Em 26 de agosto de 2026, a revista Nature Computational Science publicou um trabalho do grupo liderado por Kang Zhang, apresentando a estrutura PULSE (Patient Unified Longitudinal Signal Engine / Mecanismo Unificado de Sinais Longitudinais do Paciente).
Esta é uma abordagem longitudinal com autoaprendizagem (aprendizagem não supervisionada), que codifica explicitamente dados personalizados sobre estados anteriores do paciente para reconstruir perfis médicos completos com base em medições incompletas subsequentes.
Ao contrário dos modelos tradicionais, focados em tipos de dados estáticos ou independentes, o PULSE considera a inter-relação biológica e a covariância temporal dos indicadores. Ele usa dados pareados históricos para melhorar a consistência e gerar informações na visita atual, o que é especialmente importante para medições longitudinais fragmentadas (mosaico) na prática clínica real.
A aplicação do modelo aos dados do UK Biobank mostrou que o PULSE gera com precisão perfis metabolômicos e proteômicos com base em exames de sangue de rotina. Em comparação com os dados de referência (251 biomarcadores), os perfis gerados superaram todos os modelos de referência básicos, e os algoritmos treinados nesses dados sintéticos alcançaram um AUC (área sob a curva ROC) de 0,72–0,83 para seis doenças comuns. Essa precisão é comparável ao uso de dados proteômicos reais.
A metodologia do PULSE baseia-se no princípio fundamental de que diferentes modalidades clínicas representam indicadores biologicamente relacionados e temporalmente covariantes do estado fisiológico em evolução do indivíduo. Isso permite que o modelo trabalhe eficientemente com observações incompletas, típicas da medicina real, onde os pacientes não realizam todos os testes ao mesmo tempo.
No cenário da inteligência artificial em biologia e medicina, o PULSE se destaca entre outras abordagens, como AlphaFold ou modelos para análise de dados de células únicas (single-cell). Ele se concentra especificamente na dinâmica temporal e na integração multimodal de prontuários eletrônicos (EHR), imagens de retina e marcadores laboratoriais, o que o diferencia dos modelos fundamentais estáticos de IA.
Essa conquista abre possibilidades para uma previsão mais precisa de doenças e tratamento personalizado com base em dados de rotina, reduzindo a necessidade de testes especializados caros. No entanto, permanece a questão sobre a capacidade do modelo de generalizar para outras populações e tipos de dados não representados no UK Biobank.
A verificação independente em novas coortes e a comparação com métodos alternativos de autoaprendizagem mostrarão o quão robustas são as vantagens do PULSE em cenários clínicos reais.
O desenvolvimento de tais estruturas enfatiza que a chave para o progresso na área de inteligência artificial médica está na consideração adequada da dinâmica temporal e da incompletude dos dados, e não apenas no simples aumento do tamanho dos modelos.
