ב-26 באוגוסט 2026 פרסם כתב העת Nature Computational Science עבודה של קבוצה בראשות קאנג ג'אנג, שהציגה את מסגרת PULSE (Patient Unified Longitudinal Signal Engine / מנוע אותות אורכיים מאוחד למטופל).
זוהי גישה אורכית עם למידה עצמית (למידה ללא פיקוח), אשר מקודדת במפורש נתונים מותאמים אישית על מצבים קודמים של המטופל כדי לשחזר פרופילים רפואיים מלאים על בסיס מדידות חלקיות שלאחר מכן.
בניגוד למודלים מסורתיים, המתמקדים בסוגי נתונים סטטיים או בלתי תלויים, PULSE מתחשב בקשר הביולוגי ובשונות הזמנית של המדדים. הוא משתמש בנתונים זוגיים היסטוריים כדי לשפר את העקביות ולייצר מידע בביקור הנוכחי, דבר שחשוב במיוחד עבור מדידות אורכיות מקוטעות (פסיפס) בפרקטיקה קלינית אמיתית.
יישום המודל על נתוני הביובנק הבריטי (UK Biobank) הראה כי PULSE מייצר במדויק פרופילים מטבולומיים ופרוטאומיים על בסיס בדיקות דם שגרתיות. בהשוואה לנתוני ייחוס (251 סמנים ביולוגיים), הפרופילים שנוצרו עלו על כל מודלי הייחוס הבסיסיים, ואלגוריתמים שאומנו על נתונים סינתטיים אלה השיגו ערך AUC (שטח מתחת לעקומת ROC) של 0.72–0.83 עבור שש מחלות נפוצות. דיוק זה דומה לשימוש בנתונים פרוטאומיים אמיתיים.
המתודולוגיה של PULSE נשענת על עיקרון בסיסי, לפיו אופנים קליניים שונים מייצגים מדדים קשורים ביולוגית ומשתנים בזמן של המצב הפיזיולוגי המתפתח של הפרט. זה מאפשר למודל לעבוד ביעילות עם תצפיות חלקיות, האופייניות לרפואה אמיתית, שבה מטופלים לא עוברים את כל הבדיקות בו זמנית.
בנוף הבינה המלאכותית בביולוגיה ורפואה, PULSE בולט בין גישות אחרות כמו AlphaFold או מודלים לניתוח נתוני תאים בודדים (single-cell). הוא מתמקד דווקא בדינמיקה הזמנית ובאינטגרציה מולטי-מודאלית של רשומות רפואיות אלקטרוניות (EMR), תמונות רשתית וסמנים מעבדתיים, מה שמבדיל אותו ממודלי יסוד סטטיים של בינה מלאכותית.
הישג זה פותח אפשרויות לחיזוי מדויק יותר של מחלות וטיפול מותאם אישית על בסיס נתונים שגרתיים, ומפחית את הצורך בבדיקות מיוחדות יקרות. עם זאת, נותרה שאלה לגבי יכולת ההכללה (גנרליזציה) של המודל לאוכלוסיות וסוגי נתונים אחרים, שאינם מיוצגים בביובנק הבריטי.
אימות בלתי תלוי על קבוצות חדשות והשוואה לשיטות למידה עצמית חלופיות יראו עד כמה יתרונות PULSE יציבים בתרחישים קליניים אמיתיים.
פיתוח מסגרות כאלה מדגיש כי המפתח להתקדמות בתחום הבינה המלאכותית הרפואית טמון בהתחשבות נכונה בדינמיקה הזמנית ובחוסר השלמות של הנתונים, ולא רק בהגדלת ממדי המודלים.
