Les soins de santé sont l'un des domaines notables où l'intégration de l'Internet des objets (IdO) est fortement adoptée, également connu sous le nom d'IdO médical (MIoT). Jusqu'à présent, le MIoT révolutionne les soins de santé car il offre de nombreux avantages au profit des patients et du personnel de santé. L'utilisation du MIoT devient une tendance en plein essor, générant une grande quantité de données IdO, ce qui nécessite une analyse appropriée pour déduire des informations significatives. Cela a conduit à la montée en puissance des technologies d'intelligence artificielle (IA), telles que l'apprentissage automatique (ML) et des algorithmes d'apprentissage profond (DL), pour apprendre la signification de ces données médicales sous-jacentes, où le processus d'apprentissage se produit généralement dans le cloud ou les serveurs de télémédecine. En raison de la croissance exponentielle des dispositifs MIoT et des ensembles de données MIoT privés largement distribués, il devient difficile d'utiliser des algorithmes d'IA d'apprentissage centralisé pour de telles tâches. Dans ce contexte, l'apprentissage fédéré (FL) gagne du terrain en tant que méthode d'apprentissage possible sur des dispositifs qui n'ont pas besoin de migrer des données privées et sensibles vers un cloud central. L'équipement terminal et le serveur central de FL ne partage que les mises à jour du modèle d'apprentissage pour s'assurer que les données sensibles sont toujours gardées secrètes. Même si cela est récemment devenu un domaine de recherche prometteur, aucune autre recherche n'a été menée sur ce sujet récemment. Dans cet article, nous synthétisons la littérature récente et les améliorations de FL pour prendre en charge les applications et les services MIoT pilotés par FL dans les soins de santé. Les résultats de cette recherche aident les parties prenantes du monde universitaire et de l'industrie à réaliser l'avantage concurrentiel des systèmes MIoT les plus avancés en matière de protection de la vie privée basés sur l'apprentissage fédéral.

La atención médica es una de las áreas notables donde la integración de Internet de las cosas (IoT) es muy adoptada, también conocida como IoT médica (MIoT). Hasta ahora, MIoT está revolucionando la atención médica porque proporciona muchas ventajas en beneficio de los pacientes y el personal sanitario. El uso de MIoT se está convirtiendo en una tendencia en auge, generando una gran cantidad de datos de IoT, que requieren un análisis adecuado para inferir información significativa. Esto ha llevado al auge de la implementación de tecnologías de inteligencia artificial (IA), como el aprendizaje automático (ML) y algoritmos de aprendizaje profundo (DL), para aprender el significado de estos datos médicos subyacentes, donde el proceso de aprendizaje generalmente ocurre en la nube o en servidores de telemedicina. Debido al crecimiento exponencial de los dispositivos MIoT y los conjuntos de datos privados MIoT ampliamente distribuidos, se está convirtiendo en un desafío utilizar algoritmos de IA de aprendizaje centralizados para tales tareas. En este sentido, el aprendizaje federado (FL) está ganando terreno como un posible método de aprendizaje en dispositivos que no necesitan migrar datos privados y confidenciales a una nube central. El equipo terminal y el servidor central en FL solo comparte actualizaciones del modelo de aprendizaje para garantizar que los datos confidenciales siempre se mantengan en secreto. Aunque esto se ha convertido recientemente en un área de investigación prometedora, no se ha realizado ninguna otra investigación sobre este tema recientemente. En este documento, sintetizamos la literatura reciente y las mejoras de FL para respaldar las aplicaciones y servicios MIoT impulsados por FL en la atención médica. Los hallazgos de esta investigación ayudan a las partes interesadas en la academia y la industria a darse cuenta de la ventaja competitiva de los sistemas MIoT preservados de privacidad más avanzados basados en el aprendizaje federal.

Healthcare is one of the notable areas where the integration of the Internet of Things (IoT) is highly adopted, also known as the Medical IoT (MIoT).So far, MIoT is revolutionizing healthcare because it provides many advantages for the benefit of patients and healthcare personnel.The use of MIoT is becoming a booming trend, generating a large amount of IoT data, which requires proper analysis to infer meaningful information.This has led to the rise of deploying artificial intelligence (AI) technologies, such as machine learning (ML) and deep learning (DL) algorithms, to learn the meaning of this underlying medical data, where the learning process usually occurs in the cloud or telemedicine servers.Due to the exponential growth of MIoT devices and widely distributed private MIoT data sets, it is becoming a challenge to use centralized learning AI algorithms for such tasks.In this connection, federated learning (FL) is gaining traction as a possible method of learning on devices that do not need to migrate private and sensitive data to a central cloud.The terminal equipment and the central server in FL only share learning model updates to ensure that sensitive data is always kept secret.Even though this has recently become a promising research area, no other research has been conducted on this topic recently.In this paper, we synthesize recent literature and FL improvements to support FL-driven MIoT applications and services in healthcare.The findings of this research help stakeholders in academia and industry to realize the competitive advantage of the most advanced privacy preserved MIoT systems based on federal learning.

الرعاية الصحية هي واحدة من المجالات البارزة التي يتم فيها تبني دمج إنترنت الأشياء (IoT) بشكل كبير، والمعروف أيضًا باسم إنترنت الأشياء الطبية (MIoT). حتى الآن، أحدثت MIoT ثورة في الرعاية الصحية لأنها توفر العديد من المزايا لصالح المرضى وموظفي الرعاية الصحية. أصبح استخدام MIoT اتجاهًا مزدهرًا، حيث يولد كمية كبيرة من بيانات إنترنت الأشياء، مما يتطلب تحليلًا مناسبًا لاستنتاج معلومات ذات مغزى. وقد أدى ذلك إلى ظهور نشر تقنيات الذكاء الاصطناعي (AI)، مثل التعلم الآلي (ML) وخوارزميات التعلم العميق (DL)، لمعرفة معنى هذه البيانات الطبية الأساسية، حيث تحدث عملية التعلم عادة في خوادم السحابة أو التطبيب عن بعد. نظرًا للنمو الهائل لأجهزة MIoT ومجموعات بيانات MIoT الخاصة الموزعة على نطاق واسع، أصبح من الصعب استخدام خوارزميات الذكاء الاصطناعي للتعلم المركزي لمثل هذه المهام. في هذا الصدد، يكتسب التعلم المتحد (FL) زخمًا كطريقة ممكنة للتعلم على الأجهزة التي لا تحتاج إلى ترحيل البيانات الخاصة والحساسة إلى سحابة مركزية. يشارك الخادم المركزي في اللغة الأجنبية تحديثات نموذج التعلم فقط لضمان الحفاظ على سرية البيانات الحساسة دائمًا. على الرغم من أن هذا أصبح مؤخرًا مجالًا بحثيًا واعدًا، لم يتم إجراء أي بحث آخر حول هذا الموضوع مؤخرًا. في هذه الورقة، نقوم بتجميع الأدبيات الحديثة وتحسينات اللغة الأجنبية لدعم تطبيقات وخدمات MIoT التي تعتمد على اللغة الأجنبية في الرعاية الصحية. تساعد نتائج هذا البحث أصحاب المصلحة في الأوساط الأكاديمية والصناعة على تحقيق الميزة التنافسية لأنظمة MIoT الأكثر تقدمًا المحفوظة للخصوصية بناءً على التعلم الفيدرالي.