterna discussi esplicitamente. |
Selezione degli studi
Protocollo
Diagramma di flusso della selezione, secondo lo schema PRISMA per le rassegne di scoping.
- Record identificati in Semantic Scholar (unici)14.564
- esclusi: sede non compresa tra quelle di riferimento13.205
- esclusi: nessun termine sanitario nel titolo o nell'abstract1.289
- Record identificati in PubMed (unici)1.089
- Duplicati tra le due banche dati2
- Record vagliati per titolo e abstract1.157
- esclusi E1153
- esclusi E246
- esclusi E3475
- esclusi E4202
- Studi valutati sul testo completo o sull'abstract integrale281
- esclusi E1 (regola prevalente: R7 1)1
- esclusi E2 (regola prevalente: R5 3, — 1)4
- esclusi E3 (regola prevalente: R3 25, R6 3)28
- esclusi E4 (regola prevalente: R1 24, R10 6, R4 5, — 3, R2 3, R5 2, R7 2, R6 1)46
- esclusi: di cui riclassificati nel controllo di coerenza tra lotti13
- Studi inclusi202
Lo screening per titolo e abstract e la valutazione sul testo completo sono stati condotti da revisori singoli, con il supporto di strumenti automatici per il recupero dei record e per l'applicazione dei criteri, e un controllo finale di coerenza tra i lotti che ha riclassificato 13 studi secondo le regole R3, R4 e R10. Le decisioni non sono state ripetute in doppio da revisori indipendenti.
Inferenza e rischio di divulgazione
Studi inclusi · T1
Inferenza di appartenenza, inversione del modello e rischio di reidentificazione da modelli, dati sintetici o anonimizzati. 61 studi, ordinati per qualità e anno.
- Öztürk H. et al. (2026). Community benchmarking of generative models for privacy-preserving synthetic bulk RNA-seq data generation. Genome Biology.Confronto CAMDA 2025 di 11 generatori di RNA-seq sintetico su due coorti tumorali (~1.000 e ~5.000 pazienti) con più attacchi di inferenza di appartenenza: i modelli profondi più utili sono più vulnerabili; la privacy differenziale riduce rischio e utilità.doi:10.1186/s13059-026-04326-1 · PubMed 43021296 · codice o dati
- Berrang P. et al. (2026). Revisiting Assumptions for Membership Inference on Summary Statistics. PoPETs.Inferenza di appartenenza su statistiche aggregate (test L1 e LLR) con dati miRNA e Fitbit: la deriva temporale riduce l'accuratezza; sulle coorti di malattia l'accuratezza supera di circa 10% quella di pool casuali.doi:10.56553/popets-2026-0134 · codice o dati
- Halilovic M. et al. (2026). A case study comparing anonymized and synthetic health insurance claims data for medication safety assessments. NPJ Digital Medicine.Confronto tra anonimizzazione e dati sintetici su claims assicurativi per uno studio di sicurezza dei farmaci; rischi stimati con Anonymeter e inferenza di appartenenza in scenari ad alto e basso rischio: maggiore utilità, maggiore rischio.doi:10.1038/s41746-026-02622-5 · PubMed 41975052 · codice o dati
- Knolle M.A. et al. (2026). Disparate privacy risks from medical AI. Nature.Audit di inferenza di appartenenza a livello di paziente (attacchi a rapporto di verosimiglianza) su modelli diagnostici addestrati su sette dataset medici: successo quasi perfetto per singoli pazienti anche con AUC aggregata vicina al caso; rischio maggiore nei gruppi sottorappresentati.doi:10.1038/s41586-026-10688-0 · PubMed 42343130 · codice o dati
- Al-Saidi R. et al. (2026). Is a Win-Win possible? Achieving pareto-optimal privacy-utility balance in fine-tuned genome language model embeddings against embedding reconstruction attacks. Bioinformatics (Oxford, England).Attacchi di ricostruzione nucleotide per posizione dagli embedding di 13 modelli linguistici (generici e genomici) su sequenze umane HS3D: XLNet-Large ottiene il maggior guadagno di privacy (+19,5%); la tokenizzazione determina il compromesso privacy-utilità.doi:10.1093/bioinformatics/btag311 · PubMed 42412845 · codice o dati
- Saleem K. et al. (2025). Beacon Reconstruction Attack: Reconstruction of genomes in genomic data-sharing beacons using summary statistics. Bioinformatics (Oxford, England).Attacco di ricostruzione dei genomi dei partecipanti a beacon genomici dalle sole statistiche riassuntive, sfruttando correlazioni tra SNP (HapMap, OpenSNP): F1 70% contro 45% delle linee di base; genomi ricostruiti riusabili per inferenza di appartenenza.doi:10.1093/bioinformatics/btaf273 · PubMed 40388204 · codice o dati
- Rosenblatt L. et al. (2025). Fragments to Facts: Partial-Information Fragment Inference from LLMs. ICML.Attacchi di inferenza su frammenti (rapporto di verosimiglianza e PRISM) contro LLM addestrati su dialoghi medico-paziente MTS-Dialog: conoscendo alcuni termini clinici l'attaccante inferisce altri dati, con prestazioni pari a un classificatore con dati etichettati.codice o dati
- Adams T. et al. (2025). On the fidelity versus privacy and utility trade-off of synthetic patient data. iScience.Confronto di cinque modelli di dati sintetici su tre dataset di pazienti con inferenza di appartenenza, singling out e inferenza di attributi: senza DP nessuna violazione evidente; la DP altera le correlazioni; la sanificazione k-anonima introduce rischi.doi:10.1016/j.isci.2025.112382 · PubMed 40343279 · codice o dati
- Johansson N. et al. (2025). Privacy Risks in Time Series Forecasting: User- and Record-Level Membership Inference. IEEE SaTML.Inferenza di appartenenza (LiRA adattato e attacco DTS) su modelli di previsione LSTM e N-HiTS con dati EEG clinici TUH-EEG: attacchi a livello utente spesso con rilevamento perfetto (TPR 100% a FPR 0%).doi:10.1109/SaTML68715.2026.00061 · codice o dati
- Zhou Z. et al. (2024). Privacy enhancing and generalizable deep learning with synthetic data for mediastinal neoplasm diagnosis. NPJ Digital Medicine.Immagini mediche sintetiche annotate generate con diffusione (DiffGuard) per addestrare modelli di neoplasie mediastiniche: minore fuga di dati e maggiore resistenza ad attacchi alla privacy su dati e modello, con migliore generalizzazione in valutazione multicentrica.doi:10.1038/s41746-024-01290-7 · PubMed 39427092 · codice o dati
- Venkatesaramani R. et al. (2023). Enabling tradeoffs in privacy and utility in genomic data Beacons and summary statistics. Genome Research.Inferenza di appartenenza con rapporto di verosimiglianza su Beacon genomici e statistiche riassuntive; metodi di ottimizzazione che combinano soppressione e modifica delle varianti offrono migliore compromesso privacy-utilità dello stato dell'arte con due modelli di attaccante.doi:10.1101/gr.277674.123 · PubMed 37217251
- Mosca M.J., Cho H. (2023). Reconstruction of private genomes through reference-based genotype imputation. Genome Biology.Attacco a server di imputazione genotipica: input artificiali adattivi ricostruiscono gli aplotipi di pannelli di riferimento di genomi reali e un collegamento bayesiano tramite parenti riassembla genomi diploidi.doi:10.1186/s13059-023-03105-6 · PubMed 38053191
- Khanam T. et al. (2026). A Privacy-Preserving Markov Chain-Based Framework for Robust Motor Imagery EEG Classification in Brain-Computer Interfaces. Healthcare Technology Letters.Rappresentazione EEG di immaginazione motoria tramite matrici di transizione markoviane (BCI Competition III IVa e IVb) valutata con inferenza di appartenenza basata su verosimiglianza e inversione delle feature: attacchi vicini al caso, accuratezza superiore al 98%.doi:10.1049/htl2.70093 · PubMed 42488525
- Kim Y. et al. (2026). An integrated evaluation framework for synthetic clinical data in severely imbalanced settings: fidelity, privacy-risk profiling, and diagnostic utility. BMC Medical Informatics and Decision Making.Valutazione di dati sintetici EHR (VAE, CTGAN) della coorte coreana KoGES con prevalenze 0,8-7,5%, mediante inferenza di appartenenza, attacco di esposizione e sensibilità del gradiente: AUROC dell'attacco ~0,500, esposizione eterogenea nelle code.doi:10.1186/s12911-026-03648-1 · PubMed 42351098
- Khanam T. et al. (2026). Evaluating multi-level membership inference risk in federated EEG learning. Brain Informatics.Quattro attacchi di inferenza di appartenenza (record, feature, gradiente, identità del client) su apprendimento federato EEG di immaginazione motoria con due dataset pubblici: l'apprendimento federato da solo protegge poco; DP con ε=5 offre il miglior compromesso.doi:10.1186/s40708-026-00313-1 · PubMed 42323786
- Correa Rojo A. et al. (2026). PRISM-G: an interpretable privacy scoring framework for assessing risk in synthetic human genome data. Bioinformatics (Oxford, England).Punteggio di rischio PRISM-G per genomi sintetici (prossimità, replica di parentela, rarità e inferenza di appartenenza) applicato a GAN, RBM e Genomator su genomi reali: le vulnerabilità emergono su assi diversi, una sola metrica di somiglianza non basta.doi:10.1093/bioinformatics/btag377 · PubMed 42635217 · codice o dati
- Dar S.U.H. et al. (2026). Unconditional latent diffusion models memorize patient imaging data. Nature Biomedical Engineering.Memorizzazione in modelli di diffusione latente addestrati su TC, RM e radiografie, rilevata con copy detection autosupervisionata: circa 37,2% dei dati paziente memorizzati, 68,7% dei campioni sintetici copie; aumentazione e dataset più ampi la riducono.doi:10.1038/s41551-025-01468-8 · PubMed 40790276 · codice o dati
- Poorghaffar Aghdam M. et al. (2025). A reinforcement learning-based approach for dynamic privacy protection in genomic data sharing beacons. Genome Biology.Difesa dinamica per beacon genomici GA4GH basata su apprendimento per rinforzo multi-agente (difensore contro attaccanti di inferenza di appartenenza) su genomi reali: risposte adattive che distinguono utenti e avversari bilanciando privacy e utilità.doi:10.1186/s13059-025-03871-5 · PubMed 41286986 · codice o dati
- Demuth S. et al. (2025). Privacy-by-Design Approach to Generate Two Virtual Clinical Trials for Multiple Sclerosis and Release Them as Open Datasets: Evaluation Study. Journal of Medical Internet Research.Generazione di avatar sintetici di due studi clinici di fase 3 sulla sclerosi multipla (865 e 1.516 pazienti), 2.160 dataset con metriche di privacy e inferenza di appartenenza basata su distanza: tasso nascosto 85,0% e 93,2%; endpoint primari replicati.doi:10.2196/71297 · PubMed 41032725
- Lucieri A. et al. (2023). Translating theory into practice: assessing the privacy implications of concept-based explanations for biomedical AI. Frontiers in Bioinformatics.Inferenza di appartenenza su classificatori di immagini biomediche (ISIC, EyePACS) che espongono spiegazioni: le spiegazioni concettuali aumentano la vulnerabilità fino al 16% in teoria, ma il rischio è trascurabile in scenari realistici.doi:10.3389/fbinf.2023.1194993 · PubMed 37484865 · codice o dati
- Haizoune M. et al. (2026). Balancing Privacy and Utility in Child and Adolescent Mental Health Services Research: Retrospective Cohort Study on Synthetic Data Generation. JMIR Medical Informatics.Dati sintetici gerarchici dalle cartelle di 6.924 pazienti di salute mentale dell'infanzia e adolescenza (Stavanger) valutati con Anonymeter: singling out 0,39%, collegamento 0,5%, inferenza massima 0,12%; utilità TSTR PRAUC 0,40 contro 0,43.doi:10.2196/71819 · PubMed 41747250
