Поиск

Исследование в журнале npj Digital Medicine посвящено применению цифровых физиологических биомаркеров для мониторинга динамики симптомов у пациентов со сложными хроническими заболеваниями. Работа фокусируется на внутриличностном анализе — отслеживании изменений у одного и того же человека во времени, что является более точным подходом по сравнению с межличностными сравнениями. Цифровые биомаркеры обычно собираются с помощью носимых устройств, смартфонов и сенсоров, которые непрерывно измеряют физиологические показатели. Методология включает машинное обучение для выявления паттернов в потоках данных и предсказания будущих изменений состояния. Ключевая значимость работы заключается в возможности раннего выявления обострений и персонализации лечения хронических заболеваний. Это открывает перспективы для создания систем предиктивной медицины, где алгоритмы ИИ могут предупреждать о ухудшении состояния до появления клинических симптомов. Исследование представляет собой важный шаг к внедрению непрерывного цифрового мониторинга в клиническую практику.

Поисковый ИИ-движок Perplexity объявил о партнёрстве с компанией b.well Connected Health для интеграции потребительских медицинских данных в свою систему AI-поиска и генерации ответов. Это позволит пользователям получать более персонализированные медицинские рекомендации на основе их истории здоровья. Параллельно платформа Doximity провела исследование, анализирующее, как врачи используют искусственный интеллект в своей клинической практике. Исследование охватывает различные аспекты внедрения ИИ-инструментов среди медицинских специалистов, включая диагностическую поддержку, административные задачи и взаимодействие с пациентами. Оба проекта демонстрируют растущую тенденцию интеграции AI-технологий в повседневную медицинскую работу — от потребительских приложений до профессиональной врачебной практики. Однако статья не содержит конкретных цифровых результатов или методологии исследований, ограничиваясь анонсом партнёрства и упоминанием проведения опроса.

Компания Xaira, получившая в 2024 году финансирование в размере 1 миллиарда долларов, представляет собой одну из наиболее амбициозных биотехнологических компаний, использующих искусственный интеллект для открытия новых лекарств. В интервью COO Джеффа Джонкера изданию Fierce Biotech обсуждается стратегия компании как биотеха следующего поколения, включая исследуемые модальности и терапевтические области. Xaira фокусируется на решении наиболее востребованных проблем фармацевтической индустрии — так называемых «высоко висящих фруктов». Компания работает над созданием платформы для ускоренного поиска и разработки лекарственных соединений с использованием передовых алгоритмов машинного обучения. Крупное финансирование в 1 миллиард долларов позволяет Xaira привлекать таланты и строить мощную инфраструктуру для исследований и разработок. Ожидается, что за следующие пять лет компания продемонстрирует конкретные результаты в виде новых кандидатов в лекарства. Проект представляет значительный интерес для индустрии, так как успех Xaira может определить будущее AI-driven drug discovery.

Исследователи представляют ProteinSage — новую фреймворк предобучения для моделей белковых языков, который интегрирует явные структурные ограничения вместо традиционного подхода, основанного исключительно на последовательностях. Методология включает структурированное маскирование белковых последовательностей и каузальную задачу, позволяющую моделировать долгосрочные зависимости в структуре белка. Такой подход позволяет достигать конкурентоспособных результатов при использовании меньшего объёма данных и вычислительных ресурсов. Валидация на задаче обнаружения белков с многопроходными трансмембранными спиральными архитектурами показала успешную идентификацию шести ранее неаннотированных гомологов микробных родопсинов. Это демонстрирует способность модели к истинному структурному обобщению, а не просто подгонке под конкретные задачи. Разработка ProteinSage открывает путь к более эффективному обучению представлений белков с сохранением структурной информации, что критически важно для предсказания структуры белков, дизайна лекарств и понимания механизмов заболеваний. Технология может ускорить открытие новых терапевтических мишеней и персонализированные подходы к лечению на основе белковых взаимодействий.

Статья освещает панельное обсуждение на фестивале SXSW о применении искусственного интеллекта во FDA после массовых сокращений, связанных с инициативой DOGE, которые привели к потере 20% сотрудников агентства. В условиях дефицита экспертизы FDA внедряет ИИ-инструменты для ускорения обзоров медицинских устройств и препаратов. По словам экспертов, подразделение CDER (оценка и исследования лекарств) постепенно стабилизируется через 6-12 месяцев после пика сокращений, тогда как CBER (оценка биологических препаратов) находится в серьёзных трудностях. Центр CDRH (устройства и радиологическое здоровье) показал относительную устойчивость, включая оценку заявок Neuralink Илона Маска. FDA назначило первого главного ИИ-офицера — Джереми Уолша, и 70% сотрудников агентства получили доступ к генеративному ИИ-инструменту. Эксперты подчёркивают, что прозрачность взаимодействия между индустрией и регулятором критична для установления доверия к ИИ-системам. Статья иллюстрирует организационные вызовы внедрения ИИ в медицинское регулирование.

