ИИ в медицине

Статья представляет исследование применения LLM-агентов для написания и поддержки кода в научных вычислениях, с особым фокусом на науки о жизни, включая высокопроизводительное секвенирование и молекулярное профилирование. Авторы проанализировали 8 кейс-стади использования кодирующих агентов для задач разного масштаба — от лёгкой поддержки до полной переписывания научных библиотек с оптимизацией производительности. Исследование мотивировано системными проблемами экосистемы научных вычислений: техническим долгом и хронической нехваткой инженерных ресурсов для поддержки специализированных инструментов. Результаты показывают значительный потенциал агентного ИИ для ускорения научных исследований и повышения надёжности критических вычислительных систем в биомедицинской сфере. Однако выявлены нерешённые вопросы ответственности и владения проектами, созданными с помощью автономных ИИ-агентов. Авторы рекомендуют сотрудничество с существующими мейнтейнерами научных библиотек при внедрении таких решений. Работа носит разведывательный характер и документирует ранний практический опыт применения автономных ИИ-систем в научной разработке программного обеспечения.

Исследователи разработали AMPainterV2 — модель искусственного интеллекта для дизайна антимикробных пептидов (АМП), использующую генеративное состязательное обучение с подражанием. Модель интегрирует архитектуру Mixture-of-Experts (MoE) для поддержки операций вставки, удаления и мутации, расширяя пространство эволюционного дизайна. В экспериментах in vitro все 10 пептидов с наивысшим рейтингом, созданные из случайных последовательностей, продемонстрировали активность как мембрано-литические АМП. Лучший кандидат показал среднюю минимальную ингибирующую концентрацию (MIC) 1,5 мкМ и превзошёл полимиксин B по мембрано-литической активности. Версия модели только с удалением позволила миниатюризировать пептиды: получено 6 укороченных пептидов с сопоставимой или улучшенной активностью при среднем сокращении длины на 36%. AMPainterV2 представляет механизм-ориентированный подход к дизайну АМП и предлагает экономически эффективный инструмент для разработки новых антимикробных препаратов против устойчивых патогенов.

Стартап Pathos AI secured права на два экспериментальных противораковых препарата (JSKN016 и AZD4241) и будет использовать свою проприетарную ИИ-платформу Foundry для ускорения клинических испытаний. Платформа employs тысячи ИИ-агентов для анализа биологических и клинических данных, идентификации пациентов, дизайна исследований и оптимизации дозировок.

Статья посвящена применению искусственного интеллекта в управлении доходным циклом (RCM) медицинских организаций — административно-финансовом процессе обработки страховых выплат, выставления счетов и управления платежами. Авторы отмечают, что традиционное управление доходным циклом всегда было трудоёмким процессом, требующим значительных человеческих ресурсов, однако в последние годы сложность этой задачи стремительно возрастает. Основной драйвер изменений — усложнение системы страховых выплат и растущее количество требований со стороны плательщиков медицинских услуг. ИИ позиционируется как ключевое решение для автоматизации рутинных задач RCM, снижения административной нагрузки на медицинский персонал и улучшения финансовой эффективности клиник. Материал имеет спонсорский характер и опубликован на портале FierceHealthcare, специализирующемся на новостях здравоохранения. Конкретные метрики эффективности, названия ИИ-решений или результаты внедрения в предоставленном фрагменте не указаны.

Исследование опубликовано в авторитетном журнале npj Digital Medicine 3 августа 2026 года и посвящено сравнительному анализу эффективности ИИ-коучинга и традиционного человеческого коучинга в профилактике диабета. Работа оценивает три ключевых параметра: вовлечённость пациентов в программу профилактики, приемлемость формата взаимодействия и предпочтения между ИИ- и человеческим коучем. Исследование имеет практическую значимость для цифрового здравоохранения, поскольку диабет является глобальной эпидемией, а масштабируемые решения на базе ИИ могут расширить доступ к профилактическим программам. Методология предполагает сравнительный дизайн с измерением показателей вовлечённости и удовлетворённости пациентов в обеих группах. Результаты могут повлиять на внедрение ИИ-решений в системы профилактики хронических заболеваний и оптимизацию распределения ресурсов здравоохранения. Публикация в npj Digital Medicine указывает на высокое качество рецензирования и методологическую строгость исследования. Полные количественные результаты и детальная методология требуют доступа к полному тексту статьи.