- Wang S. et al. (2026). CLEO closed loop framework for synthesizing medical privacy preserving tabular data. NPJ Digital Medicine.Generatore CLEO (mistura gaussiana con Q-learning) per dati tabellari multicentrici su aneurismi intracranici; audit di privacy con Nearest Neighbor Adversarial Accuracy 0,4940, indicativo di basso rischio di reidentificazione; AUC TSTR 0,7376.doi:10.1038/s41746-026-02999-3 · PubMed 42448813 · codice o dati
- Tissot H. et al. (2026). SYNNER synthetic data generator framework. Digital Health.Generatore SYNNER basato su embedding di grafi di conoscenza, valutato su sette dataset sanitari pubblici; protocollo con attaccante simulato che inferisce valori mancanti per stimare il rischio; conservato in media 83,2% dei segnali.doi:10.1177/20552076251411621 · PubMed 41732183 · codice o dati
- Halilovic M. et al. (2025). Anonymization of Health Insurance Claims Data for Medication Safety Assessments. Studies in Health Technology and Informatics.Dodici strategie di anonimizzazione ARX su dati assicurativi sanitari tedeschi (1.727 record) con rischio residuo misurato da Anonymeter e inferenza di appartenenza: l'approccio conservativo protegge di più, quello basato su modellazione delle minacce conserva più utilità.doi:10.3233/SHTI251407 · PubMed 40899552
- Snoke J. et al. (2025). Synthesizing Surveys with Multiple Units of Observation: An Application to the Longitudinal Aging Study in India. Journal of Survey Statistics and Methodology.Sintesi del Longitudinal Aging Study in India su tre livelli (individui, coppie, famiglie); misurati rischio di identificazione e di divulgazione di attributi; il sottopeso dei record unici riduce il rischio preservando più utilità della generalizzazione.doi:10.1093/jssam/smae047 · PubMed 41210181 · codice o dati
- Isasa I. et al. (2025). Synthetic Tabular Data Generation Under Horizontal Federated Learning Environments in Acute Myeloid Leukemia: Case-Based Simulation Study. JMIR Medical Informatics.Generazione federata di dati sintetici tabellari (CTGAN, FedTabDiff) per leucemia mieloide acuta; rischio misurato con Anonymeter (appartenenza, attributi, collegamento, singling out): privacy mantenuta, fedeltà ridotta fino al 21% e 62%.doi:10.2196/74116 · PubMed 41021276
- Sarkar A.R. et al. (2024). De-identification is not enough: a comparison between de-identified and synthetic clinical notes. Scientific Reports.Inferenza di appartenenza su classificatori ICD-9 addestrati con note cliniche MIMIC-III de-identificate o sintetiche generate da LLM: su note de-identificate vantaggio 0,47 e AUC 0,79; le note sintetiche utili quanto le reali mostrano rischi simili.doi:10.1038/s41598-024-81170-y · PubMed 39613846
- Wang X. et al. (2024). Exploring the use of Artificial Genomes for Genome-wide Association Studies through the lens of Utility and Privacy. AMIA ... Annual Symposium Proceedings. AMIA Symposium.Valutazione di due modelli generativi profondi di genomi artificiali per GWAS su dati genomici reali: qualità insufficiente per l'analisi di associazione e misure di privacy basate su inferenza di appartenenza inadeguate a valutare il rischio.PubMed 40417560
- Kaabachi B. et al. (2024). Tunable Privacy Risk Evaluation of Generative Adversarial Networks. Studies in Health Technology and Informatics.Attacco di inferenza di appartenenza basato sul discriminatore per stimare il rischio di GAN che generano immagini sintetiche di radiologia e oftalmologia: stima del caso peggiore e maggiore precisione degli attacchi rispetto ai metodi precedenti.doi:10.3233/SHTI240634 · PubMed 39176604
- Guillaudeux M. et al. (2023). Patient-centric synthetic data generation, no reason to risk re-identification in biomedical data analysis. NPJ Digital Medicine.Metodo Avatar centrato sul paziente confrontato con Synthpop e CT-GAN su un trial clinico e uno studio osservazionale oncologico; con metriche di distanza ogni individuo è indistinguibile in media da 12 e 24 avatar.doi:10.1038/s41746-023-00771-5 · PubMed 36899082 · codice o dati
- Masud M.A., Hasan M. (2026). Improving Clinical Validity in Synthetic Electronic Health Record Generation Using Best-of-N Sampling: Comparative Evaluation Study. JMIR AI.Selezione best-of-N per la validità clinica di EHR sintetiche (WGAN-GP, CTGAN) su tre dataset clinici pubblici, con inferenza di appartenenza e DCR: AUC dell'attacco ~0,50, ma concentrazione di prossimità DCR fino al 100% sui dati cardiovascolari.doi:10.2196/90590 · PubMed 42531495
- Macias-Fassio E. et al. (2026). Privacy-Aware Synthetic Tabular Data Generation for Healthcare: Application to Sepsis Detection. Bioengineering (Basel, Switzerland).Generatore KDE-KNN di dati tabellari sintetici per il rilevamento della sepsi, con validazione esterna; rischio di reidentificazione misurato con distanza dal record più vicino: media 4,971 tra sintetici e reali contro 2,715 tra reali.doi:10.3390/bioengineering13050511 · PubMed 42194268
- Marino S. et al. (2025). Medical data sharing and synthetic clinical data generation - maximizing biomedical resource utilization and minimizing participant re-identification risks. NPJ Digital Medicine.Pipeline di gemelli digitali da EHR e dati Apple Watch di 3029 partecipanti con DataSifter e SDV; metriche di rischio di reidentificazione: DataSifter a massimo offuscamento con protezione 0,83 e 83,1% di sovrapposizione degli intervalli.doi:10.1038/s41746-025-01935-1 · PubMed 40818998 · codice o dati
- Elvatun S. et al. (2025). Synthetic data as external control arms in scarce single-arm clinical trials. PLOS Digital Health.Generalizzazione reversibile combinata con generatori sintetici per bracci di controllo esterni da registri sanitari norvegesi; rischio misurato con CAP, rilevamento, DCR e NNDR: la generalizzazione migliora utilità e privacy nei piccoli dataset.doi:10.1371/journal.pdig.0000581 · PubMed 39847598
- Thomas M. et al. (2024). Assessing Privacy Vulnerabilities in Genetic Data Sets: Scoping Review. JMIR Bioinformatics and Biotechnology.Rassegna di scoping in due fasi (21 rassegne da ProQuest, poi 1.645 riferimenti) su 42 studi che dimostrano attacchi alla privacy di dati genetici: nove caratteristiche dei dati genetici informative sul rischio di reidentificazione.doi:10.2196/54332 · PubMed 38935957
- Eckardt J.N. et al. (2024). Mimicking clinical trials with synthetic acute myeloid leukemia patients using generative artificial intelligence. NPJ Digital Medicine.Dati sintetici (CTAB-GAN+, normalizing flows) da 1606 pazienti con leucemia mieloide acuta di quattro trial multicentrici; rischio di reidentificazione stimato con distanze di Hamming, coefficiente di fuga 0,0178 e 0,0069.doi:10.1038/s41746-024-01076-x · PubMed 38509224 · codice o dati
- Huang Y. et al. (2023). A Dataset Auditing Method for Collaboratively Trained Machine Learning Models. IEEE Transactions on Medical Imaging.Metodo di audit (EMA) basato su inferenza di appartenenza per verificare l'uso di un dataset nell'addestramento collaborativo; valutato su 4 dataset radiografici e 3 dermatologici, supera il metodo precedente.doi:10.1109/TMI.2022.3220706 · PubMed 36378795 · codice o dati
- El Kababji S. et al. (2023). Evaluating the Utility and Privacy of Synthetic Breast Cancer Clinical Trial Data Sets. JCO Clinical Cancer Informatics.Sintesi di otto dataset di trial sul tumore della mammella con sintesi sequenziale, GAN condizionale e VAE; rischio di divulgazione per attribuzione e per appartenenza basso per tutti i generatori.doi:10.1200/CCI.23.00116 · PubMed 38011617
- Gerloff X.F. et al. (2026). Detecting Distribution-Based Attribute Inference Risk in Synthetic EHRs. IEEE Journal of Biomedical and Health Informatics.StatAIT, test statistico di inferenza di attributi a livello di paziente su EHR sintetici (MIMIC-III, claims Medicare simulati): rileva pazienti replicati, rischio crescente con la dimensione del dataset; post-elaborazione efficace rimuovendo meno del 5% dei record.doi:10.1109/JBHI.2026.3749332 · PubMed 42976067
- Bai L. et al. (2026). Membership Inference or Data Split Bias? Identifying False Positives in Synthetic Medical Image Privacy Audits. Studies in Health Technology and Informatics.Esperimento di controllo sugli audit di inferenza di appartenenza per RM cerebrali sintetiche (StyleGAN3): l'AUC del controllo con soli membri eguaglia o supera quella dell'attacco primario (+0,0205 e +0,0113), indicando falsi positivi da bias di partizione.doi:10.3233/SHTI260258 · PubMed 42174933
- García-Hidalgo C. (2026). SynPAR for Empirical Membership Inference Auditing of Synthetic Radiomic and Embedding Data. Journal of Imaging Informatics in Medicine.Audit di inferenza di appartenenza (distanza, rapporto di densità, shadow) su feature radiomiche ed embedding sintetici di otto coorti di imaging: la sovrapposizione dei riferimenti gonfia l'AUC da 0,502 a 0,809; sensibilità valutata a FPR 1-10%.doi:10.1007/s10278-026-02421-0 · PubMed 42875689
- Miletic M. et al. (2025). Synthetic data for pharmacogenetics: enabling scalable and secure research. JAMIA open.Confronto di sette generatori sintetici su profili farmacogenetici di 142 pazienti: copula e synthpop con epsilon-identifiability 0,25-0,35, modelli profondi (tvae, tabula) oltre 0,4, quindi a maggior rischio di reidentificazione.doi:10.1093/jamiaopen/ooaf107 · PubMed 41049602
- El Emam K. et al. (2024). An evaluation of the replicability of analyses using synthetic health data. Scientific Reports.Simulazione su tre dataset sanitari reali della replicabilità di regressioni logistiche su dati sintetici (sintesi sequenziale, GAN); rischio di divulgazione di appartenenza basso per tutti i dataset e modelli.doi:10.1038/s41598-024-57207-7 · PubMed 38521806
- Halilovic M. et al. (2024). Are You the Outlier? Identifying Targets for Privacy Attacks on Health Datasets. Studies in Health Technology and Informatics.Tre metriche di anomalia per selezionare record bersaglio vulnerabili nei dati di dimissione ospedaliera del Texas, poi attaccati con inferenza di appartenenza shadow su dati sintetici: nessun metodo di selezione è ottimale per tutti gli attacchi.doi:10.3233/SHTI240631 · PubMed 39176601 · codice o dati
- Schneider J. et al. (2024). Privacy Risk Assessment for Synthetic Longitudinal Health Data. Studies in Health Technology and Informatics.Applicazione di Anonymeter (singling out, collegamento, inferenza di attributi) a dati longitudinali sintetici della coorte DONALD (1312 partecipanti, 16 tempi), con attenzione ai valori anomali: punteggi di rischio molto variabili tra attacchi.doi:10.3233/SHTI240867 · PubMed 39234731
- Mosquera L. et al. (2023). A method for generating synthetic longitudinal health data. BMC Medical Research Methodology.Dati amministrativi longitudinali sintetici generati con rete ricorrente da 120.000 persone di Alberta Health; rischio di divulgazione per attribuzione circa 0,0015, sotto la soglia accettabile di 0,09.doi:10.1186/s12874-023-01869-w · PubMed 36959532
- Espinosa-Dice N. et al. (2026). A reinforcement learning approach to synthetic data generation. Journal of Biomedical Informatics.Generatore sintetico basato su apprendimento per rinforzo (RLSyn) su MIMIC-IV e AI-READI, con attacco di inferenza di appartenenza basato su distanza: AUC 0,50 su MIMIC-IV e 0,544 contro 0,601 dei modelli a diffusione su AI-READI.doi:10.1016/j.jbi.2026.105096 · PubMed 42722320
