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

Cybersecurity in sanità

Rassegna della letteratura scientifica 2023–2026

Presentazione

Aggiornamento: 15 novembre 2026 · A cura di Fabio Liberti · Versione 0.1.2

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.

TemaStudiQualità altaMediaBassa
Inferenza e rischio di divulgazione61202615
Ricostruzione dai gradienti10523
Avvelenamento e aggregazione robusta13364
Privacy differenziale4413247
Crittografia e calcolo sicuro204124
Rimozione dei dati e rilascio di modelli4040
Modelli linguistici e agenti clinici16682
Incidenti nelle strutture sanitarie3451910
Totale2025610145

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.

CodiceTemaContenuto
T1Inferenza e rischio di divulgazioneInferenza di appartenenza, inversione del modello e rischio di reidentificazione da modelli, dati sintetici o anonimizzati.
T2Ricostruzione dai gradientiRecupero dei dati di addestramento da gradienti o aggiornamenti nell'apprendimento federato.
T3Avvelenamento e aggregazione robustaAvvelenamento dei dati o del modello, porte nascoste, partecipanti bizantini e difese.
T4Privacy differenzialeAddestramento con privacy differenziale su dati sanitari, con analisi del compromesso tra privacy e utilità.
T5Crittografia e calcolo sicuroAggregazione sicura, cifratura omomorfica, calcolo multiparte e ambienti fidati per l'apprendimento su dati sanitari.
T6Rimozione dei dati e rilascio di modelliRimozione dei dati (unlearning), rilascio controllato dei modelli, ambienti di ricerca fidati.
T7Modelli linguistici e agenti cliniciIniezione di istruzioni, jailbreak, avvelenamento e attacchi avversari a modelli linguistici medici.
T8Incidenti nelle strutture sanitarieStudi 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 datiTemaStringaFiltriRisultati
Semantic ScholarT1"membership inference"anni 2023–2026; titolo e abstract1.942
Semantic ScholarT2("gradient inversion" | "gradient leakage" | "reconstruction attack" | "data reconstruction") + "federated"anni 2023–2026; titolo e abstract746
Semantic ScholarT3(poisoning | backdoor | byzantine) + "federated learning"anni 2023–2026; titolo e abstract3.211
Semantic ScholarT4"differential privacy" + "federated learning"anni 2023–2026; titolo e abstract3.994
Semantic ScholarT5("secure aggregation" | "homomorphic encryption" | "trusted execution") + "federated learning"anni 2023–2026; titolo e abstract2.711
Semantic ScholarT6("machine unlearning" | "federated unlearning") + (attack | privacy)anni 2023–2026; titolo e abstract989
Semantic ScholarT7("prompt injection" | jailbreak) + (agent | agents | "language model" | "language models")anni 2023–2026; titolo e abstract3.707
PubMedT1("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 preprint188
PubMedT2-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 preprint637
PubMedT6(("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 preprint70
PubMedT7(("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 preprint56
PubMedT8((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 preprint227

Criteri di inclusione ed esclusione

Protocollo

Inclusione (tutti i criteri)

CodiceCriterio
I1Articolo in rivista o atti di convegno con revisione tra pari, pubblicato dal 1/1/2023 al 15/11/2026, in inglese.
I2Oggetto: 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.
I3Contesto sanitario: la valutazione usa dati clinici, biomedici o sanitari, oppure riguarda sistemi o strutture sanitarie.
I4Contributo empirico (esperimenti, misure, dati osservazionali o qualitativi) oppure rassegna sistematica o di scoping con metodo dichiarato.

Esclusione

CodiceCriterio
E1Tipo di pubblicazione non ammesso: preprint, editoriale, commento, lettera, abstract di convegno, rassegna narrativa, capitolo.
E2Nessuna valutazione empirica: proposta architetturale, quadro concettuale, studio solo teorico.
E3Contesto non sanitario: la sanità è citata solo come motivazione.
E4Fuori tema: la sicurezza o la privacy non è l'oggetto della valutazione.
E5Duplicato o versione precedente di un lavoro incluso.

Regole di eleggibilità sul testo completo

RegolaContenuto
R1Apprendimento 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.
R2Dati 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.
R3Contesto 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.
R4Rilevamento 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.
R5Blockchain, autenticazione, cifratura di immagini senza componente di apprendimento automatico e senza valutazione di attacchi: E4. Architetture con sole metriche di prestazione: E2.
R6Modelli 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.
R7T8: 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).
R8Rassegne: incluse solo se sistematiche o di scoping con banche dati, stringhe e criteri dichiarati. Altrimenti E1.
R9Pubblicazione: sedi con revisione tra pari. Se la pubblicazione risulta un preprint o una lettera senza dati originali: E1.
R10Eleggibilità 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.

VoceNomeCriterio
Q1Oggetto definitoModello di minaccia esplicito (attaccante, conoscenze, capacità, obiettivi); per gli studi sugli incidenti, definizione dell'esposizione; per le rassegne, domanda e criteri.
Q2Rigore della valutazioneLinee 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.
Q3Validità dei datiDati clinici reali; più insiemi di dati o più centri; per gli incidenti, più strutture o periodo adeguato.
Q4RiproducibilitàCodice o dati disponibili, oppure parametri sufficienti a ripetere lo studio.
Q5LimitiLimiti e validità esterna discussi esplicitamente.

