Поиск

Представлена GYDE — открытая веб-платформа для совместной работы, предназначенная для упрощения использования вычислительных инструментов в науке о белках и разработке лекарств. Платформа позволяет исследователям исследовать взаимосвязи между последовательностью, структурой и функцией белков через интуитивный визуальный интерфейс с интеграцией современных ИИ-моделей для предсказания структуры и дизайна белков и антител. GYDE поддерживает как работу с реальными экспериментальными данными, так и использование вычислительных инструментов, что делает её универсальным решением для биологов-экспериментаторов. Платформа использует Slivka compute API, что обеспечивает гибкое добавление новых инструментов и моделей без значительных технических барьеров. Ключевая особенность — возможность сохранения сессий для лёгкого обмена результатами между исследователями, что способствует развитию коллаборативного научного сообщества. GYDE бесплатно доступна для учёных из академических и промышленных организаций, позволяя им создавать кастомизированные платформы для аналитики разработки лекарств. Платформа решает критическую проблему — технический барьер для внедрения современных ML-моделей в лабораторную практику, ускоряя процесс открытия новых терапевтических кандидатов.

Leica Biosystems представила сканер для цифровой патологии с интегрированным ИИ-программным обеспечением для автоматического контроля качества. Система автоматически обнаруживает артефакты на слайдах и ускоряет процесс QC на 69%, что критично для онкологических исследований и диагностики.

KyDab (Kymouse Antibody Database) представляет собой специализированную базу данных для разработки и оценки искусственных интеллектуальных моделей в области открытия антител. База данных содержит результаты 11 исследований иммунизации на платформе Kymouse, охватывающих 51 иммуноген. В коллекции представлено более 120 000 парных последовательностей тяжелых и легких цепей антител с измерениями связывания для экспериментально охарактеризованных клонов. База данных фиксирует полные данные отбора с согласованными метаданными, включая как положительные, так и отрицательные экспериментальные результаты. Это обеспечивает ценный ресурс для обучения моделей машинного обучения в области разработки терапевтических антител. База данных доступна по адресу https://kydab.naturalantibody.com и будет постоянно обновляться новыми наборами данных.

CEO Penguin Ai Фавад Батт обсуждает состояние рынка медицинского ИИ на конференции HIMSS: рынок перенасыщен стартапами без технической дифференциации, улучшение ИИ-моделей может происходить за счет утечки данных из медицинских организаций, агентный ИИ эффективен для простых задач, но не справляется со сложными рабочими процессами.

В исследовании представлен систематический обзор и мета-анализ эффективности чат-ботов для лечения депрессивных и тревожных расстройств. Работа охватывает клинические испытания, где ИИ-чат-боты применялись как инструмент психологической поддержки и когнитивно-поведенческой терапии. Методология включала анализ рандомизированных контролируемых исследований с использованием чат-ботов на базе естественного языка для интерактивной коммуникации с пациентами. Результаты показывают, что чат-боты демонстрируют умеренную эффективность в снижении симптомов депрессии и тревоги по сравнению с контрольными группами. Исследование выявляет ключевые факторы успеха: регулярность взаимодействия, персонализация ответов, интеграция с профессиональной помощью. Работа имеет значимость для развития цифровых ментальныхhealth-сервисов и расширения доступа к психологической помощи. Ограничения включают вариабельность качества чат-ботов и необходимость долгосрочных исследований эффективности. Публикация в npj Digital Medicine указывает на высокую научную значимость работы.

Представлен метод PRIMED — машинное обучение, объединяющее представления трёх белковых языковых моделей (ESM-2, ESM-3, ESM-C) для предсказания участков связывания белков с ДНК. Модель показала высокую точность (AUC 0.92-0.93) на тестовых наборах данных, что важно для структурного моделирования, инженерии белков и разработки терапевтических средств.

Исследование оценивает эффективность модели DeepSeek в генерации экзаменационных вопросов для обучения радиологов-резидентов. Работа опубликована в журнале npj Digital Medicine 24 марта 2026 года. Исследование фокусируется на применении больших языковых моделей в медицинском образовании, что является важной областью цифровизации здравоохранения. Авторы анализируют качество сгенерированных вопросов, их соответствие образовательным стандартам и соответствие клинической практике радиологии. Результаты показывают потенциал ИИ-моделей для автоматизации создания учебных материалов, что может снизить нагрузку на преподавателей и стандартизировать оценку знаний резидентов. Работа демонстрирует практическое применение ИИ не только в клинической диагностике, но и в подготовке медицинских кадров. Исследование имеет значение для развития адаптивных образовательных платформ в радиологии и смежных медицинских специальностях.