- Ahn J.C. et al. (2026). AI-driven synthetic data generation for accelerating hepatology research: A study of the United Network for Organ Sharing (UNOS) database. Hepatology (Baltimore, Md.).Dati sintetici da modelli di diffusione sulla lista d'attesa per trapianto di fegato UNOS 2019-2023; privacy misurata con distanza dal record più vicino, NNDR e rischio di divulgazione di attributi: nessuna corrispondenza identificabile.doi:10.1097/HEP.0000000000001299 · PubMed 40067682
- Chen X., Zhang H.E. (2026). Governing synthetic athlete-monitoring data for injury-risk assessment and responsible sharing: a governance framework for quality-utility-privacy trade-offs. Journal of Science and Medicine in Sport.Dati sintetici di monitoraggio atletico (5.302 sessioni) e coorte clinica di infortuni generati con WGAN-GP e altri quattro generatori; inferenza di appartenenza e diagnostica di distanza: attacchi vicini al caso, punteggi di privacy 0,96-0,98.doi:10.1016/j.jsams.2026.08.205 · PubMed 42686448
- Khanjahani E. et al. (2026). Privacy, security, and reliability risks of artificial intelligence in healthcare: a systematic review of empirical evidence. International Journal of Medical Informatics.Rassegna sistematica (sei banche dati, 2015-2025) di studi empirici su rischi di privacy e sicurezza dell'IA sanitaria: 22 studi inclusi; cinque categorie di minaccia tra cui reidentificazione, inferenza di appartenenza, attacchi avversari e manipolazione degli input.doi:10.1016/j.ijmedinf.2026.106672 · PubMed 42628171
- Segar N., Vijayan V. (2026). SENTINEL-Chain: a blockchain-integrated privacy-preserving framework for secure healthcare data publishing. Frontiers in Digital Health.Pubblicazione di EHR con sei meccanismi di anonimizzazione e perturbazione più blockchain (SENTINEL-Chain) su dati sintetici e due benchmark clinici: 100% di resistenza al collegamento di record, vantaggio dell'inferenza di appartenenza sotto il caso, ε=7,08.doi:10.3389/fdgth.2026.1807540 · PubMed 42343945
- Meurers T. et al. (2025). Phantom Anonymization: Adversarial testing for membership inference risks in anonymized health data. Computers in Biology and Medicine.Quadro di test avversariale (Phantom Anonymization) che addestra un classificatore per rilevare record bersaglio in dati sanitari tabellari anonimizzati: il rischio residuo di appartenenza dipende dal modello di privacy e da come i dati sono trasformati.doi:10.1016/j.compbiomed.2025.110738 · PubMed 40652760
- Kim J. et al. (2024). Synthesis and quality assessment of combined time-series and static medical data using a real-world time-series generative adversarial network. Scientific Reports.Sintesi con RTSGAN di 53.005 record di serie temporali e dati statici da 15.799 pazienti con cancro colorettale; rischio valutato con distanza dal record più vicino e test di appartenenza: rischio minimo; TSTR AUC 0,99.doi:10.1038/s41598-024-69812-7 · PubMed 39154144 · codice o dati
- Momenzadeh M., Oshaghi A. (2026). Deep generative hidden Markov models for synthetic patient data generation: a novel approach for medical AI research. BMC Medical Informatics and Decision Making.Modello di Markov nascosto generativo profondo per dati sintetici di pazienti (MIMIC-III, diabete, salute mentale): resistenza all'inferenza di appartenenza nell'89,4% dei tentativi; modelli addestrati su dati sintetici meno accurati del 2-5%.doi:10.1186/s12911-026-03396-2 · PubMed 41715072
- Kanagavelu R. et al. (2026). Hidden in Plain Sight: A Robust Generative Model for Secure Medical Data Sharing. IEEE Journal of Biomedical and Health Informatics.Condensazione di dataset medici in un modello generativo (MedShare, GAN con attenzione e vision transformer) su sette insiemi pubblici: con il 5% dei dati sintetici si ottiene il 96% dell'AUC; dichiarata maggiore resistenza ad attacchi alla privacy.doi:10.1109/JBHI.2026.3691795 · PubMed 42658699
- Leithe S. et al. (2026). Maximal Local Privacy Loss-A New Method for Privacy Evaluation of Synthetic Datasets. Statistics in Medicine.Nuova metrica di massima perdita di privacy locale per dati sintetici da distribuzioni note, applicata a dati di sopravvivenza sintetici da tumori di pancreas e colon del Registro Tumori norvegese; misura la fuga a livello individuale.doi:10.1002/sim.70376 · PubMed 41569604
- Cobilean V. et al. (2025). Investigating Membership Inference Attacks Against CNN Models for BCI Systems. IEEE Journal of Biomedical and Health Informatics.Inferenza di appartenenza contro classificatori CNN per EEG in interfacce cervello-computer: un avversario con conoscenza limitata compromette la privacy; la regolarizzazione difende meno che su immagini o dati tabellari; gruppi sottorappresentati più vulnerabili.doi:10.1109/JBHI.2025.3593443 · PubMed 40720264
- Park E., Lee Y. (2025). mDARTS: Searching ML-Based ECG Classifiers Against Membership Inference Attacks. IEEE Journal of Biomedical and Health Informatics.Ricerca di architetture neurali per la classificazione ECG che integra la perdita dell'inferenza di appartenenza (mDARTS): accuratezza 92,1% con punteggio di privacy 54,3%, miglioramenti fino al 3,0% e 1,0%.doi:10.1109/JBHI.2024.3481505 · PubMed 39412978
- Bergen R.V. et al. (2024). Assessing privacy leakage in synthetic 3-D PET imaging using transversal GAN. Computer Methods and Programs in Biomedicine.Inferenza di appartenenza su GAN 3D (TrGAN) per PET testa-collo: con accesso al discriminatore AUC 0,99, con solo il generatore AUC 0,51; proposta una procedura di decisione utilità-privacy.doi:10.1016/j.cmpb.2023.107910 · PubMed 37976611
- El Azzouzi M. et al. (2026). Evaluation of Avatarization for Privacy-Preserving Synthetic Health Data Generation: A Case Study in Cancer Prediction. Studies in Health Technology and Informatics.Valutazione del metodo Avatar su un dataset di predizione oncologica di 1500 pazienti al variare del parametro k: utilità 97,96%, privacy rate 91,7%, hidden rate 92,4%; scelta di k critica per il compromesso.doi:10.3233/SHTI260459 · PubMed 42175131
- Liu Y. et al. (2025). Preserving privacy in healthcare: A systematic review of deep learning approaches for synthetic data generation. Computer Methods and Programs in Biomedicine.Rassegna sistematica (Scopus, Web of Science, PubMed, IEEE; 2019–2023) sulla generazione di dati sintetici sanitari con apprendimento profondo; privacy differenziale e addestramento avversario riducono il rischio di reidentificazione mantenendo la fedeltà.doi:10.1016/j.cmpb.2024.108571 · PubMed 39742693
Ricostruzione dai gradienti
Studi inclusi · T2
Recupero dei dati di addestramento da gradienti o aggiornamenti nell'apprendimento federato. 10 studi, ordinati per qualità e anno.
- Parampottupadam S. et al. (2026). Privacy Leakage in Federated Learning in Radiology Reports: Comparative Evaluation of Tokenizer and Batch-Size Privacy Risks. JMIR Medical Informatics.Inversione analitica del gradiente da server malevolo su referti radiologici e lettere di dimissione in apprendimento federato: ricostruzione esatta delle frasi 27-75%; la dimensione del batch, non il tokenizzatore, determina la fuga.doi:10.2196/88390 · PubMed 42727096 · codice o dati
- Hatamizadeh A. et al. (2023). Do Gradient Inversion Attacks Make Federated Learning Unsafe?. IEEE Transactions on Medical Imaging.Attacco di inversione del gradiente che sfrutta le statistiche di BatchNorm nell'apprendimento federato su radiografie toraciche e immagini del fondo oculare; ricostruzioni possibili in vari scenari, nuove metriche di perdita, privacy differenziale valutata come difesa.doi:10.1109/TMI.2023.3239391 · PubMed 37021996 · codice o dati
- Raggio C.B. et al. (2026). Security Analysis of a Federated Learning Framework for Medical Image-to-Image Translation. Journal of Medical Systems.Apprendimento federato RM-TC sintetica su cinque centri attaccato con DLG, inferenza di appartenenza federata e avvelenamento: DLG recupera solo strutture grossolane (SSIM ≤0,16), FedMIA raggiunge AUC 0,92-0,99, ridotta dall'aggregazione sicura; FedMedian mitiga l'avvelenamento intenso.doi:10.1007/s10916-026-02436-8 · PubMed 42400864 · codice o dati
- Wang Z. et al. (2025). GradInvDiff: Stealing Medical Privacy in Federated Learning via Diffusion-Based Gradient Inversion. MICCAI.Attacco di inversione dei gradienti basato su diffusione da server onesto ma curioso in FL medico (ChestX-ray8, Acevedo-20, LiTS): ricostruzioni migliori di DLG, iDLG, IG e GGDM anche con batch grandi e rumore.doi:10.1007/978-3-032-05185-1_26 · codice o dati
- Jiang L. et al. (2025). Shadow defense against gradient inversion attack in federated learning. Medical Image Analysis.Difesa contro inversione del gradiente in FL con modello ombra interpretabile e rumore mirato; su ChestXRay differenza di 3,73 in PSNR e 0,2 in SSIM rispetto all'assenza di difesa, F1 ridotto meno dell'1%.doi:10.1016/j.media.2025.103673 · PubMed 40570807 · codice o dati
- Das B.C. et al. (2026). In-depth Analysis of Privacy Threats in Federated Learning for Medical Data. IEEE Journal of Biomedical and Health Informatics.Attacchi di ricostruzione da gradienti (DLG, iDLG, CPL, GradInv) nell'apprendimento federato su più insiemi di immagini mediche (radiografie, RM cerebrali): ricostruzione accurata delle immagini; l'aggiunta di rumore gaussiano o laplaciano non sempre protegge.doi:10.1109/JBHI.2026.3729148 · PubMed 42678825
- Onireti M.Y. et al. (2025). Splitting smarter: Differential privacy for secure healthcare federated learning. Scientific Reports.Attacco di inferenza delle etichette in split federated learning su risonanze cerebrali per tumori, con difesa a privacy differenziale; con rumore di Cauchy accuratezza dell'inferenza 0%, con rumore esponenziale 68%.doi:10.1038/s41598-025-27472-1 · PubMed 41381574 · codice o dati
- Nielsen C. et al. (2026). A novel gradient inversion attack framework to investigate privacy vulnerabilities during retinal image-based federated learning. Medical Image Analysis.Attacco di inversione del gradiente in FL su immagini retiniche, potenziato con dati pubblici; oltre il 92% dei partecipanti identificabile dalla struttura vascolare ricostruita, informazione estraibile anche con privacy differenziale.doi:10.1016/j.media.2025.103807 · PubMed 41056812
- Wei K. et al. (2026). Medical Image Privacy in Federated Learning: Segmentation-Reorganization and Sparsified Gradient Matching Attacks. IEEE Journal of Biomedical and Health Informatics.Attacco di inversione del gradiente con corrispondenza di gradienti sparsificati e riorganizzazione per segmentazione, per ricostruire in batch immagini mediche ad alta risoluzione in FL; similarità migliorata fino al 146%.doi:10.1109/JBHI.2025.3593631 · PubMed 40889323
- El Azzouzi M. et al. (2026). Recovering Sensitive Medical Text in Federated Learning. Studies in Health Technology and Informatics.Inversione del gradiente (Decepticons) da server malevolo su referti clinici francesi in federato cross-silo: recupero dei token oltre 95% con batch 1 e oltre 60% fino a 512 token; ricostruiti nomi e date.doi:10.3233/SHTI260452 · PubMed 42175124
Avvelenamento e aggregazione robusta
Studi inclusi · T3
Avvelenamento dei dati o del modello, porte nascoste, partecipanti bizantini e difese. 13 studi, ordinati per qualità e anno.