Selezione degli studi

Protocollo

Diagramma di flusso della selezione, secondo lo schema PRISMA per le rassegne di scoping.

  1. Record identificati in Semantic Scholar (unici)14.564
  2. esclusi: sede non compresa tra quelle di riferimento13.205
  3. esclusi: nessun termine sanitario nel titolo o nell'abstract1.289
  4. Record identificati in PubMed (unici)1.089
  5. Duplicati tra le due banche dati2
  6. Record vagliati per titolo e abstract1.157
  7. esclusi E1153
  8. esclusi E246
  9. esclusi E3475
  10. esclusi E4202
  11. Studi valutati sul testo completo o sull'abstract integrale281
  12. esclusi E1 (regola prevalente: R7 1)1
  13. esclusi E2 (regola prevalente: R5 3, — 1)4
  14. esclusi E3 (regola prevalente: R3 25, R6 3)28
  15. esclusi E4 (regola prevalente: R1 24, R10 6, R4 5, — 3, R2 3, R5 2, R7 2, R6 1)46
  16. esclusi: di cui riclassificati nel controllo di coerenza tra lotti13
  17. 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.

  1. 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.Tipo: misura del rischio · Qualità: alta (10/10: Q1 2 · Q2 2 · Q3 2 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1186/s13059-026-04326-1 · PubMed 43021296 · codice o dati
  2. 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.Tipo: attacco · Qualità: alta (10/10: Q1 2 · Q2 2 · Q3 2 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.56553/popets-2026-0134 · codice o dati
  3. 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.Tipo: misura del rischio · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1038/s41746-026-02622-5 · PubMed 41975052 · codice o dati
  4. 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.Tipo: attacco · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 2 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1038/s41586-026-10688-0 · PubMed 42343130 · codice o dati
  5. 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.Tipo: attacco · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1093/bioinformatics/btag311 · PubMed 42412845 · codice o dati
  6. 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.Tipo: attacco · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 2 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1093/bioinformatics/btaf273 · PubMed 40388204 · codice o dati
  7. 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.Tipo: attacco · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completocodice o dati
  8. 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.Tipo: misura del rischio · Qualità: alta (9/10: Q1 1 · Q2 2 · Q3 2 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1016/j.isci.2025.112382 · PubMed 40343279 · codice o dati
  9. 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%).Tipo: attacco · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1109/SaTML68715.2026.00061 · codice o dati
  10. 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.Tipo: difesa · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 2 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1038/s41746-024-01290-7 · PubMed 39427092 · codice o dati
  11. 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.Tipo: attacco e difesa · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1101/gr.277674.123 · PubMed 37217251
  12. 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.Tipo: attacco · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1186/s13059-023-03105-6 · PubMed 38053191
  13. 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%.Tipo: difesa · Qualità: alta (8/10: Q1 2 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1049/htl2.70093 · PubMed 42488525
  14. 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.Tipo: misura del rischio · Qualità: alta (8/10: Q1 2 · Q2 2 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1186/s12911-026-03648-1 · PubMed 42351098
  15. 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.Tipo: attacco e difesa · Qualità: alta (8/10: Q1 2 · Q2 2 · Q3 2 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1186/s40708-026-00313-1 · PubMed 42323786
  16. 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.Tipo: misura del rischio · Qualità: alta (8/10: Q1 1 · Q2 2 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1093/bioinformatics/btag377 · PubMed 42635217 · codice o dati
  17. 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.Tipo: misura del rischio · Qualità: alta (8/10: Q1 1 · Q2 2 · Q3 2 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1038/s41551-025-01468-8 · PubMed 40790276 · codice o dati
  18. 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.Tipo: difesa · Qualità: alta (8/10: Q1 2 · Q2 2 · Q3 1 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1186/s13059-025-03871-5 · PubMed 41286986 · codice o dati
  19. 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.Tipo: misura del rischio · Qualità: alta (8/10: Q1 1 · Q2 2 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.2196/71297 · PubMed 41032725
  20. 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.Tipo: attacco · Qualità: alta (8/10: Q1 2 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.3389/fbinf.2023.1194993 · PubMed 37484865 · codice o dati
  21. 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.Tipo: misura del rischio · Qualità: media (7/10: Q1 1 · Q2 2 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.2196/71819 · PubMed 41747250
  22. 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.Tipo: difesa · Qualità: media (7/10: Q1 0 · Q2 1 · Q3 2 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1038/s41746-026-02999-3 · PubMed 42448813 · codice o dati
  23. 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.Tipo: difesa · Qualità: media (7/10: Q1 1 · Q2 1 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1177/20552076251411621 · PubMed 41732183 · codice o dati
  24. 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.Tipo: misura del rischio · Qualità: media (7/10: Q1 2 · Q2 2 · Q3 1 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.3233/SHTI251407 · PubMed 40899552
  25. 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.Tipo: difesa · Qualità: media (7/10: Q1 1 · Q2 2 · Q3 1 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1093/jssam/smae047 · PubMed 41210181 · codice o dati
  26. 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%.Tipo: misura del rischio · Qualità: media (7/10: Q1 1 · Q2 2 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.2196/74116 · PubMed 41021276
  27. 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.Tipo: attacco · Qualità: media (7/10: Q1 2 · Q2 2 · Q3 1 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1038/s41598-024-81170-y · PubMed 39613846
  28. 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.Tipo: misura del rischio · Qualità: media (7/10: Q1 1 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completoPubMed 40417560
