Поиск

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология комплексной оценки параметров походки человека с помощью носимых инерциальных датчиков (IMU). Авторы предлагают использовать архитектуру иерархического многозадачного обучения (Hierarchical Multi-Task Learning, HMTL) для одновременного извлечения различных характеристик движения. В отличие от традиционных подходов, этот метод позволяет модели эффективно разделять общие признаки движения и специфические параметры, что значительно повышает точность анализа. Исследование фокусируется на автоматизации процесса мониторинга биомеханики, что критически важно для ранней диагностики неврологических расстройств и реабилитации пациентов. Применение глубокого обучения в сочетании с инерциальными данными позволяет достичь высокой точности в распознавании паттернов ходьбы в реальном времени. Данная разработка имеет высокую практическую значимость для телемедицины и персонализированного мониторинга состояния пациентов вне клинических условий.

Исследование, опубликованное в журнале npj Digital Medicine, представляет инновационный подход к оптимизации работы служб скорой помощи через использование лексического машинного обучения для анализа первичных жалоб пациентов. Методология заключается в автоматизированной обработке текстовых данных (chief complaints), поступающих от диспетчеров или пациентов, для более точной классификации состояний. Ключевым результатом является повышение точности предварительной сортировки (триажа) пациентов, что позволяет сократить время реагирования на критические вызовы. Использование NLP-моделей позволяет выявлять скрытые паттерны в описании симптомов, которые могут быть упущены человеком. Данная технология имеет высокую значимость для снижения нагрузки на системы экстренной помощи и улучшения выживаемости пациентов за счет оперативной доставки специализированных бригад. Внедрение подобных ML-моделей в протоколы диспетчерских служб является перспективным шагом для цифровой трансформации медицины катастроф.

Данная работа представляет собой систематический обзор применения технологий искусственного интеллекта (ИИ) в области глубокой стимуляции мозга (DBS) для терапии различных двигательных расстройств. Исследование фокусируется на интеграции алгоритмов машинного обучения в системы DBS для создания адаптивных нейромодуляций, которые подстраиваются под текущее состояние пациента в режиме реального времени. Авторы проводят комплексную оценку технологической готовности (TRA) существующих решений, анализируя переход от статических протоколов к интеллектуальным закрытым циклам (closed-loop systems). В статье рассматриваются методы обработки нейронных сигналов и возможности ИИ в прогнозировании симптомов, что позволяет минимизировать побочные эффекты и оптимизировать энергопотребление имплантируемых устройств. Результаты подчеркивают критическую важность перехода к персонализированной нейромодуляции на основе данных для улучшения долгосрочных клинических исходов. Работа служит важным ориентиром для разработчиков медицинских изделий и клиницистов, внедряющих высокотехнологичные решения в нейрохирургическую практику.

В статье представлен новый метод FUSED (Functional Unification of Structural and Elemental Descriptors), предназначенный для глубокого анализа сайтов связывания белков с лигандами. В отличие от традиционных подходов, использующих фиксированные пороговые расстояния, FUSED рассматривает структурную и химическую информацию как непрерывные функции от расстояния до лиганда. Структурные характеристики моделируются через дескрипторы на основе ковариации (фреймворк CDPA), а химический состав — через изометрические логарифмические отношения (ilr-координаты). Исследование проводилось на двух эталонных наборах данных: Extended Kahraman (для многоклассовой дискриминации лигандов) и TOUGH-C1 (для бинарной классификации сайтов связывания). Результаты показали, что FUSED создает компактные низкоразмерные представления с высокой предсказательной способностью, сопоставимой с существующими методами машинного обучения и выравнивания последовательностей. Метод отличается низкой вычислительной сложностью и высокой интерпретируемостью, что делает его перспективным инструментом для компьютерного дизайна лекарств и функциональной характеристики белков.

В рамках многоцентрового исследования Articulate Pro были представлены результаты внедрения специализированного ИИ-решения Paige Prostate в клиническую практику Национальной службы здравоохранения (NHS) Великобритании. Исследование подтвердило, что использование искусственного интеллекта для анализа патологии простаты значительно повышает диагностическую согласованность между специалистами. Ключевые результаты демонстрируют существенное ускорение времени обработки анализов (turnaround times) и заметное снижение нагрузки на лабораторный персонал. Технология позволяет автоматизировать рутинные процессы, минимизируя человеческий фактор при анализе биооптических срезов. Данное внедрение является важным этапом перехода к прецизионной медицине в масштабах государственной системы здравоохранения, доказывая безопасность и эффективность ИИ в реальных условиях эксплуатации.

Исследование представляет двухэтапный фреймворк на основе машинного обучения для автоматизированного скрининга велофарингеальной дисфункции по речи. Предложенный метод использует контрастивное обучение для повышения устойчивости модели к шуму и различиям в записывающих устройствах, что позволяет эффективно проводить диагностику в неконтролируемых домашних условиях.

Систематический обзор 24 исследований, посвященных применению ИИ и глубокого обучения для диагностики заболеваний по данным рентгена, КТ, МРТ и других методов визуализации. Основное внимание уделяется вопросам прозрачности, объяснимости (Grad-CAM, SHAP), справедливости алгоритмов и клинического доверия к системам.

Протокол исследования направлен на разработку и тестирование мобильного приложения для оценки речи как цифрового биомаркера при рассеянном склерозе. Проект использует методологию Living Lab для совместного проектирования инструментов с участием пациентов и врачей, фокусируясь на юзабилити и интеграции в клинический процесс.

