---
title: "La sicurezza dei Big Data nelle organizzazioni sanitarie: rischi di sicurezza informatica, protezione dei dati e riservatezza dei dati dei pazienti"
published_at: "2026-07-17T17:17:16+00:00"
modified_at: "2026-07-17T17:17:30+00:00"
url: "https://www.baculasystems.com/it/it-blog/rischi-per-la-sicurezza-informatica-nel-settore-sanitario-riservatezza-dei-dati-dei-pazienti/"
markdown_url: "https://www.baculasystems.com/it/it-blog/rischi-per-la-sicurezza-informatica-nel-settore-sanitario-riservatezza-dei-dati-dei-pazienti.md"
taxonomy_language:
  - "Italiano"
---

[Principale](https://www.baculasystems.com/it/)
 > [Blog sul backup e sul ripristino](https://www.baculasystems.com/it/it-blog/)
 > La sicurezza dei Big Data nelle organizzazioni sanitarie: rischi di sicurezza informatica, protezione dei dati e riservatezza dei dati dei pazienti

# La sicurezza dei Big Data nelle organizzazioni sanitarie: rischi di sicurezza informatica, protezione dei dati e riservatezza dei dati dei pazienti

Aggiornato 17th Luglio 2026, Rob Morrison

Il settore sanitario produce una quantità di dati, tra cui cartelle cliniche e dati comportamentali, superiore a quella di altri settori. Tali dati vengono costantemente raccolti da vari sistemi, quali piattaforme di analisi e flussi di elaborazione basati sull’intelligenza artificiale.

I dati sanitari hanno un elevato valore clinico e rappresentano un obiettivo primario per i gruppi di hacker. Ecco perché per le organizzazioni sanitarie è piuttosto impegnativo proteggere i propri dati in modo sicuro.

Sapeva che ogni anno vengono segnalate all’Ufficio per i Diritti Civili (OCR) del Dipartimento della Salute e dei Servizi Umani (HHS) oltre 700 [violazioni dei dati sanitari](https://www.hipaajournal.com/healthcare-data-breach-statistics/)
? L’OCR è un’agenzia incaricata dell’applicazione della legge. L’HHS è responsabile della sanità pubblica, dell’assistenza sanitaria e dei servizi umani e sociali negli Stati Uniti.

## Perché la sicurezza dei big data nel settore sanitario sta diventando più difficile con l’espansione dei dati sanitari?

La sicurezza dei Big Data sta diventando sempre più complessa. Il volume, la velocità e la varietà dei dati sanitari stanno infatti aumentando in modo esponenziale, superando i limiti dei sistemi di sicurezza progettati per proteggerli. Per «Big Data» si intendono grandi quantità di set di dati complessi.

I moderni sistemi sanitari utilizzano un ingente volume di dati, tra cui cartelle cliniche elettroniche (EHR), dati di imaging e genomici, informazioni provenienti da dispositivi indossabili e dati comportamentali. Queste informazioni confluiscono in «data lake» centralizzati e in sistemi di elaborazione dei dati. Una [cartella clinica elettronica](https://www.cms.gov/priorities/key-initiatives/e-health/records)
 rappresenta in formato digitale la cartella clinica di un paziente.

Ogni nuovo dato costituisce un bersaglio per gli aggressori. E se uno dei punti fallisce, gli altri ne risentono contemporaneamente. Purtroppo, la maggior parte dei programmi di sicurezza nel settore sanitario non è progettata per ecosistemi di dati interconnessi.

[Statistiche sulle violazioni dei dati sanitari](https://www.hipaajournal.com/healthcare-data-breach-statistics/)

| Anno | Violazioni dei dati che hanno interessato meno di 500 persone | Variazione percentuale annua |
| --- | --- | --- |
| 2024 | 74.299 | Aumento del 9% |
| 2023 | 68.315 | Aumento del 7% |
| 2022 | 63.966 | Aumento del 15% |
| 2021 | 63.571 | Diminuzione del 4% |
| 2020 | 66.509 | Aumento del 6% |

### In che modo la raccolta di dati su larga scala amplia la superficie di attacco nei sistemi sanitari e negli ambienti di dati sanitari?

Le fonti di dati aggiuntive, quali le integrazioni con dispositivi medici indossabili e le informazioni relative alla ricerca biomedica, rappresentano nuovi luoghi di archiviazione in cui è necessario proteggere le credenziali.

Pertanto, l’esposizione alla sicurezza si moltiplica attraverso le fonti di dati interconnesse. E se un sistema di elaborazione dei dati presenta una vulnerabilità, le conseguenze si propagano ai sistemi clinici.

Ad esempio, la [violazione dei dati di Aflac](https://www.hipaajournal.com/aflac-data-breach/)
 del 2025 ha interessato 22,65 milioni di persone in tutto il mondo, rendendo pubbliche informazioni sanitarie protette.

### Perché le organizzazioni sanitarie faticano a controllare i dati sensibili negli ambienti di analisi?

Le strutture sanitarie hanno difficoltà a controllare le informazioni riservate negli ambienti di analisi perché i requisiti di sicurezza, quali il controllo degli accessi basato sui ruoli (RBAC) e l’autenticazione a più fattori (MFA), limitano l’accesso ai dati.

L’RBAC è un modello progettato per autorizzare l’accesso degli utenti finali a sistemi, applicazioni e dati in base al ruolo predefinito dell’utente, ad esempio analista della sicurezza o rappresentante commerciale.

L’MFA è un processo di verifica dell’identità che prevede almeno due prove distinte, quali una password e dati biometrici come un’impronta digitale.

È importante notare che i sistemi di analisi orientati ai big data sono in genere sviluppati per consentire un ampio accesso ai dati. I data scientist, i ricercatori e i team sanitari generano approfondimenti utilizzando grandi quantità di dati. Tuttavia, questa stessa ampia capacità di monitorare le informazioni sanitarie comporta un’esposizione maggiore rispetto a quella derivante dal normale accesso ai dati dei pazienti da parte di un singolo medico.

Le politiche di gestione della sicurezza controllano l’accesso a singoli sistemi. Esse non si adattano agli ambienti in cui i dati si moltiplicano, cambiano costantemente e vengono ripristinati su piattaforme cloud e strumenti di analisi di terze parti, compresi quelli per l’automazione dei flussi di lavoro e di business intelligence (BI), quali Tableau e Power BI.