  29. 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.Tipo: attacco · Qualità: media (7/10: Q1 1 · Q2 2 · Q3 2 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.3233/SHTI240634 · PubMed 39176604
  30. 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.Tipo: difesa · Qualità: media (7/10: Q1 0 · Q2 2 · Q3 2 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1038/s41746-023-00771-5 · PubMed 36899082 · codice o dati
  31. 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.Tipo: misura del rischio · Qualità: media (6/10: Q1 0 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.2196/90590 · PubMed 42531495
  32. 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.Tipo: difesa · Qualità: media (6/10: Q1 0 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.3390/bioengineering13050511 · PubMed 42194268
  33. 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.Tipo: difesa · Qualità: media (6/10: Q1 0 · Q2 1 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1038/s41746-025-01935-1 · PubMed 40818998 · codice o dati
  34. 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.Tipo: difesa · Qualità: media (6/10: Q1 0 · Q2 2 · Q3 2 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1371/journal.pdig.0000581 · PubMed 39847598
  35. 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.Tipo: rassegna sistematica · Qualità: media (6/10: Q1 1 · Q2 0 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.2196/54332 · PubMed 38935957
  36. 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.Tipo: misura del rischio · Qualità: media (6/10: Q1 0 · Q2 1 · Q3 2 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1038/s41746-024-01076-x · PubMed 38509224 · codice o dati
  37. 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.Tipo: attacco · Qualità: media (6/10: Q1 1 · Q2 1 · Q3 2 · Q4 2 · Q5 0) · Valutata su: abstractdoi:10.1109/TMI.2022.3220706 · PubMed 36378795 · codice o dati
  38. 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.Tipo: misura del rischio · Qualità: media (6/10: Q1 0 · Q2 2 · Q3 2 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1200/CCI.23.00116 · PubMed 38011617
  39. 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.Tipo: misura del rischio · Qualità: media (5/10: Q1 1 · Q2 2 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1109/JBHI.2026.3749332 · PubMed 42976067
  40. 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.Tipo: misura del rischio · Qualità: media (5/10: Q1 1 · Q2 2 · Q3 1 · Q4 1 · Q5 0) · Valutata su: testo completodoi:10.3233/SHTI260258 · PubMed 42174933
  41. 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%.Tipo: misura del rischio · Qualità: media (5/10: Q1 1 · Q2 2 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1007/s10278-026-02421-0 · PubMed 42875689
  42. 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.Tipo: misura del rischio · Qualità: media (5/10: Q1 0 · Q2 1 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1093/jamiaopen/ooaf107 · PubMed 41049602
  43. 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.Tipo: misura del rischio · Qualità: media (5/10: Q1 0 · Q2 1 · Q3 2 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1038/s41598-024-57207-7 · PubMed 38521806
  44. 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.Tipo: misura del rischio · Qualità: media (5/10: Q1 1 · Q2 1 · Q3 1 · Q4 2 · Q5 0) · Valutata su: testo completodoi:10.3233/SHTI240631 · PubMed 39176601 · codice o dati
  45. 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.Tipo: misura del rischio · Qualità: media (5/10: Q1 1 · Q2 2 · Q3 1 · Q4 0 · Q5 1) · Valutata su: abstractdoi:10.3233/SHTI240867 · PubMed 39234731
  46. 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.Tipo: misura del rischio · Qualità: media (5/10: Q1 0 · Q2 1 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1186/s12874-023-01869-w · PubMed 36959532
  47. 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.Tipo: misura del rischio · Qualità: bassa (4/10: Q1 1 · Q2 1 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1016/j.jbi.2026.105096 · PubMed 42722320
  48. 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.Tipo: misura del rischio · Qualità: bassa (4/10: Q1 0 · Q2 1 · Q3 2 · Q4 0 · Q5 1) · Valutata su: testo completodoi:10.1097/HEP.0000000000001299 · PubMed 40067682
  49. 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.Tipo: misura del rischio · Qualità: bassa (4/10: Q1 1 · Q2 1 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1016/j.jsams.2026.08.205 · PubMed 42686448
  50. 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.Tipo: rassegna sistematica · Qualità: bassa (4/10: Q1 2 · Q2 0 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1016/j.ijmedinf.2026.106672 · PubMed 42628171
  51. 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.Tipo: difesa · Qualità: bassa (4/10: Q1 1 · Q2 2 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.3389/fdgth.2026.1807540 · PubMed 42343945
  52. 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.Tipo: misura del rischio · Qualità: bassa (4/10: Q1 1 · Q2 2 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1016/j.compbiomed.2025.110738 · PubMed 40652760
  53. 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.Tipo: misura del rischio · Qualità: bassa (4/10: Q1 0 · Q2 1 · Q3 1 · Q4 2 · Q5 0) · Valutata su: testo completodoi:10.1038/s41598-024-69812-7 · PubMed 39154144 · codice o dati
  54. 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%.Tipo: misura del rischio · Qualità: bassa (3/10: Q1 0 · Q2 1 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1186/s12911-026-03396-2 · PubMed 41715072
  55. 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.Tipo: difesa · Qualità: bassa (3/10: Q1 0 · Q2 1 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1109/JBHI.2026.3691795 · PubMed 42658699
  56. 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.Tipo: misura del rischio · Qualità: bassa (3/10: Q1 1 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1002/sim.70376 · PubMed 41569604
  57. 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.Tipo: attacco · Qualità: bassa (3/10: Q1 1 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1109/JBHI.2025.3593443 · PubMed 40720264
  58. 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%.Tipo: difesa · Qualità: bassa (3/10: Q1 1 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1109/JBHI.2024.3481505 · PubMed 39412978
  59. 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.Tipo: attacco · Qualità: bassa (3/10: Q1 1 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1016/j.cmpb.2023.107910 · PubMed 37976611
  60. 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.Tipo: misura del rischio · Qualità: bassa (2/10: Q1 0 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.3233/SHTI260459 · PubMed 42175131
  61. 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.Tipo: rassegna sistematica · Qualità: bassa (2/10: Q1 1 · Q2 0 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi: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.