- Karami M. et al. (2026). Byzantine robust federated learning for heterogeneous brain MRI using multisignal gradient fingerprinting and adaptive trust aggregation. Scientific Reports.Aggregazione fiduciaria con impronte multi-segnale dei gradienti contro client bizantini (fino al 40%) su RM cerebrali (Alzheimer, OASIS) e benchmark: F1 di rilevamento fino a 44 punti sopra FLTrust; attaccante adattivo valutato.doi:10.1038/s41598-026-55855-5 · PubMed 42243446 · codice o dati
- Kumar K.N. et al. (2025). Minimal data poisoning attack in federated learning for medical image classification: An attacker perspective. Artificial Intelligence in Medicine.Attacco di avvelenamento minimo guidato da mappe di attenzione (FL-AGMA) in FL su Covid-chestxray, Camelyon17 e HAM10000; accuratezza di test ridotta del 44,49% con il 24% di budget di distorsione.doi:10.1016/j.artmed.2024.103024 · PubMed 39591879
- Alruwaili E., Moulahi T. (2026). A robust and verifiable federated learning framework for preventing data poisonous threats in e-health. Frontiers in Public Health.Rilevamento di anomalie e aggregazione robusta con registro blockchain contro cinque attacchi di avvelenamento in federato su WDBC (tumore al seno): prestazioni stabili in presenza di partecipanti avversari.doi:10.3389/fpubh.2026.1762346 · PubMed 41923773
- Edelson M. et al. (2025). False-positive tolerant model misconduct mitigation in distributed federated learning on electronic health record data across clinical institutions. Scientific Reports.Mitigazione tollerante ai falsi positivi della manomissione dei modelli in FL distribuito su blockchain con tre dataset clinici; guadagno di AUC 0,058–0,121 rispetto alla soluzione senza tolleranza, sovraccarico inferiore a 12 ms.doi:10.1038/s41598-025-04069-2 · PubMed 40603924 · codice o dati
- Jin R., Li X. (2023). Backdoor attack and defense in federated generative adversarial network-based medical image synthesis. Medical Image Analysis.Attacco backdoor su GAN federate per sintesi di immagini mediche (ISIC, radiografie toraciche) e difesa FedDetect basata sulle perdite dei client; l'attacco degrada la fedeltà, la difesa la ripristina dove le difese di base falliscono.doi:10.1016/j.media.2023.102965 · PubMed 37804585
- Khan U.H. et al. (2026). Federated TinyML and digital twin framework for secure and resilient IoMT-based ICU monitoring. Scientific Reports.Filtro basato sulle prestazioni contro label flipping in TinyML federato per monitoraggio in terapia intensiva (dati sintetici e PhysioNet): recall dei casi critici 0,904 sotto attacco, migliore di FedAvg, Krum, Trimmed Mean e mediana.doi:10.1038/s41598-026-62561-9 · PubMed 42471473 · codice o dati
- Tanvir M.I.M. et al. (2026). Privacy-preserving multimodal federated learning pipeline for cyber-resilient healthcare systems. PloS one.Pipeline federata e split learning con aggregazione robusta e DP su dati IoT sanitari ed EMR: accuratezza da 0,953 a 0,879 con 30% di client avvelenati.doi:10.1371/journal.pone.0343669 · PubMed 41961783 · codice o dati
- Zahir-Ismail A.T., Shukla R. (2025). Analyzing the vulnerabilities in Split Federated Learning: assessing the robustness against data poisoning attacks. Scientific Reports.Tre strategie di avvelenamento dei dati (non mirato, mirato, basato su distanza) in split federated learning su ECG MIT-BIH e MNIST; attacchi non mirati e basati su distanza più efficaci di quelli mirati.doi:10.1038/s41598-025-15993-8 · PubMed 40830208 · codice o dati
- Teo Z.L. et al. (2025). Privacy-Preserving Technology Using Federated Learning and Blockchain in Protecting against Adversarial Attacks for Retinal Imaging. Ophthalmology.FL con nuova aggregazione e blockchain per imaging retinico (27.145 immagini, tre paesi) sotto attacchi label flipping e clean label; AUC 0,861 e 0,878 contro 0,529–0,838 di altri modelli FL.doi:10.1016/j.ophtha.2024.10.017 · PubMed 39424148
- Yadav A.K., Deshmukh M. (2026). BlockFedMed: A blockchain-federated learning framework for privacy-preserving mortality prediction across heterogeneous intensive care units. International Journal of Medical Informatics.Federato con blockchain e DP (epsilon 3,2) per mortalità in terapia intensiva (MIMIC-IV, validazione eICU): AUROC 0,841; l'aggregatore bizantino mantiene AUROC almeno 0,836 con sei partecipanti bizantini.doi:10.1016/j.ijmedinf.2026.106574 · PubMed 42391667
- Yu X. et al. (2026). A Dual-Reweighting Defense Strategy Against Data Poisoning Attacks in Medical Image Classification Models. Journal of Imaging Informatics in Medicine.Difesa Dweighted (doppia ripesatura, PCA e K-means) contro avvelenamento dei dati in FL per classificazione di immagini mediche; in IID accuratezza 94,89% e tasso di successo dell'attacco ridotto al 2,43%.doi:10.1007/s10278-026-01886-3 · PubMed 41814073
- Seidi N. et al. (2026). HARMONY: Hybrid Aggregation and Reputation Mechanism for Cooperative Federated Survival Analysis. IEEE Journal of Biomedical and Health Informatics.Meccanismo di reputazione con DP per analisi di sopravvivenza federata su SEER: con 20% di client avversari riduce di circa 35% la varianza del C-index tra round, con 12% di sovraccarico di comunicazione.doi:10.1109/JBHI.2026.3724549 · PubMed 42606968
- Faraoun H. et al. (2026). A Durable Backdoor Attack on Medical Imaging via Federated Learning. Studies in Health Technology and Informatics.Backdoor persistente in apprendimento federato con dati sintetici generati da GAN guidata dal modello globale, su MedMNIST non IID: effetto duraturo anche con partecipazione limitata dell'attaccante.doi:10.3233/SHTI260241 · PubMed 42174916
Privacy differenziale
Studi inclusi · T4
Addestramento con privacy differenziale su dati sanitari, con analisi del compromesso tra privacy e utilità. 44 studi, ordinati per qualità e anno.
- Ghasemizade M. et al. (2026). Aim high, stay private: differentially private synthetic data enables public release of behavioral health information with high utility. JAMIA open.Dati sintetici con privacy differenziale (AIM, MST, PATECTGAN) da dispositivi indossabili e questionari dello studio LEMURS, ε da 1 a 100, con attacchi di collegamento e di appartenenza: ε=5 offre il miglior equilibrio; AIM preserva meglio l'utilità.doi:10.1093/jamiaopen/ooag066 · PubMed 42027790 · codice o dati
- Rahman M.W. et al. (2026). HIV-PrivFed: Privacy-Utility-Fairness-Aware Federated Learning for HIV Risk Stratification and Testing Prioritization Under Non-IID Clinical Heterogeneity. Diagnostics (Basel, Switzerland).Apprendimento federato con DP Rényi per rischio HIV su coorte Sialon-II (13 città): epsilon raggiunti 22,1-224,1 senza garanzia significativa; AUROC 0,553 e 0,524 a epsilon 8 e 4; audit di inferenza di appartenenza.doi:10.3390/diagnostics16213590 · PubMed 43028461 · codice o dati
- Ay S. et al. (2026). Safeguarding biomedical AI: a critical scoping review of privacy-enhancing technologies, hybrid approaches, and deployment models. Frontiers in Digital Health.Scoping review PRISMA-ScR (87 studi) sulle tecnologie di protezione della privacy nell'IA biomedica: DP riduce le prestazioni, il federato resta esposto alla fuga dai gradienti, la crittografia ha costi elevati.doi:10.3389/fdgth.2026.1726771 · PubMed 42676525
- Fang C. et al. (2024). Decentralised, collaborative, and privacy-preserving machine learning for multi-hospital data. EBioMedicine.Apprendimento collaborativo decentralizzato con privacy differenziale (DeCaPH) su EHR (mortalità), genomica single-cell e radiografie toraciche: perdita di prestazioni sotto il 3,2% e vulnerabilità agli attacchi alla privacy ridotta fino al 16%.doi:10.1016/j.ebiom.2024.105006 · PubMed 38377795 · codice o dati
- Zhou J. et al. (2024). PPML-Omics: A privacy-preserving federated machine learning method protects patients' privacy in omic data. Science Advances.PPML-Omics, apprendimento federato decentralizzato con privacy differenziale su dati omici di tre tecnologie di sequenziamento; negli esperimenti di attacco protegge i pazienti e supera i metodi di confronto a pari garanzia di privacy.doi:10.1126/sciadv.adh8601 · PubMed 38295178 · codice o dati
- Kerkouche R. et al. (2026). Differentially private federated learning for localized control of infectious disease dynamics. Scientific Reports.Apprendimento federato con DP a livello di client per previsione dei casi COVID-19 nelle contee tedesche (dati RKI): epsilon molto stretti rendono le previsioni inutilizzabili, a privacy moderata prestazioni vicine al modello non privato.doi:10.1038/s41598-026-60725-1 · PubMed 42409927
- Serrano A.L.M. et al. (2026). FedIHRAS: A Privacy-Preserving Federated Learning Framework for Multi-Institutional Collaborative Radiological Analysis with Integrated Explainability and Automated Clinical Reporting. Biomedicines.Federato radiologico multi-compito con DP (epsilon 0,8) e aggregazione sicura su quattro dataset di radiografie toraciche: successo dell'inferenza di appartenenza 52,3% contro 78,4%, SSIM dell'inversione 0,147 contro 0,634.doi:10.3390/biomedicines14030713 · PubMed 41898357
- Nabil A.S. et al. (2026). Federated Learning for Multi-Disease Ophthalmic Diagnostics Using OCT Angiography. Ophthalmology Science.FL multicentrico su OCTA (OCTA-500 e UIC, 456 immagini) con privacy differenziale ε 1–8 e aggregazione sicura; aggregazione sicura 63,64% di accuratezza, utilità clinica mantenuta per ε circa 4–6.doi:10.1016/j.xops.2025.101030 · PubMed 41732778 · codice o dati
- Sinhal A. et al. (2026). Federated continual learning for privacy-preserving chest radiograph classification. Scientific Reports.Apprendimento federato continuo con DP-SGD lato client su radiografie del torace (CheXpert, validazione esterna MIMIC-CXR), con epsilon riportato per ogni livello di rumore e analisi dei costi rispetto alle linee di base.doi:10.1038/s41598-026-55211-7 · PubMed 42270694
- Othman M.A. (2026). HEAL-AI: Enabling proactive and personalized smart healthcare through hierarchical edge autonomous learning. Digital Health.Federato neuro-simbolico con DP su MIMIC-III/IV, eICU e PhysioNet: con epsilon 1,0 fuga di privacy ridotta del 94,4% rispetto al centralizzato sotto attacchi di appartenenza, inferenza di attributi e inversione.doi:10.1177/20552076261428362 · PubMed 41958847
- M A.S., Chowdhary C.L. (2026). Multi-modal personalized federated learning with adaptive differential privacy for medical image classification and a privacy-preserving approach. Scientific Reports.Apprendimento federato personalizzato multimodale con privacy differenziale adattiva per classificazione di immagini mediche (RM-SM, CheXpert): accuratezza dell'inferenza di appartenenza 52,1%, vicino al caso; anche l'inversione del gradiente risulta degradata.doi:10.1038/s41598-026-49896-z · PubMed 42120474
- Li W. et al. (2026). Privacy-preserving verification of preprocessing in federated learning for genomic data. JAMIA open.Verifica della preelaborazione in apprendimento federato genomico tramite un vettore di spiegazione con privacy differenziale locale: 80% di accuratezza su 15 configurazioni con potenza dell'inferenza di appartenenza sotto 0,05 a ε=3.doi:10.1093/jamiaopen/ooag040 · PubMed 41907170 · codice o dati
- Shen A. et al. (2023). Exploring the Relationship Between Privacy and Utility in Mobile Health: Algorithm Development and Validation via Simulations of Federated Learning, Differential Privacy, and External Attacks. Journal of Medical Internet Research.Attacco di inferenza su dati di sensori mHealth (Intern Health Study): con solo apprendimento federato AUC dell'attaccante oltre 0,90; con la privacy differenziale più forte circa 0,59, con R2 ridotto di 10 punti.doi:10.2196/43664 · PubMed 37079370 · codice o dati
- Dolezel D. et al. (2026). AI Privacy and Security in Healthcare: A Systematic Literature Review. International Journal of Telerehabilitation.Rassegna sistematica di 80 studi (2019-2025) su privacy e sicurezza dell'IA in sanità con modellazione LDA: 66 studi sulla privacy, 17 sulla sicurezza; quasi metà condotti fuori da contesti sanitari.doi:10.63144/ijt.2065.6747 · PubMed 42389622
- Alghamdi A.D. (2026). An adaptive differential privacy framework for clinical llms with context-aware noise calibration, hierarchical budgeting, and real-time auditing. Scientific Reports.Privacy differenziale adattiva per modelli linguistici clinici (PrivLLM-Guard) su MIMIC-III, i2b2 e dati ospedalieri con ε=0,1: rischio di inferenza di appartenenza ridotto del 65,9% e di inferenza di attributi del 56,3% rispetto alla migliore linea di base.doi:10.1038/s41598-026-45883-6 · PubMed 41927666 · codice o dati