Il processo tecnologico denominato BI raccoglie, pulisce e analizza i dati grezzi dell’organizzazione per trasformarli in approfondimenti utilizzabili e basati sui dati.

### In che modo i big data nel settore sanitario amplificano sia l’innovazione che l’impatto delle violazioni?

I sistemi utilizzati per l’archiviazione delle informazioni sanitarie, la modellizzazione predittiva del rischio e la diagnostica basata sull’intelligenza artificiale (IA) possono costituire una fonte di vulnerabilità per gli hacker. L’IA è la capacità dei sistemi computazionali di svolgere compiti tipici dell’intelligenza umana.

Pertanto, espone dati che rappresentano anni di anamnesi clinica relativi a milioni di pazienti. Ciò non può essere affermato riguardo a una tradizionale violazione presso il punto di cura, che esporrebbe solo un numero limitato di cartelle cliniche.

Ad esempio, l’[attacco a Change Healthcare](https://www.aha.org/change-healthcare-cyberattack-underscores-urgent-need-strengthen-cyber-preparedness-individual-health-care-organizations-and)
 del 2024 ha colpito circa 190 milioni di persone poiché uno dei sistemi presi di mira includeva i dati dei pazienti provenienti dall’intero ecosistema dei pagamenti sanitari degli Stati Uniti.

**Sicurezza sanitaria tradizionale vs. sicurezza dei big data: differenze chiave**

| Dimensione | Sicurezza sanitaria tradizionale | Sicurezza dei Big Data nel settore sanitario |
| --- | --- | --- |
| Ambito del sistema | Uno o pochi sistemi separati, quali cartelle cliniche elettroniche (EHR), fatturazione e imaging. | Numerosi sistemi interconnessi, quali data lake, piattaforme di analisi, pipeline di intelligenza artificiale e ambienti cloud. |
| Dimensione dei set di dati | Set di dati di piccole dimensioni, collegati individualmente ai pazienti. | Set di dati di grandi dimensioni contenenti la storia clinica pluriennale dei pazienti. |
| Accesso degli utenti | Numero limitato di utenti, quali medici e personale addetto alla fatturazione con ruoli ben definiti. | Team multipli, quali data scientist, ricercatori, analisti sanitari e sistemi di IA. |
| Impatto della violazione | Contenuto — in genere interessa le cartelle cliniche presenti nel sistema compromesso | Su larga scala — una singola violazione può esporre dati aggregati relativi all’intera popolazione di pazienti |

## Quali sono le principali minacce alla sicurezza informatica che gravano sugli ambienti di big data nel settore sanitario?

Tra le [principali minacce alla sicurezza informatica nel settore sanitario](https://healthtechmagazine.net/article/2025/01/healthcare-cybersecurity-threats-2025-perfcon)
 figurano il ransomware, le minacce interne, le violazioni della sicurezza della catena di approvvigionamento attraverso i fornitori di servizi di analisi e i rischi legati all’intelligenza artificiale. Nel 2024, il 92% delle organizzazioni sanitarie ha riferito di essere stato colpito da un attacco informatico.

Il settore sanitario sta registrando episodi di hacking e incidenti informatici con maggiore frequenza rispetto agli incidenti legati alla perdita di computer portatili e agli errori amministrativi tipici delle violazioni verificatesi circa 10 anni fa.

### In che modo il ransomware, le minacce interne e gli attacchi alla catena di approvvigionamento prendono di mira i dati sanitari e le informazioni sanitarie protette?

I gruppi di ransomware prendono di mira le cartelle cliniche e le informazioni sanitarie protette (PHI) poiché gli ambienti di big data nel settore sanitario includono dati provenienti da data lake e piattaforme di analisi. E questa rappresenta una fonte “preziosa” per i gruppi malintenzionati. Un singolo attacco riuscito può paralizzare le operazioni cliniche ed esporre dati su scala demografica.

Le informazioni sanitarie protette sono i dati relativi alla salute, alle cure e ai pagamenti di un individuo, comprese le anamnesi, i risultati degli esami e le informazioni di fatturazione.

Le minacce interne non si limitano all’accesso non autorizzato. Nel contesto dei big data, possono consistere in un’esposizione negligente o accidentale. Le minacce interne differiscono strutturalmente dai rischi interni legati ai punti di cura. Un analista di dati con accesso legittimo a un data lake di ricerca può ottenere più cartelle cliniche dei pazienti in una singola sessione rispetto a un medico che consulta le singole cartelle.

Gli attacchi alla catena di approvvigionamento minano la fiducia negli ecosistemi analitici e molti fornitori terzi subiscono violazioni dei dati. Poiché numerose organizzazioni sanitarie dipendono da piattaforme di analisi cloud, centri di smistamento delle fatture e fornitori di intelligenza artificiale, la violazione dei dati di un solo partner può esporre contemporaneamente i dati di diverse organizzazioni sanitarie.

### Perché la progettazione dei sistemi sanitari legacy e le integrazioni dei dispositivi medici creano vulnerabilità nascoste?

Le piattaforme legacy di cartelle cliniche elettroniche (EHR) e i sistemi clinici creano vulnerabilità nascoste poiché non sono progettati per flussi di dati continui verso i moderni sistemi di elaborazione dei dati.

Nello specifico, i grandi flussi di dati sanitari transitano attraverso interfacce e middleware privi degli standard di autenticazione, crittografia o registrazione degli audit richiesti per la raccolta nei data lake.

I dispositivi medici connessi rendono la situazione complessa. Essi fungono infatti da fonti di dati e potenziali punti di intrusione, senza adeguate capacità di sicurezza, visibilità o controllo sui set di dati sanitari che confluiscono nei sistemi sanitari.

### In che modo le piattaforme di analisi cloud e i fornitori terzi possono aumentare l’esposizione alle violazioni dei dati sanitari?

Le piattaforme di analisi cloud, quali Google Cloud Healthcare API e Microsoft Cloud for Healthcare, utilizzano informazioni sanitarie provenienti da diverse aziende del settore.

Un’interfaccia di programmazione delle applicazioni (API) rappresenta le regole e i protocolli che consentono a diverse applicazioni software di comunicare e scambiare dati.

Queste piattaforme raccolgono i dati in un’infrastruttura condivisa. Pertanto, qualora una di queste piattaforme subisca una violazione, i dati collegati possono essere esposti all’interno dell’intera infrastruttura condivisa.