Разработана новая система MMCRAG-Resp, использующая мультимодальный RAG для диагностики респираторных заболеваний на основе звуков, спирометрии и текста. Метод значительно снижает уровень галлюцинаций ИИ и обеспечивает клинически обоснованные, объяснимые ответы с использованием локальных языковых моделей.

Исследователи разработали STORM (Spatial Topology analysis of Recurrent Motifs) — новый метод на основе графового вариационного автоэнкодера с механизмом внимания, который позволяет обнаруживать повторяющиеся архитектурные паттерны в опухолях без предварительной разметки типов клеток. В ходе исследования на базе 32 секций Xenium от 16 пациентов с колоректальным раком (EOCRC и AOCRC) было выявлено 10 рекуррентных мотивов, сформировавших макро-компартменты опухоли, стромы и иммунной системы. Ключевым открытием стал мотив десмопластического фиброзного барьера (DFB), богатый CAF и внеклеточным матриксом, который физически ограничивает доступ CD8+ Т-клеток к ядрам опухоли независимо от их общего количества. Установлено, что этот барьерный механизм более выражен при раннем начале заболевания (EOCRC), характеризуясь более плотной структурой и специфической программой активации матрикса. С помощью Vision Transformer модель STORM позволила транслировать эти пространственные мотивы в стандартные H&E-изображения, создав прогностический биомаркер, который эффективно предсказывает общую выживаемость пациентов в базе данных TCGA-COAD.

Anthropic запустила бета-версию Claude Science, которая интегрируется с инструментарием NVIDIA BioNeMo для ускорения биомедицинских исследований. Система позволяет ученым использовать естественный язык для управления сложными рабочими процессами, такими как предсказание структур белков и дизайн молекул, через специализированных ИИ-агентов.

Разработанный компанией PinPoint Data Science тест на основе машинного обучения анализирует около 30 маркеров в крови для оценки риска рака. Технология позволяет эффективно выявлять женщин с низким риском, избавляя тысячи пациенток от болезненных процедур, таких как трансвагинальное УЗИ.

Использование технологии GraphRAG на базе AWS позволяет объединить разрозненные медицинские и лабораторные данные в единый графовый массив знаний. Это ускоряет поиск корреляций и сокращает циклы исследований в фармацевтике на 87%, используя NLP и графовые базы данных для обработки неструктурированной информации.

Компания Neko Health получила крупное финансирование для экспансии на рынок США, предлагая комплексную систему превентивной диагностики. Сервис объединяет ИИ-сканирование всего тела, анализ крови и специализированные датчики для раннего выявления рака кожи, сердечно-сосудистых заболеваний и диабета.

Компания Takeda и Insilico Medicine подписали стратегическое соглашение о применении платформы Pharma.AI для поиска биологических мишеней и дизайна молекул. Сотрудничество направлено на ускорение ранних стадий разработки лекарственных препаратов с использованием генеративного ИИ и прогнозных моделей.

Компании Viz.ai и Cortechs.ai объявили о партнерстве для интеграции инструментов количественного анализа нейровизуализации в платформу Viz.ai. Основное внимание будет уделено рассеянному склерозу, что позволит врачам быстрее идентифицировать пациентов и точнее управлять лечением с помощью ИИ-анализа МРТ.

GE HealthCare и Mayo Clinic запускают исследование MI-BET, направленное на персонализацию радиолигандной терапии рака простаты. Проект использует передовые технологии визуализации и биомаркеров для адаптации циклов лечения на основе индивидуального ответа пациента.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная модель Transformer-DAPT, предназначенная для динамической оценки рисков у пациентов, получающих двойную антиагрегантную терапию (DAPT) после чрескожного коронарного вмешательства (ЧКВ). В отличие от статических шкал, данный ИИ-инструмент использует архитектуру трансформеров для анализа временных рядов клинических данных, что позволяет прогнозировать вероятность ишемических событий и кровотечений в режиме реального времени. Методология опирается на глубокое обучение для обработки динамически меняющихся показателей состояния пациента, обеспечивая персонализированный подход к выбору продолжительности терапии. Ключевые результаты демонстрируют превосходство модели над традиционными клиническими инструментами оценки риска, обеспечивая более высокую точность прогнозирования осложнений. Внедрение Transformer-DAPT в клиническую практику позволит кардиологам оптимизировать протоколы антиагрегантной терапии, минимизируя риск фатальных кровотечений при сохранении эффективной профилактики тромбозов. Данная разработка является значимым шагом в сторону прецизионной кардиологии и автоматизации принятия клинических решений.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная мультимодальная модель искусственного интеллекта, предназначенная для выявления риска развития расстройства поведения в фазе быстрого сна (RBD) у пациентов с большим депрессивным расстройством (БДР). Методология исследования базируется на интеграции различных типов данных, включая нейровизуализацию, показатели полисомнографии и клинические характеристики пациентов. Использование мультимодального подхода позволило значительно повысить точность прогнозирования коморбидных состояний по сравнению с традиционными унимодальными методами. Ключевые результаты демонстрируют высокую чувствительность и специфичность алгоритма, что позволяет на ранних стадиях выявлять пациентов с высоким риском нейродегенеративных изменений. Данная разработка имеет критическое значение для персонализированной психиатрии, позволяя врачам своевременно корректировать терапевтическую стратегию и проводить превентивную диагностику. Практическая значимость работы заключается в создании надежного инструмента поддержки принятия клинических решений для психиатров и сомнологов.