Este documento presenta un marco que integra el Aprendizaje Federado (FL) habilitado por blockchain con mecanismos de consenso para mitigar ataques de envenenamiento en entornos de atención médica. El marco incorpora mecanismos de consenso de blockchain, utilizando Prueba de Trabajo (PoW) como base y Prueba de Participación (PoS) adoptada como el enfoque propuesto; ambos se evalúan de forma independiente dentro de la misma arquitectura de aprendizaje federado habilitada para Cálculo Seguro Multipartito (SMPC) para la preservación de la privacidad. El sistema propuesto se evalúa en los conjuntos de datos OCTMNIST y TissueMNIST en configuraciones tanto centralizadas como federadas, incluyendo escenarios de envenenamiento con un 10% y un 50% de clientes maliciosos. Los resultados muestran que la agregación consciente del consenso reduce la influencia de las actualizaciones de clientes no confiables y mejora la robustez del modelo global en condiciones de envenenamiento. Además, el marco prioriza las contribuciones de clientes confiables durante la agregación, apoyando el intercambio de modelos confiables en entornos de aprendizaje colaborativo en atención médica. A diferencia de las defensas de aprendizaje federado basadas en blockchain anteriores que introducen una pesada sobrecarga criptográfica, la agregación basada en PoS propuesta equilibra explícitamente la robustez y la eficiencia computacional, permitiendo un despliegue práctico bajo altos ratios de envenenamiento.