Ad esempio, quando le credenziali di un fornitore vengono compromesse, le cartelle cliniche protette di milioni di pazienti possono essere esposte attraverso infrastrutture di analisi e condivisione dei file interconnesse e collegate al partner commerciale. Ecco perché gli attacchi ai fornitori e alla catena di approvvigionamento sono molto diffusi nel settore sanitario.

### In che modo i sistemi di IA e di apprendimento automatico introducono nuovi rischi per la sicurezza nel settore sanitario?

Nel settore sanitario, i sistemi di intelligenza artificiale (IA) e di apprendimento automatico (ML) rappresentano nuovi rischi per la sicurezza, poiché richiedono grandi volumi di dati sanitari che sono spesso anonimizzati ed elaborati tramite sistemi privi di adeguate funzionalità di sicurezza, quali la crittografia end-to-end e solidi controlli di accesso.

L’apprendimento automatico (ML) è quel sottoinsieme dell’intelligenza artificiale associato ad algoritmi in grado di apprendere i modelli dei dati di addestramento e di trarre conclusioni logiche accurate sui nuovi dati.

L’IA ombra costituisce un rischio crescente nel settore sanitario. Per IA ombra si intendono gli strumenti e i modelli di IA che i dipendenti o gli utenti finali implementano senza l’approvazione formale del reparto informatico (IT). In questo caso, i set di dati provenienti da più fornitori terzi per l’addestramento dell’IA possono presentare vulnerabilità che una tipica revisione di sicurezza trascura.

Nello specifico, un’organizzazione sanitaria che si affida all’IA generativa per analizzare le immagini diagnostiche potrebbe trasmettere immagini non crittografate a un modello cloud, creando rischi che i tradizionali controlli di sicurezza delle cartelle cliniche elettroniche (EHR) non prevedono. Inoltre, i modelli possono anche esporre i dati di addestramento, compromettendo la privacy.

## Cosa sottovalutano spesso le organizzazioni sanitarie riguardo alla sicurezza dei big data nel settore sanitario?

Le organizzazioni sanitarie sottovalutano spesso il fatto che l’aggregazione di elementi di dati a basso rischio possa dare origine a record compositi altamente sensibili. Inoltre, le infrastrutture di analisi utilizzate al di fuori delle politiche formali di gestione della sicurezza informatica possono generare esposizioni invisibili. Infine, quando i team addetti ai dati combinano dati anonimizzati con altre fonti di dati disponibili, tali dati possono essere reidentificati.

### Perché la combinazione di più set di dati sanitari può esporre involontariamente le informazioni sanitarie protette?

Quando i set di dati contenenti codici diagnostici e codici postali sono considerati isolatamente, potrebbero sembrare adeguatamente anonimizzati. Tuttavia, quando vengono uniti ad altri set di dati contenenti età e date delle visite, possono consentire l’identificazione dei singoli pazienti. In tal modo, creano un rischio di reidentificazione nel settore sanitario.

Le piattaforme di dati sanitari che utilizzano varie fonti di dati, quali registrazioni genomiche e comportamentali, aumentano il rischio menzionato con ogni elemento di dati aggiunto. Ciò avviene perché i team di controllo dei dati valutano il rischio per la privacy per ciascuna fonte di dati, senza valutare il rischio di reidentificazione dei set di dati uniti.

### In che modo l’infrastruttura di «shadow analytics» aumenta silenziosamente il rischio di violazioni?

[La «shadow analytics»](https://www.researchgate.net/publication/354477921_Shadow_Analytics)
 è l’analisi dei dati effettuata in modo indipendente dai reparti aziendali senza il controllo dei reparti IT e di analisi ufficiali. La «shadow analytics», che comprende fogli di calcolo, archivi cloud personali e database di ricerca ospitati localmente al di fuori dei canali IT ufficiali, opera al di fuori del monitoraggio della sicurezza, della gestione degli accessi e della registrazione degli audit.

Un gran numero di violazioni dei dati coinvolge i dati «shadow». L’individuazione di tali violazioni richiede più tempo rispetto a quelle che coinvolgono solo dati gestiti e inventariati.

Nel settore sanitario, l’analisi ombra è spesso accompagnata da esigenze cliniche e di ricerca legittime, come nel caso di un reparto che crea il proprio dashboard per il miglioramento della qualità o di un ricercatore che esporta un set di dati su un computer portatile personale per comodità. E i team di sicurezza non si rendono conto di ciò che sta accadendo finché un’indagine su una violazione non lo rivela.

### Perché gli operatori sanitari stanno perdendo la capacità di monitorare il flusso di dati medici sensibili?

I moderni flussi di dati sanitari passano dalla cartella clinica elettronica (EHR) al data warehouse, alla piattaforma di analisi, alla pipeline di addestramento dell’intelligenza artificiale, all’esportazione a fini di ricerca e ai sistemi di fornitori terzi. Molte organizzazioni sanitarie non mappano in modo completo il movimento dei dati in tempo reale.

Ad esempio, [Kaiser Foundation Health Plan ha trasmesso inavvertitamente i dati di quasi 13,4 milioni di persone](https://www.hipaajournal.com/kaiser-permanente-website-tracker-breach-affects-13-4-million-individuals/)
 a Google, Microsoft e X tramite tecnologie di tracciamento web integrate nei propri siti web. I dati circolavano da anni senza alcuna visibilità in termini di sicurezza o conformità. La scoperta è avvenuta grazie a un’indagine interna volontaria.

### In che modo l’analisi dei dati sanitari può creare rischi per la privacy e la sicurezza dei dati anche in assenza di identificatori diretti?

I risultati della raccolta e dell’analisi dei dati, quali i punteggi di rischio e i modelli predittivi, includono informazioni sensibili sui pazienti anche se i dati sottostanti appaiono privi di nomi e identificatori.

Ad esempio, un modello predittivo addestrato per identificare esiti clinici ad alto rischio nei pazienti, come quelli relativi alla gravidanza, rivela lo stato della persona attraverso i propri risultati anche se non viene menzionato alcun nome.

I dati comportamentali e di localizzazione che transitano attraverso dispositivi indossabili, dispositivi mobili e app sanitarie creano un rischio di reidentificazione. Poiché i modelli di movimento e i dati temporali sono specifici di ciascun individuo, la reidentificazione risulta estremamente agevole.

