EUVIMEDEUVIMED entdecken
ÜbersichtsarbeitSystematische ÜbersichtOpen Access · CC BY 4.0

Secure healthcare data management using federated learning, blockchain, and explainable artificial intelligence: a systematic review

Sicheres Gesundheitsdatenmanagement mit Federated Learning, Blockchain und Explainable AI: systematische Übersichtsarbeit

Tanisha Bhardwaj, K Sumangali

Frontiers in Digital Health · 03.06.2026 · 8

DOI: 10.3389/fdgth.2026.1871960 ↗

Auf einen Blick

Die systematische Übersichtsarbeit von 26 Studien zeigt, dass eine integrierte Architektur aus Federated Learning, Blockchain, Explainable AI und inkrementeller Optimierung möglich ist. Als Herausforderungen werden u. a. Kommunikationskosten und Skalierbarkeit genannt.

Fragestellung

Wie lassen sich Federated Learning, Blockchain, Explainable AI und inkrementelle Optimierung gemeinsam für sicheres Gesundheitsdatenmanagement nutzen?

Methode

Systematische Übersichtsarbeit von 26 begutachteten Studien von 2018 bis 2026; Qualitätsbewertung mit der CASP qualitative checklist.

Ergebnisse

26 peer-reviewed Studien. Die Arbeit beschreibt eine integrierte Architektur und nennt 10 kritische मुद्दे wie Kommunikationskosten, Skalierbarkeit, Interoperabilität, begrenzte klinische Erklärbarkeit und hohe Rechenkosten. Mittlere CASP-Bewertung: 7,0/10.

Einschränkungen

Die untersuchten Technologien wurden in der Vorliteratur überwiegend getrennt betrachtet; Herausforderungen bei Echtzeitanwendungen werden genannt.

Schlussfolgerung der Autor:innen

Die Autor:innen kommen zu dem Schluss, dass ein hybrider Ansatz Datensicherheit, Interpretierbarkeit, Datenaustausch und Effizienz verbessern kann.

Kernaussagen

  • 26 Studien aus 2018 bis 2026
  • Integrierte Architektur prinzipiell möglich
  • 10 kritische مسائل, u. a. Skalierbarkeit und Rechenkosten

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Übersichtsarbeit in der Zeitschrift Frontiers in Digital Health, online erschienen am 03.06.2026. Verfasst von Tanisha Bhardwaj und 1 weiteren Autor:innen. Beteiligte Einrichtung: School of Computer Science Engineering and Information Systems, Vellore Institute of Technology, Vellore, India. Die Arbeit wurde bisher 3-mal zitiert (Crossref) und nennt 54 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Due to the rapid digitization of healthcare systems, there has been a huge collection of sensitive personal data of patients. Thus, secure, privacy-preserving, and efficient data management systems are required. Current distributed healthcare systems increasingly use centralized data processing frameworks that are prone to privacy violations, data fragmentation, and malicious attacks. Despite advances in federated learning, blockchain, explainable AI, and incremental optimization, current survey literature studies each technology separately without considering how the four technologies can be harnessed to create synergies. A systematic review of 26 peer-reviewed studies published from 2018 to 2026 indicates that an integrated architecture incorporating federated learning, blockchain, explainable AI, and incremental optimization can be designed. This review identifies ten critical issues that need to be addressed when researching the four technologies. These issues include communication costs, scalability issues, interoperability concerns, limited clinical explainability, and high computational costs when applied in real-time situations. In comparison to privacy, scalability, interpretability, and efficiency, a hybrid approach can help improve data security, boost the interpretability of the models, facilitate data sharing, and prevent data-sharing risks. Overall quality assessment based on the CASP qualitative checklist analysis of all 26 studies indicated an average score of 7.0 out of 10, implying that the quality of the methods used in the studies was acceptable.

Schlagwörter

Stichwörter der Autor:innen

GDPR complianceblockchain technologydifferential privacyexplainable artificial intelligencefederated learninghealthcare data securityincremental learninginternet of medical things (IoMT)

Autor:innen und Institutionen

  • School of Computer Science Engineering and Information Systems, Vellore Institute of Technology, Vellore, India.

Zitieren

APA

Bhardwaj, T., & Sumangali, K. (2026). Secure healthcare data management using federated learning, blockchain, and explainable artificial intelligence: a systematic review. Frontiers in Digital Health, 8. https://doi.org/10.3389/fdgth.2026.1871960

Vancouver

Bhardwaj T, Sumangali K. Secure healthcare data management using federated learning, blockchain, and explainable artificial intelligence: a systematic review. Frontiers in Digital Health. 2026;8. doi:10.3389/fdgth.2026.1871960

BibTeX
@article{Bhardwaj2026,
  author = {Bhardwaj, Tanisha and Sumangali, K},
  title = {Secure healthcare data management using federated learning, blockchain, and explainable artificial intelligence: a systematic review},
  journal = {Frontiers in Digital Health},
  year = {2026},
  volume = {8},
  doi = {10.3389/fdgth.2026.1871960}
}
Kostenlos starten →