El 26 de agosto de 2026, la revista Nature Computational Science publicó un trabajo del grupo dirigido por Kang Zhang, que presentó el marco PULSE (Patient Unified Longitudinal Signal Engine / Motor unificado de señales longitudinales del paciente).
Es un enfoque longitudinal de autoaprendizaje (aprendizaje no supervisado) que codifica explícitamente datos personalizados sobre estados pasados del paciente para reconstruir perfiles médicos completos a partir de mediciones incompletas posteriores.
A diferencia de los modelos tradicionales orientados a tipos de datos estáticos o independientes, PULSE tiene en cuenta la interrelación biológica y la covarianza temporal de los indicadores. Utiliza datos pareados históricos para mejorar la coherencia y generar información en la visita actual, lo que es especialmente importante para las mediciones longitudinales fragmentadas (en mosaico) en la práctica clínica real.
La aplicación del modelo a los datos del Biobanco del Reino Unido (UK Biobank) mostró que PULSE genera con precisión perfiles metabolómicos y proteómicos a partir de análisis de sangre de rutina. En comparación con los datos de referencia (251 biomarcadores), los perfiles generados superaron todos los modelos de referencia básicos, y los algoritmos entrenados con estos datos sintéticos alcanzaron un AUC (área bajo la curva ROC) de 0,72–0,83 para seis enfermedades comunes. Esta precisión es comparable al uso de datos proteómicos reales.
La metodología de PULSE se basa en el principio fundamental de que las diferentes modalidades clínicas representan indicadores biológicamente relacionados y temporalmente covariantes del estado fisiológico en evolución de un individuo. Esto permite que el modelo trabaje eficazmente con observaciones incompletas, típicas de la medicina real, donde los pacientes no se someten a todas las pruebas al mismo tiempo.
En el panorama de la inteligencia artificial en biología y medicina, PULSE se destaca entre otros enfoques, como AlphaFold o los modelos para el análisis de datos de células individuales (single-cell). Se centra precisamente en la dinámica temporal y la integración multimodal de historias clínicas electrónicas (HCE), imágenes de retina y marcadores de laboratorio, lo que lo diferencia de los modelos fundamentales estáticos de IA.
Este logro abre posibilidades para una predicción más precisa de enfermedades y un tratamiento personalizado basado en datos de rutina, reduciendo la necesidad de pruebas especializadas costosas. Sin embargo, queda la cuestión de la capacidad del modelo para generalizar a otras poblaciones y tipos de datos no representados en el Biobanco del Reino Unido.
La verificación independiente en nuevas cohortes y la comparación con métodos alternativos de autoaprendizaje mostrarán cuán robustas son las ventajas de PULSE en escenarios clínicos reales.
El desarrollo de tales marcos subraya que la clave para el progreso en el campo de la inteligencia artificial médica reside en la consideración adecuada de la dinámica temporal y la incompletitud de los datos, y no solo en el simple aumento del tamaño de los modelos.
