Vào ngày 26 tháng 2026, tạp chí Nature Computational Science đã công bố công trình của nhóm nghiên cứu do Kang Zhang dẫn đầu, giới thiệu khung PULSE (Patient Unified Longitudinal Signal Engine / Công cụ tín hiệu dọc thống nhất của bệnh nhân).
Đây là phương pháp tiếp cận dọc với tự học (học không giám sát), mã hóa rõ ràng dữ liệu cá nhân hóa về các trạng thái trước đây của bệnh nhân để tái tạo hồ sơ y tế đầy đủ dựa trên các phép đo không đầy đủ sau đó.
Khác với các mô hình truyền thống tập trung vào dữ liệu tĩnh hoặc độc lập, PULSE tính đến mối quan hệ sinh học và hiệp phương sai theo thời gian của các chỉ số. Nó sử dụng dữ liệu cặp lịch sử để cải thiện tính nhất quán và tạo ra thông tin tại lần khám hiện tại, điều này đặc biệt quan trọng đối với các phép đo dọc phân mảnh (khảm) trong thực hành lâm sàng thực tế.
Việc áp dụng mô hình vào dữ liệu của Ngân hàng Sinh học Vương quốc Anh (UK Biobank) cho thấy PULSE tạo ra chính xác các hồ sơ metabolome và proteome dựa trên các xét nghiệm máu thông thường. So với dữ liệu tham chiếu (251 dấu ấn sinh học), các hồ sơ được tạo ra vượt trội hơn tất cả các mô hình tham chiếu cơ bản, và các thuật toán được huấn luyện trên dữ liệu tổng hợp này đạt chỉ số AUC (diện tích dưới đường cong ROC) từ 0,72 đến 0,83 cho sáu bệnh phổ biến. Độ chính xác này tương đương với việc sử dụng dữ liệu proteome thực tế.
Phương pháp luận của PULSE dựa trên nguyên tắc cơ bản rằng các phương thức lâm sàng khác nhau là các chỉ số liên quan về mặt sinh học và hiệp biến theo thời gian của trạng thái sinh lý đang tiến hóa của cá nhân. Điều này cho phép mô hình hoạt động hiệu quả với các quan sát không đầy đủ, điển hình trong y học thực tế, nơi bệnh nhân không thực hiện tất cả các xét nghiệm cùng một lúc.
Trong bối cảnh trí tuệ nhân tạo trong sinh học và y học, PULSE nổi bật so với các phương pháp khác như AlphaFold hoặc các mô hình phân tích dữ liệu đơn bào (single-cell). Nó tập trung vào động lực thời gian và tích hợp đa phương thức của hồ sơ sức khỏe điện tử (EHR), hình ảnh võng mạc và các dấu hiệu xét nghiệm, điều này phân biệt nó với các mô hình AI nền tảng tĩnh.
Thành tựu này mở ra khả năng dự đoán bệnh chính xác hơn và điều trị cá nhân hóa dựa trên dữ liệu thông thường, giảm nhu cầu về các xét nghiệm chuyên biệt đắt tiền. Tuy nhiên, vẫn còn câu hỏi về khả năng khái quát hóa (tổng quát hóa) của mô hình đối với các quần thể và loại dữ liệu khác không có trong Ngân hàng Sinh học Vương quốc Anh.
Việc xác minh độc lập trên các nhóm thuần tập mới và so sánh với các phương pháp tự học thay thế sẽ cho thấy lợi ích của PULSE bền vững đến mức nào trong các tình huống lâm sàng thực tế.
Việc phát triển các khung như vậy nhấn mạnh rằng chìa khóa để tiến bộ trong lĩnh vực trí tuệ nhân tạo y tế nằm ở việc xem xét đúng đắn động lực thời gian và sự không đầy đủ của dữ liệu, chứ không chỉ đơn giản là tăng kích thước mô hình.
