Поиск

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 опубликовано в рецензируемом журнале npj Digital Medicine 5 августа 2026 года. Работа посвящена разработке модели динамического прогнозирования риска преждевременных родов и определения гестационного возраста при родах с использованием лонгитюдных данных из электронных медицинских карт (EHR). Подход предполагает применение методов машинного обучения для анализа временных рядов медицинских данных пациентов в течение беременности, что позволяет обновлять прогнозы по мере поступления новой информации. Использование динамических моделей вместо статических даёт возможность более точной оценки рисков на разных сроках гестации. Исследование имеет прямую клиническую значимость для акушерской практики, позволяя врачам своевременно выявлять пациенток с повышенным риском преждевременных родов и принимать превентивные меры. Работа представляет интерес для специалистов по цифровой медицине, разработчиков клинических систем поддержки принятия решений и исследователей в области прогностической аналитики здравоохранения.

Исследование опубликовано в рецензируемом журнале npj Digital Medicine 5 августа 2026 года и посвящено применению больших языковых моделей (LLM) для автоматизации процесса сортировки медицинских направлений в условиях многопрофильной больницы третичного уровня. Работа рассматривает внедрение ИИ-системы для оптимизации маршрутизации пациентов между специалистами, что является актуальной задачей для снижения нагрузки на медицинский персонал и уменьшения времени ожидания консультаций. Журнал npj Digital Medicine входит в издательскую группу Nature и специализируется на исследованиях цифровых технологий в здравоохранении, что подтверждает научную значимость работы. К сожалению, в предоставленном материале отсутствуют детали методологии, конкретные метрики эффективности системы (точность сортировки, время обработки, снижение нагрузки на персонал) и результаты клинической валидации. Тема исследования высоко релевантна для практического здравоохранения, поскольку автоматизация триажа направлений может существенно улучшить организацию медицинской помощи и снизить административную нагрузку на врачей. Для полной оценки вклада исследования необходимы дополнительные данные о размере выборки, дизайне исследования и сравнении с существующими методами триажа.

Исследование изучает мнение 10 клиницистов о применении машинного обучения для диагностики обструктивного апноэ сна. Выявлена необходимость регуляторных руководств и участия медицинских экспертов, при этом врачи должны сохранять ведущую роль над ИИ. Работа направлена на повышение доверия клиницистов к машинному обучению и улучшение внедрения технологий в клиническую практику.

WellSpan Health, крупная американская система здравоохранения, объявила о расширении многолетнего партнёрства с компанией Hippocratic AI, специализирующейся на генеративном искусственном интеллекте для медицины. Сотрудничество направлено на совместную разработку клинических ИИ-агентов — автономных систем на базе больших языковых моделей, предназначенных для поддержки медицинских работников в выполнении рутинных клинических задач. WellSpan Health стала одной из первых организаций, запустивших пилотное внедрение генеративного ИИ-агента Hippocratic ещё в сентябре 2024 года, что позволило собрать первоначальные данные об эффективности технологии. Новое расширенное соглашение предполагает углубление интеграции ИИ-агентов в клинические рабочие процессы системы здравоохранения. Клинические ИИ-агенты Hippocratic AI предназначены для автоматизации таких задач, как информирование пациентов, сбор анамнеза, координация ухода и документирование, что позволяет снизить административную нагрузку на медицинский персонал. Партнёрство демонстрирует растущий тренд внедрения генеративного ИИ в реальные клинические среды крупных медицинских организаций США. Детали финансового соглашения и конкретные метрики эффективности пилотного проекта в опубликованном материале не раскрываются.

Статья посвящена актуальной проблеме внедрения больших языковых моделей (LLM) в клиническую практику. Основное внимание уделено вопросу доверия врачей к ИИ-чат-ботам и методологии оценки их безопасности и точности. Разработчики медицинских ИИ-инструментов заявляют, что существующие подходы к бенчмаркингу имеют серьёзные недостатки и не отражают реальные клинические условия. Поднимается проблема конкуренции между различными LLM за внимание медицинского сообщества. Статья исследует напряжённость между быстрым внедрением технологий и необходимостью доказательной валидации. Особый акцент сделан на том, что текущие стандарты оценки могут не соответствовать специфике медицинских задач. Материал важен для понимания барьеров на пути интеграции ИИ в здравоохранение и необходимости разработки более релевантных метрик оценки.

