Поиск

Стартап Adonis привлёк $40 млн в рамках раунда Series C для своей AI-платформы, которая анализирует данные о выставлении счетов больниц для выявления причин отказа в выплатах страховщиками. Система автоматически готовит апелляции и помогает медицинским учреждениям восстанавливать недополученные средства, используя AI-агентов для автоматизации рутинных задач.

Статья обсуждает проблемы доступа к поведенческой и физической помощи в США, включая нехватку персонала и административные расходы. Упоминается, что 85% руководителей здравоохранения исследуют ИИ, и приводится пример использования Agentic AI компанией Artera для улучшения координации ухода за пациентами.

Статья о внедрении автоматизации в медицинские практики для снижения административной нагрузки на врачей и улучшения опыта пациентов. Описываются автоматизированные процессы для записи, регистрации, документации и биллинга, которые позволяют клиницистам уделять больше времени непосредственной работе с пациентами.

HL7 International запустил Caliper FHIR Accelerator — сообщество для улучшения обмена данными между медицинскими и персональными устройствами. Проект направлен на создание стандартизированной основы для интеграции данных устройств в реальном времени, что критически важно для развертывания продвинутой аналитики и ИИ в здравоохранении.

Статья анализирует запуск ChatGPT Health от OpenAI как важный момент для индустрии здравоохранения, смещая фокус с технологических ограничений на вопросы юридической ответственности, управления данными и клинической подотчётности. OpenAI позиционирует инструмент как вспомогательный слой для помощи людям в понимании медицинских записей и подготовке к разговорам с врачами, а не как замену медицинской помощи — инструмент явно не предназначен для диагностики или лечения. Автор подчёркивает, что сотни миллионов людей уже задают ИИ-системам вопросы о здоровье и загружают медицинские записи, содержащие высокочувствительную информацию. Ключевой тезис статьи: когда персональные медицинские данные начинают поступать в общие ИИ-системы, профиль рисков кардинально меняется, так как здравоохранение — это регулируемая экосистема, где некорректная обработка информации может причинить реальный вред. Статья поднимает критические вопросы: кто несёт ответственность, если модель выдаст неверную интерпретацию? Где хранятся данные и кто имеет к ним доступ? Что произойдёт при утечке или misuse чувствительной информации? Автор утверждает, что в регулируемых средах любая система, обрабатывающая данные пациентов, становится частью клинической поверхности риска независимо от первоначального намерения. В заключение отмечается, что основным ограничением здравоохранения является не недостаток интеллекта, а отсутствие согласованной инфраструктуры.

Компания Optum Rx внедряет технологии искусственного интеллекта для выявления и предотвращения мошенничества, нецелевого расходования средств и злоупотреблений в фармацевтической сфере. Это решение направлено на снижение финансовых потерь, которые ежегодно достигают миллиардов долларов в системе здравоохранения США. ИИ-системы анализируют большие объёмы данных о транзакциях, рецептах и поведении аптек для выявления аномальных паттернов. Методология включает машинное обучение для классификации подозрительных операций и автоматизированного оповещения. Внедрение таких систем позволяет сократить время расследования и повысить точность выявления мошеннических схем. Это важный пример применения ИИ не в клинической практике, а в административно-финансовом управлении здравоохранением, что критически важно для устойчивости системы.

Протокол исследования валидации упрощённой модели ИИ-менторства для медицинского образования. ИИ использует unsupervised machine learning для группировки студентов по многомерным показателям успеваемости и генерации персонализированных текстовых рекомендаций. Пилотное исследование включает 40 студентов-медиков и преподавателей для оценки реализуемости и согласованности с оценками преподавателей.

Учёные из Научно-практического клинического центра диагностики и телемедицинских технологий Департамента здравоохранения Москвы провели анализ барьеров внедрения искусственного интеллекта в лучевую диагностику. Исследование основано на практическом опыте московского эксперимента по внедрению компьютерного зрения в медицинскую практику, что отличает его от ранее преимущественно теоретических оценок. Ключевой вывод работы заключается в том, что основные ограничения носят системный характер и требуют комплексного одновременного решения, а не точечных мер. Работа опубликована в специализированном журнале «Менеджер здравоохранения», что подтверждает её научную значимость для отрасли. Результаты исследования важны для руководителей медицинских учреждений и регуляторов, планирующих внедрение ИИ-решений в диагностические службы. Практическая значимость работы заключается в выявлении необходимости синхронизации технологических, организационных и нормативных изменений при цифровизации радиологии.