Данная публикация представляет собой ответ авторов оригинального исследования на критику их многозадачной периоперационной модели прогнозирования, опубликованной в журнале npj Digital Medicine. Речь идёт о машинном обучении в области периоперационной медицины — модели, предназначенной для прогнозирования различных клинических исходов в период вокруг хирургического вмешательства. Критика, на которую отвечают авторы, касалась вопросов клинической полезности модели и её обобщаемости на разные популяции пациентов и медицинские учреждения. Авторы в своём ответе защищают методологию исследования, обосновывают выбор метрик валидации и приводят дополнительные аргументы в пользу применимости модели в реальной клинической практике. Публикация в рецензируемом журнале npj Digital Medicine указывает на научную значимость дискуссии для сообщества цифровой медицины. Детали конкретных показателей точности, размеры выборки и технические характеристики модели в предоставленном фрагменте не указаны — для полной оценки необходимы доступ к оригинальной статье и тексту ответа.

Учёные из Университета медицинских наук силовых ведомств США и австралийской компании New Medical Education Australia опубликовали исследование о влиянии генеративного искусственного интеллекта на медицинское образование. Авторы работы, размещённой в рецензируемом журнале Digital Medicine, утверждают, что массовое внедрение ИИ-инструментов в клиническую практику требует фундаментального пересмотра подготовки врачей. Ключевой тезис исследования: медицинское образование должно сместить фокус с традиционной передачи знаний на развитие критического клинического мышления и способности оценивать достоверность ответов, генерируемых ИИ-системами. Исследователи подчёркивают необходимость формирования у будущих медиков навыков ответственного использования генеративных моделей, включая понимание их ограничений и рисков. Работа акцентирует внимание на том, что врачи должны уметь верифицировать рекомендации ИИ, а не слепо им доверять. Данное исследование имеет практическую значимость для медицинских вузов и образовательных программ, поскольку задаёт новые требования к компетенциям выпускников в эпоху повсеместного распространения искусственного интеллекта.

Еженедельный дайджест ключевых событий в области применения искусственного интеллекта в российском и мировом здравоохранении. В обзоре представлены четыре основные темы: утверждение российского закона о поддержке развития ИИ-технологий, что создаёт правовую базу для внедрения искусственного интеллекта в медицинскую отрасль; запуск пилотного проекта цифрового сервиса на основе ИИ в Московской области для улучшения доступности медицинской помощи; заключение многолетнего стратегического соглашения между контрактной исследовательской организацией ICON и компанией Anthropic о внедрении языковой модели Claude в процессы клинических исследований для ускорения разработки лекарств; публикация эталонного бенчмарка от компании Insilico Medicine для оценки ИИ-моделей в фармацевтике и биотехнологиях. Материал охватывает регуляторные, практические и исследовательские аспекты применения ИИ в медицине.

Израильская компания QuantHealth закрыла раунд финансирования серии B на сумму $45 миллионов для развития платформы искусственного интеллекта, предназначенной для симуляции и оптимизации клинических испытаний. Основатель и генеральный директор Орр Инбар сообщил изданию Fierce Healthcare, что привлечённые средства будут направлены на дальнейшие исследования и разработки, расширение команды и расширение продуктового портфеля компании. Платформа QuantHealth использует технологии машинного обучения для моделирования различных сценариев клинических исследований, что позволяет фармацевтическим компаниям и биотех-стартапам сокращать время и затраты на разработку новых лекарств. ИИ-симуляции помогают предсказывать результаты испытаний, оптимизировать дизайн исследований и выявлять потенциальные риски до начала реальных клинических этапов. Это особенно актуально в условиях, когда традиционные клинические испытания могут стоить сотни миллионов долларов и занимать годы. Инвестиции подтверждают растущий интерес венчурного капитала к ИИ-решениям для фармацевтической отрасли и ускорения вывода препаратов на рынок.

Стартап Claryx запустился в публичном режиме с инновационным подходом к обнаружению патогенов в больницах. Компания использует комбинацию экологического и геномного интеллекта для поддержки программ профилактики внутрибольничных инфекций. Платформа позиционируется как «иммунная система для больниц», способная выявлять передачу инфекций в реальном времени, пока она происходит. Рынок внутрибольничных инфекций оценивается в $45 миллиардов, что представляет значительную экономическую проблему для системы здравоохранения. Технология направлена на предотвращение распространения патогенов внутри медицинских учреждений через непрерывный мониторинг окружающей среды. Решение может сократить расходы больниц на лечение осложнений и снизить уровень заболеваемости среди пациентов. Однако в представленном материале не указаны конкретные технические детали алгоритмов или результаты клинических испытаний платформы.

