Il 26 agosto 2026 la rivista Nature Computational Science ha pubblicato un lavoro del gruppo guidato da Kang Zhang, che ha presentato il framework PULSE (Patient Unified Longitudinal Signal Engine / Motore unificato dei segnali longitudinali del paziente).
Si tratta di un approccio longitudinale con autoapprendimento (apprendimento non supervisionato) che codifica esplicitamente i dati personalizzati sugli stati passati del paziente per ricostruire profili medici completi sulla base di successive misurazioni incomplete.
A differenza dei modelli tradizionali, orientati a tipi di dati statici o indipendenti, PULSE tiene conto dell'interconnessione biologica e della covarianza temporale degli indicatori. Utilizza dati storici accoppiati per migliorare la coerenza e generare informazioni nella visita corrente, il che è particolarmente importante per le misurazioni longitudinali frammentate (a mosaico) nella pratica clinica reale.
L'applicazione del modello ai dati della Biobanca del Regno Unito (UK Biobank) ha mostrato che PULSE genera accuratamente profili metabolomici e proteomici sulla base di esami del sangue di routine. Rispetto ai dati di riferimento (251 biomarcatori), i profili generati hanno superato tutti i modelli di base, e gli algoritmi addestrati su questi dati sintetici hanno raggiunto un valore di AUC (area sotto la curva ROC) di 0,72–0,83 per sei malattie comuni. Questa accuratezza è paragonabile all'uso di dati proteomici reali.
La metodologia di PULSE si basa sul principio fondamentale secondo cui diverse modalità cliniche rappresentano indicatori biologicamente correlati e temporalmente covarianti dello stato fisiologico in evoluzione di un individuo. Ciò consente al modello di lavorare efficacemente con osservazioni incomplete, tipiche della medicina reale, dove i pazienti non eseguono tutti i test contemporaneamente.
Nel panorama dell'intelligenza artificiale in biologia e medicina, PULSE si distingue tra altri approcci come AlphaFold o i modelli per l'analisi dei dati a singola cellula (single-cell). Si concentra specificamente sulla dinamica temporale e sull'integrazione multimodale delle cartelle cliniche elettroniche (EMR), delle immagini della retina e dei marcatori di laboratorio, il che lo differenzia dai modelli di intelligenza artificiale fondamentali statici.
Questo risultato apre possibilità per una previsione più accurata delle malattie e per un trattamento personalizzato basato su dati di routine, riducendo la necessità di costosi test specialistici. Tuttavia, rimane la questione della capacità del modello di generalizzare ad altre popolazioni e tipi di dati non rappresentati nella Biobanca del Regno Unito.
La verifica indipendente su nuove coorti e il confronto con metodi alternativi di autoapprendimento mostreranno quanto siano robusti i vantaggi di PULSE negli scenari clinici reali.
Lo sviluppo di tali framework sottolinea che la chiave per il progresso nell'intelligenza artificiale medica risiede nella corretta considerazione della dinamica temporale e dell'incompletezza dei dati, non solo nel semplice aumento delle dimensioni dei modelli.
