ИИ в медицине

Статья инженера Medtronic посвящена проблемам интеграции сложных медицинских устройств (нейромодуляция, нейростимуляция) и важности валидации взаимодействий между компонентами системы. Автор выступает за раннее внедрение ИИ в инженерные рабочие процессы для обеспечения надёжности и аудируемости, однако основной фокус — на системной инженерии и целостности данных, а не на конкретных медицинских применениях ИИ.

Исследовательская фирма Redesign Health провела опрос 112 руководителей медицинских систем, использующих Epic (ведущая платформа электронных медкарт в США), чтобы понять их готовность покупать ИИ-решения у сторонних вендоров. Результаты показали: 71% организаций позиционируют себя как «Epic-first», более 90% уверены, что Epic со временем создаст ИИ-инструменты не хуже внешних аналогов. Однако больницы готовы приобретать продукты стартапов в трёх случаях: когда решение значительно превосходит предложение Epic (49% требуют существенно более высокого ROI), когда закупку можно провести на уровне департамента без согласования с центральным IT (более 50% руководителей имеют такую автономию), и когда у Epic нет сильного продукта в категории. Наиболее перспективные направления для стартапов — амбиентное документирование встреч с врачами (48% респондентов), ИИ для анализа медицинских изображений (44%), ИИ-ассистенты для пациентов и ИИ для оптимизации финансового цикла. Примечательно, что почти две трети респондентов готовы покупать у новых стартапов с тремя или менее действующими клиентами — всего на 12 процентных пунктов реже, чем у вендоров с сотнями клиентов. Исследование демонстрирует двойственную динамику рынка: Epic укрепляет доминирование в базовых ИТ-системах больниц, но нишевые ИИ-решения остаются доступными для независимых разработчиков.

Статья анализирует кризис незавершённой работы в здравоохранении США, который обходится системе почти в $1 трлн ежегодно административных расходов, из которых $265 млрд приходятся на полностью дублирующие процессы (по данным McKinsey и JAMA). Несмотря на два десятилетия инвестиций в цифровую трансформацию и ИИ, административная нагрузка на клиницистов остаётся рекордно высокой. Автор предлагает три ключевых изменения: создание глубоко интегрированной системы действий для завершения задач, использование объяснимого «прозрачного» ИИ (glass-box AI) для обеспечения доверия и подотчётности, и работу с партнёрами, отвечающими за результаты, а не просто за ПО. Особое внимание уделено разрыву между системами учёта (EHR) и системами действий: современные электронные медкарты созданы для биллинга и комплаенса, но не имеют продвинутых ИИ-возможностей. Решение — оркестрационный ИИ-слой, который обходит существующие EHR, объединяя операционные, технологические, клинические и финансовые задачи в единый интеллектуальный слой. Это позволяет автоматизировать рутинную работу и снизить выгорание медперсонала.

Grove AI — стартап, разработавший ИИ-агентов с голосовым интерфейсом для автоматизации набора пациентов в клинические испытания. Компания основана в 2024 году Тран Ле и Сохитом Гатиганти, бывшими инженерами ИИ из Stanford Medicine, которые на собственном опыте столкнулись с неэффективностью ручного процесса рекрутинга. Технология использует большие языковые модели с конвертацией текста в речь, превращая документоориентированный процесс в живой диалог с пациентом. В отличие от человеческих рекрутеров, работающих с одним исследованием одновременно, ИИ-агент Grove обладает информацией о множестве испытаний и может проводить параллельный набор. В 2025 году компания привлекла $4,9 млн seed-финансирования, а в январе 2026 года была приобретена Hippocratic AI. Решение позволяет пациентам за 5 минут устно ответить на вопросы вместо заполнения многостраничных PDF-форм, что значительно упрощает доступ к клиническим исследованиям и ускоряет разработку новых лекарств.

