26 Ağustos 2026 tarihinde Nature Computational Science dergisi, Kang Zhang liderliğindeki ekibin PULSE (Patient Unified Longitudinal Signal Engine / Hastanın Birleşik Boylamsal Sinyal Motoru) çerçevesini tanıtan çalışmasını yayınladı.
Bu, hastanın geçmiş durumlarına ilişkin kişiselleştirilmiş verileri açıkça kodlayarak, sonraki eksik ölçümlere dayalı olarak tam tıbbi profillerin yeniden yapılandırılmasını sağlayan, kendi kendine öğrenen (denetimsiz öğrenme) boylamsal bir yaklaşımdır.
Statik veya bağımsız veri türlerine odaklanan geleneksel modellerin aksine PULSE, biyolojik ilişkiyi ve göstergelerin zamansal kovaryansını hesaba katar. Mevcut ziyarette tutarlılığı artırmak ve bilgi üretmek için geçmiş ikili verileri kullanır; bu, gerçek klinik pratikte parçalı (mozaik) boylamsal ölçümler için özellikle önemlidir.
Modelin Birleşik Krallık Biyobankası (UK Biobank) verilerine uygulanması, PULSE'ün rutin kan testlerine dayalı olarak metabolomik ve proteomik profilleri doğru bir şekilde ürettiğini gösterdi. Referans verilerle (251 biyobelirteç) karşılaştırıldığında, üretilen profiller tüm temel referans modellerini geride bıraktı ve bu sentetik verilerle eğitilen algoritmalar, altı yaygın hastalık için 0,72–0,83 AUC (ROC eğrisi altındaki alan) değerine ulaştı. Bu doğruluk, gerçek proteomik verilerin kullanımıyla karşılaştırılabilir.
PULSE metodolojisi, farklı klinik modalitelerin, bireyin evrilen fizyolojik durumunun biyolojik olarak ilişkili, zamansal olarak kovaryant göstergeleri olduğu temel ilkesine dayanır. Bu, modelin, hastaların tüm testleri aynı anda yaptırmadığı gerçek tıpta tipik olan eksik gözlemlerle etkin bir şekilde çalışmasını sağlar.
Biyoloji ve tıpta yapay zeka alanında PULSE, AlphaFold veya tek hücre (single-cell) veri analizi modelleri gibi diğer yaklaşımlar arasında öne çıkar. Özellikle elektronik tıbbi kayıtların (EMK), retina görüntülerinin ve laboratuvar belirteçlerinin zamansal dinamiklerine ve çok modlu entegrasyonuna odaklanır; bu da onu statik temel yapay zeka modellerinden ayırır.
Bu başarı, rutin verilere dayalı olarak daha doğru hastalık tahmini ve kişiselleştirilmiş tedavi için olanaklar sunar ve pahalı özel testlere olan ihtiyacı azaltır. Ancak, modelin Birleşik Krallık Biyobankası'nda temsil edilmeyen diğer popülasyonlara ve veri türlerine genelleme (genelleştirme) yeteneği hakkında soru işareti devam etmektedir.
Yeni kohortlarda bağımsız doğrulama ve alternatif kendi kendine öğrenme yöntemleriyle karşılaştırma, PULSE'ün gerçek klinik senaryolardaki avantajlarının ne kadar sürdürülebilir olduğunu gösterecektir.
Bu tür çerçevelerin geliştirilmesi, tıbbi yapay zeka alanındaki ilerlemenin anahtarının, yalnızca model boyutlarını basitçe artırmak değil, zamansal dinamikleri ve veri eksikliğini doğru bir şekilde hesaba katmak olduğunu vurgulamaktadır.
