Eine systematische Übersichtsarbeit zeigt, wie die Kombination von föderiertem Lernen (Federated Learning), Blockchain und erklärbarer Künstlicher Intelligenz (Explainable AI) die sichere und datenschutzkonforme Verwaltung sensibler Gesundheitsdaten verbessern kann.
Die in der Fachzeitschrift Frontiers in Digital Health veröffentlichte Review analysierte 26 Studien aus den Jahren 2018 bis 2026. Die Autoren kommen zu dem Ergebnis, dass kein einzelnes Verfahren ausreicht, um die komplexen Anforderungen an Datenschutz, Sicherheit, Interpretierbarkeit und Skalierbarkeit in der modernen Gesundheitsversorgung zu erfüllen. Stattdessen empfehlen sie eine integrierte Architektur.
Föderiertes Lernen ermöglicht es, KI-Modelle dezentral auf lokalen Daten zu trainieren, ohne sensible Patientendaten zentral zu speichern oder zu übertragen. Blockchain sorgt für unveränderliche Protokolle und vertrauenswürdige Datenaustauschprozesse. Explainable AI macht die Entscheidungen der Modelle für Ärzte nachvollziehbar. Ergänzt wird dies durch inkrementelle Optimierungsverfahren, die eine kontinuierliche Anpassung der Modelle ermöglichen.
Die Analyse identifiziert zehn zentrale Herausforderungen, darunter hohe Kommunikationskosten, Skalierbarkeitsprobleme, Datenschutzrisiken und fehlende Interoperabilität zwischen Systemen. Gleichzeitig zeigen die untersuchten Ansätze vielversprechende Ergebnisse bei der Erkennung von Krankheiten (teilweise über 98 % Genauigkeit) und der sicheren Verwaltung von elektronischen Patientenakten.
Die Autoren betonen, dass eine hybride Lösung aus diesen Technologien den Weg zu sichereren, transparenteren und effizienteren digitalen Gesundheitssystemen ebnen könnte – insbesondere im Kontext von Telemedizin, vernetzten Medizingeräten (IoMT) und personalisierter Medizin.
Quelle:
Bhardwaj T, Sumangali K (2026). Secure healthcare data management using federated learning, blockchain, and explainable artificial intelligence: a systematic review. Frontiers in Digital Health. DOI: 10.3389/fdgth.2026.1871960