Статья представляет обзор четырёх крупных раундов финансирования health-tech компаний в июле 2026 года, демонстрирующих рост инвестиций в ИИ-решения для здравоохранения. Function Health привлекла $450 млн от General Catalyst для платформы потребительских лабораторных тестов (160+ анализов на гормоны, сердце, иммунитет, метаболизм) стоимостью $365/год. Chai Discovery получила $400 млн в серии C при оценке $3,8 млрд от Index Ventures, Sequoia Capital и OpenAI на разработку ИИ-системы компьютерного дизайна молекул для создания новых лекарств. Candid Health secured $120 млн в серии D от Sixth Street Growth для ИИ-автоматизации медицинских счетов и страховых требований, обслуживая 200+ организаций здравоохранения. Pearl Health привлекла $110 млн ($50 млн equity от Andreessen Horowitz + $60 млн debt) для ИИ-платформы предиктивной аналитики и моделирования финансовых рисков в value-based care. Совокупный объём финансирования четырёх компаний превысил $1,08 млрд, что отражает уверенность инвесторов в коммерческом потенциале ИИ для фармацевтики, административной автоматизации и управления пациентскими рисками.

Исследователи из ведущих американских университетов — Массачусетского технологического института, Стэнфордского и Колумбийского — провели исследование о влиянии объяснений больших языковых моделей на точность медицинской диагностики у людей без медицинского образования. В работе изучалось, как LLM-генерированные пояснения помогают пользователям диагностировать заболевания кожи и одновременно влияют на уровень доверия к рекомендациям искусственного интеллекта. Результаты показали двойственный эффект: объяснения действительно повышают точность диагностики у непрофессионалов, но одновременно увеличивают склонность безоговорочно доверять ИИ, даже когда алгоритм ошибается. Врачи демонстрируют значительно более критичное отношение — они чаще распознают ошибки алгоритма и реже следуют неверным рекомендациям системы. Исследование подчёркивает важность разработки более прозрачных и надёжных систем объяснимого ИИ для медицинского применения, особенно при использовании непрофессионалами. Работа опубликована в авторитетном рецензируемом журнале Nature Medicine, что подтверждает научную значимость полученных результатов и их потенциальное влияние на регулирование медицинских ИИ-систем.

Исследование представляет RN-D3 — сквозной конвейер на основе глубокого обучения для обнаружения, дифференциации и сегментации лучевого некроза на МРТ-снимках. Система достигла чувствительности 0,90 и специфичности 0,88 при тестировании на внешних данных, при этом обнаружение мелких поражений остаётся основным ограничением для клинического внедрения.

Исследователи разработали MDA-Net — фреймворк доменной генерализации для обнаружения рака головы и шеи по КТ-снимкам, работающий в условиях различий между больницами. Модель улучшила AUC с 0.51 до 0.59 и точность с 48% до 60% на мультицентровом датасете из 1081 случая, не требуя адаптации при инференсе.

Исследователи представили Hoike — фреймворк на основе искусственного интеллекта для генерации синтетических транскриптомных данных, специфичных для различных заболеваний. Система комбинирует архитектуру Joint-Embedding Predictive Architecture (JEPA) с латентной диффузионной моделью, позволяя создавать condition-specific bulk transcriptomes на основе нормальных референсных профилей тканей. Методология включает парное обучение нормальных и патологических образцов, тканеспецифичное кондиционирование и ограниченное неотрицательное декодирование для обеспечения биологической валидности результатов в пространстве log2(TPM+1). Фреймворк был оценён на данных GTEx (нормальные референсы) и множественных когортах TCGA (онкологические заболевания). Технология решает ключевые проблемы биоинформатики: ограниченность когорт, приватность данных и доменный сдвиг между нормальными и патологическими популяциями. Практическое применение включает анализ дифференциальной экспрессии генов, машинное обучение, безопасный обмен данными, бенчмаркинг алгоритмов и генерацию гипотез в трансляционной биоинформатике, особенно в онкологии.

Исследователи представили PLMView — новую вычислительную платформу на основе языковых моделей белков (PLM) для классификации функций белков с высокой точностью. Метод работает без размеченных данных, специфичного обучения для семейств белков или дообучения PLM, позиционируя последовательности в совместном функциональном пространстве через сравнение с якорными последовательностями. Платформа демонстрирует высокую вычислительную эффективность: классификация примерно 10 000 последовательностей с 1 000 якорей выполняется менее чем за 40 минут, что более чем в 10 раз быстрее реконструкции сетей сходства последовательностей (SSN) на данных такого масштаба. PLMView превосходит методы пулинговых эмбеддингов и SSN по биологической согласованности функционального разрешения, особенно в сложных случаях. Применения метода включают анализ тиоредоксинов, визуальных опсинов и холод-шок белков диатомовых водорослей из проекта Tara Oceans, демонстрируя переход от интерпретируемых детерминант на уровне остатков в изученных семействах к крупномасштабному экологическому открытию функций. Метод выявляет остатки, вероятно определяющие функциональную специфичность, связывая молекулярную специализацию с экологическим распределением и транскрипционной активностью в глобальном океане.

