Revisões destacam o papel do blockchain no compartilhamento de dados médicos e na aprendizagem federada

Dois estudos de revisão examinam iniciativas de compartilhamento de dados médicos baseadas em blockchain e a aprendizagem federada baseada em blockchain na saúde, concluindo que os mecanismos de governança e de transação são particularmente influentes para sustentar iniciativas e que as estruturas de BCFL combinam a confiança descentralizada e a auditabilidade do blockchain com as capacidades de aprendizagem colaborativa com preservação de privacidade da aprendizagem federada. Os estudos descrevem o compartilhamento seguro e eficiente de dados médicos sensíveis entre instituições como um grande desafio devido a preocupações com privacidade, silos de dados, restrições regulatórias, riscos à segurança dos dados e pontos únicos de falha em sistemas centralizados.

Uma revisão identificou 42 iniciativas, categorizando-as com base em modelos de propriedade, governança, negócios, incentivo, transação e sustentabilidade. O modelo de base, executado com um limiar de inclusão de 0.65, identificou múltiplas configurações associadas à atividade sustentada das iniciativas, destacando o papel dos mecanismos de governança e das estruturas de transação no apoio à viabilidade de longo prazo. A análise de sensibilidade conduzida em múltiplos limiares constatou que, em 0.80, apenas duas configurações permaneceram, representando os caminhos mais consistentes para atividade sustentada.

Essa análise encontrou uma variedade de modelos de governança, propriedade, negócios e sustentabilidade, sem que uma única configuração estrutural garantisse viabilidade de longo prazo. Os achados sugerem que os mecanismos de governança e de transação são particularmente influentes na sustentação das iniciativas, frequentemente compensando a ausência de modelos robustos de negócios ou de sustentabilidade. O escopo foi limitado às iniciativas identificadas por meio da documentação disponível e de amostragem em bola de neve, e os resultados ressaltam a necessidade de mais pesquisas sobre a interação entre estruturas de governança, modelos financeiros e sustentabilidade de longo prazo no compartilhamento de dados médicos.

A revisão sistemática da literatura sobre aprendizagem federada baseada em blockchain afirmou que o crescimento exponencial dos dados médicos e os avanços na inteligência artificial aceleraram o desenvolvimento de uma assistência à saúde orientada por dados, mas a troca segura e o controle de informações sensíveis de saúde tornaram-se preocupações centrais. A revisão pesquisou estudos de 2018 a 2025 e, após desduplicação automatizada e triagem manual em múltiplas etapas, incluiu mais de 100 artigos de alta qualidade cobrindo fundamentos teóricos, arquiteturas de sistemas, domínios de aplicação, limitações e direções futuras.

Segundo a revisão, o BCFL aumenta a segurança dos dados, apoia a colaboração interinstitucional com preservação de privacidade e facilita aplicações práticas na saúde, incluindo compartilhamento de dados médicos, Internet das Coisas Médicas, vigilância em saúde pública e telemedicina. As aplicações abrangem compartilhamento interinstitucional de dados médicos, Internet das Coisas Médicas, previsão de epidemias e telemedicina, enquanto arquiteturas que incluem modelos totalmente acoplados, flexivelmente acoplados e fracamente acoplados oferecem diferentes equilíbrios entre eficiência, escalabilidade e segurança.

A revisão afirmou que essa integração mitiga riscos como adulteração de modelos, vazamento de dados e falta de incentivos em sistemas federados. Acrescentou que a aprendizagem federada permite que instituições treinem modelos de forma colaborativa sem trocar dados brutos, ao mesmo tempo em que requisitos legais e regulatórios rigorosos, como HIPAA e GDPR, devem ser cumpridos no tratamento de dados pessoais. Apesar dos atuais desafios técnicos e práticos, a revisão afirmou que o BCFL demonstra forte potencial para apoiar a medicina de precisão, a colaboração global em dados de saúde e a implementação de IA em larga escala na assistência à saúde.