  1. 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.Tipo: attacco · Qualità: alta (10/10: Q1 2 · Q2 2 · Q3 2 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.2196/88390 · PubMed 42727096 · codice o dati
  2. 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.Tipo: attacco e difesa · Qualità: alta (10/10: Q1 2 · Q2 2 · Q3 2 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1109/TMI.2023.3239391 · PubMed 37021996 · codice o dati
  3. 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.Tipo: attacco e difesa · Qualità: alta (8/10: Q1 2 · Q2 2 · Q3 2 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1007/s10916-026-02436-8 · PubMed 42400864 · codice o dati
  4. 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.Tipo: attacco · Qualità: alta (8/10: Q1 2 · Q2 2 · Q3 2 · Q4 2 · Q5 0) · Valutata su: testo completodoi:10.1007/978-3-032-05185-1_26 · codice o dati
  5. 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%.Tipo: difesa · Qualità: alta (8/10: Q1 1 · Q2 2 · Q3 2 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1016/j.media.2025.103673 · PubMed 40570807 · codice o dati
  6. 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.Tipo: attacco e difesa · Qualità: media (5/10: Q1 1 · Q2 2 · Q3 2 · Q4 0 · Q5 0) · Valutata su: testo completodoi:10.1109/JBHI.2026.3729148 · PubMed 42678825
  7. 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%.Tipo: attacco e difesa · Qualità: media (5/10: Q1 2 · Q2 1 · Q3 1 · Q4 1 · Q5 0) · Valutata su: testo completodoi:10.1038/s41598-025-27472-1 · PubMed 41381574 · codice o dati
  8. 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.Tipo: attacco · Qualità: bassa (3/10: Q1 1 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1016/j.media.2025.103807 · PubMed 41056812
  9. 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%.Tipo: attacco · Qualità: bassa (3/10: Q1 1 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1109/JBHI.2025.3593631 · PubMed 40889323
  10. 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.Tipo: attacco · Qualità: bassa (3/10: Q1 1 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi: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.

  1. 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.Tipo: difesa · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-026-55855-5 · PubMed 42243446 · codice o dati
  2. 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.Tipo: attacco · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1016/j.artmed.2024.103024 · PubMed 39591879
  3. 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.Tipo: difesa · Qualità: alta (8/10: Q1 2 · Q2 2 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.3389/fpubh.2026.1762346 · PubMed 41923773
  4. 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.Tipo: difesa · Qualità: media (7/10: Q1 1 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-025-04069-2 · PubMed 40603924 · codice o dati
  5. 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.Tipo: attacco e difesa · Qualità: media (7/10: Q1 2 · Q2 2 · Q3 2 · Q4 1 · Q5 0) · Valutata su: testo completodoi:10.1016/j.media.2023.102965 · PubMed 37804585
  6. 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.Tipo: difesa · Qualità: media (6/10: Q1 1 · Q2 1 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-026-62561-9 · PubMed 42471473 · codice o dati
  7. 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.Tipo: difesa · Qualità: media (6/10: Q1 1 · Q2 1 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1371/journal.pone.0343669 · PubMed 41961783 · codice o dati
  8. 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.Tipo: attacco · Qualità: media (6/10: Q1 2 · Q2 2 · Q3 1 · Q4 1 · Q5 0) · Valutata su: testo completodoi:10.1038/s41598-025-15993-8 · PubMed 40830208 · codice o dati
  9. 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.Tipo: difesa · Qualità: media (5/10: Q1 1 · Q2 2 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1016/j.ophtha.2024.10.017 · PubMed 39424148
  10. 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.Tipo: difesa · Qualità: bassa (4/10: Q1 1 · Q2 1 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1016/j.ijmedinf.2026.106574 · PubMed 42391667
  11. 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%.Tipo: difesa · Qualità: bassa (3/10: Q1 1 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1007/s10278-026-01886-3 · PubMed 41814073
  12. 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.Tipo: difesa · Qualità: bassa (3/10: Q1 1 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1109/JBHI.2026.3724549 · PubMed 42606968
  13. 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.Tipo: attacco · Qualità: bassa (2/10: Q1 1 · Q2 0 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi: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.