Исследователи разработали MEGA-ODE — инновационный фреймворк на основе графовых нейронных обыкновенных дифференциальных уравнений для реконструкции динамических омиксных ландшафтов из разреженных временных данных. Метод интегрирует молекулярно-сетевые приоры, графовые нейронные ODE и контекстно-адаптивную маршрутизацию mixture-of-experts для предсказания неизмеренных молекулярных состояний и приоритизации виртуальных возмущений. На транскриптомных данных L1000 и протеомных данных CPPA модель превзошла базовые методы в предсказании удержанных признаков и ненаблюдаемых возмущений, а во временных рядах инфекции SARS-CoV-2 продемонстрировала конкурентоспособное прогнозирование будущих точек времени. В когорте пациентов с COVID-19 предсказанные промежуточные профили улучшили ретроспективную стратификацию по стадиям заболевания относительно только наблюдаемых профилей, при этом экспертные программы выделили иммунные и воспалительные сигналы, ассоциированные с тяжестью течения. В кейс-стади ответа на препараты MAPK и дифференциации стволовых клеток атрибуции приоритизировали связанные с возмущениями рёбра MAPK, регуляторы развития и отношения транскрипционных факторов с мишенями, подтверждённые независимым ChIP-seq анализом промоторных областей. При дифференциации эмбриональных стволовых клеток человека в дефинитивную энтодерму MEGA-ODE приоритизировал кандидаты транскрипционных факторов-возмущений, предсказанно смещающих профили 12-36 часов toward 96-часовые сигнатуры маркеров дефинитивной энтодермы, превращая навигацию траектории в конкретную задачу генерации гипотез для биомедицинских исследований.

Статья описывает внедрение ИИ-инструментов в системе здравоохранения UnityPoint Health для снижения административной нагрузки на врачей. Ключевые применения включают амбиентное документирование, ИИ-суммаризацию медицинских карт, отслеживание мощностей в реальном времени и снижение утомляемости от уведомлений.

Статья представляет результаты опроса о поведении поколения Z в сфере здравоохранения. Исследование выявило, что 76% представителей поколения Z используют инструменты на базе искусственного интеллекта при поиске профессиональной медицинской помощи. Вместо консультаций с врачами молодые пациенты всё чаще обращаются к онлайн-поиску, медицинским веб-сайтам и социальным сетям для управления своим здоровьем. Это указывает на значительный сдвиг в предпочтениях пациентов младшего возраста в сторону цифровых решений. Однако материал не содержит подробностей о методологии исследования, конкретных ИИ-инструментах или количественных показателях влияния на здоровье. Для медицинской практики это сигнализирует о необходимости адаптации коммуникации с молодыми пациентами и интеграции цифровых каналов в систему здравоохранения.

Федеральные органы здравоохранения США организовали серию закрытых встреч с представителями технологических компаний и лоббистских групп для обсуждения вопросов внедрения искусственного интеллекта в клиническую практику. Инициатива направлена на ускорение адаптации ИИ-решений в медицине через диалог между регуляторами и индустрией. Встречи носят закрытый характер, что вызывает вопросы о прозрачности процесса формирования регуляторной политики. Участие лоббистов наряду с исследователями указывает на комплексный подход к формированию нормативной базы для клинического ИИ. Целью встреч является выявление барьеров для внедрения ИИ-технологий и разработка механизмов их преодоления. Детали конкретных обсуждаемых технологий, сроков и ожидаемых регуляторных изменений в предоставленном материале не раскрываются. Статья опубликована на платформе STAT+, специализирующейся на освещении новостей здравоохранения и биотехнологий.

