في عصر تتجه فيه التكنولوجيا نحو تغيير ملامح الرعاية الصحية، يأتي إنترنت الأشياء الطبية (Internet of Medical Things) ليصبح حجر الزاوية في نظام صحي أكثر فعالية. يتيح هذا النظام الانتقال من العلاج التفاعلي إلى الوقاية الاستباقية، حيث يمكن الكشف المبكر عن الأمراض وتقديم رعاية مخصصة، خصوصًا في إدارة الأمراض المزمنة من خلال الأتمتة المعتمدة على بيانات صحية تجمع في الوقت الحقيقي.

لكن مع هذه الفوائد تأتي تحديات أمنية هامة، فنظرًا لحساسية البيانات الطبية، فإن أي خرق أمني قد ينجم عن هجمات القراصنة يمكن أن يتسبب في عواقب وخيمة على حياة المستخدمين. وبما أن هذا النظام يعتمد على الاتصالات اللاسلكية، فإن البيانات تكون عرضة للاعتراض والتلاعب.

لحل هذه المشكلة، تم تطوير إطار عمل خاص بأجهزة الكشف عن التهديدات يستخدم الشبكات العصبية الاصطناعية (Artificial Neural Networks) للكشف عن التهديدات، مع الاعتماد على التعلم الفيدرالي (Federated Learning) لضمان الخصوصية. في هذا الإطار، تم تضمين أساليب الذكاء الاصطناعي القابل للتفسير (eXplainable Artificial Intelligence) لتحسين تفسير النماذج. وقد أظهرت النتائج المقارنة للنموذج المقترح مع الطرق التقليدية أدلة قوية على الأداء العالي، إضافة إلى حمايتها للخصوصية وضمان تفسير النموذج بطريقة أخلاقية.