- Adhi Siva M., Chowdhary C.L. (2026). Attention U-Net with differential privacy in federated learning framework for brain stroke lesion segmentation. Scientific Reports.Segmentazione federata di lesioni cerebrali con DP (epsilon 2,5) e aggregazione sicura su BRISC2025: successo dell'inferenza di appartenenza da 73,2% a 51,4%, SSIM dell'inversione da 0,41 a 0,09.doi:10.1038/s41598-026-53829-1 · PubMed 42243272 · codice o dati
- M K. et al. (2026). Fed-XLM-R: a privacy-preserving federated framework with adapter-scoped differential privacy for mental health triage-level intent classification on resource-constrained edge devices. Frontiers in Digital Health.DP-SGD sui soli adattatori di XLM-R federato per triage di salute mentale: a epsilon 1,0 accuratezza 0,923, vicina al centralizzato; l'analisi delle frasi canarino mostra che la DP impedisce la memorizzazione.doi:10.3389/fdgth.2026.1856286 · PubMed 42780825 · codice o dati
- Zulqarnain M. et al. (2026). Federated Learning for Thoracic Disease Classification Using Convolutional Neural Networks and Differential Privacy. Healthcare Technology Letters.Classificazione federata multi-etichetta di malattie toraciche (CheXpert, NIH ChestX-ray14) con DP a epsilon 1, 15 e 30: AUC media 0,8027 senza DP e 0,60-0,64 con DP.doi:10.1049/htl2.70080 · PubMed 42079875 · codice o dati
- SayedElahl M.A. et al. (2026). Federated learning with swarm intelligence for efficient and secure medical image analysis. Scientific Reports.Federato con ottimizzazione a sciame su radiografie COVID-19, immagini di vaiolo delle scimmie e mammografie, con analisi del compromesso privacy-utilità a più epsilon: accuratezza sopra 94%.doi:10.1038/s41598-026-50882-8 · PubMed 42115204
- Zeng Y. et al. (2026). Federated learning-driven intelligent framework for multi-center radiotherapy dose distribution prediction oriented toward linear accelerators. Scientific Reports.Federato per predizione della dose in radioterapia su quattro centri con DP (epsilon cumulativo circa 8,4) e aggregazione sicura; la corruzione bizantina di un client riduce l'accuratezza di 1,8 punti senza difesa.doi:10.1038/s41598-026-49826-z · PubMed 42049930
- Zhu M. et al. (2025). DEeR: Deviation Eliminating and Noise Regulating for Privacy-Preserving Federated Low-Rank Adaptation. IEEE Transactions on Medical Imaging.Fine-tuning federato LoRA con privacy differenziale (DEeR) su dataset medici pubblici, con eliminazione della deviazione di aggregazione e regolazione del rumore; prestazioni superiori allo stato dell'arte su più valori di ε.doi:10.1109/TMI.2024.3518539 · PubMed 40030741 · codice o dati
- Schefzik R. et al. (2025). Integrating differential privacy into federated multi-task learning algorithms in dsMTL. Bioinformatics Advances.Meccanismo di Laplace integrato nell'apprendimento multi-task federato dsMTL (DataSHIELD), valutato con un'inferenza di appartenenza basata sulla perdita a più valori di ε su simulazioni ed espressione genica di pazienti schizofrenici: la DP riduce la perdita di privacy.doi:10.1093/bioadv/vbaf298 · PubMed 41394076 · codice o dati
- Zheng L. et al. (2025). Sensitivity-Aware Differential Privacy for Federated Medical Imaging. Sensors (Basel, Switzerland).Privacy differenziale calibrata sulla sensibilità di ogni campione, misurata con attacchi di inversione del gradiente su immagini mediche (COVID-19, REA); a parità di rischio prestazioni migliori del 13,5% in media.doi:10.3390/s25092847 · PubMed 40363282 · codice o dati
- Benouis M. et al. (2024). Balancing Between Privacy and Utility for Affect Recognition Using Multitask Learning in Differential Privacy-Added Federated Learning Settings: Quantitative Study. JMIR Mental Health.FL multitask con privacy differenziale per riconoscimento dello stress da segnali fisiologici (WESAD, VERBIO), ε da 1 a 2000; con ε 15 accuratezza 90% e 87%, reidentificazione limitata al 47% e 38%.doi:10.2196/60003 · PubMed 39714484
- Wang W. et al. (2024). KnowledgeSG: Privacy-Preserving Synthetic Text Generation with Knowledge Distillation from Server. EMNLP.Generazione di testo sintetico con DP e distillazione dal server per fine-tuning di LLM su dati medici (e finanziari); rischio valutato con attacco di ricostruzione di PII, ridotto rispetto alle linee di base.codice o dati
- Jiang M. et al. (2023). Client-Level Differential Privacy via Adaptive Intermediary in Federated Medical Imaging. MICCAI.Privacy differenziale a livello client in FL per imaging medico (RSNA-ICH, RM prostatica multisito) con sub-client intermedi: migliore utilità a pari budget su più livelli di rumore; inversione dei gradienti ostacolata.codice o dati
- Alfalahi M.A.M. et al. (2026). Federated learning for privacy-preserving skin cancer classification using deep neural networks. Frontiers in Oncology.Classificazione federata di tumori cutanei (ISIC e secondo dataset) con DP a più livelli di rumore: a sigma 1,0 epsilon 4,1 con accuratezza 96,12%, 2,76 punti sotto il modello non privato.doi:10.3389/fonc.2026.1720748 · PubMed 42125708
- Li L., Li J. (2026). Federated multimodal learning for privacy-preserving blood donor profiling and personalized recall strategy optimization. Scientific Reports.Profilazione federata multimodale di donatori di sangue (127.463 record) con DP e moments accountant: l'intervallo epsilon 1,0-4,0 conserva oltre il 93% dell'utilità senza rumore.doi:10.1038/s41598-026-51183-w · PubMed 42106390
- Jabbar M.K. et al. (2025). Mamba-fusion for privacy-preserving disease prediction. Scientific Reports.FL gerarchico multimodale (ECG, EEG, note cliniche, dati demografici) con privacy differenziale e aggregazione sicura; fuga di informazioni misurata con inversione simulata 0,02, accuratezza 92,4%.doi:10.1038/s41598-025-06306-0 · PubMed 40596404
- Ghasemian M. et al. (2025). Privacy-Preserving Collaborative Population Stratification with Dynamic Algorithm and Hyperparameter Selection. ACM-BCB ... ... : the ... ACM Conference on Bioinformatics, Computational Biology and Biomedicine. ACM Conference on Bioinformatics, Computational Biology and Biomedicine.Stratificazione genomica collaborativa con privacy differenziale locale e selezione automatica dell'algoritmo di clustering su openSNP (942 campioni): potenza dell'inferenza di appartenenza nettamente inferiore per le pipeline con PCA a tutti i valori di ε.doi:10.1145/3765612.3767209 · PubMed 41960139
- Fan L., Bonomi L. (2023). Mitigating Membership Inference in Deep Survival Analyses with Differential Privacy. Proceedings. IEEE International Conference on Healthcare Informatics.Inferenza di appartenenza su modelli profondi di sopravvivenza (METABRIC, SUPPORT e altri dati clinici) e difesa con DP-SGD per epsilon fino a 16: i modelli non privati rivelano l'appartenenza, la privacy differenziale la riduce con perdita limitata.doi:10.1109/ichi57859.2023.00022 · PubMed 38152589
- Lee D.Y. et al. (2023). Privacy-Preserving Federated Model Predicting Bipolar Transition in Patients With Depression: Prediction Model Development Study. Journal of Medical Internet Research.Modello federato con DP-SGD per predire la transizione a disturbo bipolare (17.631 pazienti, 4 ospedali; validazione esterna 4541): rumore scelto per compromesso privacy-AUC, epsilon 1,3; AUC interna 0,726, esterna 0,719.doi:10.2196/46165 · PubMed 37471130
- Mishra P. et al. (2026). Alzheimer's detection using quanvolutional neural networks with federated training. Frontiers in Neuroscience.Classificazione Alzheimer da RM con apprendimento federato quanto-classico e privacy differenziale locale: accuratezza 76,45% a epsilon 0,5, 86,12% a 1,0, 90,85% a 2,0.doi:10.3389/fnins.2026.1904876 · PubMed 42851448
- Makhanov N. et al. (2026). Federated Learning with Differential Privacy for Ultrasound Breast Cancer Classification: An Empirical Study. Journal of Imaging.Federato con DP lato client per ecografie mammarie (BUSI), sette architetture e tre algoritmi: con rumore forte (epsilon sotto 1) screening oltre 82%, diagnosi al massimo 68,42%.doi:10.3390/jimaging12050205 · PubMed 42188242
- Paul S., Bajwa G. (2026). Federated Spiking GANs with Rényi Differential Privacy for privacy-preserving synthetic EEG generation in brain-computer interfaces. Frontiers in Human Neuroscience.GAN federate a neuroni spiking con DP Rényi per EEG sintetico (motor imagery): attacco black-box di appartenenza al variare del budget di privacy, con tasso di successo inferiore a quattro GAN DP di confronto.doi:10.3389/fnhum.2026.1909432 · PubMed 42952986
- Ou Z. et al. (2026). RiskSetDP: session-level differential privacy for survival analysis with risk-set-aware sensitivity control. Scientific Reports.RiskSetDP, privacy differenziale a livello di sessione per analisi di sopravvivenza (Kaplan-Meier, DP-SGD, dati sintetici) su METABRIC e SUPPORT2: utilità crescente con il budget; audit empirici con attacchi come diagnostica complementare.doi:10.1038/s41598-026-60269-4 · PubMed 42386863
- Shukla S. et al. (2025). Federated learning with differential privacy for breast cancer diagnosis enabling secure data sharing and model integrity. Scientific Reports.FL con privacy differenziale per diagnosi di cancro al seno (Wisconsin Diagnostic) con analisi su più valori di ε; accuratezza 96,1% con ε 1,9, rischio di inferenza di appartenenza 0,52 contro 0,75 senza FL.doi:10.1038/s41598-025-95858-2 · PubMed 40240790
- Hassan E.S. et al. (2026). FedDeepRiskNet-Audit: Privacy and attack-aware federated learning for clinical time series analysis. Technology and Health Care : Official Journal of the European Society for Engineering and Medicine.Apprendimento federato su serie temporali cliniche PhysioNet 2012 con DP Rényi, cifratura CKKS e selezione bizantina dei client: la politica Audit resta entro ε=3 contro ε≈90 di DP-FedAvg, con comunicazione ridotta del 74,8% rispetto a CKKS-FedAvg.doi:10.1177/09287329261506175 · PubMed 43006666
- Jiang Y. et al. (2026). PROVGEN: A Privacy-Preserving Approach for Outcome Validation in Genomic Research. Proceedings on Privacy Enhancing Technologies. Privacy Enhancing Technologies Symposium.Rilascio di dataset genomici per la validazione di GWAS con privacy differenziale basata su XOR e correzione delle frequenze alleliche (PROVGEN) su tre dataset reali: migliore fedeltà e resistenza all'inferenza di appartenenza rispetto a LDP e tre metodi di sintesi.doi:10.56553/popets-2026-0064 · PubMed 42211762
- Wang Q. et al. (2026). Privacy-Enhanced Vertical Federated Learning for Healthcare via Directional Noise and Subset Representations. IEEE Journal of Biomedical and Health Informatics.Federato verticale con DP a direzione ottimizzata su quattro dataset sanitari: 96,2% delle prestazioni centralizzate a epsilon 1,0 e qualità della ricostruzione per inversione del gradiente ridotta del 20-35%.doi:10.1109/JBHI.2026.3695064 · PubMed 42348378
- Annan R. et al. (2026). Privacy-preserving federated learning with optimized ensemble weighting and knowledge distillation for COVID-19 detection from non-IID medical imaging data. Scientific Reports.Distillazione federata per COVID-19 da TC con tre meccanismi DP: il Tree Adaptive offre il miglior compromesso, accuratezza 76,62% a epsilon 3,90.doi:10.1038/s41598-026-45454-9 · PubMed 42000837
- Shiri I. et al. (2024). Differential privacy preserved federated learning for prognostic modeling in COVID-19 patients using large multi-institutional chest CT dataset. Medical Physics.Apprendimento federato con privacy differenziale per prognosi COVID-19 su TC di 3055 pazienti da 19 centri; AUC 0,81 contro 0,82 del modello centralizzato; attacco di inferenza di appartenenza con AUC circa 0,50.doi:10.1002/mp.16964 · PubMed 38335175
- Messinis S.C. et al. (2024). Differentially Private Client Selection and Resource Allocation in Federated Learning for Medical Applications Using Graph Neural Networks. Sensors (Basel, Switzerland).Selezione dei client e allocazione delle risorse con privacy differenziale e reti a grafo in FL medico su dati ecografici, con ε 0,1, 0,5, 0,9 e budget eterogenei; analisi del compromesso privacy-prestazioni.doi:10.3390/s24165142 · PubMed 39204839 · codice o dati
- Gwon H. et al. (2024). LDP-GAN : Generative adversarial networks with local differential privacy for patient medical records synthesis. Computers in Biology and Medicine.GAN con privacy differenziale locale (LDP-GAN) per la sintesi di cartelle cliniche elettroniche, valutata per utilità e per protezione dei dati di addestramento da attacchi.doi:10.1016/j.compbiomed.2023.107738 · PubMed 37995536
Crittografia e calcolo sicuro
Studi inclusi · T5
Aggregazione sicura, cifratura omomorfica, calcolo multiparte e ambienti fidati per l'apprendimento su dati sanitari. 20 studi, ordinati per qualità e anno.