## Quali controlli tecnici garantiscono al meglio la sicurezza dei dati sanitari e la privacy dei pazienti?

La crittografia dei dati, l’autenticazione forte, la strategia di sicurezza «zero trust», la tokenizzazione, la progettazione sicura delle API, la segmentazione della rete e una rigorosa gestione dell’accesso ai dati proteggono i sistemi di big data sanitari dagli attacchi informatici.

Tuttavia, per garantire l’efficacia devono operare congiuntamente. Perché? Ogni tecnica di sicurezza è sviluppata per una fase specifica del ciclo di vita dei dati.

### In che modo la crittografia dei dati, l’autenticazione e l’approccio «zero trust» possono ridurre il rischio di violazioni nel settore sanitario?

La crittografia sia in fase di archiviazione che in fase di trasmissione impedisce che i dati hackerati o trasmessi siano utilizzabili senza speciali chiavi di decrittografia. Lo standard AES-256 (Advanced Encryption Standard) è il punto di riferimento riconosciuto per la crittografia dei dati sanitari in fase di archiviazione. Esso copre i contenuti dei database, le copie di backup e i supporti di archiviazione portatili, fornendo la solidità crittografica richiesta dalla protezione dei dati conforme alla normativa HIPAA.

L’HIPAA è l’Health Insurance Portability and Accountability Act, che consente agli operatori sanitari e alle aziende del settore di divulgare le informazioni protette esclusivamente al paziente.

Un’autenticazione forte, come l’autenticazione a più fattori, garantisce che solo le persone, i servizi e le applicazioni autorizzati possano accedere alle risorse dell’organizzazione. In questo modo si chiude il vettore di attacco basato sulle credenziali.

L’approccio «zero trust» consente a ogni connessione tra utenti, dispositivi, applicazioni e dati di implementare politiche di sicurezza specifiche. Pertanto, non si fida di nessuno né di alcun sistema in base alla posizione di rete. Questo modello di sicurezza verifica ogni accesso in modo indipendente.

### Quando è opportuno utilizzare la tokenizzazione o la pseudonimizzazione anziché l’anonimizzazione?

La tokenizzazione consente di convertire le informazioni sensibili in token, ovvero sostituti digitali non sensibili, riconducibili all’originale.

[La pseudonimizzazione](https://docs.cloud.google.com/sensitive-data-protection/docs/pseudonymization)
 è una tecnica di deidentificazione che le organizzazioni implementano per sostituire le informazioni sensibili con token generati crittograficamente.

La tokenizzazione e la pseudonimizzazione dovrebbero essere utilizzate per reidentificare o ricollegare i record qualora sussista la necessità di un follow-up clinico, di una ricerca longitudinale o di un audit normativo. Di conseguenza, tali dati diventano idonei per i team di analisi che monitorano le cartelle cliniche nel corso del tempo.

[L’anonimizzazione](https://www.edps.europa.eu/system/files/2021-04/21-04-27_aepd-edps_anonymisation_en_5.pdf)
 riguarda i dati associati a una persona fisica identificata o identificabile, ovvero i dati personali trasformati in informazioni anonime in modo tale che l’interessato non sia identificabile.

Le organizzazioni sanitarie tendono solitamente a trascurare l’anonimizzazione, compromettendo la protezione della privacy che questa tecnica era stata concepita per garantire.

### In che modo le API sicure e la segmentazione possono migliorare l’erogazione dell’assistenza sanitaria e la sicurezza delle cure ai pazienti?

La progettazione delle API riguarda il processo decisionale che un’interfaccia di programmazione delle applicazioni (API) utilizza per rendere accessibili i dati e in base al quale opera a beneficio di utenti e sviluppatori. La progettazione di API sicure consente ai sistemi di scambio dati delle organizzazioni sanitarie di utilizzare l’autenticazione, la limitazione della frequenza e l’accesso con privilegi minimi per proteggere le informazioni dei pazienti.

[Il Secure Sockets Layer (SSL)](https://csrc.nist.gov/glossary/term/secure_sockets_layer)
 garantisce canali di comunicazione crittografati tra i sistemi sanitari. Di conseguenza, le organizzazioni sanitarie evitano incidenti quando le API si moltiplicano in modo incontrollato tra i diversi team. E questa è una delle maggiori preoccupazioni relative alla sicurezza dei dati sanitari, poiché la condivisione delle informazioni è in aumento tra i sistemi all’interno delle organizzazioni.

La segmentazione della rete consiste nel suddividere la rete in parti più piccole, denominate segmenti, al fine di rafforzare la sicurezza, migliorare le prestazioni e soddisfare i requisiti di conformità attraverso una comunicazione controllata tra infrastruttura e applicazioni.

Nello specifico, una progettazione di sistema adeguatamente segmentata impedisce che una violazione verificatasi in un ambiente di analisi e ricerca si diffonda automaticamente ai sistemi clinici di produzione o viceversa.

Le API sicure e la segmentazione della rete aiutano le aziende sanitarie a condividere i dati in modo sicuro senza compromettere la qualità dell’assistenza, il coordinamento delle cure ai pazienti e impedendo che problemi di sicurezza e privacy si diffondano tra i sistemi all’interno delle organizzazioni.

### Quale ruolo svolge la gestione dell’accesso ai dati nella protezione delle cartelle cliniche dei pazienti e delle cartelle cliniche elettroniche?

La gestione dell’accesso ai dati è una disciplina della gestione dei dati che determina chi può accedere a quali dati, a quali condizioni e per quanto tempo. Tuttavia, l’efficacia di questa misura di sicurezza dipende dalla solidità delle decisioni gestionali sottostanti.

Questo tipo di controllo di sicurezza degli accessi aiuta le organizzazioni sanitarie a garantire l’integrità e la sicurezza dei dati attraverso politiche, standard e procedure su cui le organizzazioni fanno affidamento per raccogliere, attribuire la titolarità, archiviare, elaborare e utilizzare i dati.

Ad esempio, i modelli di controllo degli accessi basati sui ruoli e sugli attributi sono adeguati per l’accesso individuale alle cartelle cliniche elettroniche (EHR). Tuttavia, spesso non funzionano negli ambienti di analisi, dove le richieste di accesso vengono inviate da pipeline automatizzate, modelli di apprendimento automatico e team di ricerca con esigenze di accesso che non rientrano nei ruoli clinici.

Ad esempio, per applicare la gestione degli accessi di sicurezza, le organizzazioni sanitarie devono riesaminare regolarmente gli accessi e completare un audit documentato che indichi quali query si riferiscono a quali informazioni sui pazienti. Le indagini e gli audit di conformità normativa si basano su questa base probatoria.