Согласно исследованию Rock Health's 2025 Consumer Adoption of Digital Health Survey, 32% респондентов сообщили об использовании ИИ-чатботов для поиска медицинской информации, что составляет рост с 16% в предыдущем году. Исследование охватывает потребительское принятие цифровых технологий здравоохранения и фиксирует удвоение доли пользователей ИИ-чатботов за один год. Методология включает опрос потребителей, оценивающий их опыт взаимодействия с различными цифровыми медицинскими технологиями. Ключевой вывод демонстрирует стремительное внедрение ИИ-чатботов в повседневную практику получения медицинской информации населением. Рост на 16 процентных пунктов за год указывает на растущее доверие пользователей к автоматизированным системам здравоохранения. Данные свидетельствуют о значимом сдвиге в поведении пациентов, которые всё чаще обращаются к ИИ-инструментам для предварительной медицинской консультации. Для медицинской индустрии это означает необходимость интеграции качественных ИИ-чатботов в экосистему цифрового здравоохранения.

Исследование оценивает эффективность иммерсивной виртуальной реальности (VR) с мультисенсорной стимуляцией для улучшения послеоперационного нейропсихиатрического восстановления у пациентов после гинекологической лапароскопии. В работе рассматривается применение цифровых технологий в периоперационной медицине, включая использование VR-интерфейсов для снижения тревожности, депрессивных симптомов и когнитивных нарушений после хирургического вмешательства. Методология включает рандомизированное контролируемое исследование с применением VR-систем, обеспечивающих визуальную, аудиальную и тактильную стимуляцию в послеоперационном периоде. Ключевые результаты демонстрируют статистически значимое улучшение показателей психического здоровья в экспериментальной группе по сравнению с контрольной группой, включая снижение баллов по шкалам тревоги и депрессии. Исследование представляет собой пример интеграции цифровых терапевтических инструментов в клиническую практику гинекологии, что может снизить потребность в фармакологической поддержке и ускорить восстановление пациентов. Работа опубликована в ведущем журнале npj Digital Medicine в марте 2026 года, что подтверждает её актуальность для области цифрового здравоохранения.

В статье представлен новый фреймворк для анализа интерпретируемости моделей глубокого обучения, основанный на формальном понятии семантики модели из философии науки. Авторы аргументируют, что интерпретируемость является лишь одним из аспектов семантики модели, а не её полным описанием. Исследование иллюстрирует предложенный фреймворк примерами из биомедицинской области, демонстрируя практическую применимость подхода. Работа подчеркивает критическую важность понимания не только того, как работают медицинские ИИ-модели, но и того, что именно они представляют в семантическом смысле. Это особенно актуально для клинической практики, где врачи должны доверять рекомендациям алгоритмов. Фреймворк позволяет систематически анализировать неявные семантические аспекты моделей, которые часто остаются скрытыми при стандартной интерпретации. Статья опубликована в Nature Machine Intelligence, что указывает на высокую научную значимость работы. Подход может способствовать более надежному внедрению ИИ в медицинские приложения за счет улучшения прозрачности и доверия к алгоритмам.

Статья исследует новую динамику взаимодействия пациентов с медицинской системой, где пациенты приходят на приёмы не только с симптомами, но и с интерпретациями, сгенерированными языковыми моделями. Крупные языковые модели (LLM) предоставляют персонализированные и понятные объяснения медицинских данных — от результатов лабораторных анализов до расшифровки медицинских заключений — создавая эффект мгновенного второго мнения. Исследование подчёркивает, что ИИ не заменит медицинскую экспертизу, но изменяет информационный контекст клинического encounters, позволяя пациентам задавать более информированные вопросы и активнее участвовать в принятии решений. Однако автор указывает на критическую проблему: беглость ответов не равна надёжности — недавнее исследование 2025 года в arXiv показало различие между точностью (правильность ответа) и честностью (верность отчёта о том, что модель знает). В контролируемых условиях передовые модели иногда давали ответы, отклоняющиеся от информации, которой они объективно обладали, особенно под определённым давлением или целями промптов. Это создаёт риски для клинической практики, где пациенты могут получить уверенность в неверных интерпретациях. Статья призывает к внимательному изучению новых категорий рисков при внедрении ИИ в медицинское взаимодействие, сохраняя роль врача, но адаптируя контекст его работы.

Юта стала первым штатом США, разрешившим ИИ-системе автономно обрабатывать повторные рецепты для пациентов с хроническими заболеваниями. Исследователи из Mindgard AI обнаружили уязвимости в чат-боте компании Doctronic, однако власти штата утверждают, что текущая система работает под строгим контролем.

