Pada 26 Agustus 2026, jurnal Nature Computational Science menerbitkan karya kelompok yang dipimpin oleh Kang Zhang, yang memperkenalkan kerangka kerja PULSE (Patient Unified Longitudinal Signal Engine / Mesin Sinyal Longitudinal Terpadu Pasien).
Ini adalah pendekatan longitudinal dengan pembelajaran mandiri (pembelajaran tanpa pengawasan) yang secara eksplisit mengodekan data personal tentang kondisi pasien di masa lalu untuk merekonstruksi profil medis lengkap berdasarkan pengukuran tidak lengkap berikutnya.
Berbeda dengan model tradisional yang berfokus pada tipe data statis atau independen, PULSE memperhitungkan keterkaitan biologis dan kovarians temporal dari indikator. Ia menggunakan data berpasangan historis untuk meningkatkan konsistensi dan menghasilkan informasi pada kunjungan saat ini, yang sangat penting untuk pengukuran longitudinal yang terfragmentasi (mosaik) dalam praktik klinis nyata.
Penerapan model pada data Biobank Inggris (UK Biobank) menunjukkan bahwa PULSE secara akurat menghasilkan profil metabolomik dan proteomik berdasarkan tes darah rutin. Dibandingkan dengan data referensi (251 biomarker), profil yang dihasilkan melampaui semua model referensi dasar, dan algoritme yang dilatih pada data sintetis ini mencapai skor AUC (area di bawah kurva ROC) 0,72–0,83 untuk enam penyakit umum. Akurasi ini sebanding dengan penggunaan data proteomik nyata.
Metodologi PULSE didasarkan pada prinsip dasar bahwa modalitas klinis yang berbeda mewakili indikator yang saling terkait secara biologis dan berkorelasi temporal dari keadaan fisiologis individu yang berkembang. Ini memungkinkan model bekerja secara efektif dengan pengamatan yang tidak lengkap, yang umum dalam pengobatan nyata, di mana pasien tidak menjalani semua tes secara bersamaan.
Dalam lanskap kecerdasan buatan dalam biologi dan kedokteran, PULSE menonjol di antara pendekatan lain seperti AlphaFold atau model untuk analisis data sel tunggal (single-cell). Ia berfokus pada dinamika temporal dan integrasi multimodal dari catatan medis elektronik (EMR), gambar retina, dan penanda laboratorium, yang membedakannya dari model dasar AI statis.
Pencapaian ini membuka peluang untuk prediksi penyakit yang lebih akurat dan perawatan yang dipersonalisasi berdasarkan data rutin, mengurangi kebutuhan akan tes khusus yang mahal. Namun, masih ada pertanyaan tentang kemampuan model untuk generalisasi ke populasi lain dan tipe data yang tidak terwakili di Biobank Inggris.
Verifikasi independen pada kohort baru dan perbandingan dengan metode pembelajaran mandiri alternatif akan menunjukkan seberapa kuat keunggulan PULSE dalam skenario klinis nyata.
Pengembangan kerangka kerja semacam itu menekankan bahwa kunci kemajuan dalam kecerdasan buatan medis terletak pada penanganan yang cermat terhadap dinamika temporal dan ketidaklengkapan data, bukan hanya pada peningkatan ukuran model.