## Perché i Big Data nell’assistenza sanitaria dei pazienti modificano radicalmente l’impatto di una violazione?

I Big Data nel settore sanitario modificano l’impatto di una violazione perché, quando viene compromessa una singola cartella clinica, ciò ha un forte impatto sulla storia clinica di un singolo paziente. Se invece viene violato un data lake sanitario centralizzato, ciò compromette anni di dati aggregati in tutto il sistema, con conseguenze drammatiche.

### Perché una singola violazione dei dati può esporre anni di dati dei pazienti, cartelle cliniche e cartelle cliniche elettroniche?

La progettazione dei sistemi sanitari basati sui Big Data prevede l’archiviazione dei dati storici per analisi approfondite e a lungo termine. Pertanto, le violazioni dei dati espongono l’intera mole di informazioni relative all’esperienza del paziente, con decenni di storia alle spalle.

Tali violazioni possono interessare milioni di persone. Ogni cartella clinica include in genere la storia cumulativa delle diagnosi, dei farmaci e dei trattamenti. Le violazioni dei sistemi operativi, invece, espongono solitamente solo i dati transazionali recenti.

### In che modo i data lake sanitari centralizzati amplificano la gravità degli attacchi?

I dati sanitari centralizzati amplificano i rischi di attacco poiché un singolo data lake contiene un gran numero di cartelle cliniche dei pazienti in un unico luogo. Anziché attaccare queste cartelle separatamente, gli hacker prendono di mira la fonte e la violano immediatamente.

Ed è così che si verificano le mega-violazioni nel settore sanitario basate sui dati, quando milioni di pazienti subiscono attacchi informatici. Nello specifico, molte delle mega-violazioni del 2024 e del 2025 sono associate alla progettazione di sistemi di dati centralizzati, anziché a singoli sistemi violati dagli aggressori.

**Data lake sanitari centralizzati: pro e contro**

| Vantaggi | Svantaggi |
| --- | --- |
| Migliori analisi: i dati unificati dei pazienti consentono alle organizzazioni di analizzare con successo tali informazioni e ottenere preziose informazioni sanitarie, cosa che non è possibile con cartelle cliniche frammentate. | Maggiore impatto in caso di violazione: una singola violazione espone anni di anamnesi dei pazienti dell’intera popolazione. |
| Addestramento dell’IA: i grandi set di dati costituiscono una fonte accurata e clinicamente affidabile per i modelli di apprendimento automatico. | Gestione dei dati più complessa: i controlli di accesso, le politiche di conservazione e gli audit diventano più complessi su larga scala. |
| Reportistica più rapida: i dati centralizzati accelerano la reportistica eliminando i ritardi tipici di più sistemi sorgente scollegati tra loro. | Maggiore vulnerabilità dell’infrastruttura: i dati centralizzati rappresentano un unico bersaglio di alto valore per gli autori di attacchi sofisticati. |
| Migliore coordinamento dell’assistenza: le cartelle cliniche accessibili a tutti i team di assistenza riducono la duplicazione degli esami e gli errori diagnostici. | Complessità normativa: un unico data lake contenente dati provenienti da diversi contesti assistenziali deve essere conforme agli obblighi previsti dall’HIPAA, dalle leggi statali e dal Regolamento generale sulla protezione dei dati (GDPR). Il GDPR rappresenta la normativa completa dell’Unione Europea in materia di protezione dei dati personali. |
| Efficienza operativa: un’unica piattaforma regolamentata rende efficiente la gestione dei dati. | Tempi di ripristino: il ripristino di un data lake centralizzato a seguito di un attacco ransomware richiede molto più tempo rispetto al ripristino da un backup di un singolo sistema. |

### Perché le cartelle cliniche e i dati comportamentali sono così preziosi per gli autori degli attacchi?

Le cartelle cliniche contengono i dati personali più duraturi ed esaustivi, tra cui identificativi finanziari, informazioni assicurative, diagnosi, nonché dati comportamentali e genomici. Queste informazioni sono permanenti e non possono essere cancellate come nel caso di una carta di credito.

Poiché le cartelle cliniche dei pazienti non perdono il loro valore per anni, rimangono estremamente preziose per gli hacker. Di conseguenza, diventano una fonte di [ricatto](https://www.justia.com/criminal/offenses/white-collar-crimes/blackmail/?__cf_chl_f_tk=K_HwXQD.gRphvtZQmgtlJ2iYNZob1n3UYxBeoWgAuxk-1783445245-1.0.1.1-uTRUdSzNwaVo49Urp26tfKlVy6K1CWRY.0NNBb.E9_E)
 e [furto d’identità](https://www.investopedia.com/terms/i/identitytheft.asp)
, nonché di schemi fraudolenti di lunga durata, quali la presentazione di richieste di rimborso per procedure, esami di laboratorio o prescrizioni a costo elevato.

I dati comportamentali, comprese le informazioni provenienti da tecnologie mediche elettroniche, dispositivi indossabili e app sanitarie, generano un’enorme quantità di dati, cosa che non si può affermare riguardo alle informazioni finanziarie.

### In che modo gli autori degli attacchi possono sfruttare i dati sanitari e medici a fini di frode, estorsione e attacchi mirati?

Le cartelle cliniche non hanno un semplice valore di rivendita per gli hacker, come invece avviene per i dati finanziari. Le informazioni mediche rubate consentono agli hacker di presentare richieste di rimborso assicurativo fraudolente, ottenere prescrizioni illegali e alterare la cartella clinica di un paziente tramite un inserimento fraudolento, come ad esempio una password rubata.

Gruppi di ransomware sofisticati estraggono costantemente i dati prima della crittografia per creare una minaccia secondaria che consenta di sottrarre informazioni sensibili e di esigere un pagamento per mantenerle segrete. Il [riscatto medio richiesto dal ransomware nel settore sanitario](https://www.beckershospitalreview.com/healthcare-information-technology/cybersecurity/healthcare-ransomware-demands-average-18-2m-7-notes/)
 alle organizzazioni ammonta a 18,2 milioni di dollari.

## Perché gli strumenti di sicurezza tradizionali sono spesso inefficaci negli ambienti di big data del settore sanitario?

