CIOMET
Ciberseguridad en Infraestructuras Médicas Conectadas
- Duración: Diciembre 2022 – Mayo 2025
- Referencia: UC3M Research Portal
Investigadores
- Pedro Peris-López (Investigador Principal)
- Carmen Cámara (Investigadora Principal)
- Juan Tapiador
- Ana Isabel González-Tablas
Resumen
Como se destaca en la cuarta “Estrategia de Seguridad Nacional – ESN 29/12/21”: “La seguridad se concibe como una condición necesaria para la recuperación económica y la cohesión social”. Asimismo, este plan subraya la importancia de combatir riesgos y amenazas en dos sectores estratégicos donde se enmarca CIOMET: sanidad y ciberseguridad.
La sanidad ha estado bajo una enorme presión debido al COVID-19. Las innovaciones digitales han sido fundamentales para la notificación ágil de casos y las campañas de vacunación, aunque también han expuesto al sector a un aumento de los ciberataques. Según la Agencia de Ciberseguridad de la Unión Europea (ENISA), los ataques a hospitales y redes sanitarias crecieron aproximadamente un 50% durante la pandemia.
El proyecto CIOMET busca aumentar la ciberseguridad en el Internet de las Cosas Médicas (IoMT), permitiendo avanzar en la digitalización de los servicios de salud, mejorar la calidad del diagnóstico y la atención, y reducir al máximo los riesgos de amenazas cibernéticas.
Los ciberataques en el entorno sanitario afectan a cuatro dimensiones clave: seguridad, eficiencia, reputación y finanzas. Su mitigación es compleja debido a la diversidad de elementos que componen estas infraestructuras: plataformas hardware, software, sistemas operativos, dispositivos conectados y redes.
Además, CIOMET considera particularidades como que el 73% de los proveedores de salud utilizan sistemas operativos obsoletos que no pueden actualizarse. Entre un 25% y 40% ofrece servicios de telemedicina, lo cual incrementa los riesgos. Incluso la FDA ha advertido sobre dispositivos vulnerables como los marcapasos de última generación.
Por otro lado, la Estrategia Nacional destaca el potencial estratégico de la inteligencia artificial (IA). Aunque esta tecnología ofrece ventajas en el diagnóstico, también presenta vulnerabilidades que pueden ser explotadas en ciberataques.
Publicaciones
-
Foronda-Pascual, D., Camara, C., & Peris-Lopez, P. (2025). Untouchable and Cancelable Biometrics: Human Identification in Various Physiological States Using Radar-Based Heart Signals. IEEE Journal of Biomedical and Health Informatics.
https://doi.org/10.1109/JBHI.2025.3566167
[PDF] -
Al Alfi, M., Peris-Lopez, P., & Camara, C. (2025). Enhancing biometric identification using 12-lead ECG signals and graph convolutional networks. Frontiers in Digital Health, 7.
https://doi.org/10.3389/fdgth.2025.1547208
[PDF] -
Ramos, A., Camara, C., Martín, H., & Peris-Lopez, P. (2025). AI-Driven Device Fingerprinting Using On-Chip Monitoring Sensors: A Novel Time Series-Based Approach. IEEE Sensors Journal, 25(7), 12064–12075.
https://doi.org/10.1109/JSEN.2025.3539571
[PDF] -
Maleki Lonbar, S., Beigi, A., Bagheri, N., Peris-Lopez, P., & Camara, C. (2024). Deep learning based biometric authentication system using a high temporal/frequency resolution transform. Frontiers in Digital Health, 6.
https://doi.org/10.3389/fdgth.2024.1463713
[PDF] -
Fuster-Barceló, C., Camara, C., & Peris-López, P. (2024). ECG-Based Patient Identification: A Comprehensive Evaluation Across Health and Activity Conditions. IEEE Access.
https://doi.org/10.1109/ACCESS.2024.3519462
[PDF] -
Pedrosa-Rodriguez, A., Camara, C., & Peris-Lopez, P. (2024). Leveraging IoT Devices for Atrial Fibrillation Detection: A Comprehensive Study of AI Techniques. Applied Sciences, 14(19), 8945.
https://doi.org/10.3390/app14198945
[PDF] -
Fuster-Barceló, C., Guerrero-López, A., Camara, C., & Peris-Lopez, P. (2024). Exploring the Power of Photoplethysmogram Matrix for Atrial Fibrillation Detection with Integrated Explainability. Engineering Applications of Artificial Intelligence, 133(D).
https://doi.org/10.1016/j.engappai.2024.108325
[PDF] -
Ramos, A., Martín, H., Camara, C., & Peris-Lopez, P. (2024). Stimulated Microcontroller Dataset for New IoT Device Identification Schemes through On-Chip Sensor Monitoring. Data, 9(5), 62.
https://doi.org/10.3390/data9050062
[PDF] -
Peris-Lopez, P., Fuster-Barceló, C., Camara, C., & Martin, H. (2023). Unveiling Hidden Patterns: Harnessing the Power of Short PPG-Traces for Atrial Fibrillation Detection. In 2023 IEEE 19th International Conference on Body Sensor Networks (BSN), Boston, MA, USA, pp. 1–4.
https://doi.org/10.1109/BSN58485.2023.10331002
[PDF] -
Camara, C., Peris-Lopez, P., Safkhani, M., & Bagheri, N. (2023). ECG Identification Based on the Gramian Angular Field and Tested with Individuals in Resting and Activity States. Sensors, 23(2), 937.
https://doi.org/10.3390/s23020937
[PDF] -
Fuster-Barceló, C., Guerrero-López, A., Camara, C., & Peris-Lopez, P. (2023). Exploring the Power of PPG Matrix for Atrial Fibrillation Detection with Integrated Explainability. SSRN.
https://ssrn.com/abstract=4514512 |
https://doi.org/10.2139/ssrn.4514512
[PDF]
This project has received funding from Ministerio de Ciencia e Innovación, the European Union (Next Generation), the Recovery, Transformation and Resilience Plan and Agencia Estatal de Investigación under the project TED2021-131681B-I00.
