Le 26 août 2026, la revue Nature Computational Science a publié un travail du groupe dirigé par Kang Zhang, présentant le framework PULSE (Patient Unified Longitudinal Signal Engine / Moteur unifié de signaux longitudinaux du patient).
Il s'agit d'une approche longitudinale auto-apprenante (apprentissage non supervisé) qui encode explicitement les données personnalisées sur les états antérieurs du patient pour reconstruire des profils médicaux complets à partir de mesures ultérieures incomplètes.
Contrairement aux modèles traditionnels orientés vers des types de données statiques ou indépendants, PULSE prend en compte l'interrelation biologique et la covariance temporelle des indicateurs. Il utilise des données appariées historiques pour améliorer la cohérence et générer des informations lors de la visite courante, ce qui est particulièrement important pour les mesures longitudinales fragmentées (en mosaïque) dans la pratique clinique réelle.
L'application du modèle aux données de la UK Biobank a montré que PULSE génère avec précision des profils métabolomiques et protéomiques à partir d'analyses sanguines de routine. Par rapport aux données de référence (251 biomarqueurs), les profils générés ont surpassé tous les modèles de référence de base, et les algorithmes entraînés sur ces données synthétiques ont atteint une AUC (aire sous la courbe ROC) de 0,72–0,83 pour six maladies courantes. Cette précision est comparable à l'utilisation de données protéomiques réelles.
La méthodologie de PULSE repose sur le principe fondamental selon lequel différentes modalités cliniques représentent des indicateurs biologiquement liés et temporellement covariants de l'état physiologique évolutif d'un individu. Cela permet au modèle de travailler efficacement avec des observations incomplètes, typiques de la médecine réelle, où les patients ne subissent pas tous les tests en même temps.
Dans le paysage de l'intelligence artificielle en biologie et en médecine, PULSE se distingue parmi d'autres approches telles que AlphaFold ou les modèles d'analyse de données unicellulaires (single-cell). Il se concentre précisément sur la dynamique temporelle et l'intégration multimodale des dossiers médicaux électroniques (DME), des images de la rétine et des marqueurs de laboratoire, ce qui le différencie des modèles fondamentaux d'IA statiques.
Cette réalisation ouvre des possibilités pour une prédiction plus précise des maladies et un traitement personnalisé basé sur des données de routine, réduisant le besoin de tests spécialisés coûteux. Cependant, la question demeure quant à la capacité du modèle à généraliser à d'autres populations et types de données non représentés dans la UK Biobank.
Une vérification indépendante sur de nouvelles cohortes et une comparaison avec des méthodes alternatives d'auto-apprentissage montreront à quel point les avantages de PULSE sont robustes dans des scénarios cliniques réels.
Le développement de tels frameworks souligne que la clé du progrès dans le domaine de l'intelligence artificielle médicale réside dans une prise en compte judicieuse de la dynamique temporelle et de l'incomplétude des données, et non seulement dans une simple augmentation de la taille des modèles.