I software di sicurezza tradizionali, quali i firewall e gli strumenti di [gestione delle identità e degli accessi (IAM)](https://www.microsoft.com/en-us/security/business/security-101/what-is-identity-access-management-iam)
, monitorano modelli di traffico noti.

Inoltre, non sono progettati per gestire i volumi elevati, l’alta velocità, i dati crittografati e i diversi formati tipici dei moderni ambienti di analisi nel settore sanitario.

L’IAM è un framework di sicurezza informatica che consente agli utenti e ai sistemi autorizzati di ottenere l’accesso appropriato alle risorse digitali.

Ecco perché tali strumenti risultano poco efficaci nelle infrastrutture di big data senza una messa a punto specifica per il settore sanitario.

### Perché molte piattaforme di sicurezza faticano ad analizzare set di dati sanitari su larga scala?

Le piattaforme di sicurezza monitorano i sistemi transazionali; pertanto, il volume e la velocità dei dati che transitano attraverso i sistemi di elaborazione dei dati sanitari risultano per loro insostenibili. Tali dati includono informazioni quali i record provenienti da caricamenti batch nei data warehouse e i flussi di dati clinici in tempo reale.

Le piattaforme convenzionali di gestione delle informazioni e degli eventi di sicurezza (SIEM), quali Microsoft Sentinel e IBM QRadar, non sono in grado di elaborare tali informazioni senza un’ampia ottimizzazione specifica per il settore sanitario.

Il SIEM è una soluzione di sicurezza che consente alle organizzazioni di riconoscere e prevenire potenziali minacce e vulnerabilità prima che possano compromettere le operazioni aziendali.

Di conseguenza, le organizzazioni non sono in grado di monitorare appieno i flussi di dati né di impedire che le minacce reali vengano sepolte dal rumore di fondo. Di conseguenza, queste piattaforme hanno difficoltà a ridurre con precisione la capacità di rilevamento del malware.

Queste piattaforme consentono di riconoscere e affrontare potenziali minacce e vulnerabilità prima che compromettano le operazioni aziendali.

### In che modo il traffico sanitario crittografato riduce la visibilità del rilevamento?

Le informazioni sanitarie crittografate sono protette dall’intercettazione. Tuttavia, la crittografia non consente agli strumenti di rilevamento tradizionali basati sulla rete, che si avvalgono dell’ispezione del contenuto del traffico, di individuare attività fraudolente.

Con l’aumento della crittografia dei flussi di dati da parte delle organizzazioni sanitarie, i team di sicurezza dispongono di minore visibilità. Inoltre, i metodi di rilevamento si basano sull’ispezione delle firme e dei contenuti. Di conseguenza, le organizzazioni si trovano ad affrontare una vera e propria tensione architettonica.

Nello specifico, la crittografia viene utilizzata non solo per proteggere i dati dall’intercettazione, ma anche per impedire agli strumenti di sicurezza di rilevare i dati che transitano attraverso la rete. Di conseguenza, i metodi utilizzati per il rilevamento comportamentale e quello basato sui metadati dovrebbero differire da quelli che richiedono la decrittografia del contenuto del traffico.

### Perché la raccolta dei dati sanitari crea linee di riferimento comportamentali anomale per gli strumenti di analisi dei big data?

Gli strumenti di rilevamento delle anomalie comportamentali creano una linea di riferimento delle attività normali e segnalano quelle fraudolente. Tuttavia, l’accesso ai dati sanitari è associato a irregolarità che creano confusione nel rilevamento delle attività normali․

Ad esempio, un analista di ricerca potrebbe effettuare una query per uno studio una tantum, oppure un data scientist potrebbe eseguire un’esportazione in batch di dimensioni insolitamente grandi per l’addestramento di un modello. In tali casi, questi strumenti, progettati per ambienti IT aziendali con modelli di accesso più uniformi e prevedibili, producono falsi positivi o addirittura non rilevano affatto le vere anomalie.

### In che modo le organizzazioni sanitarie riescono a trovare un equilibrio tra monitoraggio, accesso ai dati e privacy dei pazienti?

Le organizzazioni sanitarie conciliano monitoraggio, accesso ai dati, esperienza del paziente e privacy tenendo conto dei flussi di lavoro sanitari. I modelli di monitoraggio prendono in considerazione sia i modelli legittimi di accesso esteso relativi a ricerche e analisi approvate, sia i modelli realmente anomali associati a violazioni della sicurezza o ad abusi.

I team di sicurezza e quelli clinici, di ricerca e di analisi collaborano strettamente per garantire un monitoraggio adeguato volto a individuare modelli operativi piuttosto che basarsi su ipotesi generiche.

Infine, quando i sistemi di registrazione e monitoraggio acquisiscono registrazioni dettagliate delle persone che accedono a determinati dati dei pazienti, anche tali dati devono essere tutelati in quanto sensibili. Perché? Poiché i registri di audit indicano quali record sono più preziosi da violare.

## In che modo le organizzazioni sanitarie dovrebbero proteggere il cloud, l’analisi dei dati e gli ecosistemi di terze parti?

Le organizzazioni sanitarie dovrebbero comprendere chiaramente il [modello di responsabilità condivisa](https://www.techtarget.com/searchcloudcomputing/definition/shared-responsibility-model)
 per definire chi è responsabile della sicurezza e valutare rigorosamente la sicurezza dei fornitori prima di concedere l’accesso.

È inoltre essenziale applicare approcci regolamentati alla condivisione dei dati tra le istituzioni.

In realtà, molte organizzazioni sanitarie applicano le discipline menzionate in modo incoerente, creando opportunità di violazione per i cyber-aggressori.

### Quali rischi legati alla responsabilità condivisa esistono nell’analisi dei dati sanitari ospitati nel cloud?

Le organizzazioni sanitarie si assumono la responsabilità di proteggere i dati, le configurazioni e i controlli di accesso all’interno dell’infrastruttura cloud.

Tuttavia, tale responsabilità viene spesso fraintesa, portando a violazioni causate da configurazioni errate da parte dei clienti. Il malfunzionamento del fornitore di servizi cloud non è la causa principale di tali violazioni.

Ad esempio, la [violazione subita da Blue Shield of California](https://www.hipaajournal.com/blue-shield-of-california-google-ads-data-breach/)
 rappresenta uno di questi casi. La violazione di 5,5 milioni di record presso lo Yale New Haven Health System è stata causata da una configurazione errata di Google Analytics. La piattaforma cloud in sé non è stata violata; è stata invece la configurazione effettuata dall’organizzazione a rendere accessibili informazioni sanitarie protette.

