Übersichtsarbeiten heben die Rolle der Blockchain beim Austausch medizinischer Daten und beim föderierten Lernen hervor
Zwei Übersichtsarbeiten zeigen, dass Blockchain den sicheren Austausch medizinischer Daten und föderiertes Lernen im Gesundheitswesen stärken könnte. Eine identifizierte 42 Initiativen, während eine weitere mehr als 100 Arbeiten aus den Jahren 2018 bis 2025 zu blockchainbasiertem föderiertem Lernen auswertete.
Zwei Übersichtsarbeiten untersuchen blockchainbasierte Initiativen zum Austausch medizinischer Daten und blockchainbasiertes föderiertes Lernen im Gesundheitswesen. Sie kommen zu dem Ergebnis, dass Governance- und Transaktionsmechanismen für die Aufrechterhaltung solcher Initiativen besonders einflussreich sind und dass BCFL-Frameworks das dezentralisierte Vertrauen und die Auditierbarkeit der Blockchain mit den datenschutzwahrenden Fähigkeiten des kollaborativen Lernens im föderierten Lernen verbinden. Den Studien zufolge stellt der sichere und effiziente Austausch sensibler medizinischer Daten zwischen Institutionen aufgrund von Datenschutzbedenken, Datensilos, regulatorischen Beschränkungen, Datensicherheitsrisiken und Single Points of Failure in zentralisierten Systemen eine große Herausforderung dar.
Eine der Übersichtsarbeiten identifizierte 42 Initiativen und kategorisierte sie anhand von Eigentums-, Governance-, Geschäfts-, Anreiz-, Transaktions- und Nachhaltigkeitsmodellen. Das Basismodell, das mit einem Einschlussschwellenwert von 0.65 durchgeführt wurde, identifizierte mehrere Konfigurationen, die mit einer anhaltenden Aktivität der Initiativen verbunden waren, und hob die Rolle von Governance-Mechanismen und Transaktionsstrukturen bei der Unterstützung der langfristigen Tragfähigkeit hervor. Die über mehrere Schwellenwerte hinweg durchgeführte Sensitivitätsanalyse ergab, dass bei 0.80 nur noch zwei Konfigurationen verblieben, die die konsistentesten Pfade zu anhaltender Aktivität darstellten.
Diese Analyse zeigte eine Bandbreite an Governance-, Eigentums-, Geschäfts- und Nachhaltigkeitsmodellen, wobei keine einzelne strukturelle Konfiguration die langfristige Tragfähigkeit garantierte. Die Ergebnisse deuten darauf hin, dass Governance- und Transaktionsmechanismen für die Aufrechterhaltung von Initiativen besonders einflussreich sind und häufig das Fehlen starker Geschäfts- oder Nachhaltigkeitsmodelle ausgleichen. Der Umfang war auf Initiativen beschränkt, die über verfügbare Dokumentation und Snowball Sampling identifiziert wurden, und die Ergebnisse unterstreichen die Notwendigkeit weiterer Forschung zum Zusammenspiel von Governance-Strukturen, Finanzierungsmodellen und langfristiger Nachhaltigkeit beim Austausch medizinischer Daten.
Die systematische Literaturübersicht zum blockchainbasierten föderierten Lernen besagte, dass das exponentielle Wachstum medizinischer Daten und die Fortschritte in der künstlichen Intelligenz die Entwicklung datengesteuerter Gesundheitsversorgung beschleunigt haben, dass jedoch der sichere Austausch und die Kontrolle sensibler Gesundheitsinformationen zu zentralen Anliegen geworden sind. Die Übersichtsarbeit durchsuchte Studien von 2018 bis 2025 und schloss nach automatisierter Deduplizierung und mehrstufigem manuellem Screening mehr als 100 hochwertige Arbeiten ein, die theoretische Grundlagen, Systemarchitekturen, Anwendungsbereiche, Einschränkungen und künftige Entwicklungen abdeckten.
Der Übersichtsarbeit zufolge verbessert BCFL die Datensicherheit, unterstützt datenschutzwahrende institutionenübergreifende Zusammenarbeit und erleichtert praktische Anwendungen im Gesundheitswesen, darunter den Austausch medizinischer Daten, das Internet of Medical Things, die Überwachung der öffentlichen Gesundheit und die Telemedizin. Die Anwendungen reichen von institutionenübergreifendem Austausch medizinischer Daten über Internet of Medical Things, Epidemieprognosen und Telemedizin bis hin zu Architekturen wie eng gekoppelte, flexibel gekoppelte und lose gekoppelte Modelle, die unterschiedliche Abwägungen zwischen Effizienz, Skalierbarkeit und Sicherheit bieten.
Die Übersichtsarbeit besagte, dass diese Integration Risiken wie Modellmanipulation, Datenlecks und fehlende Anreize in föderierten Systemen mindert. Sie fügte hinzu, dass föderiertes Lernen es Institutionen ermöglicht, Modelle gemeinsam zu trainieren, ohne Rohdaten auszutauschen, während bei der Verarbeitung personenbezogener Daten strenge gesetzliche und regulatorische Anforderungen wie HIPAA und GDPR erfüllt werden müssen. Trotz der derzeitigen technischen und praktischen Herausforderungen zeige BCFL laut der Übersichtsarbeit ein starkes Potenzial zur Unterstützung der Präzisionsmedizin, der globalen Zusammenarbeit bei Gesundheitsdaten und des groß angelegten Einsatzes von KI im Gesundheitswesen.