26年2026月、Nature Computational Science誌は、Kang Zhang率いるグループの研究を発表し、フレームワークPULSE（Patient Unified Longitudinal Signal Engine / 患者統一縦断シグナルエンジン）を紹介しました。
これは自己教師あり学習（教師なし学習）を用いた縦断的アプローチであり、患者の過去の状態に関する個別化データを明示的にコード化し、その後の不完全な測定に基づいて完全な医療プロファイルを再構築します。
静的または独立したデータ型に焦点を当てた従来のモデルとは異なり、PULSEは生物学的関連性と指標の時間的共変動を考慮します。履歴のペアデータを使用して、現在の受診時の整合性と情報生成を改善し、実際の臨床現場で見られる断片的（モザイク状の）縦断的測定に特に重要です。
UKバイオバンクのデータへのモデル適用により、PULSEがルーチンの血液検査からメタボロームおよびプロテオームプロファイルを正確に生成することが示されました。参照データ（251バイオマーカー）と比較して、生成されたプロファイルはすべてのベースライン参照モデルを上回り、これらの合成データでトレーニングされたアルゴリズムは、6つの一般的な疾患に対してAUC（ROC曲線下面積）0,72〜0,83を達成しました。この精度は、実際のプロテオームデータを使用した場合と同等です。
PULSEの方法論は、異なる臨床モダリティが、進化する個人の生理学的状態の生物学的に関連し時間的に共変動する指標を表すという基本原則に基づいています。これにより、モデルは、患者がすべての検査を同時に受けない実際の医療で典型的な不完全な観測を効果的に処理できます。
生物学と医学における人工知能の分野で、PULSEはAlphaFoldやシングルセルデータ解析モデルなどの他のアプローチの中で際立っています。特に時間的ダイナミクスと、電子医療記録（EHR）、網膜画像、臨床検査マーカーのマルチモーダル統合に焦点を当てており、静的な基盤AIモデルとは一線を画しています。
この成果により、ルーチンデータに基づくより正確な疾患予測と個別化治療の可能性が開かれ、高価な専門検査の必要性が減ります。しかし、UKバイオバンクに含まれない他の集団やデータ型へのモデルの一般化能力については疑問が残ります。
新しいコホートでの独立した検証と、代替の自己教師あり学習法との比較により、実際の臨床シナリオにおけるPULSEの利点がどの程度持続するかが示されるでしょう。
このようなフレームワークの開発は、医療AIの進歩の鍵が、単にモデルサイズを大きくすることではなく、時間的ダイナミクスとデータの不完全性を適切に考慮することにあることを強調しています。