  1. 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.Tipo: difesa · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1093/jamiaopen/ooag066 · PubMed 42027790 · codice o dati
  2. 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.Tipo: difesa · Qualità: alta (9/10: Q1 2 · Q2 1 · Q3 2 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.3390/diagnostics16213590 · PubMed 43028461 · codice o dati
  3. 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.Tipo: rassegna sistematica · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.3389/fdgth.2026.1726771 · PubMed 42676525
  4. 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%.Tipo: difesa · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 2 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1016/j.ebiom.2024.105006 · PubMed 38377795 · codice o dati
  5. 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.Tipo: difesa · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 2 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1126/sciadv.adh8601 · PubMed 38295178 · codice o dati
  6. 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.Tipo: difesa · Qualità: alta (8/10: Q1 2 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-026-60725-1 · PubMed 42409927
  7. 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.Tipo: difesa · Qualità: alta (8/10: Q1 1 · Q2 2 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.3390/biomedicines14030713 · PubMed 41898357
  8. 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.Tipo: difesa · Qualità: alta (8/10: Q1 1 · Q2 1 · Q3 2 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1016/j.xops.2025.101030 · PubMed 41732778 · codice o dati
  9. 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.Tipo: difesa · Qualità: alta (8/10: Q1 2 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-026-55211-7 · PubMed 42270694
  10. 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.Tipo: difesa · Qualità: alta (8/10: Q1 2 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1177/20552076261428362 · PubMed 41958847
  11. 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.Tipo: difesa · Qualità: alta (8/10: Q1 1 · Q2 2 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-026-49896-z · PubMed 42120474
  12. 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.Tipo: difesa · Qualità: alta (8/10: Q1 2 · Q2 1 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1093/jamiaopen/ooag040 · PubMed 41907170 · codice o dati
  13. 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.Tipo: attacco e difesa · Qualità: alta (8/10: Q1 2 · Q2 1 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.2196/43664 · PubMed 37079370 · codice o dati
  14. 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.Tipo: rassegna sistematica · Qualità: media (7/10: Q1 2 · Q2 0 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.63144/ijt.2065.6747 · PubMed 42389622
  15. 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.Tipo: difesa · Qualità: media (7/10: Q1 0 · Q2 1 · Q3 2 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-026-45883-6 · PubMed 41927666 · codice o dati
  16. 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.Tipo: difesa · Qualità: media (7/10: Q1 1 · Q2 1 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-026-53829-1 · PubMed 42243272 · codice o dati
  17. 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.Tipo: difesa · Qualità: media (7/10: Q1 1 · Q2 1 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.3389/fdgth.2026.1856286 · PubMed 42780825 · codice o dati
  18. 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.Tipo: difesa · Qualità: media (7/10: Q1 0 · Q2 1 · Q3 2 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1049/htl2.70080 · PubMed 42079875 · codice o dati
  19. 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%.Tipo: difesa · Qualità: media (7/10: Q1 1 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-026-50882-8 · PubMed 42115204
  20. 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.Tipo: difesa · Qualità: media (7/10: Q1 1 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-026-49826-z · PubMed 42049930
  21. 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.Tipo: difesa · Qualità: media (7/10: Q1 1 · Q2 1 · Q3 2 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1109/TMI.2024.3518539 · PubMed 40030741 · codice o dati
  22. 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.Tipo: difesa · Qualità: media (7/10: Q1 2 · Q2 1 · Q3 1 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1093/bioadv/vbaf298 · PubMed 41394076 · codice o dati
  23. 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.Tipo: difesa · Qualità: media (7/10: Q1 1 · Q2 2 · Q3 2 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.3390/s25092847 · PubMed 40363282 · codice o dati
  24. 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%.Tipo: difesa · Qualità: media (7/10: Q1 1 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.2196/60003 · PubMed 39714484
  25. 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.Tipo: difesa · Qualità: media (7/10: Q1 1 · Q2 1 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completocodice o dati
  26. 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.Tipo: difesa · Qualità: media (7/10: Q1 1 · Q2 1 · Q3 2 · Q4 2 · Q5 1) · Valutata su: testo completocodice o dati
  27. 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.Tipo: difesa · Qualità: media (6/10: Q1 0 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.3389/fonc.2026.1720748 · PubMed 42125708
  28. 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.Tipo: difesa · Qualità: media (6/10: Q1 1 · Q2 1 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-026-51183-w · PubMed 42106390
  29. 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%.Tipo: difesa · Qualità: media (6/10: Q1 1 · Q2 1 · Q3 2 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1038/s41598-025-06306-0 · PubMed 40596404
  30. 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.Tipo: difesa · Qualità: media (6/10: Q1 2 · Q2 1 · Q3 1 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1145/3765612.3767209 · PubMed 41960139
  31. 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.Tipo: attacco e difesa · Qualità: media (6/10: Q1 1 · Q2 1 · Q3 2 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1109/ichi57859.2023.00022 · PubMed 38152589
  32. 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.Tipo: difesa · Qualità: media (6/10: Q1 0 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.2196/46165 · PubMed 37471130
  33. 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.Tipo: difesa · Qualità: media (5/10: Q1 0 · Q2 1 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.3389/fnins.2026.1904876 · PubMed 42851448
  34. 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%.Tipo: difesa · Qualità: media (5/10: Q1 0 · Q2 1 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.3390/jimaging12050205 · PubMed 42188242
  35. 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.Tipo: difesa · Qualità: media (5/10: Q1 1 · Q2 1 · Q3 1 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.3389/fnhum.2026.1909432 · PubMed 42952986
  36. 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.Tipo: difesa · Qualità: media (5/10: Q1 1 · Q2 2 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1038/s41598-026-60269-4 · PubMed 42386863
  37. 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.Tipo: difesa · Qualità: media (5/10: Q1 0 · Q2 1 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-025-95858-2 · PubMed 40240790
  38. 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.Tipo: difesa · Qualità: bassa (4/10: Q1 1 · Q2 1 · Q3 1 · Q4 0 · Q5 1) · Valutata su: abstractdoi:10.1177/09287329261506175 · PubMed 43006666
  39. 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.Tipo: difesa · Qualità: bassa (4/10: Q1 1 · Q2 1 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.56553/popets-2026-0064 · PubMed 42211762
  40. 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%.Tipo: difesa · Qualità: bassa (4/10: Q1 1 · Q2 1 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1109/JBHI.2026.3695064 · PubMed 42348378
  41. 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.Tipo: difesa · Qualità: bassa (4/10: Q1 0 · Q2 1 · Q3 1 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1038/s41598-026-45454-9 · PubMed 42000837
  42. 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.Tipo: difesa · Qualità: bassa (4/10: Q1 1 · Q2 1 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1002/mp.16964 · PubMed 38335175
  43. 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.Tipo: difesa · Qualità: bassa (4/10: Q1 0 · Q2 1 · Q3 2 · Q4 1 · Q5 0) · Valutata su: testo completodoi:10.3390/s24165142 · PubMed 39204839 · codice o dati
  44. 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.Tipo: difesa · Qualità: bassa (3/10: Q1 1 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi: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.

