26 sierpnia 2026 roku czasopismo Nature Computational Science opublikowało pracę grupy pod kierownictwem Kanga Zhanga, przedstawiającą framework PULSE (Patient Unified Longitudinal Signal Engine / Zunifikowany silnik sygnałów podłużnych pacjenta).
Jest to podejście podłużne z samouczeniem (uczeniem bez nadzoru), które jawnie koduje spersonalizowane dane o wcześniejszych stanach pacjenta w celu rekonstrukcji pełnych profili medycznych na podstawie późniejszych niekompletnych pomiarów.
W przeciwieństwie do tradycyjnych modeli ukierunkowanych na statyczne lub niezależne typy danych, PULSE uwzględnia biologiczne powiązania i czasową kowariancję wskaźników. Wykorzystuje historyczne dane parowe do poprawy spójności i generowania informacji podczas bieżącej wizyty, co jest szczególnie ważne dla fragmentarycznych (mozaikowych) pomiarów podłużnych w rzeczywistej praktyce klinicznej.
Zastosowanie modelu do danych brytyjskiego biobanku (UK Biobank) wykazało, że PULSE dokładnie generuje profile metabolomiczne i proteomiczne na podstawie rutynowych badań krwi. W porównaniu z danymi referencyjnymi (251 biomarker), wygenerowane profile przewyższyły wszystkie bazowe modele referencyjne, a algorytmy uczone na tych syntetycznych danych osiągnęły wskaźnik AUC (pole pod krzywą ROC) 0,72–0,83 dla sześciu powszechnych chorób. Ta dokładność jest porównywalna z użyciem rzeczywistych danych proteomicznych.
Metodologia PULSE opiera się na podstawowej zasadzie, że różne modalności kliniczne stanowią biologicznie powiązane, czasowo kowarujące wskaźniki ewoluującego stanu fizjologicznego jednostki. Pozwala to modelowi skutecznie pracować z niekompletnymi obserwacjami, które są typowe w rzeczywistej medycynie, gdzie pacjenci nie przechodzą wszystkich testów jednocześnie.
W krajobrazie sztucznej inteligencji w biologii i medycynie PULSE wyróżnia się spośród innych podejść, takich jak AlphaFold czy modele do analizy danych pojedynczych komórek (single-cell). Koncentruje się właśnie na dynamice czasowej i multimodalnej integracji elektronicznej dokumentacji medycznej (EHR), obrazów siatkówki oka i markerów laboratoryjnych, co odróżnia go od statycznych fundamentalnych modeli AI.
To osiągnięcie otwiera możliwości dokładniejszego przewidywania chorób i spersonalizowanego leczenia na podstawie rutynowych danych, zmniejszając potrzebę kosztownych specjalistycznych testów. Pozostaje jednak pytanie o zdolność modelu do generalizacji na inne populacje i typy danych, które nie są reprezentowane w brytyjskim biobanku.
Niezależna weryfikacja na nowych kohortach i porównanie z alternatywnymi metodami samouczenia pokażą, jak trwałe są zalety PULSE w rzeczywistych scenariuszach klinicznych.
Opracowanie takich frameworków podkreśla, że klucz do postępu w dziedzinie medycznej sztucznej inteligencji leży w właściwym uwzględnieniu dynamiki czasowej i niekompletności danych, a nie tylko w prostym zwiększaniu rozmiarów modeli.