Pertanto, le organizzazioni sanitarie che utilizzano strumenti di analisi basati sul cloud devono configurare la gestione come una funzione critica per la sicurezza e monitorarla regolarmente.

### In che modo le organizzazioni sanitarie dovrebbero valutare il livello di sicurezza dei fornitori?

Le organizzazioni sanitarie dovrebbero valutare il livello di sicurezza dei fornitori esaminando le loro effettive pratiche di trattamento dei dati. Nello specifico, le organizzazioni dovrebbero specificare quali categorie valutare, quali dati archiviare, quali accessi regolamentare internamente, su quali processi fare affidamento per tale valutazione, nonché determinare i tempi di notifica delle violazioni da parte del fornitore e la sua risposta agli incidenti.

Oggi, la maggior parte delle organizzazioni collabora con fornitori terzi che a loro volta subiscono violazioni dei dati. Pertanto, la questione è se la progettazione del sistema di un fornitore sia in grado di limitare e prevenire una minaccia.

È quindi fondamentale valutare regolarmente i rischi legati ai fornitori per tutta la durata del rapporto. Non è sufficiente valutare tali rischi solo durante la fase iniziale di avvio della collaborazione.

### In che modo gli operatori sanitari possono garantire la sicurezza della condivisione dei dati sanitari tra istituzioni?

Per garantire la sicurezza della condivisione dei dati tra istituzioni, le organizzazioni dovrebbero standardizzare i protocolli di scambio dati con autenticazione e crittografia integrate, oltre ad applicare il principio di minimizzazione dei dati. Di conseguenza, potranno identificare casi d’uso specifici per i dati condivisi. In questo modo, potranno anche definire chiaramente in che modo l’istituzione ricevente possa utilizzare, condividere e conservare i dati.

La convalida dei certificati SSL e l’imposizione di versioni TLS (Transport Layer Security) su tutti gli endpoint di scambio dati tra istituzioni costituiscono configurazioni errate che consentono a versioni obsolete del protocollo SSL di rimanere attive. Il TLS è il protocollo di sicurezza che crittografa i dati inviati su Internet. Questi elementi risultano essere fattori determinanti in diversi casi di esposizione dei dati legati all’interoperabilità sanitaria.

[Fast Healthcare Interoperability Resources (FHIR)](https://ecqi.healthit.gov/fhir/about)
 sono standard web che consentono ai sistemi software medici di scambiare cartelle cliniche elettroniche in modo sicuro e rapido. Essi forniscono le basi tecniche, ma ciò non è sufficiente per la protezione dei dati sanitari.

Le organizzazioni devono inoltre avvalersi di quadri di riferimento per la gestione della sicurezza al fine di definire quali elementi di dati possano circolare in base a quali accordi di condivisione. In questo modo, le istituzioni riceventi possono sapere quali standard di sicurezza seguire e quali requisiti soddisfare.

In caso contrario, gli accordi informali di condivisione dei dati tra istituzioni possono essere la causa delle violazioni più gravi verificatesi di recente.

### In che modo Bacula Systems può aiutare le organizzazioni sanitarie a proteggere la sicurezza dei big data negli ambienti sanitari?

[Bacula Systems](https://www.baculasystems.com/it/)
 risponde alle esigenze di backup e ripristino delle organizzazioni attente alla sicurezza informatica che utilizzano i big data in ambito sanitario, dove tali dati stanno crescendo sia in volume che in complessità. È progettato per mitigare i rischi legati al fatto che, più l’ambiente dei dati è ampio e centralizzato, più pericoloso diventa un errore di backup durante il ripristino a seguito di un attacco ransomware.

Le soluzioni di Bacula Systems supportano l’infrastruttura mista e ad alto volume tipica degli ambienti sanitari che gestiscono i Big Data. Bacula offre le seguenti funzionalità:

- Backup: backup su tutte le principali piattaforme di database alla base dei data warehouse e degli archivi analitici.
- Archiviazione immutabile: copie di backup isolate fisicamente (air-gapped) e immutabili che rimangono protette anche in caso di compromissione totale delle credenziali di produzione.
- Crittografia: crittografia AES-256, una crittografia simmetrica che garantisce la sicurezza dei dati sia inattivi che in transito. In tal modo, estende la protezione conforme alle norme HIPAA al livello di backup, anziché considerarla un aspetto secondario. La crittografia AES-256 viene applicata ai dati di backup sia inattivi che in transito. Ciò garantisce che gli archivi di backup contenenti dati sanitari aggregati soddisfino lo stesso standard di protezione crittografica richiesto per i sistemi clinici primari.
- Scalabilità: grazie alla progettazione scalabile del sistema di Bacula Systems e alla gestione granulare delle politiche di conservazione, le organizzazioni sanitarie possono salvaguardare i dati in modo coerente su tutti i volumi di dati, a differenza degli strumenti di backup tradizionali. Questo perché gli strumenti tradizionali sono sviluppati per la protezione di un singolo sistema.
- Ripristino: il backup di Bacula fornisce alle organizzazioni la capacità di ripristino verificata di cui hanno tanto bisogno. Di conseguenza, l’infrastruttura dei dati nelle organizzazioni sanitarie può essere certa di ripristinarsi entro tempi clinicamente accettabili, anziché dover affrontare fallimenti del backup durante una crisi in corso.

## Domande frequenti

### Perché le fusioni nel settore sanitario aumentano drasticamente i rischi legati alla sicurezza e alla privacy dei big data?

Quando ambienti di dati precedentemente separati si fondono in un unico sistema, l’attenzione è solitamente rivolta all’integrazione aziendale piuttosto che alla preparazione in materia di sicurezza.

Pertanto, quando si fondono diverse piattaforme di cartelle cliniche elettroniche (EHR), strumenti di analisi, livelli di maturità della sicurezza e modelli di gestione degli accessi, l’organizzazione risultante presenta solitamente un livello di sicurezza più debole con controlli meno maturi. Di conseguenza, emerge un set di dati più ampio e di maggior valore che diventa un bersaglio «allettante» per i cyber-aggressori.

Quando i dati migrano durante l’integrazione, grandi volumi di dati dei pazienti fluiscono tra i sistemi. Ciò avviene solitamente tramite interfacce temporanee e privilegi di accesso elevati. I problemi e i rischi relativi alla sicurezza e alla privacy dei big data aumentano durante questi processi a causa dell’ampio accesso, del monitoraggio ridotto e della pressione temporale.