Статья опубликована в рецензируемом журнале npj Digital Medicine (Nature Partner Journals) 5 августа 2026 года и посвящена роли диалогового искусственного интеллекта в сфере психического здоровья. Основная тезисная позиция авторов заключается в том, что conversational AI (чат-боты, виртуальные ассистенты на базе больших языковых моделей) должен дополнять работу специалистов-психотерапевтов, а не заменять их. Авторы предлагают концепцию «заполнения белых пятен» — использования ИИ там, где существует дефицит человеческих ресурсов: для первичного скрининга, мониторинга состояния между сессиями, предоставления психообразовательных материалов и поддержки в нерабочее время. Журнал npj Digital Medicine специализируется на цифровых технологиях в медицине, что подтверждает научную достоверность публикации. DOI статьи: 10.1038/s41746-026-03088-1. Материал актуален для специалистов в области цифровой психиатрии, разработчиков медицинских ИИ-решений и регуляторов здравоохранения, обсуждающих этические рамки внедрения автономных систем в клиническую практику.

Исследование посвящено компьютерному дизайну пептида для таргетного воздействия на иммунную контрольную точку Tim-3–galectin9, что имеет значение для иммунотерапии онкологических заболеваний. Работа опубликована в журнале npj Digital Medicine, специализирующемся на цифровых технологиях в медицине. Методология предполагает использование вычислительных подходов для многокритериальной оптимизации пептидной структуры с целью достижения специфичности связывания и терапевтической эффективности. Tim-3 и galectin9 представляют собой перспективные мишени для преодоления иммунного ускользания опухолей. Однако предоставленный фрагмент содержит только библиографические метаданные без доступа к полному тексту статьи, поэтому детали алгоритмов оптимизации, конкретные результаты экспериментов и количественные показатели эффективности недоступны для анализа. Для полноценной оценки вклада ИИ-методов в данное исследование необходим доступ к разделам методики и результатов публикации.

Представлен фреймворк TeleZK-FL для приватного федеративного обучения диагностических ИИ-моделей в телемедицине с использованием квантования и zero-knowledge доказательств непосредственно на граничных устройствах. Система ускоряет генерацию криптографических доказательств в 25 раз, сокращает объём передаваемых данных на 75% при сохранении диагностической точности (AUC 0.877 для рентгена грудной клетки, 0.891 для ЭКГ).

Исследователи разработали новый фреймворк для оценки биологического возраста с учётом неопределённости предсказаний, генерирующий калиброванные доверительные интервалы и индивидуализированные вероятности ускоренного или замедленного старения alongside традиционных точечных оценок. Методология была применена к данным UK Biobank Pharma Proteomics Project с оценкой трёх композитных и одиннадцати органоспецифичных часов биологического возраста. Результаты показали, что предсказательная неопределённость существенно варьируется как внутри, так и между различными часами, причём часы с низкой точностью (включая многие органоспецифичные) предоставляют мало доказательств для уверенного определения ускоренного или замедленного старения. Ширина доверительного интервала предсказания независимо ассоциировалась с риском заболеваний и смертностью, особенно для композитных, мозговых и иммунных часов, что указывает на то, что неопределённость предсказания отражает дополнительный аспект биологического старения, связанный с молекулярной гетерогенностью и дисрегуляцией. findings были реплицированы в Biobank Japan и независимой клинической когорте Стэнфорда. Фреймворк позволяет улучшить индивидуальную стратификацию рисков для профилактики заболеваний и лонгитюдного мониторинга, предоставляя более информативную характеристику биологического старения по сравнению с традиционными методами.

Исследователи разработали TranScouter — лёгкую архитектуру encoder-decoder для предсказания транскрипционных ответов клеток на генные возмущения в различных биологических условиях. Метод использует LLM-эмбеддинги текстовых описаний генов для представления возмущённых генов и транскриптомные профили контрольных клеток для кодирования биологических условий. Подход решает проблему высокой стоимости систематического экспериментального изучения возмущений, позволяя in silico предсказывать ответы в сценариях как с известными, так и с новыми возмущениями. На бенчмарках TranScouter показал конкурентоспособные результаты в обоих сценариях предсказания. Авторы дополнительно провели эмпирический анализ влияния покрытия пространства условий и переносимости эффектов возмущений на качество кросс-условных предсказаний. Работа имеет значение для оптимизации дизайна экспериментов в функциональной геномике и может ускорить исследование генно-генных взаимодействий, релевантных для понимания заболеваний.