Исследователи разработали вычислительную методику для реконструкции сигнальных сетей EGFR (рецептор эпидермального фактора роста) с использованием алгоритмов обхода графов — поиска в ширину (BFS) и поиска с лучом (Beam Search). Метод преобразует количественные данные фосфопротеомики в бинарные состояния активации белков во времени, затем применяет алгоритмы к базе данных белковых взаимодействий STRING для восстановления путей передачи сигналов. Исследование проведено на трёх условиях: клетки HeLa, клетки тройного негативного рака молочной железы MDA-MB-468 и те же клетки после обработки ингибитором SHP099. Получено 260 путей в HeLa (117 уникальных топологий), 293 пути в MDA-MB-468 (155 уникальных) и 292 пути при ингибировании SHP2 (85 уникальных). Клетки HeLa показали архитектуру с доминированием SRC и эффекторов ERBB2/SHC1, тогда как MDA-MB-468 демонстрировали двойную ось PIK3CA/PTPN11. Ингибирование SHP2 устранило PTPN11-опосредованные пути и вызвало доминирование PIK3CA (69,2% первого шага) с компенсаторным вовлечением ERBB3. Методология позволяет систематически преобразовывать фосфопротеомные данные в механистические гипотезы для моделирования лекарственной устойчивости в онкологии.

Исследователи разработали NLCD (NonLinear Causal Discovery) — метод машинного обучения для обнаружения нелинейных причинно-следственных связей между генами на основе данных геномики. Проблема различения корреляции и причинности является фундаментальной в биологии, особенно когда рандомизированные контролируемые испытания невозможны и доступны только наблюдательные данные. NLCD использует нелинейное регрессионное моделирование и оценку условной важности признаков для расширения статистических тестов существующего линейного метода Causal Inference Test (CIT). Метод был протестирован на симулированных данных, где показал AUPRC 0.94 для линейных отношений (сравнимо с CIT=0.94, Findr=0.94, MRPC=0.99) и превосходит конкурентов в обнаружении нелинейных связей (AUPRC=0.76 против 0.60-0.73 у других методов). На реальных данных дрожжевой геномики NLCD показал AUPRC=0.82 для восстановления известных причинных связей с транскрипционными факторами. При применении к человеческому геномному数据集 метод выявил активные причинные пары генов (IRF1→PSME1 и HLA-C→HLA-T) в мышечной ткани. Результаты демонстрируют перспективы и вызовы в открытии причинных сетей генов в условиях in vivo у человека, что имеет значение для понимания молекулярных механизмов заболеваний.

Статья описывает внедрение AI-контакт-центра healow Genie в медицинской клинике для автоматизации обработки входящих звонков. Система продемонстрировала способность обрабатывать 76% всех входящих звонков без участия человека, что существенно разгрузило административный персонал клиники. Благодаря внедрению AI-решения клиника оптимизировала ежедневные рабочие процессы и расширила доступ пациентов за пределами стандартного рабочего времени. Система позволила сократить административную нагрузку на персонал, что особенно актуально в условиях нехватки медицинских администраторов. Решение демонстрирует практическое применение искусственного интеллекта для повышения операционной эффективности в медицинских организациях. Клинический опыт показывает, что автоматизация рутинных задач через ИИ может одновременно улучшать доступность медицинской помощи и удовлетворённость пациентов.

Стартап Doctronic, разработчик чат-бота для автоматического продления медицинских рецептов, привлёк 40 миллионов долларов финансирования. Компания проводит эксперимент в штате Юта, где ИИ-чатбот оценивает пациентов и принимает решения о продлении существующих назначений лекарств без обязательного очного визита к врачу. Это пример применения искусственного интеллекта в клинической практике для оптимизации рутинных процессов в первичной медико-санитарной помощи. Финансирование привлечено на фоне растущей конкуренции между компаниями, внедряющими ИИ-решения в реальную клиническую практику. Проект представляет собой экспериментальную модель, где алгоритмы анализируют медицинские данные пациентов и принимают решения о продолжении терапии хронических заболеваний. Ключевая цель — снизить нагрузку на врачей, уменьшить затраты пациентов на визиты и ускорить доступ к необходимым лекарствам. Однако эксперимент вызывает вопросы о безопасности и качестве медицинских решений, принимаемых алгоритмами без прямого участия врача.

Статья рассматривает проблему «теневой ИИ» (Shadow AI) в медицинских организациях — использование сотрудниками генеративных ИИ-инструментов без согласования с IT-отделом и без контроля со стороны служб безопасности. Понятие «теневой ИТ» описывает любые технологические решения, внедряемые в корпоративную сеть без предварительного одобрения ИТ-департамента. В условиях быстрого распространения генеративного искусственного интеллекта регистрация новых сервисов стала проще, чем когда-либо, что одновременно увеличило риски. Сотрудники, для которых взаимодействие с ИТ-отделом кажется слишком обременительным, могут использовать личные аккаунты для работы, не осознавая проблем с соответствием требованиям и безопасностью данных. Статья посвящена стратегиям управления этими рисками и внедрению политик контроля использования ИИ-инструментов в медицинских организациях. Проблема особенно актуальна для здравоохранения, где защита конфиденциальных данных пациентов является критически важной. Решение требует баланса между удобством использования технологий и необходимостью соблюдения регуляторных требований, таких как HIPAA.