### Le piattaforme di big data nel settore sanitario possono rimanere conformi se i dati dei pazienti vengono riutilizzati per l’addestramento dell’IA?

La possibilità che le piattaforme di big data rimangano conformi qualora i dati dei pazienti vengano riutilizzati per l’addestramento dell’IA dipende dalla base giuridica relativa ai dati stessi. Nello specifico, dipende dal fatto che i dati siano stati originariamente raccolti e che la base giuridica copra l’uso secondario finalizzato all’addestramento dell’IA.

Secondo l’HIPAA, determinati utilizzi dei [dati anonimizzati](https://www.hhs.gov/hipaa/for-professionals/special-topics/de-identification/index.html)
 non richiedono un’ulteriore autorizzazione da parte del paziente. Tuttavia, l’anonimizzazione deve soddisfare specifici [standard Safe Harbor o di valutazione da parte di esperti](https://pmc.ncbi.nlm.nih.gov/articles/PMC4267471/)
 previsti dalla [Norma sulla privacy](https://www.hhs.gov/hipaa/for-professionals/privacy/laws-regulations/index.html)
.

Ad esempio, dai dati devono essere rimossi 18 identificatori specifici. Inoltre, un esperto qualificato deve applicare principi statistici e scientifici validi per l’analisi dei dati. L’esperto deve inoltre documentare che è altamente improbabile che qualcuno possa reidentificare l’individuo.

Il modo più sicuro consiste nel trattare i dati di addestramento dell’IA con lo stesso rigore nella gestione della sicurezza applicato ad altri usi secondari delle informazioni sanitarie protette (PHI). Nello specifico, ciò si riferisce all’autorizzazione documentata o alla deidentificazione qualificata. Le organizzazioni non dovrebbero dare per scontato che i casi d’uso dell’IA non rientrino negli obblighi standard previsti dall’HIPAA.

### Perché le organizzazioni sanitarie perdono la capacità di monitorare i dati sensibili dopo l’espansione delle iniziative di analisi?

Le organizzazioni sanitarie perdono la capacità di monitorare i dati sensibili dopo l’espansione delle iniziative di analisi perché i processi di gestione dei dati diventano meno in grado di tenere traccia della crescente quantità di informazioni.

Fonti di dati precedentemente ben gestite si trasformano in decine di set di dati duplicati distribuiti tra archivi cloud, postazioni di lavoro locali degli analisti e sistemi di elaborazione intermedi. E ciascuno di questi elementi di dati diventa un potenziale bersaglio per gli hacker, senza che esista una gestione dei dati in grado di monitorarli.

L’incapacità di monitorare rappresenta una sfida strutturale continua che si accentua con l’aumentare della maturità e della portata delle attività di analisi. Per superare questa sfida, le organizzazioni sanitarie dovrebbero impegnarsi costantemente a mantenere al passo gli strumenti di individuazione e inventario dei dati.

Informazioni sull'autore

[https://www.linkedin.com/in/rob-morrison-3aa443/](https://www.linkedin.com/in/rob-morrison-3aa443/)

Rob Morrison è il direttore marketing di Bacula Systems. Ha iniziato la sua carriera nel marketing IT con Silicon Graphics in Svizzera, ottenendo ottimi risultati in vari ruoli di gestione del marketing per quasi 10 anni. Nei 10 anni successivi, Rob ha ricoperto anche diverse posizioni di gestione del marketing in JBoss, Red Hat e Pentaho, assicurando la crescita della quota di mercato di queste note aziende. Si è laureato all'Università di Plymouth e ha conseguito una laurea ad honorem in Digital Media and Communications e ha completato un programma di studi all'estero.

*Messaggi correlati*

[https://www.baculasystems.com/it/it-blog/backup-su-nastro/](https://www.baculasystems.com/it/it-blog/backup-su-nastro/)
[Come fare per eseguire il backup su nastro? Soluzione software di backup su nastro.](https://www.baculasystems.com/it/it-blog/backup-su-nastro/)

Aprile 15, 2025

[https://www.baculasystems.com/it/it-blog/guida-alla-sicurezza-hpc-800-223-800-234/](https://www.baculasystems.com/it/it-blog/guida-alla-sicurezza-hpc-800-223-800-234/)
[Guida e standard di sicurezza HPC: NIST SP 800-223 e SP 800-234](https://www.baculasystems.com/it/it-blog/guida-alla-sicurezza-hpc-800-223-800-234/)

Ottobre 6, 2025

[https://www.baculasystems.com/it/it-blog/le-migliori-pratiche-di-backup-e-ripristino-di-openstack/](https://www.baculasystems.com/it/it-blog/le-migliori-pratiche-di-backup-e-ripristino-di-openstack/)
[Backup e ripristino OpenStack: Migliori pratiche, metodi e soluzioni integrati](https://www.baculasystems.com/it/it-blog/le-migliori-pratiche-di-backup-e-ripristino-di-openstack/)

Novembre 14, 2023

[https://www.baculasystems.com/it/it-blog/che-cose-la-continuita-aziendale-il-recupero-dei-disastri/](https://www.baculasystems.com/it/it-blog/che-cose-la-continuita-aziendale-il-recupero-dei-disastri/)
[Che cos'è la Business Continuity e il Disaster Recovery? La differenza tra BC e DR](https://www.baculasystems.com/it/it-blog/che-cose-la-continuita-aziendale-il-recupero-dei-disastri/)

Maggio 1, 2024

[https://www.baculasystems.com/it/it-blog/backup-immutabile/](https://www.baculasystems.com/it/it-blog/backup-immutabile/)
[Che cos'è il backup immutabile? Soluzioni di backup immutabili nel 2025](https://www.baculasystems.com/it/it-blog/backup-immutabile/)

Febbraio 6, 2024

[https://www.baculasystems.com/it/it-blog/la-sicurezza-del-cloud-nel-settore-sanitario/](https://www.baculasystems.com/it/it-blog/la-sicurezza-del-cloud-nel-settore-sanitario/)
[Perché la sicurezza del cloud nel settore sanitario non può essere trattata alla stregua della sicurezza standard del cloud aziendale?](https://www.baculasystems.com/it/it-blog/la-sicurezza-del-cloud-nel-settore-sanitario/)

Giugno 29, 2026