  1. 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.Tipo: difesa · Qualità: alta (9/10: Q1 1 · Q2 2 · Q3 2 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1117/1.JMI.12.3.034504 · PubMed 40463488 · codice o dati
  2. 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.Tipo: attacco e difesa · Qualità: alta (9/10: Q1 2 · Q2 1 · Q3 2 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1016/j.media.2023.103059 · PubMed 38104402 · codice o dati
  3. 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%.Tipo: difesa · Qualità: alta (8/10: Q1 2 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.3389/fdgth.2026.1821129 · PubMed 42621464
  4. 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.Tipo: difesa · Qualità: alta (8/10: Q1 2 · Q2 1 · Q3 2 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1016/j.patter.2024.101031 · PubMed 39233693 · codice o dati
  5. 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.Tipo: difesa · Qualità: media (7/10: Q1 1 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-026-41360-2 · PubMed 41760723
  6. 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.Tipo: difesa · Qualità: media (7/10: Q1 2 · Q2 1 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1371/journal.pone.0339881 · PubMed 41490270
  7. 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.Tipo: difesa · Qualità: media (7/10: Q1 2 · Q2 1 · Q3 2 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1038/s41598-026-39837-1 · PubMed 41691063
  8. 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.Tipo: difesa · Qualità: media (7/10: Q1 2 · Q2 1 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-026-43649-8 · PubMed 41839936
  9. 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%.Tipo: difesa · Qualità: media (7/10: Q1 2 · Q2 1 · Q3 0 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-025-30150-x · PubMed 41408088 · codice o dati
  10. 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.Tipo: difesa · Qualità: media (7/10: Q1 2 · Q2 1 · Q3 1 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.7717/peerj-cs.3165 · PubMed 40989296 · codice o dati
  11. 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.Tipo: difesa · Qualità: media (6/10: Q1 2 · Q2 1 · Q3 1 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1038/s41598-026-38906-9 · PubMed 41644632
  12. 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.Tipo: difesa · Qualità: media (6/10: Q1 1 · Q2 1 · Q3 2 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.3390/s25165108 · PubMed 40871971
  13. 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.Tipo: difesa · Qualità: media (6/10: Q1 1 · Q2 1 · Q3 2 · Q4 2 · Q5 0) · Valutata su: testo completodoi:10.1016/j.compbiomed.2023.107861 · PubMed 38141449 · codice o dati
  14. 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.Tipo: difesa · Qualità: media (5/10: Q1 2 · Q2 1 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1016/j.jbi.2025.104940 · PubMed 41110739
  15. 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.Tipo: difesa · Qualità: media (5/10: Q1 1 · Q2 1 · Q3 1 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1038/s41598-025-23140-6 · PubMed 41219340
  16. 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.Tipo: difesa · Qualità: media (5/10: Q1 2 · Q2 1 · Q3 1 · Q4 1 · Q5 0) · Valutata su: testo completodoi:10.1007/s13755-024-00306-6 · PubMed 39282613
  17. 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.Tipo: difesa · Qualità: bassa (4/10: Q1 1 · Q2 1 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1109/JBHI.2025.3578125 · PubMed 40489276
  18. 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.Tipo: difesa · Qualità: bassa (4/10: Q1 0 · Q2 1 · Q3 2 · Q4 1 · Q5 0) · Valutata su: testo completodoi:10.1038/s41598-024-73334-7 · PubMed 39333305
  19. 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.Tipo: difesa · Qualità: bassa (4/10: Q1 0 · Q2 1 · Q3 1 · Q4 2 · Q5 0) · Valutata su: abstractdoi:10.1016/j.compbiomed.2024.108351 · PubMed 38520921 · codice o dati
  20. 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.Tipo: difesa · Qualità: bassa (3/10: Q1 1 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi: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.