Автономная некоммерческая организация высшего образования «Центральный университет», созданная в 2023 году по инициативе Т-Банка при поддержке 60 компаний-партнеров, запустила новую магистерскую программу «ИИ в биотехе». Программа реализуется совместно с Инженерной школой и факультетом биоинженерии и биоинформатики МГУ им. М.В. Ломоносова, выступающим академическим партнёром. Обучение нацелено на подготовку специалистов по применению искусственного интеллекта и машинного обучения для анализа генетических данных, исследования структуры белков и разработки лекарственных препаратов. В реализации программы участвуют российские биотехнологические компании Biocad и Genotek, которые предоставят студентам возможность работать над реальными проектами и проходить стажировки. Данная инициатива направлена на восполнение кадрового дефицита в области применения ИИ в биотехнологиях и фармацевтике, что косвенно влияет на развитие медицинской отрасли через подготовку квалифицированных специалистов для разработки новых лекарств и генетических исследований.

Ученые Научно-практического клинического центра диагностики и телемедицинских технологий Департамента здравоохранения Москвы разработали систему искусственного интеллекта для автоматического контроля качества рентгенограмм органов грудной клетки. Алгоритм анализирует снимки и выявляет дефекты в среднем за 14 секунд, что значительно ускоряет процесс проверки по сравнению с ручной оценкой. В ходе пилотного исследования система продемонстрировала высокую эффективность в обнаружении двух типов ошибок: неправильного позиционирования пациентов при съемке и некорректного заполнения метаданных снимков. Решение направлено на снижение количества бракованных исследований и повышение диагностической точности рентгенографии. Результаты работы опубликованы в рецензируемом журнале Digital Diagnostics, что подтверждает научную ценность разработки. Внедрение такого ИИ-инструмента в клиническую практику может существенно улучшить организацию рентгенологических исследований в медицинских учреждениях.

Исследователи разработали новый неинвазивный диагностический инструмент — шкалу Fontan EV Score (FES) — для оценки тяжести ассоциированной с Fontan болезни печени (FALD), универсального осложнения после паллиативной операции Fontan. Методология включала использование овечьей модели Fontan (n=19) с лонгитудинальным сбором образцов сыворотки и эластографией печени. Применялось мультиомиксное профилирование циркулирующих внеклеточных везикул (sEVs), включая секвенирование малых РНК и протеомику. С помощью регуляризованной регрессии были идентифицированы транскриптомные предикторы, интегрированные с временем после операции в рамках ординальной логистической регрессии. Шкала FES, включающая 11 биомаркеров малых РНК, продемонстрировала высокую точность предсказания: AUC 0,876 для умеренного и 0,963 для тяжёлого фиброза, значительно превосходя традиционные индексы APRI (AUC=0,618) и FIB-4 (AUC=0,731). Биологическая валидация на человеческих печёночных органоидах подтвердила реакцию ключевых миРНК (miR-125a-5p, miR-193b-5p) на профибротическую стимуляцию. Результаты открывают новые возможности для раннего выявления и стратификации риска FALD без инвазивной биопсии.

Статья рассматривает проблему доверия пациентов к технологиям ИИ в здравоохранении и роль дизайна в его формировании. Автор утверждает, что определённые дизайнерские решения могут укреплять или разрушать доверие к цифровым медицинским продуктам.

Росздравнадзор выдал бессрочное регистрационное удостоверение на медицинское изделие Polyptron.AI — российскую систему искусственного интеллекта для автоматизированного выявления патологий при эндоскопической диагностике желудочно-кишечного тракта. Разработчиком выступила челябинская компания «Эва Лаб». Программное обеспечение использует технологии машинного обучения для анализа эндоскопических изображений в реальном времени и помощи врачам в обнаружении полипов, новообразований и других патологических изменений слизистой оболочки ЖКТ во время колоноскопии. Регистрация означает, что система прошла все необходимые клинические испытания и соответствует требованиям безопасности и эффективности для применения в российской медицинской практике. Это значимое событие для российской цифровой медицины — продукт позволяет повысить точность диагностики, снизить риск пропуска патологий и стандартизировать качество эндоскопических исследований. Внедрение подобных ИИ-ассистентов особенно важно для раннего выявления колоректального рака, где своевременное обнаружение полипов напрямую влияет на прогноз пациента.

