گسترش روزافزون اینترنت اشیاء پزشکی (IoMT)، اگرچه مراقبت‌های بهداشتی را متحول کرده است، اما چالش‌های جدی برای حریم خصوصی کاربران ایجاد نموده است. حتی با وجود رمزنگاری انتها-به-انتها، تحلیل فراداده‌های ترافیک شبکه (مانند اندازه بسته و زمان‌بندی) می‌تواند منجر به افشای نوع دستگاه و فعالیت‌های حساس سلامت شود. هدف این پژوهش، ارزیابی کمی آسیب‌پذیری دستگاه‌های IoMT در برابر حملات تحلیل ترافیک مبتنی بر یادگیری ماشین و سنجش کارایی یک مکانیزم دفاعی مبتنی بر شکل‌دهی ترافیک است. در این مطالعه تجربی، ترافیک شبکه ۳۹۰ دستگاه از چهار دسته پرکاربرد IoMT (ساعت هوشمند، فشارسنج، نوار قلب و ضربان‌سنج) جمع‌آوری شد. کارایی پنج الگوریتم یادگیری ماشین شامل K-نزدیک‌ترین همسایه (KNN)، ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF)، گرادیان بوستینگ (GBC) و بیز ساده گاوسی (GNB) برای شناسایی دستگاه و فعالیت کاربر مورد ارزیابی قرار گرفت. نتایج نشان داد که الگوریتم KNN با دقت ۹۴.۶٪ در شناسایی دستگاه و ۹۳.۱٪ در شناسایی فعالیت، بیشترین آسیب‌پذیری را ایجاد می‌کند. برای مقابله، یک راهکار شکل‌دهی ترافیک مبتنی بر تزریق بسته‌های ساختگی با نرخ بهینه ۳۰ تا ۴۰ درصد طراحی و پیاده‌سازی شد. یافته‌ها حاکی از آن است که این راهکار دفاعی، دقت شناسایی دستگاه را به ۱۸.۲٪ و دقت شناسایی فعالیت را به ۳۲٪ کاهش می‌دهد، بدون آنکه اختلال محسوسی در عملکرد دستگاه ایجاد کند. این پژوهش اثبات می‌کند که رمزنگاری به تنهایی برای حفاظت از حریم خصوصی کافی نیست و سیاست‌گذاران باید استانداردهای شکل‌دهی ترافیک را در پروتکل‌های امنیتی IoMT الزامی کنند