Cadre de blockchain avec un dispositif IoT utilisant l'apprentissage fédéré pour des systèmes de santé durables

Le secteur de l'Internet des Objets Médicaux (IoMT) a rapidement progressé ces dernières années, et la sécurité ainsi que la confidentialité sont des considérations essentielles dans l'IoMT en raison de l'ampleur et de la mise en œuvre étendues des réseaux IoMT. Les technologies d'apprentissage machine (ML) et de blockchain (BC) ont considérablement amélioré les fonctionnalités et les services de la Santé 5.0, donnant naissance à un nouveau domaine appelé Santé Intelligente. Un système de santé proactif peut prévenir des dommages à long terme en reconnaissant les problèmes tôt. Cela améliorerait la qualité de vie des patients tout en allégeant leurs préoccupations et leurs dépenses de santé. L'IoMT facilite plusieurs capacités en informatique, y compris des soins de santé intelligents et interactifs. La consolidation des informations médicales dans un seul référentiel pour former un modèle ML robuste suscite des appréhensions quant à la confidentialité, la propriété et le respect des normes réglementaires en raison d'une concentration accrue. L'apprentissage fédéré (FL) répond aux défis précédents en utilisant un serveur agrégé centralisé pour distribuer des modèles d'apprentissage globaux. Le participant local contrôle les données des patients, garantissant la confidentialité et la sécurité des données. Ainsi, cette étude propose le Cadre Blockchain-IoT Fédéré pour des Systèmes de Santé Durables (FBCI-SHS) pour un système de surveillance de la santé sécurisé. De plus, cet article présente le Système de Détection d'Intrusion (IDS) comme un outil pour la détection d'intrusion dans les réseaux de santé, permettant aux médecins de suivre les signes vitaux des patients à l'aide de capteurs médicaux et de prévoir quand ils pourraient tomber malades afin qu'ils puissent prendre des mesures préventives. Le système proposé prouve que la méthode est bien adaptée à la surveillance médicale. En revanche, la haute précision de prédiction pour la détection d'intrusion et l'efficacité élevée dans la détection des maladies atteintes par le système de Santé 5.0 proposé, FBI-SHS. La méthode proposée atteint une confidentialité et une sécurité des données de 98,73 %, une efficacité de détection d'intrusion de 97,16 %, une précision de détection de maladie de 96,425, une gestion proactive de la santé de 98,37 %, et une interopérabilité de 96,74 %.