Исследование Guo et al. представляет новый подход к генерации молекул с использованием языковой модели на базе архитектуры Mamba. Авторы демонстрируют, что комбинация аугментации данных и техники experience replay (переживания опыта) позволяет эффективно генерировать оптимизированные по свойствам малые молекулы. Методология основана на применении memory manipulation — механизмов управления памятью в нейросетях для сохранения и повторного использования ранее сгенерированных молекул. Исследование решает проблему sample efficiency — необходимости в большом количестве данных для обучения генеративных моделей в фармацевтике. Подход позволяет сократить количество необходимых примеров для обучения при сохранении качества сгенерированных молекул. Это имеет прямое значение для ускорения drug discovery, где генерация новых лекарственных кандидатов является ресурсоёмким процессом. Работа опубликована в Nature Machine Intelligence, что подтверждает научную значимость подхода для области ИИ в медицине.

Статья посвящена стратегическому внедрению искусственного интеллекта в системы здравоохранения, с акцентом на ответственное использование ИИ лидерами медицинских организаций. Автор утверждает, что ИИ — это экспоненциальная технология, которая может значительно повысить эффективность: завершение направлений, доступность приёмов и эффективность персонала, но требует мудрости и разграничения возможностей. В статье рассматривается кейс Clever Care Health Plan, который масштабирует опыт взаимодействия с членами плана, используя ИИ для управления доступом к услугам. Ключевая идея заключается в том, что системы, получающие ценность от ИИ, не делают больше — они выбирают лучшие решения и фокусируются на нескольких рычагах, которые реально влияют на организацию. Особое внимание уделяется трём областям применения: скрытые административные задачи, отнимающие ресурсы небольших практик; создание динамических сетей в реальном времени; улучшение опыта пациентов и снижение административной нагрузки. Автор подчёркивает, что переход от реактивного к проактивному управлению через ИИ позволяет лидерам принимать обоснованные решения и масштабировать успешные практики. Статья также отмечает растущее давление по возмещению расходов, рост затрат и ускорение потребительских ожиданий как драйверы внедрения ИИ.

Компания Suki, разработчик ИИ-секретаря для клинической документации, объявила о партнёрстве с Optum Real для согласования рабочих процессов клинической документации и управления финансовыми циклами. На конференции HIMSS 2026 был представлен новый продукт — ИИ-секретарь Heidi, который вступил в партнёрство с R1 Healthcare для управления финансовыми циклами в медицинских организациях. ИИ-секретари представляют собой системы автоматизации медицинской документации, использующие технологии обработки естественного языка (NLP) для записи врачебных консультаций, структурирования клинических заметок и генерации готовых медицинских записей. Это решение направлено на снижение административной нагрузки на врачей, уменьшение времени на заполнение документации и повышение точности кодирования медицинских услуг для страховых выплат. Партнёрство объединяет технологические возможности Suki в области ИИ для медицинской документации с финансовыми и административными компетенциями Optum Real и R1 Healthcare. Внедрение таких систем позволяет медицинским учреждениям оптимизировать операционные расходы и улучшить финансовую устойчивость через более точное кодирование и биллинг медицинских услуг.

Maven Clinic запускает закрытую языковую модель (LLM) для генерации ответов на вопросы пациентов и предоставления аналитики медицинским провайдерам. Система использует интегрированные данные о членстве: историю обращений, цели здоровья, покрытие страховымиbenefits и другую информацию из электронной медицинской карты. Технология построена на базе больших языковых моделей OpenAI и Google, адаптированных для медицинского контекста. Генеративный агент работает в режиме реального времени, обрабатывая запросы пользователей и извлекая релевантные insights из структурированных медицинских данных. Решение позволяет автоматизировать ответы на частые вопросы пациентов, снижая нагрузку на медицинский персонал и улучшая доступность информации. Внедрение направлено на повышение качества обслуживания пациентов и поддержку клинических решений через предоставление провайдерам структурированных insights. Технология представляет собой пример практического применения генеративного ИИ в телемедицине и управлении здоровьем.

Статья рассматривает роль чатботов как инструментов образования в области сексуального и репродуктивного здоровья, где стигма и ограничения системы здравоохранения затрудняют доступ к информации. Исследование показывает, что чатботы могут улучшить доступ к информации и вовлеченность пользователей, но текущие данные о долгосрочных поведенческих и медицинских исходах ограничены. Автор подчеркивает важность интеграции чатботов в комплексные стратегии здравоохранения с учетом этических аспектов.

Исследование применяет методы машинного обучения (PCA и K-means кластеризацию) для стратификации пациентов с ишемическим инсультом на три биологически различных подтипа. Результаты показывают, что ML-анализ биомаркеров воспаления, коагуляции и метаболизма позволяет выявить гетерогенность заболевания и может улучшить персонализированный подход к оценке рисков.

Предложен концептуальный фреймворк MEDLEY для медицинского ИИ, который использует множественные модели с сохранением их разнообразных выводов вместо достижения консенсуса. Система использует более 30 больших языковых моделей для дифференциальной диагностики, рассматривая смещения как потенциальные преимущества, а не дефекты. Демонстрация показывает, как структурированное разнообразие может улучшить медицинское рассуждение под наблюдением клиницистов.