Исследование оценивает пять методов вывода локальной родословной (local ancestry inference), включая две вероятностные базовые модели, RFMix, FLARE и свёрточную нейронную сеть с дилатацией, на данных с различной генетической дивергенцией (FST от 0.0022 до 0.243). Выявлено три ключевых результата: во-первых, существует порог осуществимости — при FST=0.0022 ни один метод не превышает точность 0.575, а для пары CHB/CHS при FST=0.00042 максимум составляет 0.551, что делает невозможным тонкий анализ близкородственных популяций. Во-вторых, точность на уровне отдельных позиций скрывает структурные ошибки: наиболее точный метод генерирует в 78.8 раз больше трактов, чем должно быть, что приводит к оценке времени адмиксации в 61.2 раз древнее реального, однако Viterbi-декодирование устраняет эту проблему без потери точности. В-третьих, превосходство методов на симулированных данных не воспроизводится на реальных данных 1000 Genomes, и основной лимитирующий фактор — не архитектура модели (внимание, state-space слои, предобучение дают прирост не более 0.006), а качество входных данных и размер референсной панели (добавление гаплотипной информации даёт +0.031 на 8 из 8 пар при FST<0.04). Работа имеет значение для генетических исследований заболеваний и персонализированной медицины, поскольку точный вывод родословной критичен для admixture mapping и ancestry-specific association testing.

Статья посвящена критической проблеме внедрения искусственного интеллекта в здравоохранении и фармацевтике, где уровень адаптации ИИ всё ещё отстаёт от других отраслей, а общественное доверие остаётся ограниченным. Авторы предлагают различать два взаимосвязанных, но отдельных концептуальных框架: «этичный ИИ» (определяет, что должно быть сделано с точки зрения ценностей, норм и справедливости) и «доверенный ИИ» (определяет, что может быть реализовано технически и оценено). Этичный ИИ фокусируется на этических дилеммах, таких как использование социальных детерминант здоровья для распределения ресурсов или оптимизация набора пациентов в клинические испытания без ущерба репрезентативности выборки. Доверенный ИИ касается инженерных и оценочных аспектов, обеспечивая техническую надёжность и безопасность решений. Статья подчёркивает, что руководители здравоохранения и фармацевтических компаний должны демонстрировать этическое управление и техническую компетентность для защиты пациентов и укрепления доверия заинтересованных сторон. Практическая значимость материала заключается в предоставлении организациям структуры для ответа на два ключевых вопроса: какие риски связаны с данным применением ИИ и способны ли мы их минимизировать. Материал особенно актуален для руководителей, разрабатывающих стратегии внедрения ИИ в клинические рабочие процессы и разработку лекарств.

Исследование посвящено применению моделей машинного обучения для анализа эмоционального состояния пациентов на онлайн-форумах поддержки онкологических больных. Авторы провели бенчмарк классических, рекуррентных и трансформерных моделей для четырёхклассовой ординальной классификации тональности, используя датасет Mental Health Insights—Vulnerable Cancer Patients объёмом 10 392 записи. Модели оценивались по взвешенному F1-мере, макро AUC one-vs-rest и класс-специфичным метрикам на разбиении 60/20/20. Наилучшие результаты показала модель ALBERT с взвешенным F1 0,7667 и макро AUC 0,931, BioBERT продемонстрировал близкие показатели (F1 0,7613, AUC 0,917) с несколько более высокой полнотой для класса «очень негативный» (0,8019 против 0,7736). Анализ ошибок выявил, что ошибки трансформеров концентрируются вокруг ординальных границ решений, а остаточные ошибки положительного класса имеют операционную важность для рабочих процессов поддержки. Исследование поддерживает использование тонкой настройки трансформеров как компонента систем поддержки решений для мониторинга уязвимых пациентов, подчёркивая необходимость калибровки, прозрачного анализа ошибок и человеческого надзора вместо автономной клинической оценки.

Исследование посвящено проблеме «осиротевшего» научного программного обеспечения, которое перестаёт поддерживаться после ухода разработчиков, что ведёт к потере ценных вычислительных методов и предметных знаний. Авторы продемонстрировали систематический подход к реинжинирингу заброшенного MATLAB-инструментария NuMorph для анализа изображений световой листовой микроскопии, преобразовав его в рабочий процесс nf-core/lsmquant на платформе Nextflow. Новый пайплайн разработан в соответствии с руководящими принципами сообщества nf-core, что обеспечило соответствие принципам FAIR (Findable, Accessible, Interoperable, Reusable) для исследовательского программного обеспечения. Реинжиниринг сохранил оригинальные научные методы при сопоставимых вычислительных затратах, одновременно улучшив переносимость, воспроизводимость и поддерживаемость кода. Интеграция в экосистему nf-core создала основу для распределённой поддержки через сообщество разработчиков, а модульная архитектура упростила адаптацию workflow к дополнительным наборам данных микроскопии. Работа показывает практическую стратегию восстановления осиротевшего исследовательского ПО и его интеграции в современные переиспользуемые исследовательские экосистемы. Ключевые технологии включают Nextflow для управления рабочими процессами и стандарты сообщества nf-core для обеспечения устойчивости программного обеспечения.