- Nielsen C. et al. (2025). Highly efficient homomorphic encryption-based federated learning for diabetic retinopathy classification. Journal of Medical Imaging (Bellingham, Wash.).FL con cifratura omomorfica su caratteristiche RETFound per retinopatia diabetica (APTOS-2019, ODIR-5K); calcolo ridotto di 95,9 volte, protezione dall'inversione del gradiente; la privacy differenziale con rumore alto porta AUROC da 0,78 a 0,47.doi:10.1117/1.JMI.12.3.034504 · PubMed 40463488 · codice o dati
- Truhn D. et al. (2024). Encrypted federated learning for secure decentralized collaboration in cancer image analysis. Medical Image Analysis.Apprendimento federato con cifratura omomorfica (SHEFL) su immagini radiologiche e istopatologiche multicentriche: l'inversione del gradiente ricostruisce le immagini nel federato in chiaro ma non con SHEFL; prestazioni pari al centralizzato con costo temporale contenuto.doi:10.1016/j.media.2023.103059 · PubMed 38104402 · codice o dati
- Jayaraman P., Delhibabu R. (2026). TeleZK-FL: enabling trustless and verifiable remote patient monitoring via quantized zero-knowledge federated learning. Frontiers in Digital Health.Prove a conoscenza zero quantizzate per verificare l'integrità degli aggiornamenti federati su CheXpert e PTB-XL: generazione delle prove circa 25 volte più rapida di ZK-SNARK standard, 84 ms per client, perdita di AUC 0,1-0,3%.doi:10.3389/fdgth.2026.1821129 · PubMed 42621464
- Stripelis D. et al. (2024). A federated learning architecture for secure and private neuroimaging analysis. Patterns (New York, N.Y.).Architettura federata MetisFL con cifratura completamente omomorfica CKKS per neuroimaging (Alzheimer, età cerebrale da RM, più coorti): sovraccarico di circa 7%; vulnerabilità all'inferenza di appartenenza crescente nei round, ridotta da rumore nei gradienti.doi:10.1016/j.patter.2024.101031 · PubMed 39233693 · codice o dati
- Sayeed A.S.M. et al. (2026). Explainable and secure federated learning for privacy-enhancing skin cancer classification using a lightweight multi-scale CNN. Scientific Reports.Cifratura omomorfica CKKS nell'aggregazione FedAvg per lesioni cutanee (HAM10000, ISIC 2019, PAD-UFES-20); accuratezza 98,62% senza e 98,34% con cifratura, con tempi e comunicazione aggiuntivi misurati.doi:10.1038/s41598-026-41360-2 · PubMed 41760723
- Zuo A. et al. (2026). FedGraphHE: A privacy-preserving federated graph neural network framework with dynamic homomorphic encryption and robust aggregation. PloS one.FL su reti neurali a grafo con cifratura omomorfica dinamica e aggregazione robusta bizantina; su ISIC 2020 accuratezza 98,18%, comunicazione ridotta del 25% circa, accuratezza oltre il 95% sotto attacchi bizantini.doi:10.1371/journal.pone.0339881 · PubMed 41490270
- Harshith M. et al. (2026). Federated microservices architecture with blockchain for privacy-preserving and scalable healthcare analytics. Scientific Reports.FL a microservizi con DP, aggregazione sicura e blockchain su Synthea e dati diabete di 130 ospedali USA; inversione del gradiente (NMSE 0,32), inferenza di appartenenza (AUC 0,54) e manomissione (0/500) non riuscite.doi:10.1038/s41598-026-39837-1 · PubMed 41691063
- Othman S.B., Ali O. (2026). Quantum-enhanced privacy aggregation for healthcare monitoring in wireless body area networks. Scientific Reports.Aggregazione federata per reti corporee sanitarie con distribuzione quantistica delle chiavi, cifratura omomorfa leggera, Krum e DP su segnali pubblici (ECG MIT-BIH, PPG): latenza 8 volte inferiore a Paillier; rischio di appartenenza 1,5% contro 28,3% di FedAvg.doi:10.1038/s41598-026-43649-8 · PubMed 41839936
- Prabha M. et al. (2025). Edge-AI integrated secure wireless IoT architecture for real time healthcare monitoring and federated anomaly detection. Scientific Reports.Architettura edge con FL, blockchain e cifratura Paillier per anomalie nei segni vitali, su dati sintetici derivati da MIT-BIH; sovraccarico di latenza della cifratura 8,7% (112,6 ms per round), accuratezza 91,9%.doi:10.1038/s41598-025-30150-x · PubMed 41408088 · codice o dati
- Ghanta S. et al. (2025). Enhancing privacy-preserving brain tumor classification with adaptive reputation-aware federated learning and homomorphic encryption. PeerJ. Computer Science.Apprendimento federato con aggregazione basata sulla reputazione e cifratura CKKS per classificazione di tumori cerebrali in RM: accuratezza 94% con 50% di client rumorosi contro 33% di FL standard; addestramento 322 contro 272 minuti senza CKKS.doi:10.7717/peerj-cs.3165 · PubMed 40989296 · codice o dati
- Wang X. et al. (2026). A data privacy protection method for infectious disease prediction models with balanced training speed and accuracy. Scientific Reports.Cifratura ibrida CKKS-Paillier con trasmissione casuale in FL per previsione di malattie infettive su dati di sorveglianza di Yichang (2021–2023); efficienza di calcolo e comunicazione migliorata del 25% rispetto alla cifratura omomorfica convenzionale.doi:10.1038/s41598-026-38906-9 · PubMed 41644632
- Jayaweera R. et al. (2025). Federated Security for Privacy Preservation of Healthcare Data in Edge-Cloud Environments. Sensors (Basel, Switzerland).Cifratura omomorfica CKKS adattiva per strato (HEAT-FL) in FL su radiografie toraciche e risonanze cerebrali; tempo di cifratura ridotto del 56,5% (10 client) e 54,6% (4 client) rispetto a configurazioni non adattive.doi:10.3390/s25165108 · PubMed 40871971
- Zhou J. et al. (2024). Personalized and privacy-preserving federated heterogeneous medical image analysis with PPPML-HMI. Computers in Biology and Medicine.Aggregazione sicura ciclica con cifratura omomorfica e personalizzazione (PPPML-HMI) in FL su TC toraciche (RAD-ChestCT, COVID-19); un attacco deep leakage from gradients migliorato mostra la protezione dei dati.doi:10.1016/j.compbiomed.2023.107861 · PubMed 38141449 · codice o dati
- Tang M. et al. (2025). A non-interactive Online Medical Pre-Diagnosis system on encrypted vertically partitioned data. Journal of Biomedical Informatics.Pre-diagnosi su dati medici partizionati verticalmente con cifratura funzionale (PPNLR); analisi di sicurezza contro inferenza semi-onesta e collusione, sei dataset medici reali, efficienza almeno 3,6 volte superiore agli approcci comparabili.doi:10.1016/j.jbi.2025.104940 · PubMed 41110739
- Kuo T., Yang H. (2025). Multi-layer encrypted learning for distributed healthcare analytics. Scientific Reports.Cifratura omomorfica completa distribuita con apprendimento d'insieme per mortalità in terapia intensiva (MIMIC-II, cinque reparti); accuratezza 84,6%, comunicazione circa 727 KB contro 2,2 KB per sito e round senza cifratura.doi:10.1038/s41598-025-23140-6 · PubMed 41219340
- Zhao L. et al. (2024). Explainable federated learning scheme for secure healthcare data sharing. Health Information Science and Systems.Aggregazione sicura verificabile non interattiva con condivisione segreta e hashing omomorfici in FL per reti corporee; dimostrazioni formali di sicurezza e verificabilità, accuratezza 84,34% su dataset di cardiopatie.doi:10.1007/s13755-024-00306-6 · PubMed 39282613
- Lin J. et al. (2026). A Lightweight Privacy-Preserving Federated Learning Framework for Heterogeneity-Resilient Skin Cancer Diagnosis. IEEE Journal of Biomedical and Health Informatics.FL con cifratura omomorfica completa impacchettata per strato e rete per inferenza cifrata su HAM10000 e ISIC2019; comunicazione ridotta del 94,85% e 93,48%, inferenza cifrata circa 17,8 s per campione.doi:10.1109/JBHI.2025.3578125 · PubMed 40489276
- Markkandan S. et al. (2024). A privacy-preserving expert system for collaborative medical diagnosis across multiple institutions using federated learning. Scientific Reports.Crittosistema parzialmente omomorfico in FL con rete di credenze profonde su dataset di dermatologia, epatite C e diabete; operazioni crittografiche 150–220 ms contro 300–450 ms di Paillier.doi:10.1038/s41598-024-73334-7 · PubMed 39333305
- Tadi A.A. et al. (2024). PPPCT: Privacy-Preserving framework for Parallel Clustering Transcriptomics data. Computers in Biology and Medicine.Clustering parallelo di trascrittomica single-cell in ambiente di esecuzione fidato Intel SGX: ARI almeno 7% superiore ai metodi esistenti; meno di 10 secondi con privacy contro meno di 2 senza, per 5.000 geni e 6.000 cellule.doi:10.1016/j.compbiomed.2024.108351 · PubMed 38520921 · codice o dati
- Mitrovska A. et al. (2024). Secure federated learning for Alzheimer's disease detection. Frontiers in Aging Neuroscience.Apprendimento federato per la diagnosi di Alzheimer da RM strutturale con FedAvg e aggregazione sicura in ambienti eterogenei simulati: attacchi di inferenza di appartenenza simulati mostrano maggiori garanzie di privacy con l'aggregazione sicura.doi:10.3389/fnagi.2024.1324032 · PubMed 38515517
Rimozione dei dati e rilascio di modelli
Studi inclusi · T6
Rimozione dei dati (unlearning), rilascio controllato dei modelli, ambienti di ricerca fidati. 4 studi, ordinati per qualità e anno.
- Kehl K.L. et al. (2024). Shareable artificial intelligence to extract cancer outcomes from electronic health records for precision oncology research. Nature Communications.Conferma della vulnerabilità all'inferenza di appartenenza di classificatori di testo addestrati su EHR oncologiche (DFCI) e distillazione insegnante-studente su documenti MIMIC-IV per modelli condivisibili, validati con alta discriminazione a DFCI e MSK.doi:10.1038/s41467-024-54071-x · PubMed 39532885 · codice o dati
- Han Z. et al. (2026). Adaptive feature unlearning for trustworthy medical imaging privacy. Medical Image Analysis.Unlearning a livello di feature (AdaptForget) su quattro benchmark di imaging (istopatologia, fondo oculare, dermatologia, OCT) e cartelle cliniche, con metrica di verifica dell'oblio; protezione della privacy superiore allo stato dell'arte.doi:10.1016/j.media.2026.104151 · codice o dati
- Hardan S. et al. (2025). Forget-MI: Machine Unlearning for Forgetting Multimodal Information in Healthcare Settings. MICCAI.Unlearning multimodale (radiografie e referti MIMIC-CXR) per rimuovere dati di pazienti; valutato con inferenza di appartenenza: riduce il MIA di 0,202 mantenendo prestazioni sul test pari al modello riaddestrato.codice o dati
- Ong W., Chan C. (2025). Maverick: Collaboration-Free Federated Unlearning for Medical Privacy. MICCAI.Unlearning federato senza collaborazione (Maverick) su tre dataset MedMNIST (istologia, lesioni cutanee, cellule ematiche): successo dell'inferenza di appartenenza ridotto vicino al riaddestramento (es. 10,04% vs 92,51% del modello originale).doi:10.1007/978-3-032-05185-1_35 · codice o dati
Modelli linguistici e agenti clinici
Studi inclusi · T7
Iniezione di istruzioni, jailbreak, avvelenamento e attacchi avversari a modelli linguistici medici. 16 studi, ordinati per qualità e anno.
