Criptografia homomórfica: IA segura para saúde sem expor dados

Na segurança de dados clínicos existe uma janela que quase ninguém fecha. Ciframos o dado em repouso (no disco) e em trânsito (na rede) — mas, na hora de processar, ele precisa ser decifrado. Por alguns milissegundos ou por horas, o prontuário fica em claro na memória de um servidor que muitas vezes nem pertence ao hospital. Todo vazamento em nuvem explora, de um jeito ou de outro, essa janela.

A criptografia homomórfica (HE, de homomorphic encryption) ataca o problema pela raiz: ela permite fazer contas diretamente sobre o texto cifrado. O servidor recebe dados ilegíveis, executa o modelo de IA sobre eles, devolve um resultado igualmente ilegível — e só quem tem a chave (o hospital, o laboratório, o titular) consegue ler a resposta.

A analogia da caixa lacrada

Imagine uma caixa de vidro lacrada com luvas embutidas, dessas de laboratório. Você coloca os documentos dentro, tranca com a sua chave e entrega a caixa a um terceiro. Ele pode manipular o conteúdo pelas luvas — ordenar, medir, calcular — mas nunca abrir a caixa nem ler os papéis. Ao final, devolve a caixa trancada, e só você a abre para ver o resultado.

A criptografia homomórfica é essa caixa, em matemática:

O invariante do diagrama é o que importa guardar: em nenhum momento o dado em claro existe fora do ambiente do titular da chave. A confiança no provedor de nuvem deixa de ser um pré-requisito e vira um detalhe.

Os três tipos — e para que serve cada um

“Homomórfica” não é uma coisa só; é uma família com três níveis de poder, e escolher o nível errado é a forma mais comum de fracassar com HE. Antes da tabela, o critério: o que muda entre eles é quais operações e quantas operações podem ser feitas sobre o cifrado.

Tipo	O que permite	Uso típico em saúde
PHE — Parcialmente Homomórfica	Uma única operação (adição ou multiplicação), ilimitadas vezes	Sensores e dispositivos IoMT somando medições cifradas (sinais vitais, glicemia)
SHE — Somewhat Homomórfica	Adições e multiplicações, mas em quantidade limitada	Modelos estatísticos e de machine learning simples sobre exames
FHE — Totalmente Homomórfica	Operações arbitrárias, sem limite	Deep learning sobre genômica e imagens médicas cifradas

A regra prática: comece pelo tipo mais fraco que resolve o seu problema. PHE e SHE são ordens de magnitude mais rápidas que FHE — e boa parte dos casos clínicos reais não precisa de FHE.

Funciona de verdade? Os números

Resultados reportados na literatura recente, todos computados sobre dados cifrados:

• 99,56% de precisão na detecção de apneia do sono;
• 87,5% na classificação de imagens médicas, com latência de ~150 ms por inferência;
• 84,6% na predição de mortalidade em UTI.

São números na mesma faixa dos modelos equivalentes em claro — a diferença é que, aqui, o servidor que executou a IA jamais teve acesso a um único dado legível de paciente.

O preço (e por que ele vem caindo)

Nada disso é grátis, e é melhor saber o custo antes de prometer HE num projeto:

• Velocidade: operações homomórficas são hoje 10 a 100× mais lentas que o processamento convencional;
• Tamanho: o texto cifrado ocupa cerca de 18× mais espaço que o dado original;
• Complexidade: parametrizar esquemas FHE exige conhecimento especializado — escolhas erradas comprometem segurança e desempenho.

Três forças vêm derrubando essas barreiras: bibliotecas maduras e auditadas como Microsoft SEAL e OpenFHE, que abstraem a matemática pesada; aceleradores de hardware dedicados a operações sobre reticulados; e a compilação automática de modelos de IA para circuitos homomórficos. O que era exótico em 2020 é, em 2026, uma decisão de arquitetura viável para cargas selecionadas.

Um bônus estratégico: resistência quântica

A segurança da HE moderna se apoia em problemas matemáticos sobre reticulados (lattices) — grades de pontos em altíssimas dimensões nas quais encontrar o ponto mais próximo é computacionalmente intratável. Diferentemente do RSA e das curvas elípticas, esses problemas não têm solução eficiente conhecida nem para computadores quânticos. Ao adotar HE, uma organização de saúde ganha, de carona, proteção contra o cenário harvest now, decrypt later — dados cifrados coletados hoje para serem quebrados quando houver hardware quântico.

HE, aprendizado federado ou enclaves? Um guia rápido

Essas três abordagens de computação privada resolvem problemas vizinhos e se combinam mais do que competem:

• Criptografia homomórfica quando o dado precisa ser processado por um terceiro em quem você não quer precisar confiar (nuvem pública, parceiro externo);
• Aprendizado federado quando várias instituições querem treinar um modelo em conjunto sem trocar dados brutos — inclusive usando HE para cifrar as atualizações de pesos, como discutimos no post sobre aprendizado federado;
• Enclaves de hardware (TEE) quando a latência é crítica e aceitar confiança no fabricante do processador é um trade-off razoável.

Um lembrete de compliance para fechar: para a LGPD, dado cifrado continua sendo dado pessoal — a cifra é medida de segurança (art. 46), não passe de saída da lei. O que a HE muda, e muda muito, é o risco residual de cada elo da cadeia: o vazamento do servidor de processamento deixa de expor pacientes.

---

Na Sciereli, avaliamos onde técnicas de computação privada — HE, aprendizado federado, enclaves — fazem sentido na sua arquitetura de dados de saúde, e onde controles mais simples resolvem melhor. Fale com a gente: contato@sciereli.com.br.