Статья исследует двойственную роль ИИ-секретарей (AI scribes) в подготовке будущих врачей. ИИ-секретари — это инструменты на основе искусственного интеллекта, которые автоматически генерируют клинические заметки во время приёма пациентов, освобождая врачей от рутинной документации. Медицинские педагоги стремятся обучить студентов работе с этими технологиями, поскольку они становятся стандартом в современной клинической практике. Однако существует серьёзная обеспокоенность тем, что делегирование ведения записей ИИ может негативно повлиять на развитие критических навыков у обучающихся. В частности, эксперты опасаются, что студенты могут утратить способность самостоятельно структурировать клиническую информацию, выявлять ключевые симптомы и формировать диагностические гипотезы в процессе документирования. Статья поднимает важный вопрос о балансе между внедрением эффективных технологий и сохранением фундаментальных компетенций в медицинском образовании. Дискуссия отражает более широкую проблему интеграции ИИ в здравоохранение: как использовать автоматизацию, не подрывая профессиональное развитие специалистов.

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.

Статья рассматривает проблемы внедрения и безопасного использования ИИ в здравоохранении, предлагая трёхуровневую систему оценки: реализация, оптимизация клинических путей и масштабирование. Авторы утверждают, что оценка ИИ должна быть теснее интегрирована с клинической практикой и локальным контекстом внедрения.

Статья обсуждает, как медицинские системы должны использовать собственные данные для выявления неэффективностей перед покупкой ИИ-решений, вместо реагирования на предложения вендоров. CEO Arcadia Майкл Мьюкки подчеркивает, что ROI-оценка расширяется за рамки финансовых показателей, включая снижение административной нагрузки, удовлетворенность врачей и удержание персонала. Ambient-инструменты документации и компьютерного кодирования приводятся как примеры ИИ-технологий, снижающих нагрузку на клиницистов.

В данной статье-мнении бывший хирург Frances Mei Hardin рассматривает влияние искусственного интеллекта на профессиональную автономию врачей. Автор утверждает, что ИИ не является «злодеем» в современной медицине, а скорее выступает в роли зеркала, отражающего постепенное уменьшение врачебного суждения и независимости в принятии клинических решений. Статья поднимает важную этическую проблему внедрения ИИ-систем в медицинскую практику: хотя технологии позиционируются как инструмент поддержки врачей, на практике они могут приводить к дальнейшей эрозии профессиональной автономии. Hardin акцентирует внимание на том, что проблема заключается не в самих технологиях, а в том, как их внедрение меняет роль врача в системе здравоохранения. Материал представляет ценность для дискуссии о балансе между технологической поддержкой и сохранением врачебного суверенитета при принятии медицинских решений. Статья будет интересна специалистам в области медицинской этики, руководителям здравоохранительных организаций и практикующим врачам, сталкивающимся с внедрением ИИ-инструментов в свою работу.

Исследование систематически оценивает уязвимость фундаментальных ИИ-моделей для геномики к отравлению обучающих данных через бэкдор-атаки. Авторы протестировали три семейства моделей с семью масштабами параметров (от 50 миллионов до 7 миллиардов) на 18 задачах геномной классификации. Разработаны два типа триггеров длиной 48 нуклеотидов: синтетическая последовательность и биологически обоснованный триггер на основе терминальных инвертированных повторов транспозонов. Отравление всего 5% обучающих данных привело к успеху атак от 91,4% до 100% во всех тестированных моделях, при этом увеличение масштаба параметров не улучшало устойчивость. Производительность на немодифицированных последовательностях сохранилась: в 79,4% конфигураций изменение составило не более двух процентных пунктов. Предложен двухэтапный метод защиты, сочетающий скрининг чувствительности к одиночным нуклеотидным мутациям с валидацией по референсной базе данных, достигший 100% точности и медианной полноты 92,95%. Результаты подчёркивают необходимость усиленного контроля происхождения данных и посттренировочного аудита безопасности для медицинских ИИ-систем, работающих с геномными данными.

Редакционная статья посвящена критической проблеме алгоритмической предвзятости в системах искусственного интеллекта для здравоохранения и её влиянию на усиление неравенства в медицинской помощи. Авторы приводят ключевые примеры: исследование Obermeyer и коллег 2019 года продемонстрировало, что алгоритм, использующий прогнозируемые расходы на здравоохранение как прокси для медицинских потребностей, проявлял расовую предвзятость — чёрные пациенты в США ошибочно классифицировались как более здоровые по сравнению с белыми пациентами с аналогичными заболеваниями. Другое исследование Seyyed-Kalantari и соавторов показало, что современные алгоритмы компьютерного зрения для классификации патологий на рентгеновских снимках систематически недооценивают заболевания у пациентов из уязвимых и недостаточно обслуживаемых групп населения. Статья подчёркивает, что проблема выходит за рамки технической настройки алгоритмов и требует комплексного подхода к обеспечению справедливости ИИ-систем в медицине. Эти выводы имеют прямое практическое значение для разработчиков медицинских ИИ-решений, регуляторов и клиницистов, внедряющих такие системы. Материал актуален для специалистов, занимающихся этикой ИИ, валидацией медицинских алгоритмов и обеспечением равного доступа к качественной диагностике.