- Han Z. et al. (2026). MSIA: Adaptive Medical Multimodal Multi-turn Semantic Jailbreak. ACL.Jailbreak semantico multi-turno su LLM multimodali (tre modelli commerciali) con dialoghi su radiografie MIMIC-CXR: tasso medio di successo 76,67%, superiore a GCG, PAIR e RedQueen.doi:10.18653/v1/2026.findings-acl.1096 · codice o dati
- Alber D.A. et al. (2025). Medical large language models are vulnerable to data-poisoning attacks. Nature Medicine.Avvelenamento simulato di The Pile con disinformazione medica: sostituire lo 0,001% dei token produce modelli più dannosi con prestazioni invariate sui benchmark; filtro basato su grafi di conoscenza intercetta il 91,9% dei contenuti dannosi.doi:10.1038/s41591-024-03445-1 · PubMed 39779928 · codice o dati
- Zhang H. et al. (2024). Towards Safe AI Clinicians: A Comprehensive Study on Large Language Model Jailbreaking in Healthcare. AMIA ... Annual Symposium Proceedings. AMIA Symposium.Tre tecniche di jailbreak black-box (PAIR, PAP, FlipAttack) su sette LLM con query mediche dannose di MedSafetyBench: breach rate fino a 0,93; il fine-tuning continuo riduce quello di Llama3.1-8B da 0,66 a 0,02.PubMed 41726411 · codice o dati
- Garcia-Gasulla D. et al. (2026). The Aloe Family recipe for open and specialized healthcare LLMs. NPJ Digital Medicine.Modelli sanitari open Aloe allineati con DPO contro il jailbreak, valutati su dieci stili di attacco del benchmark S-Eval: i modelli più grandi hanno attack success rate sotto il 9%, migliorando i modelli di base.doi:10.1038/s41746-026-02637-y · PubMed 42115745
- Yang Y. et al. (2025). Adversarial prompt and fine-tuning attacks threaten medical large language models. Nature Communications.Prompt injection e fine-tuning con campioni avvelenati su LLM open-source e proprietari in prevenzione, diagnosi e trattamento con dati MIMIC-III e PMC-Patients: tutti manipolabili, prestazioni sui benchmark poco alterate, pesi modificati rilevabili.doi:10.1038/s41467-025-64062-1 · PubMed 41068092 · codice o dati
- Chen S. et al. (2025). CARES: Comprehensive Evaluation of Safety and Adversarial Robustness in Medical LLMs. NeurIPS.Benchmark CARES (oltre 18.000 prompt medici, quattro stili incluso jailbreak) su LLM: molti modelli vulnerabili a riformulazioni avversarie e con eccesso di rifiuti; classificatore leggero di rilevamento come mitigazione.codice o dati
- Lee J. et al. (2026). MPIB: A Benchmark for Medical Prompt Injection Attacks and Clinical Safety in LLMs. EMNLP.Benchmark MPIB (9697 istanze) di prompt injection diretta e indiretta via RAG su compiti clinici: tassi di successo e di danno clinico grave (CHER) divergono e variano con la posizione dell'istruzione avversaria e le difese.
- Fime A.A. et al. (2026). Secure yet fragile: adversarial vulnerabilities of federated vision-language models in medical AI. Scientific Reports.Attacchi avversari FGSM, PGD, BIM e MI-FGSM su modelli visione-linguaggio CLIP addestrati in federato su dataset medici: forte calo di accuratezza; le difese TTC e CLIPure mitigano, CLIPure più costante.doi:10.1038/s41598-026-48102-4 · PubMed 41991958
- Amaithi Rajan A. et al. (2025). Secure and fault tolerant cloud based framework for medical image storage and retrieval in a distributed environment. Scientific Reports.Recupero di immagini mediche (RM cerebrale, TC renale) con addestramento avversario federato contro esempi avversari PGD; accuratezza sulle query avversarie migliorata del 60–70%, accuratezza complessiva 90%.doi:10.1038/s41598-025-16903-8 · PubMed 41006454
- Lee R.W. et al. (2025). Vulnerability of Large Language Models to Prompt Injection When Providing Medical Advice. JAMA Network Open.Prompt injection, anche client-side man-in-the-middle, su LLM commerciali in 12 scenari clinici di consiglio medico: successo 94,4% al turno decisionale e persistenza 69,4%; vulnerabili anche modelli di punta in uno scenario di gravidanza.doi:10.1001/jamanetworkopen.2025.49963 · PubMed 41632124
- Harada Y. (2026). Robustness of a Large Language Model (LLM)-Based Virtual Patient for Japanese History-Taking Training Under Direct and Indirect Instructional Contamination. Cureus.Paziente virtuale basato su LLM per l'anamnesi in giapponese sotto contaminazione diretta e indiretta delle istruzioni: la contaminazione diretta riduce la fedeltà del caso a 0,098; la difesa di preelaborazione la riporta a 0,945.doi:10.7759/cureus.109161 · PubMed 42326139
- Omar M. et al. (2025). Multi-model assurance analysis showing large language models are highly vulnerable to adversarial hallucination attacks during clinical decision support. Communications Medicine.Attacchi di allucinazione avversaria con dettagli inventati in 300 vignette cliniche su sei LLM: tassi 50-82%; il prompt di mitigazione riduce la media dal 66% al 44%, la temperatura zero non migliora.doi:10.1038/s43856-025-01021-3 · PubMed 40753316
- Das A. et al. (2024). Exposing Vulnerabilities in Clinical LLMs Through Data Poisoning Attacks: Case Study in Breast Cancer. AMIA ... Annual Symposium Proceedings. AMIA Symposium.Avvelenamento dei dati tramite istruzioni e modifica mirata del modello (ROME) su BioGPT messo a punto su circa 65.000 note di tumore mammario: output manipolati con parola trigger, difficili da distinguere con metriche standard.PubMed 40417494
- Menz B.D. et al. (2024). Current safeguards, risk mitigation, and transparency measures of large language models against the generation of health disinformation: repeated cross sectional analysis. BMJ (Clinical Research Ed.).Analisi trasversale ripetuta di quattro LLM pubblici sollecitati, anche con jailbreak, a generare disinformazione sanitaria: solo uno dei modelli rifiuta sempre, gli altri producono blog di disinformazione.doi:10.1136/bmj-2023-078538 · PubMed 38508682
- de Aguiar E.J. et al. (2023). Security and Privacy in Machine Learning for Health Systems: Strategies and Challenges. Yearbook of Medical Informatics.Rassegna con protocollo dichiarato (ACM, IEEE, PubMed, Web of Science, ScienceDirect; 2018–2022) su attacchi, difese e privacy nell'apprendimento automatico sanitario: 40 studi; tendenze perturbazioni universali, attacchi GAN, addestramento avversario, FL.doi:10.1055/s-0043-1768731 · PubMed 38147869
- Kim M. et al. (2025). Fine-Tuning LLMs with Medical Data: Can Safety Be Ensured?. NEJM AI.Attacchi via prompt (jailbreak, codifica ASCII) su LLM messo a punto con cartelle cliniche, 71 domande mediche: disattivazione delle protezioni fino all'80,8% ed esposizione parziale dei dati di addestramento fino al 21,8%.doi:10.1056/AIcs2400390 · PubMed 42932460
Incidenti nelle strutture sanitarie
Studi inclusi · T8
Studi empirici su frequenza e impatto clinico, operativo ed economico degli incidenti informatici. 34 studi, ordinati per qualità e anno.
- Straw I. et al. (2026). Unveiling Patient-Level Harms and At-Risk Clinical Groups During Hospital Cyberattacks: Systematic Review of Global Case Studies and Social Media Data. Journal of Medical Internet Research.Rassegna sistematica PRISMA di 59 studi più dati dai social media sui danni ai pazienti durante attacchi informatici ospedalieri: 316 danni; più a rischio pazienti tempo-dipendenti (ictus, arresto cardiaco, trauma) e digitalmente dipendenti.doi:10.2196/88257 · PubMed 42809354
- Ignatovski M. (2026). Business Associates' Involvement in US Health Care Data Breaches: Longitudinal Analysis. JMIR Medical Informatics.Analisi longitudinale di 6612 violazioni di dati sanitari notificate a HHS OCR 2009-2025: business associate coinvolti nel 29,5% degli incidenti e nel 48,8% degli individui colpiti; quota salita da 22,1% a 36,6%.doi:10.2196/93588 · PubMed 42837534
- Dolezel D. et al. (2026). Cybersecurity in Healthcare: Ensuring Patient Safety and Data Privacy. Journal of Multidisciplinary Healthcare.Analisi di 7327 violazioni notificate a HHS OCR 2010-2025: incidenti di hacking/IT associati a violazioni gravi (OR 2,6), saliti dal 4% all'80%; coinvolgimento di business associate associato a violazioni più ampie (IRR 2,0).doi:10.2147/JMDH.S609209 · PubMed 42158159
- Abouk R., Powell D. (2024). Ransomware Attacks, ED Visits and Inpatient Admissions in Targeted and Nearby Hospitals. JAMA.Differenze nelle differenze su dati di dimissione California 2014-2020: 8 attacchi ransomware in 15 ospedali; accessi al PS -16,2% e ricoveri -16,6% nella seconda settimana; aumento accessi PS negli ospedali vicini (fino a +7,1%).doi:10.1001/jama.2024.7752 · PubMed 38809568
- Moore G. et al. (2023). A resilient workforce: patient safety and the workforce response to a cyber-attack on the ICT systems of the national health service in Ireland. BMC Health Services Research.Otto focus group (36 operatori di servizi diversi) sull'attacco all'HSE irlandese 2021, analisi tematica: resilienza del personale a compensare la carenza di resilienza dei sistemi; stress percepito superiore alla pandemia.doi:10.1186/s12913-023-10076-8 · PubMed 37848947
- Gershengorn H.B. et al. (2026). Association of a Platelet Shortage with process and clinical outcomes. Transfusion.Effetti di una carenza di piastrine causata da ransomware al fornitore di sangue (Florida, 2024): 26.457 conte piastriniche, 3605 ricoveri; meno trasfusioni con conte 10.000-49.000/μL (OR pre 3,05) senza differenze significative di mortalità o emorragie.doi:10.1111/trf.70055 · PubMed 41468258
- Rapaport C. et al. (2026). The human factor in hospital cybersecurity: a high-reliability organization-based maturity model. International Journal of Medical Informatics.Analisi di 5752 incidenti informatici di organizzazioni sanitarie USA: gli incidenti da fattore umano (3740) si ripetono più spesso entro tre anni nella stessa organizzazione, risultato robusto a definizioni alternative.doi:10.1016/j.ijmedinf.2026.106706 · PubMed 42721802
- Jiang J.X. et al. (2025). Ransomware Attacks and Data Breaches in US Health Care Systems. JAMA Network Open.Analisi trasversale di 6468 violazioni HHS/OCR 2010-2024: hacking/IT dal 4% all'81% delle violazioni; ransomware fino al 31% nel 2021; 285 milioni di record (39%) coinvolti da ransomware.doi:10.1001/jamanetworkopen.2025.10180 · PubMed 40366661 · codice o dati
- Pham T.T. et al. (2024). Ransomware Cyberattack Associated With Cardiac Arrest Incidence and Outcomes at Untargeted, Adjacent Hospitals. Critical Care Explorations.Coorte di 78 arresti cardiaci in due ospedali adiacenti a un sistema colpito da ransomware (San Diego 2021): arresti 21 vs 38 nella fase d'attacco; sopravvivenza neurologica favorevole OHCA dal 40,0% al 4,5%.doi:10.1097/CCE.0000000000001079 · PubMed 38605720
- McGlave C.C. et al. (2023). Characteristics of short-term acute care hospitals that experienced a ransomware attack from 2016 to 2021. Health Affairs Scholar.Confronto tra 163 ospedali per acuti colpiti da ransomware (2016-2021) e non colpiti (4531 totali, dati AHA/HCRIS): i colpiti erano più grandi, più redditizi e con più trauma/emergenza; sofisticazione IT non diversa.doi:10.1093/haschl/qxad037 · PubMed 38756673
- Dameff C. et al. (2023). Ransomware Attack Associated With Disruptions at Adjacent Emergency Departments in the US. JAMA Network Open.Coorte prima/dopo in due PS adiacenti a un sistema colpito da ransomware (San Diego 2021, 19.857 visite): aumento del censimento giornaliero (218,4 vs 251,4), degli arrivi in ambulanza e delle attivazioni stroke code (59 vs 102).doi:10.1001/jamanetworkopen.2023.12270 · PubMed 37155166
