Swarm learning e trattamento del dato sanitario. Sfide normative e prospettive di un approccio di intelligenza artificiale decentralizzato

The healthcare sector has witnessed a growing integration of digital technologies to improve patient care and, more broadly, manage healthcare services. Analysing clinical data is essential for optimizing decision-making processes related to resource allocation, patient care, disease progression forecasting, and treatment protocols. The tension between the need to acquire large volumes of data, often insufficient when limited to a single centre (e.g., for studies on rare diseases), and legal concerns has driven the development of distributed algorithms aimed at preserving patient privacy as much as possible (e.g., homomorphic encryption and federated learning). Swarm Learning is a recent artificial intelligence (AI) technique that enables distributed and synchronized training across a blockchain-based network without needing permanent centralized control. Each node in the network performs a specific function, processing data independently and collaborating with others regardless of their physical location on one or more servers, thereby contributing to the overall learning activity. This allows the network to benefit from the diverse data sample information of the individual nodes. Against this background, this contribution aims to: (i) illustrate how Swarm Learning has the potential to be considered a new ‘state of the art’, analysing, from a computer science and legal perspective, the regulatory implications (both ethical and legal) of applying such technology in the specific healthcare research context; (ii) assess how the adoption of Swarm Learning aligns with the current and future regulatory framework, both at the European and national levels, particularly with regard to personal data protection (i.e., the GDPR) and AI regulation (i.e., the AI Act).

Il settore sanitario ha visto una crescente integrazione delle tecnologie digitali al fine di migliorare l’assistenza ai pazienti e, più in generale, la gestione dei servizi sanitari. L’analisi dei dati clinici è essenziale per ottimizzare i processi decisionali relativi all’allocazione delle risorse, alla cura dei pazienti, alla previsione della progressione delle malattie e ai protocolli terapeutici. La tensione tra l’esigenza di acquisire grandi volumi di dati, spesso insufficienti se limitati a un singolo centro — ad esempio negli studi sulle malattie rare — e le preoccupazioni di natura giuridica ha favorito lo sviluppo di algoritmi distribuiti volti a preservare, per quanto possibile, la privacy dei pazienti, quali la crittografia omomorfica e il federated learning. Lo Swarm Learning è una recente tecnica di intelligenza artificiale (IA) che consente l’addestramento distribuito e sincronizzato all’interno di una rete basata su blockchain, senza la necessità di un controllo centralizzato permanente. Ciascun nodo della rete svolge una funzione specifica, elaborando i dati in modo indipendente e collaborando con gli altri nodi, indipendentemente dalla loro collocazione fisica su uno o più server, contribuendo così all’attività complessiva di apprendimento. Ciò consente alla rete di beneficiare delle informazioni derivanti dai diversi campioni di dati presenti nei singoli nodi. In questo contesto, il presente contributo si propone di: (i) illustrare in che modo lo Swarm Learning possa potenzialmente essere considerato un nuovo “stato dell’arte”, analizzando, da una prospettiva informatica e giuridica, le implicazioni regolatorie — sia etiche sia giuridiche — dell’applicazione di tale tecnologia nello specifico contesto della ricerca sanitaria; (ii) valutare in che misura l’adozione dello Swarm Learning sia coerente con l’attuale e futuro quadro normativo, tanto a livello europeo quanto nazionale, con particolare riguardo alla protezione dei dati personali, ossia il GDPR, e alla regolazione dell’intelligenza artificiale, ossia l’AI Act.