Статья предлагает концептуальную модель симбиотических экосистем здравоохранения, где ИИ сотрудничает с клиницистами, пациентами и сообществами для обеспечения справедливой медицинской помощи. Особое внимание уделяется устойчивым инфраструктурам для уязвимых групп населения в отдалённых и неблагополучных регионах. Рассматриваются телемедицина, носимые устройства, локальные ИИ-системы и другие технологии для непрерывности здравоохранения.

Обзорный анализ 52 исследований цифровых подталкиваний в медицине образа жизни, включая питание, физическую активность, сон и зависимость. Выделены четыре типа вмешательств, отмечен потенциал интеграции с ИИ для усиления изменения поведения, но выявлены пробелы в долгосрочных исследованиях и разнообразии участников.

Исследователи разработали автоматизированный программный инструмент для курации данных в геномике, который заменяет ручной труд человека при аннотировании транскриптомных исследований. Система используется для ресурса Gemma — вручную курируемой базы данных, включающей более 23 000 наборов данных человека, мыши и крысы, преимущественно из Gene Expression Omnibus (GEO). Пайплайн сочетает традиционные механические методы и большие языковые модели для создания детальных аннотаций на уровне образцов и экспериментов с привязкой к онтологиям. Бенчмаркинг показал, что производительность системы близка к уровню человеческих кураторов, при этом стоимость снижена в 20 раз, а скорость увеличена минимум в 100 раз. Авторы также представили предварительные методы триажа для выявления ошибок в автоматических курациях с последующей передачей на человеческую проверку. В качестве дополнительных результатов предоставлены бенчмарк-набор из 500 исследований и框架 оценки для дальнейшего развития пайплайна. Данное решение имеет значительный потенциал для интеграции в биоинформатические экосистемы и ускорения медицинских исследований на основе геномных данных.

Статья рассматривает применение больших языковых моделей (LLM) в разработке программного обеспечения как медицинского устройства (SaMD) для выявления расхождений между задокументированным прогрессом и фактической готовностью продукта. Авторы идентифицируют ключевую проблему: традиционные инструменты управления проектами (дашборды, бэклоги спринтов, отчёты о статусе) отражают состояние проекта, а не состояние продукта — требование может быть помечено как реализованное, даже если связанное с ним управление рисками не интегрировано полностью. Методология предполагает интеграцию LLM в среду разработки для анализа репозиториев кода, интерфейсов, зависимостей, истории коммитов, результатов тестирования и связанных рабочих элементов across множественных систем (управление требованиями, исходный код, файлы риск-менеджмента, тестовые фреймворки, CI/CD-пайплайны, agile-инструменты). Ключевой вывод: наиболее важный вклад LLM в регулируемую разработку ПО — не ускорение генерации кода, а помощь инженерным командам в понимании того, что фактически построено, что остаётся незавершённым и где реализация отклонилась от задокументированного замысла. Это особенно значимо для SaMD, где расхождения часто обнаруживаются на этапах системной интеграции или формальной верификации, когда исправления становятся наиболее дорогостоящими. Внедрение такого подхода может снизить комплаенс-риски и сократить затраты на разработку медицинских устройств.

В статье рассматривается проблема неавторизованного использования искусственного интеллекта внутри медицинских организаций — явление, получившее название «теневой ИИ» (shadow AI). Исследование от компании Wolters Kluwer показывает, что использование непроверенных ИИ-инструментов сотрудниками медицинских учреждений встречается чаще, чем ожидалось руководство. Проблема связана с рисками безопасности данных пациентов, потенциальными ошибками в диагностике и лечении, а также давлением на рабочие процессы, которое подталкивает персонал к использованию сторонних ИИ-решений без должной оценки. Статья поднимает вопросы о том, что должно представлять собой ответственное внедрение ИИ в здравоохранении и как организациям контролировать использование технологий без блокирования потенциальных преимуществ. Ключевые аспекты включают необходимость разработки политик использования ИИ, обучение персонала и создание прозрачных процессов одобрения инструментов. Материал ориентирован на руководителей медицинских организаций, ИТ-директоров и специалистов по кибербезопасности в здравоохранении.

Статья представляет обзор применения больших языковых моделей в управлении качеством европейского здравоохранения, фокусируясь на автоматизации административных процессов и обеспечении соответствия регуляторным требованиям. Исследование выявляет значительный потенциал для повышения эффективности документооборота и аудита, однако подчеркивает отсутствие регуляторного одобрения для LLM-систем управления качеством и необходимость адаптации методологий валидации.

Статья предлагает модель проактивного промежуточного этического надзора для ИИ-управляемых педиатрических клинических испытаний, интегрирующую принципы защиты, пропорциональности, уважения автономии и процедурной справедливости. Модель включает пять компонентов: риск-ориентированные проверки, процедуры реагирования на отклонения, механизмы повторного информированного согласия, обучение этике и документирование. На примере тайваньского испытания по ИИ-ассистированной речевой терапии демонстрируется практическая применимость модели.