Am 26. August 2026 veröffentlichte die Zeitschrift Nature Computational Science eine Arbeit der Gruppe unter der Leitung von Kang Zhang, die das Framework PULSE (Patient Unified Longitudinal Signal Engine / Einheitliche Engine für longitudinale Patientensignale) vorstellte.
Dies ist ein longitudinaler Ansatz mit Selbstlernen (unüberwachtes Lernen), der personalisierte Daten über frühere Zustände des Patienten explizit kodiert, um vollständige medizinische Profile auf der Grundlage nachfolgender unvollständiger Messungen zu rekonstruieren.
Im Gegensatz zu traditionellen Modellen, die auf statische oder unabhängige Datentypen ausgerichtet sind, berücksichtigt PULSE die biologische Verknüpfung und die zeitliche Kovarianz der Messwerte. Es nutzt historische Paardaten, um die Konsistenz zu verbessern und Informationen beim aktuellen Besuch zu generieren, was besonders wichtig für fragmentierte (mosaische) Längsschnittmessungen in der realen klinischen Praxis ist.
Die Anwendung des Modells auf Daten der UK Biobank zeigte, dass PULSE Metabolit- und Proteinprofile auf der Grundlage routinemäßiger Blutuntersuchungen genau generiert. Im Vergleich zu Referenzdaten (251 Biomarker) übertrafen die generierten Profile alle Basis-Referenzmodelle, und Algorithmen, die mit diesen synthetischen Daten trainiert wurden, erreichten einen AUC-Wert (Fläche unter der ROC-Kurve) von 0,72–0,83 für sechs häufige Erkrankungen. Diese Genauigkeit ist vergleichbar mit der Verwendung realer Proteomdaten.
Die Methodik von PULSE basiert auf dem grundlegenden Prinzip, dass verschiedene klinische Modalitäten biologisch verbundene, zeitlich kovariierende Messwerte des sich entwickelnden physiologischen Zustands eines Individuums darstellen. Dies ermöglicht es dem Modell, effektiv mit unvollständigen Beobachtungen zu arbeiten, die in der realen Medizin typisch sind, wo Patienten nicht alle Tests gleichzeitig durchlaufen.
In der Landschaft der künstlichen Intelligenz in Biologie und Medizin hebt sich PULSE von anderen Ansätzen wie AlphaFold oder Modellen zur Analyse von Einzelzell-Daten (single-cell) ab. Es konzentriert sich speziell auf die zeitliche Dynamik und die multimodale Integration elektronischer Patientenakten (EPA), Netzhautbilder und Labormarker, was es von statischen grundlegenden KI-Modellen unterscheidet.
Diese Errungenschaft eröffnet Möglichkeiten für genauere Krankheitsvorhersagen und personalisierte Behandlungen auf der Grundlage von Routinedaten und reduziert die Notwendigkeit teurer spezialisierter Tests. Es bleibt jedoch die Frage nach der Fähigkeit des Modells zur Verallgemeinerung (Generalisierung) auf andere Populationen und Datentypen, die nicht in der UK Biobank vertreten sind.
Unabhängige Verifikation an neuen Kohorten und der Vergleich mit alternativen Selbstlernmethoden werden zeigen, wie robust die Vorteile von PULSE in realen klinischen Szenarien sind.
Die Entwicklung solcher Frameworks unterstreicht, dass der Schlüssel zum Fortschritt im Bereich der medizinischen künstlichen Intelligenz in der sorgfältigen Berücksichtigung der zeitlichen Dynamik und der Unvollständigkeit von Daten liegt, nicht nur in der einfachen Vergrößerung der Modelle.