Исследование применяет генеративный ИИ и машинное обучение для интеграции транскриптомных и микробиомных данных при болезни Крона, выявляя молекулярные различия между воспалительной и фибротической формами. LLM-аугментация улучшила стабильность модели и помогла идентифицировать ключевые гены, связанные с фиброзом, включая IL-23R, TNF-α и TGF-β.

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.

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.

Статья опубликована в рецензируемом журнале npj Digital Medicine 1 августа 2026 года и посвящена применению искусственного интеллекта в области психического здоровья молодёжи. Исследование фокусируется на чат-ботах с ИИ и их роли в оценке, мониторинге и профилактике суицидального риска среди подростков и молодых взрослых. Работа представляет собой аналитический обзор текущего состояния доказательной базы в этой быстро развивающейся области. Авторы систематически идентифицируют критические пробелы в существующих исследованиях, включая вопросы валидации алгоритмов, этические аспекты и клиническую интеграцию. На основе выявленных проблем предлагается структурированная повестка для будущих клинических исследований и регуляторных инициатив. Тема имеет высокую практическую значимость в контексте растущего использования ИИ-ассистентов в здравоохранении и телемедицине. Предоставленный фрагмент содержит метаданные публикации без доступа к полному тексту, что ограничивает возможность детального анализа конкретной методологии и числовых результатов исследования.

Исследование опубликовано в рецензируемом журнале npj Digital Medicine 3 августа 2026 года и посвящено критически важной проблеме справедливости искусственного интеллекта в медицинской диагностике. Работа фокусируется на визуально-языковых моделях (VLM) — современном классе нейросетей, сочетающих обработку изображений и текста, — применяемых для классификации заболеваний по медицинским снимкам. Центральная тема исследования — интерсекциональная справедливость, то есть оценка того, как алгоритмы работают для пациентов с множественными пересекающимися демографическими характеристиками (пол, раса, возраст, социально-экономический статус). Проблема актуальна, поскольку медицинские ИИ-системы часто демонстрируют смещённые результаты для меньшинств, что может усугублять неравенство в здравоохранении. Полное содержание статьи недоступно в предоставленном материале, однако публикация в npj Digital Medicine указывает на высокий научный стандарт и практическую значимость для разработчиков медицинских ИИ-систем, регуляторов и клиницистов, внедряющих диагностические алгоритмы.

Статья предлагает структуру валидации для цифровых двойников в медицине, связывающую доказательную базу с типом клинического утверждения (описательное, предиктивное, интервенционное и др.). Авторы подчёркивают, что ключевая проблема — не сложность моделей, а клиническая достоверность, и предлагают интегрировать верификацию, калибровку, оценку неопределённости и постдеплоймент-мониторинг.

Исследование представляет MedKGent — новый фреймворк на основе большой языковой модели (LLM) для автоматизированного построения медицинских карт знаний (knowledge graphs), которые эволюционируют во времени. Система использует агентный подход, где специализированные ИИ-агенты извлекают, верифицируют и связывают медицинские понятия из научной литературы и клинических данных, создавая динамическую структуру знаний. Методология включает многоагентную архитектуру с разделением задач: одни агенты отвечают за извлечение сущностей, другие — за установление временны́х зависимостей между медицинскими событиями, третьи — за валидацию связей. Ключевое преимущество подхода — способность отслеживать изменения медицинских знаний во времени, что критически важно для актуализации клинических рекомендаций и поддержки принятия решений. Фреймворк демонстрирует потенциал для применения в системах клинической поддержки, автоматическом обновлении медицинских онтологий и исследовании эволюции медицинских концепций. Работа опубликована в рецензируемом журнале npj Digital Medicine, что подтверждает научную значимость исследования для цифровизации здравоохранения.

Исследователи представили DBayesCM — новую глубокую байесовскую модель для кластеризации и анализа взаимосвязей в микробиомных мульти-омикс данных. Модель сочетает глубокое обучение с байесовскими непараметрическими методами: отдельные энкодеры проецируют данные микробиома и хозяина в общее латентное пространство, где бесконечная смесь моделей с приором Дирихле автоматически определяет количество кластеров и квантует неопределённость назначения каждого образца. Авторы оценили две версии модели: DBayesCM-vMF с гиперсферическим латентным пространством и DBayesCM-GMM с евклидовым пространством. На симулированных данных гиперсферальный вариант корректно восстановил число кластеров, тогда как евклидовый допустил избыточную сегментацию, что демонстрирует влияние геометрии латентного пространства на качество кластеризации. Модель протестирована на когортах пациентов с раком толстой кишки, молочной железы и почек, включая метаболомику хозяина, RNA-seq и miRNA данные, а также на модели обструктивного апноэ сна. DBayesCM выявляет условные вероятностные совпадения между ключевыми видами микробов и омикс-признаками хозяина, обеспечивая осознанное исследование взаимосвязей микробиом-хозяин при различных заболеваниях с учётом неопределённости.