- Russell S.P. et al. (2023). The Irish National Orthopaedic Register Under Cyberattack: What Happened, and What Were the Consequences?. Clinical Orthopaedics and Related Research.Impatto dell'attacco HSE 2021 sul registro ortopedico nazionale (9 ospedali): fermo mediano 134 giorni, nessun evento avverso grave, 2850 ore-persona aggiuntive per la riconciliazione (181.000-216.000 USD).doi:10.1097/CORR.0000000000002643 · PubMed 37036406
- Bidoki M.Z. et al. (2026). Band-aids and firewalls: A resource-based view of ransomware attack vulnerability in health care organizations. Health Care Management Review.Regressione logistica multivariata su 2262 organizzazioni sanitarie USA (OCR 2019-2024, AHA): centralizzazione e status universitario associati a più violazioni e ransomware; dimensione protettiva; nessun effetto della capacità IT di mitigazione.doi:10.1097/HMR.0000000000000463 · PubMed 41247853
- Davids A. et al. (2026). Clinicians' Perspectives on the Impact of a Ransomware Attack on a Chemical Pathology Laboratory at a Tertiary Hospital in South Africa. EJIFCC.Indagine su 58 clinici e volumi di laboratorio durante un ransomware nel laboratorio di chimica clinica di un ospedale sudafricano: 78% riferisce ritardi diagnostici; test di creatinina ridotti del 26,8% e di vitamina B12 del 34,1%.PubMed 42006506
- Hasegawa K. et al. (2024). Cybersecurity Interventions in Health Care Organizations in Low- and Middle-Income Countries: Scoping Review. Journal of Medical Internet Research.Scoping review (Medline, Embase, Global Health, Scopus, 2017-2024) su interventi di cybersicurezza in strutture sanitarie di paesi a basso-medio reddito: 20 studi, 14 paesi; un solo studio riporta esiti o impatto.doi:10.2196/47311 · PubMed 39566062
- Neprash H.T. et al. (2024). What happens to rural hospitals during a ransomware attack? Evidence from Medicare data. The Journal of Rural Health : Official Journal of the American Rural Health Association and the National Rural Health Care Association.Event study su dati Medicare FFS 2016-2021 (database THREAT): nella prima settimana ricoveri -14,7% negli ospedali rurali e -16,9% urbani; visite ambulatoriali -35,3% rurali; recupero in 2-3 settimane.doi:10.1111/jrh.12834 · PubMed 38494590
- Abbou B. et al. (2024). When all computers shut down: the clinical impact of a major cyber-attack on a general hospital. Frontiers in Digital Health.Attacco ransomware con blocco totale dei sistemi in un ospedale generale israeliano, confronto con 2019: calo immediato di chirurgia, accessi al PS e occupazione; ripresa del 30% associata al ripristino di cartella elettronica e laboratorio.doi:10.3389/fdgth.2024.1321485 · PubMed 38433989
- Choi S.J. et al. (2023). Assessing the impact of health information exchange on hospital data breach risk. International Journal of Medical Informatics.Differenze nelle differenze su 4936 ospedali comunitari USA 2010-2017: lo scambio elettronico di informazioni sanitarie è associato a +0,672 punti percentuali di probabilità di violazione IT a tre anni.doi:10.1016/j.ijmedinf.2023.105149 · PubMed 37453177
- Portela D. et al. (2023). Economic Impact of a Hospital Cyberattack in a National Health System: Descriptive Case Study. JMIR Formative Research.Identificazione da fonti mediatiche di 6 incidenti negli ospedali pubblici portoghesi (2017-2022) e stima dei costi diretti con scenario ipotetico e analisi di sensibilità: da 115.882,96 a 2.317.659,11 euro.doi:10.2196/41738 · PubMed 37389934
- Harvey H. et al. (2023). The Impact of a National Cyberattack Affecting Clinical Trials: The Cancer Trials Ireland Experience. JCO Clinical Cancer Informatics.Questionario su indicatori di 10 unità di sperimentazione oncologica irlandesi prima, durante e dopo l'attacco HSE 2021: referral -85% e arruolamento -55%; solo 2 siti con piano di preparazione.doi:10.1200/CCI.22.00149 · PubMed 37053539
- McCarthy C.J. et al. (2026). The effect of a national healthcare cyberattack on the Irish hip fracture standards. The Surgeon : Journal of the Royal Colleges of Surgeons of Edinburgh and Ireland.Effetto dell'attacco informatico all'HSE irlandese (maggio 2021) sugli standard nazionali per la frattura di femore: chirurgia entro 48 ore scesa da 75,3% a 69,5%, ulcere da pressione da 2,1% a 3,3%.doi:10.1016/j.surge.2026.04.012 · PubMed 42091386
- Willing M. et al. (2025). Simulating the overload of medical processes due to system failures during a cyberattack. BMC Medical Informatics and Decision Making.Modello di simulazione ibrido (eventi discreti e agenti) dei processi ospedalieri con strumento SICKPATH; scenari di ransomware sulla TC in sala traumi tedesca con dati reali, quantificando l'aumento della durata dei trattamenti.doi:10.1186/s12911-025-02988-8 · PubMed 40269938
- Brantly N.D. (2025). The U.S. health system vulnerabilities. BMC Health Services Research.Analisi descrittiva delle violazioni di dati sanitari (>500 persone) nel portale HHS 2013-2023 con revisione qualitativa delle politiche: crescita marcata delle violazioni e della quota dovuta a hacking/incidenti IT; prevalenza nei fornitori di cure.doi:10.1186/s12913-025-13803-5 · PubMed 41345652 · codice o dati
- Keogh R.J. et al. (2024). Dealing with digital paralysis: Surviving a cyberattack in a National Cancer center. Journal of Cancer Policy.Impatto del ransomware Conti sul centro oncologico di Cork (2021) su registri di 120 giorni: radioterapia interrotta per 113 pazienti, attività ambulatoriale -50%, capacità di ematologia e radiologia -90%.doi:10.1016/j.jcpo.2023.100466 · PubMed 38176467
- Cases C. et al. (2026). One Year After a Cyberattack: Lessons Learned and Dosimetric Analysis of Contingency Radiotherapy Plans. International Journal of Radiation Oncology, Biology, Physics.Ransomware in un ospedale con arresto della radioterapia: piani di contingenza con informazioni parziali e ripresa entro 12 giorni; analisi dosimetrica e follow-up a un anno mostrano mancata copertura del bersaglio nei tumori testa-collo.doi:10.1016/j.ijrobp.2026.03.030 · PubMed 42043360
- Neprash H.T. et al. (2025). Lessons From CMS Relief Funding After Cyberattack On Change Healthcare. Health Affairs (Project Hope).Analisi dei fondi CMS (3,3 miliardi $, 2,2 agli ospedali) dopo l'attacco a Change Healthcare 2024: sovrapagamenti a molti ospedali partecipanti e scarsa adesione di molti ospedali probabilmente danneggiati.doi:10.1377/hlthaff.2025.00990 · PubMed 41329887
- van Boven L.S. et al. (2024). Hacking Acute Care: A Qualitative Study on the Health Care Impacts of Ransomware Attacks Against Hospitals. Annals of Emergency Medicine.Interviste semistrutturate a 9 operatori di emergenza e IT su attacchi ransomware in Europa e USA (2017-2022): cinque temi su continuità delle cure, recupero, effetti sul personale e preparazione limitata.doi:10.1016/j.annemergmed.2023.04.025 · PubMed 37318433
- Duffy C. et al. (2024). Survey of Laboratory Medicine's national response to the HSE cyberattack in the Republic of Ireland. Irish Journal of Medical Science.Indagine nazionale su 41 laboratori irlandesi durante l'attacco HSE: 55% senza sistema informativo di laboratorio, 56% di questi per oltre 2 settimane; 55% con calo delle richieste >30%.doi:10.1007/s11845-023-03511-6 · PubMed 37737914
- Tin D. et al. (2023). Cyberthreats: A primer for healthcare professionals. The American Journal of Emergency Medicine.Analisi descrittiva del portale HHS 2011-2021: 3822 violazioni con 283.335.803 persone coinvolte; 41,7% da hacking/IT; massimo nel 2020 (631).doi:10.1016/j.ajem.2023.04.001 · PubMed 37061434 · codice o dati
- Leonard F. et al. (2023). Learnings From a National Cyberattack Digital Disaster During the SARS-CoV-2 Pandemic in a Pediatric Emergency Medicine Department. Disaster Medicine and Public Health Preparedness.Serie temporale monocentrica in PS pediatrico (13.390 visite) prima, durante e dopo l'attacco nazionale irlandese 2021: tempo di permanenza mediano da 188 a 166 minuti; dati imperfetti 19,7% vs 4,7%.doi:10.1017/dmp.2023.86 · PubMed 37357951
- Tarka M. et al. (2023). The crippling effects of a cyberattack at an academic level 1 trauma center: An orthopedic perspective. Injury.Trauma center di livello 1 con 25 giorni di fermo della cartella elettronica dopo attacco: tempo operatorio ortopedico feriale -53,4% rispetto all'anno precedente e -53,2% rispetto al successivo.doi:10.1016/j.injury.2023.02.022 · PubMed 36801172
- Gabbay-Benziv R. et al. (2023). When the lights go down in the delivery room: Lessons from a ransomware attack. International Journal of Gynaecology and Obstetrics: the Official Organ of the International Federation of Gynaecology and Obstetrics.Studio retrospettivo in un centro di medie dimensioni: dopo un attacco ransomware parti, ricoveri e visite ostetriche calano del 5-10% in 11 settimane rispetto al 2019.doi:10.1002/ijgo.14687 · PubMed 36740900
- Piazza A., Vasudevan S. (2025). Mapping the Cyberthreat Landscape in Healthcare Using GDELT: A Multimethod Approach. Health Security.Analisi di notizie GDELT 2017-2023 con reti sociali, NLP e apprendimento automatico per stimare la frequenza degli attacchi agli ospedali: aumento sostanziale, prevalenza di APT, attori statali e DDoS.doi:10.1089/hs.2024.0016 · PubMed 40376742
- Al Haddad C. et al. (2025). When code crashes the lab: Operational resilience in clinical laboratories amid a cyberattack - A case study from a university hospital. Annales de Biologie Clinique.Caso monocentrico (ospedale universitario libanese): attacco con blocco del sistema informativo di laboratorio, passaggio a procedure cartacee; funzionalità parziale al giorno 3, gran parte dei servizi al giorno 10, normalità entro due mesi.doi:10.1684/abc.2025.1988 · PubMed 40770901
Quadro d'insieme
Per anno di pubblicazione
| Anno | Studi |
|---|---|
| 2023 | 25 |
| 2024 | 37 |
| 2025 | 50 |
| 2026 | 90 |
Per tipo di studio
| Tipo | Studi |
|---|---|
| difesa | 87 |
| misura del rischio | 32 |
| studio osservazionale | 28 |
| attacco | 27 |
| attacco e difesa | 18 |
| rassegna sistematica | 8 |
| studio qualitativo | 2 |
Per qualità
| Livello | Studi |
|---|---|
| alta (8–10) | 56 |
| media (5–7) | 101 |
| bassa (0–4) | 45 |
Limiti
- Banche dati. Sono state interrogate due banche dati. Scopus, Web of Science, IEEE Xplore e ACM Digital Library non sono stati consultati; DBLP non era interrogabile in modo automatico.
- Sedi informatiche. Per la letteratura informatica sono state considerate solo le sedi di riferimento elencate nel protocollo: lavori pertinenti pubblicati in altre sedi informatiche sono esclusi per costruzione, salvo che siano indicizzati in PubMed.
- Filtro sanitario. Il filtro per termini sanitari sui record di Semantic Scholar può escludere studi che usano dati sanitari senza dichiararlo nell'abstract.
- Revisione singola. Screening e valutazione della qualità non sono stati eseguiti in doppio.
- Qualità. La lista di valutazione non è uno strumento validato; quando il testo completo non era accessibile la valutazione si basa sull'abstract.
- Preprint. Sono esclusi per criterio; in un campo in rapida evoluzione, soprattutto per i modelli linguistici, parte dei risultati più recenti è disponibile solo come preprint.