26 серпня 2026 року журнал Nature Computational Science опублікував роботу групи під керівництвом Канга Чжана, яка представила фреймворк PULSE (Patient Unified Longitudinal Signal Engine / Єдиний механізм поздовжніх сигналів пацієнта).
Це поздовжній підхід із самонавчанням (навчанням без вчителя), який явно кодує персоналізовані дані про минулі стани пацієнта для реконструкції повних медичних профілів на основі подальших неповних вимірювань.
На відміну від традиційних моделей, орієнтованих на статичні або незалежні типи даних, PULSE враховує біологічний взаємозв'язок і часову коваріацію показників. Він використовує історичні парні дані для покращення узгодженості та генерації інформації на поточному візиті, що особливо важливо для фрагментованих (мозаїчних) поздовжніх вимірювань у реальній клінічній практиці.
Застосування моделі до даних Біобанку Великобританії (UK Biobank) показало, що PULSE точно генерує метаболомні та протеомні профілі на основі рутинних аналізів крові. Порівняно з еталонними даними (251 біомаркер), згенеровані профілі перевершили всі базові еталонні моделі, а алгоритми, навчені на цих синтетичних даних, досягли показника AUC (площі під ROC-кривою) 0,72–0,83 для шести поширених захворювань. Ця точність порівнянна з використанням реальних протеомних даних.
Методологія PULSE спирається на базовий принцип, згідно з яким різні клінічні модальності є біологічно пов'язаними, тимчасово коваріюючими показниками еволюціонуючого фізіологічного стану індивіда. Це дозволяє моделі ефективно працювати з неповними спостереженнями, які є типовими для реальної медицини, де пацієнти проходять не всі тести одночасно.
У ландшафті штучного інтелекту в біології та медицині PULSE виділяється серед інших підходів, таких як AlphaFold або моделі для аналізу даних окремих клітин (single-cell). Він фокусується саме на часовій динаміці та мультимодальній інтеграції електронних медичних карт (ЕМК), зображень сітківки ока та лабораторних маркерів, що відрізняє його від статичних фундаментальних моделей ШІ.
Це досягнення відкриває можливості для більш точного передбачення захворювань та персоналізованого лікування на основі рутинних даних, знижуючи необхідність у дорогих спеціалізованих тестах. Однак залишається питання про здатність моделі до узагальнення (генералізації) на інші популяції та типи даних, не представлені в Біобанку Великобританії.
Незалежна верифікація на нових когортах і порівняння з альтернативними методами самонавчання покажуть, наскільки стійкі переваги PULSE у реальних клінічних сценаріях.
Розробка таких фреймворків підкреслює, що ключ до прогресу в галузі медичного штучного інтелекту лежить у грамотному врахуванні часової динаміки та неповноти даних, а не лише в простому збільшенні розмірів моделей.