Компания PrescriberPoint использует агентный ИИ для поддержки процедур prior authorization, чат-взаимодействий и коммуникаций с плательщиками. Платформа помогает фармацевтическим компаниям и врачам оптимизировать процесс назначения лекарств, устраняя административные препятствия.

Статья описывает кризис сельских больниц США и роль обмена данными медицинской визуализации для удаленной диагностики. Упоминается применение агентного ИИ компанией Artera для улучшения взаимодействия с пациентами.

Исследование представляет новый метод интеграции данных трех типов омикс (транскриптома, транслатома и протеома) с использованием тензорной декомпозиции 4D. Авторы применили метод неконтролируемого извлечения признаков к данным о голодании по разветвленным аминокислотам, выделив 1,781 ген с пониженной трансляционной эффективностью и 221 ген с буферизацией. Генеративный ИИ использовался для функциональной интерпретации и анализа обогащения, что позволило идентифицировать шесть основных биологических единиц — от репликации генома до эпигенетической регуляции. Подход выявляет биологически значимые кластеры генов, лежащие в основе клеточных переходов, и превосходит традиционные попарные анализы. Методология открывает новые возможности для анализа сложных многослойных регуляторных процессов в биологии. Результаты могут иметь значение для понимания механизмов клеточной дифференцировки и патогенеза заболеваний, связанных с нарушением протеостаза.

В исследовании представлен новый метод машинного обучения ViSNet-PIMA для моделирования не только локальных, но и некольких взаимодействий в биомолекулах с использованием физически обоснованного мультипольного агрегатора (PIMA). Традиционные поля сил на основе машинного обучения (MLFF) ограничены моделированием локальных взаимодействий, что снижает точность расчетов для биомолекулярной динамики. ViSNet-PIMA демонстрирует превосходство над существующими передовыми MLFF моделями при предсказании энергий и сил для различных типов биомолекул и конформаций на наборах данных MD22 и AIMD-Chig. При интеграции PIMA-блоков в другие MLFF модели достигается прирост производительности на 55,1%, что подтверждает универсальность предложенного подхода. Исследователи также внедрили ViSNet-PIMA в симуляционную программу AI2BMD, используя схему трансферного обучения с предобучением и дообучением, что позволило заменить механические расчеты нековалентных взаимодействий в белковых фрагментах. Новый подход снижает ошибки расчетов энергии и сил в AI2BMD более чем на 50% для различных конформаций белков и процессов фолдинга/разворачивания белков. Данная работа расширяет возможности ab initio расчетов для целых биомолекул и усиливает применение ИИ-симуляций молекулярной динамики в биохимических исследованиях.

Исследователи представили miRBind2 — метод глубокого обучения для предсказания сайтов связывания микроРНК (миРНК) исключительно на основе последовательности. МиРНК регулируют экспрессию генов, направляя белки Argonaute к частично комплементарным участкам целевых РНК. В отличие от классических методов, использующих инженерные признаки (категории seed-соответствия, эволюционная консервация), miRBind2 применяет свёрточную нейронную сеть (CNN) с новой попарной нуклеотидной репрезентацией, охватывающей все возможные взаимодействия между миРНК и мишенью. Модель продемонстрировала превосходство над предыдущими методами SotA на четырёх независимых наборах данных из benchmark debiased miRBench, при этом используя на 92% меньше параметров. Архитектура была расширена до модели miRBind2-3UTR для предсказания репрессии генов на уровне транскриптов путём дообучения на экспериментах по пертурбации миРНК. На датасете из 50,549 пар миРНК-ген модель miRBind2-3UTR значительно превзошла TargetScan. Результаты показывают, что предобученные глубокие модели способны улавливать регуляторные сигналы и предсказывать функциональную репрессию без традиционных инженерных биологических признаков.

Исследование представляет методологию применения имитационного моделирования для оптимизации распределения ресурсов в медицинских организациях. Авторы разработали подход к моделированию потоков пациентов и использования ресурсов с целью повышения эффективности работы медицинских учреждений. В работе описывается методология построения имитационных моделей, включающая сбор данных о реальных процессах, верификацию моделей и проведение сценарного анализа различных стратегий распределения. Кейс-исследование демонстрирует применение методики в реальной медицинской организации, где внедрение оптимизированного распределения ресурсов позволило сократить время ожидания пациентов и повысить загрузку оборудования. Исследование показывает, что использование имитационного моделирования позволяет выявлять узкие места в организационных процессах и тестировать решения без риска для пациентов. Результаты работы могут быть применены в больницах и клиниках для повышения операционной эффективности и качества оказания медицинской помощи.