  1. 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.Tipo: attacco e difesa · Qualità: media (7/10: Q1 1 · Q2 1 · Q3 2 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1038/s41467-024-54071-x · PubMed 39532885 · codice o dati
  2. 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.Tipo: difesa · Qualità: media (6/10: Q1 1 · Q2 1 · Q3 2 · Q4 2 · Q5 0) · Valutata su: abstractdoi:10.1016/j.media.2026.104151 · codice o dati
  3. 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.Tipo: difesa · Qualità: media (6/10: Q1 1 · Q2 1 · Q3 1 · Q4 2 · Q5 1) · Valutata su: testo completocodice o dati
  4. 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).Tipo: difesa · Qualità: media (6/10: Q1 1 · Q2 1 · Q3 2 · Q4 2 · Q5 0) · Valutata su: testo completodoi: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.

  1. 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.Tipo: attacco · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.18653/v1/2026.findings-acl.1096 · codice o dati
  2. 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.Tipo: attacco e difesa · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1038/s41591-024-03445-1 · PubMed 39779928 · codice o dati
  3. 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.Tipo: attacco e difesa · Qualità: alta (9/10: Q1 2 · Q2 2 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completoPubMed 41726411 · codice o dati
  4. 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.Tipo: difesa · Qualità: alta (8/10: Q1 1 · Q2 2 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.1038/s41746-026-02637-y · PubMed 42115745
  5. 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.Tipo: attacco · Qualità: alta (8/10: Q1 1 · Q2 2 · Q3 2 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1038/s41467-025-64062-1 · PubMed 41068092 · codice o dati
  6. 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.Tipo: attacco e difesa · Qualità: alta (8/10: Q1 1 · Q2 2 · Q3 1 · Q4 2 · Q5 2) · Valutata su: testo completocodice o dati
  7. 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.Tipo: attacco e difesa · Qualità: media (7/10: Q1 2 · Q2 2 · Q3 1 · Q4 1 · Q5 1) · Valutata su: testo completo
  8. 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.Tipo: attacco e difesa · Qualità: media (7/10: Q1 1 · Q2 2 · Q3 2 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1038/s41598-026-48102-4 · PubMed 41991958
  9. 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%.Tipo: difesa · Qualità: media (7/10: Q1 1 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1038/s41598-025-16903-8 · PubMed 41006454
  10. 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.Tipo: attacco · Qualità: media (7/10: Q1 2 · Q2 2 · Q3 0 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1001/jamanetworkopen.2025.49963 · PubMed 41632124
  11. 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.Tipo: attacco e difesa · Qualità: media (6/10: Q1 1 · Q2 2 · Q3 0 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.7759/cureus.109161 · PubMed 42326139
  12. 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.Tipo: attacco e difesa · Qualità: media (6/10: Q1 1 · Q2 2 · Q3 0 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1038/s43856-025-01021-3 · PubMed 40753316
  13. 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.Tipo: attacco · Qualità: media (6/10: Q1 2 · Q2 1 · Q3 1 · Q4 0 · Q5 2) · Valutata su: testo completoPubMed 40417494
  14. 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.Tipo: attacco · Qualità: media (5/10: Q1 1 · Q2 1 · Q3 0 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1136/bmj-2023-078538 · PubMed 38508682
  15. 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.Tipo: rassegna sistematica · Qualità: bassa (4/10: Q1 2 · Q2 0 · Q3 1 · Q4 1 · Q5 0) · Valutata su: testo completodoi:10.1055/s-0043-1768731 · PubMed 38147869
  16. 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%.Tipo: attacco · Qualità: bassa (3/10: Q1 1 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi: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.

