Op 26 augustus 2026 publiceerde het tijdschrift Nature Computational Science een werk van de groep onder leiding van Kang Zhang, die het PULSE-framework (Patient Unified Longitudinal Signal Engine / Unified Engine voor longitudinale signalen van de patiënt) presenteerde.
Dit is een longitudinale benadering met zelfleren (leren zonder toezicht), die expliciet gepersonaliseerde gegevens over eerdere toestanden van de patiënt codeert om volledige medische profielen te reconstrueren op basis van daaropvolgende onvolledige metingen.
In tegenstelling tot traditionele modellen die gericht zijn op statische of onafhankelijke gegevenstypen, houdt PULSE rekening met biologische samenhang en temporele covariantie van indicatoren. Het gebruikt historische paarsgewijze gegevens om de consistentie te verbeteren en informatie te genereren bij het huidige bezoek, wat vooral belangrijk is voor gefragmenteerde (mozaiëk) longitudinale metingen in de klinische praktijk.
Toepassing van het model op gegevens van de UK Biobank toonde aan dat PULSE nauwkeurig metaboloom- en proteoomprofielen genereert op basis van routinematige bloedtesten. Vergeleken met referentiegegevens (251 biomarker), overtroffen de gegenereerde profielen alle basisreferentiemodellen, en algoritmen die op deze synthetische gegevens waren getraind, bereikten een AUC (oppervlakte onder de ROC-curve) van 0,72–0,83 voor zes veelvoorkomende ziekten. Deze nauwkeurigheid is vergelijkbaar met het gebruik van echte proteoomgegevens.
De methodologie van PULSE is gebaseerd op het basisprincipe dat verschillende klinische modaliteiten biologisch gerelateerde, temporeel covariërende indicatoren zijn van de evoluerende fysiologische toestand van het individu. Dit stelt het model in staat om effectief te werken met onvolledige waarnemingen die typisch zijn voor de echte geneeskunde, waar patiënten niet alle tests tegelijk ondergaan.
In het landschap van kunstmatige intelligentie in biologie en geneeskunde onderscheidt PULSE zich van andere benaderingen zoals AlphaFold of modellen voor analyse van single-cell gegevens. Het richt zich specifiek op temporele dynamiek en multimodale integratie van elektronische medische dossiers (EMD), netvliesbeelden en laboratoriummarkers, wat het onderscheidt van statische fundamentele AI-modellen.
Deze prestatie opent mogelijkheden voor nauwkeurigere ziektevoorspelling en gepersonaliseerde behandeling op basis van routinematige gegevens, waardoor de noodzaak voor dure gespecialiseerde tests afneemt. Er blijft echter de vraag over het vermogen van het model tot generalisatie naar andere populaties en gegevenstypen die niet in de UK Biobank vertegenwoordigd zijn.
Onafhankelijke verificatie op nieuwe cohorten en vergelijking met alternatieve zelflerende methoden zullen laten zien hoe robuust de voordelen van PULSE zijn in echte klinische scenario's.
De ontwikkeling van dergelijke frameworks benadrukt dat de sleutel tot vooruitgang op het gebied van medische kunstmatige intelligentie ligt in het zorgvuldig rekening houden met temporele dynamiek en onvolledigheid van gegevens, en niet alleen in het simpelweg vergroten van de omvang van modellen.
