في 26 أغسطس 2026 نشرت مجلة Nature Computational Science عمل مجموعة بقيادة كانغ تشانغ، التي قدمت إطار PULSE (Patient Unified Longitudinal Signal Engine / المحرك الموحد للإشارات الطولية للمريض).
هذا نهج طولي بالتعلم الذاتي (تعلم غير خاضع للإشراف)، يقوم بترميز البيانات الشخصية عن الحالات السابقة للمريض بشكل صريح لإعادة بناء ملفات طبية كاملة بناءً على قياسات لاحقة غير مكتملة.
على عكس النماذج التقليدية التي تركز على أنواع البيانات الثابتة أو المستقلة، يراعي PULSE الترابط البيولوجي والتباين الزمني للمؤشرات. يستخدم البيانات الزوجية التاريخية لتحسين الاتساق وتوليد المعلومات في الزيارة الحالية، وهو أمر مهم بشكل خاص للقياسات الطولية المجزأة (الفسيفسائية) في الممارسة السريرية الواقعية.
أظهر تطبيق النموذج على بيانات البنك الحيوي البريطاني (UK Biobank) أن PULSE يولد بدقة ملفات الأيض والبروتينات بناءً على تحاليل الدم الروتينية. مقارنة بالبيانات المرجعية (251 مؤشر حيوي)، تفوقت الملفات المولدة على جميع النماذج المرجعية الأساسية، وحققت الخوارزميات المدربة على هذه البيانات الاصطناعية قيمة AUC (المساحة تحت منحنى ROC) 0.72–0.83 لستة أمراض شائعة. هذه الدقة مماثلة لاستخدام البيانات البروتينية الحقيقية.
تعتمد منهجية PULSE على مبدأ أساسي مفاده أن الأنماط السريرية المختلفة تمثل مؤشرات مترابطة بيولوجيًا ومتباينة زمنيًا للحالة الفسيولوجية المتطورة للفرد. وهذا يسمح للنموذج بالعمل بفعالية مع الملاحظات غير المكتملة، وهي نموذجية في الطب الواقعي حيث لا يخضع المرضى لجميع الاختبارات في نفس الوقت.
في مشهد الذكاء الاصطناعي في علم الأحياء والطب، يبرز PULSE بين المناهج الأخرى مثل AlphaFold أو النماذج لتحليل بيانات الخلايا المفردة (single-cell). يركز تحديدًا على الديناميكيات الزمنية والتكامل متعدد الوسائط للسجلات الطبية الإلكترونية (EMR)، وصور شبكية العين، والعلامات المخبرية، مما يميزه عن النماذج الأساسية الثابتة للذكاء الاصطناعي.
يفتح هذا الإنجاز آفاقًا للتنبؤ الأكثر دقة بالأمراض والعلاج الشخصي بناءً على البيانات الروتينية، مما يقلل الحاجة إلى اختبارات متخصصة مكلفة. ومع ذلك، يبقى السؤال حول قدرة النموذج على التعميم على مجموعات سكانية أخرى وأنواع بيانات غير ممثلة في البنك الحيوي البريطاني.
التحقق المستقل على مجموعات جديدة والمقارنة مع طرق التعلم الذاتي البديلة ستظهر مدى استدامة مزايا PULSE في السيناريوهات السريرية الواقعية.
تطوير مثل هذه الأطر يؤكد أن مفتاح التقدم في مجال الذكاء الاصطناعي الطبي يكمن في المراعاة الدقيقة للديناميكيات الزمنية وعدم اكتمال البيانات، وليس فقط في زيادة حجم النماذج ببساطة.