  1. 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.Tipo: rassegna sistematica · Qualità: alta (10/10: Q1 2 · Q2 2 · Q3 2 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.2196/88257 · PubMed 42809354
  2. 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%.Tipo: studio osservazionale · Qualità: alta (9/10: Q1 2 · Q2 1 · Q3 2 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.2196/93588 · PubMed 42837534
  3. 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).Tipo: studio osservazionale · Qualità: alta (9/10: Q1 2 · Q2 1 · Q3 2 · Q4 2 · Q5 2) · Valutata su: testo completodoi:10.2147/JMDH.S609209 · PubMed 42158159
  4. 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%).Tipo: studio osservazionale · Qualità: alta (8/10: Q1 2 · Q2 2 · Q3 2 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1001/jama.2024.7752 · PubMed 38809568
  5. 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.Tipo: studio qualitativo · Qualità: alta (8/10: Q1 2 · Q2 1 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1186/s12913-023-10076-8 · PubMed 37848947
  6. 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.Tipo: studio osservazionale · Qualità: media (7/10: Q1 2 · Q2 1 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1111/trf.70055 · PubMed 41468258
  7. 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.Tipo: studio osservazionale · Qualità: media (7/10: Q1 2 · Q2 2 · Q3 2 · Q4 0 · Q5 1) · Valutata su: abstractdoi:10.1016/j.ijmedinf.2026.106706 · PubMed 42721802
  8. 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.Tipo: studio osservazionale · Qualità: media (7/10: Q1 2 · Q2 0 · Q3 2 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.1001/jamanetworkopen.2025.10180 · PubMed 40366661 · codice o dati
  9. 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%.Tipo: studio osservazionale · Qualità: media (7/10: Q1 2 · Q2 1 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1097/CCE.0000000000001079 · PubMed 38605720
  10. 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.Tipo: studio osservazionale · Qualità: media (7/10: Q1 2 · Q2 1 · Q3 2 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1093/haschl/qxad037 · PubMed 38756673
  11. 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).Tipo: studio osservazionale · Qualità: media (7/10: Q1 2 · Q2 1 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1001/jamanetworkopen.2023.12270 · PubMed 37155166
  12. 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).Tipo: studio osservazionale · Qualità: media (7/10: Q1 2 · Q2 0 · Q3 2 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.1097/CORR.0000000000002643 · PubMed 37036406
  13. 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.Tipo: studio osservazionale · Qualità: media (6/10: Q1 1 · Q2 2 · Q3 2 · Q4 0 · Q5 1) · Valutata su: abstractdoi:10.1097/HMR.0000000000000463 · PubMed 41247853
  14. 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%.Tipo: studio osservazionale · Qualità: media (6/10: Q1 2 · Q2 1 · Q3 1 · Q4 0 · Q5 2) · Valutata su: testo completoPubMed 42006506
  15. 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.Tipo: rassegna sistematica · Qualità: media (6/10: Q1 2 · Q2 0 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.2196/47311 · PubMed 39566062
  16. 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.Tipo: studio osservazionale · Qualità: media (6/10: Q1 2 · Q2 2 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1111/jrh.12834 · PubMed 38494590
  17. 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.Tipo: studio osservazionale · Qualità: media (6/10: Q1 1 · Q2 1 · Q3 1 · Q4 1 · Q5 2) · Valutata su: testo completodoi:10.3389/fdgth.2024.1321485 · PubMed 38433989
  18. 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.Tipo: studio osservazionale · Qualità: media (6/10: Q1 2 · Q2 2 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1016/j.ijmedinf.2023.105149 · PubMed 37453177
  19. 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.Tipo: misura del rischio · Qualità: media (6/10: Q1 1 · Q2 1 · Q3 1 · Q4 2 · Q5 1) · Valutata su: testo completodoi:10.2196/41738 · PubMed 37389934
  20. 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.Tipo: studio osservazionale · Qualità: media (6/10: Q1 2 · Q2 1 · Q3 2 · Q4 1 · Q5 0) · Valutata su: testo completodoi:10.1200/CCI.22.00149 · PubMed 37053539
  21. 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%.Tipo: studio osservazionale · Qualità: media (5/10: Q1 2 · Q2 1 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1016/j.surge.2026.04.012 · PubMed 42091386
  22. 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.Tipo: misura del rischio · Qualità: media (5/10: Q1 1 · Q2 1 · Q3 1 · Q4 1 · Q5 1) · Valutata su: testo completodoi:10.1186/s12911-025-02988-8 · PubMed 40269938
  23. 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.Tipo: studio osservazionale · Qualità: media (5/10: Q1 1 · Q2 0 · Q3 2 · Q4 2 · Q5 0) · Valutata su: testo completodoi:10.1186/s12913-025-13803-5 · PubMed 41345652 · codice o dati
  24. 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%.Tipo: studio osservazionale · Qualità: media (5/10: Q1 2 · Q2 1 · Q3 1 · Q4 0 · Q5 1) · Valutata su: abstractdoi:10.1016/j.jcpo.2023.100466 · PubMed 38176467
  25. 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.Tipo: studio osservazionale · Qualità: bassa (4/10: Q1 2 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1016/j.ijrobp.2026.03.030 · PubMed 42043360
  26. 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.Tipo: studio osservazionale · Qualità: bassa (4/10: Q1 1 · Q2 1 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1377/hlthaff.2025.00990 · PubMed 41329887
  27. 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.Tipo: studio qualitativo · Qualità: bassa (4/10: Q1 1 · Q2 1 · Q3 1 · Q4 0 · Q5 1) · Valutata su: abstractdoi:10.1016/j.annemergmed.2023.04.025 · PubMed 37318433
  28. 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%.Tipo: studio osservazionale · Qualità: bassa (4/10: Q1 2 · Q2 0 · Q3 2 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1007/s11845-023-03511-6 · PubMed 37737914
  29. 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).Tipo: studio osservazionale · Qualità: bassa (4/10: Q1 1 · Q2 0 · Q3 2 · Q4 1 · Q5 0) · Valutata su: abstractdoi:10.1016/j.ajem.2023.04.001 · PubMed 37061434 · codice o dati
  30. 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%.Tipo: studio osservazionale · Qualità: bassa (4/10: Q1 2 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1017/dmp.2023.86 · PubMed 37357951
  31. 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.Tipo: studio osservazionale · Qualità: bassa (4/10: Q1 2 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1016/j.injury.2023.02.022 · PubMed 36801172
  32. 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.Tipo: studio osservazionale · Qualità: bassa (3/10: Q1 1 · Q2 1 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1002/ijgo.14687 · PubMed 36740900
  33. 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.Tipo: studio osservazionale · Qualità: bassa (2/10: Q1 1 · Q2 0 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1089/hs.2024.0016 · PubMed 40376742
  34. 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.Tipo: studio osservazionale · Qualità: bassa (2/10: Q1 1 · Q2 0 · Q3 1 · Q4 0 · Q5 0) · Valutata su: abstractdoi:10.1684/abc.2025.1988 · PubMed 40770901

Quadro d'insieme

Per anno di pubblicazione

AnnoStudi
202325
202437
202550
202690

Per tipo di studio

TipoStudi
difesa87
misura del rischio32
studio osservazionale28
attacco27
attacco e difesa18
rassegna sistematica8
studio qualitativo2

Per qualità

LivelloStudi
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.

Risultati della ricerca