26 अगस्त 2026 को, Nature Computational Science पत्रिका ने कांग झांग के नेतृत्व वाले समूह का कार्य प्रकाशित किया, जिसने PULSE (Patient Unified Longitudinal Signal Engine / रोगी का एकीकृत अनुदैर्ध्य सिग्नल इंजन) फ्रेमवर्क प्रस्तुत किया।
यह एक स्व-शिक्षण (बिना पर्यवेक्षण के सीखना) अनुदैर्ध्य दृष्टिकोण है जो रोगी की पिछली स्थितियों के व्यक्तिगत डेटा को स्पष्ट रूप से एन्कोड करता है ताकि बाद के अधूरे मापों के आधार पर पूर्ण चिकित्सा प्रोफाइल का पुनर्निर्माण किया जा सके।
स्थिर या स्वतंत्र डेटा प्रकारों पर केंद्रित पारंपरिक मॉडलों के विपरीत, PULSE संकेतकों के जैविक अंतर्संबंध और अस्थायी सहप्रसरण को ध्यान में रखता है। यह वर्तमान यात्रा पर स्थिरता में सुधार और जानकारी उत्पन्न करने के लिए ऐतिहासिक युग्मित डेटा का उपयोग करता है, जो वास्तविक नैदानिक अभ्यास में खंडित (मोज़ेक) अनुदैर्ध्य मापों के लिए विशेष रूप से महत्वपूर्ण है।
यूके बायोबैंक (UK Biobank) डेटा पर मॉडल के अनुप्रयोग से पता चला कि PULSE नियमित रक्त परीक्षणों के आधार पर मेटाबोलोम और प्रोटीओम प्रोफाइल सटीक रूप से उत्पन्न करता है। संदर्भ डेटा (251 बायोमार्कर) की तुलना में, उत्पन्न प्रोफाइल सभी आधारभूत संदर्भ मॉडलों से बेहतर प्रदर्शन करते हैं, और इन सिंथेटिक डेटा पर प्रशिक्षित एल्गोरिदम छह सामान्य बीमारियों के लिए AUC (ROC वक्र के अंतर्गत क्षेत्र) 0,72–0,83 तक पहुँच गए। यह सटीकता वास्तविक प्रोटीओम डेटा के उपयोग के बराबर है।
PULSE की पद्धति मूल सिद्धांत पर आधारित है कि विभिन्न नैदानिक तौर-तरीके व्यक्ति की विकसित होती शारीरिक स्थिति के जैविक रूप से संबंधित, अस्थायी रूप से सहप्रसरण वाले संकेतक हैं। यह मॉडल को अधूरे अवलोकनों के साथ प्रभावी ढंग से काम करने की अनुमति देता है, जो वास्तविक चिकित्सा में आम हैं, जहाँ रोगी एक साथ सभी परीक्षण नहीं कराते हैं।
जीव विज्ञान और चिकित्सा में कृत्रिम बुद्धिमत्ता के परिदृश्य में, PULSE अन्य दृष्टिकोणों जैसे AlphaFold या एकल-कोशिका (single-cell) डेटा विश्लेषण के मॉडलों से अलग है। यह विशेष रूप से इलेक्ट्रॉनिक मेडिकल रिकॉर्ड (EMR), रेटिना छवियों और प्रयोगशाला मार्करों के अस्थायी गतिशीलता और मल्टीमॉडल एकीकरण पर केंद्रित है, जो इसे स्थिर मौलिक AI मॉडलों से अलग करता है।
यह उपलब्धि नियमित डेटा के आधार पर अधिक सटीक रोग भविष्यवाणी और व्यक्तिगत उपचार के अवसर खोलती है, जिससे महंगे विशेष परीक्षणों की आवश्यकता कम हो जाती है। हालाँकि, यूके बायोबैंक में प्रस्तुत नहीं की गई अन्य आबादी और डेटा प्रकारों पर मॉडल के सामान्यीकरण (जनरलाइज़ेशन) की क्षमता का प्रश्न बना हुआ है।
नए समूहों पर स्वतंत्र सत्यापन और वैकल्पिक स्व-शिक्षण विधियों के साथ तुलना से पता चलेगा कि वास्तविक नैदानिक परिदृश्यों में PULSE के लाभ कितने टिकाऊ हैं।
ऐसे फ्रेमवर्क का विकास इस बात पर जोर देता है कि चिकित्सा कृत्रिम बुद्धिमत्ता के क्षेत्र में प्रगति की कुंजी अस्थायी गतिशीलता और डेटा की अपूर्णता के सही लेखांकन में निहित है, न कि केवल मॉडल के आकार को बढ़ाने में।