Исследование опубликовано в журнале npj Digital Medicine 3 августа 2026 года и посвящено применению технологии цифровых двойников для прогнозирования прогрессирования болезни Альцгеймера. Методология основана на анализе электроэнцефалограммы (ЭЭГ) пациентов с последующим созданием персонализированных цифровых моделей, которые имитируют нейронную активность и позволяют предсказывать траекторию развития заболевания. Цифровые двойники в данном контексте представляют собой машинно-обучаемые модели, которые интегрируют индивидуальные нейрофизиологические данные пациента для симуляции различных сценариев прогрессирования когнитивных нарушений. Подход сочетает методы глубокого обучения для обработки сигналов ЭЭГ с динамическим моделированием патологических процессов в мозге. Технология потенциально позволяет клиницистам оценивать эффективность различных терапевтических вмешательств на виртуальной модели перед применением у конкретного пациента. Публикация в рецензируемом журнале npj Digital Medicine указывает на научную значимость работы для области цифровой медицины и ИИ-диагностики неврологических заболеваний. Детальные результаты исследования, включая метрики точности прогнозирования и размеры выборки, не представлены в доступном фрагменте текста.

Российский разработчик получил регистрационное удостоверение на ИИ-систему для автоматического выявления патологий при колоноскопии. Это означает официальное одобрение регулятором медицинского программного обеспечения на основе искусственного интеллекта для использования в клинической практике в России. Система предназначена для помощи эндоскопистам в обнаружении полипов, новообразований и других патологических изменений слизистой оболочки толстой кишки во время процедуры. Регистрация такого продукта открывает путь к его коммерческому внедрению в медицинских учреждениях страны. Вторая новость дайджеста касается фармацевтического рынка: компания «Биохимик» не смогла получить принудительную лицензию на антиретровирусный препарат долутегравир. Материал опубликован в медицинском издании Vademecum, специализирующемся на новостях здравоохранения и фармацевтического рынка России.

В исследовании представлен scINTILLA — новый вычислительный фреймворк, предназначенный для оценки качества и согласованности аннотаций типов клеток в данных секвенирования РНК единичных клеток (scRNA-seq). Методология объединяет методы обучения с учителем и без учителя: неконтролируемый компонент тестирует широкий спектр алгоритмов кластеризации для вычисления оценки путаницы соседств, а контролируемый компонент обучает до 12 классификаторов для анализа согласия прогнозов, энтропии и уверенности. Итоговый композитный показатель позволяет выявлять неоднородность популяций и двусмысленность меток, которые могут искажать результаты последующего автоматизированного переноса меток. Авторы протестировали инструмент на пяти наборах данных Human Cell Atlas (мозг, легкие, глаз и органоиды), обнаружив значительные различия в согласованности аннотаций. Применение scINTILLA к низкооцененным популяциям в атласах легких и энтодермальных органоидов позволило успешно идентифицировать биологически значимые субпопуляции клеток, которые ранее были объединены в общие категории. Инструмент служит практическим руководством для проведения научно обоснованной реаннотации клеточных атласов.

В статье представлен GPSNorm — новый байесовский фреймворк для пространственной нормализации данных транскриптомики, решающий проблему технической вариативности (различия в размере библиотек, эффекты слайдов и пространственные артефакты). В отличие от традиционных методов, рассматривающих нормализацию как отдельный этап предобработки, GPSNorm использует иерархическую модель, которая совместно моделирует технические помехи, пространственную структуру и биологический сигнал. Методология базируется на отрицательном биномиальном латентном гауссовском моделировании с использованием гауссовских марковских случайных полей и аппроксимации INLA для эффективного байесовского вывода. Это позволяет учитывать неопределенность нормализации при проведении последующего анализа дифференциальной экспрессии генов. Тестирование на данных префронтальной коры человека (Visium), исследования повреждений легких при COVID-19 (GeoMx) и атласе почек показало, что метод значительно точнее восстанавливает пространственные паттерны и улучшает оценку логарифмического изменения (log-fold change). Разработка доступна в виде open-source R-пакета, что делает её применимой для биоинформатиков и исследователей в области системной биологии.