Поиск

Статья о применении машинного обучения для анализа реальных данных (RWE) в фармацевтической отрасли и регуляторных процессах FDA. ML-модели позволяют создавать синтетические контрольные группы, идентифицировать подгруппы пациентов, предсказывать ответ на терапию и обнаруживать нежелательные события. FDA выпустило руководство по использованию ИИ/ML в жизненном цикле разработки лекарств.

Статья опубликована в журнале npj Digital Medicine 7 августа 2026 года и посвящена новой стратегии instructional design для преподавания концепций искусственного интеллекта специалистам здравоохранения без технического бэкграунда. Авторы предлагают использовать генеративные ИИ-инструменты для быстрого создания интерактивных практических обучающих материалов, включая веб-симуляции, динамические визуализации и клинические кейсы. Основная цель — подготовить студентов медицинских специальностей к безопасному и эффективному использованию ИИ-инструментов в будущей практике. Методология основана на применении генеративного ИИ для автоматизации создания образовательного контента, что позволяет масштабировать обучение и адаптировать материалы под разные уровни подготовки. Подход особенно актуален в контексте растущего внедрения ИИ в клиническую практику и необходимости массовой переподготовки медицинских кадров. Исследование подчёркивает важность практического, а не только теоретического знакомства с ИИ-технологиями для будущих врачей и медработников.

Международная группа исследователей опубликовала работу, предупреждающую о рисках безграничного доверия к искусственному интеллекту в области женского здоровья. Авторы исследования подчёркивают, что современные ИИ-системы не являются универсальным решением медицинских проблем женщин и требуют критической оценки перед внедрением в клиническую практику. Ключевая проблема заключается в том, что алгоритмы машинного обучения воспроизводят существующие гендерные стереотипы, укоренившиеся в исторических медицинских данных и практике. Это системное смещение приводит к усилению рисков неравенства при оказании медицинской помощи разным группам пациенток. Дополнительную обеспокоенность у исследователей вызывают вопросы безопасной обработки и защиты персональных данных пациентов при использовании ИИ-чатов и виртуальных медицинских ассистентов. Работа опубликована в рецензируемом журнале Women's Health, входящем в портфолио авторитетного издательства Springer Nature. Исследование поднимает важные этические и регуляторные вопросы массового внедрения ИИ в здравоохранение, особенно в чувствительных областях женской медицины.

Исследователи представили HDOCK-Multimer (HDM) — новый фреймворк на основе глубокого обучения для предсказания структуры крупных белковых комплексов, который объединяет методы ab initio докинга и комбинаторной сборки. В отличие от существующих подходов вроде AlphaFold и RosettaFold, которые сталкиваются с трудностями при работе с крупными многоцепочечными белками, HDM снижает зависимость от точности предсказания отдельных компонентов за счёт интеграции докинга с стратегией сборки. Метод был протестирован на трёх бенчмарках: 35 крупных гетеромерных комплексов, 172 крупных белковых комплекса и 7 мишеней CASP15, где продемонстрировал существенное превосходство над современными методами включая MoLPC, CombFold, AlphaFold-Multimer и AlphaFold3. Важной особенностью HDM является способность предсказывать стехиометрию комплексов без необходимости ввода этой информации заранее. Инструмент особенно ценен для изучения крупных белковых комплексов и молекулярных машин, что имеет прямое значение для разработки лекарств и понимания механизмов заболеваний. Пакет HDM доступен бесплатно на GitHub по адресу https://github.com/huang-laboratory/HDOCK-Multimer.

Исследовательская фирма Redesign Health провела опрос 112 руководителей медицинских систем, использующих Epic (ведущая платформа электронных медкарт в США), чтобы понять их готовность покупать ИИ-решения у сторонних вендоров. Результаты показали: 71% организаций позиционируют себя как «Epic-first», более 90% уверены, что Epic со временем создаст ИИ-инструменты не хуже внешних аналогов. Однако больницы готовы приобретать продукты стартапов в трёх случаях: когда решение значительно превосходит предложение Epic (49% требуют существенно более высокого ROI), когда закупку можно провести на уровне департамента без согласования с центральным IT (более 50% руководителей имеют такую автономию), и когда у Epic нет сильного продукта в категории. Наиболее перспективные направления для стартапов — амбиентное документирование встреч с врачами (48% респондентов), ИИ для анализа медицинских изображений (44%), ИИ-ассистенты для пациентов и ИИ для оптимизации финансового цикла. Примечательно, что почти две трети респондентов готовы покупать у новых стартапов с тремя или менее действующими клиентами — всего на 12 процентных пунктов реже, чем у вендоров с сотнями клиентов. Исследование демонстрирует двойственную динамику рынка: Epic укрепляет доминирование в базовых ИТ-системах больниц, но нишевые ИИ-решения остаются доступными для независимых разработчиков.

В данной работе представлен уникальный открытый набор данных трёхмерных численных симуляций кровотока и сеток коронарных артерий, реконструированных из инвазивных рентгеновских коронарных ангиограмм клинического исследования FAME 2 (Fractional Flow Reserve versus Angiography for Multivessel Evaluation 2). Из 914 клинических изображений успешно реконструировано и обработано 779 сосудов, остальные 135 отклонены из-за самопересекающейся геометрии при реконструкции. Сетки выполнены в гексаэдрическом формате с идентичной топологией и количеством вершин, их высокое качество подтверждено стандартными метриками качества сеток. Симуляции проведены методом конечных элементов (FEM) с применением современных граничных условий для коронарного кровотока на выходных участках. Мотивация проекта обусловлена критическим дефицитом общедоступных данных численной гемодинамики несмотря на растущий интерес к методам машинного обучения и data-driven моделированию в кардиологии. База данных доступна по ссылке DOI 10.7910/DVN/GPCUNS и предназначена для разработки и валидации алгоритмов искусственного интеллекта в диагностике ишемической болезни сердца. Этот ресурс может ускорить создание ML-моделей для неинвазивной оценки фракционного резерва кровотока (FFR) и персонализированного планирования коронарных вмешательств.

Статья из премиум-раздела STAT+ посвящена изменению взглядов генерального директора компании Schrödinger Рами Фарида на применение искусственного интеллекта в фармацевтике и разработке лекарств. Schrödinger — известная компания в области вычислительной химии и drug discovery, использующая физические модели и машинное обучение для ускорения открытия новых препаратов. В выпуске новостной рассылки AI Prognosis также упоминаются новости о компании Recursion и её карте нейронов, что указывает на обсуждение нейросетевых подходов в биомедицинских исследованиях. Материал затрагивает стратегические вопросы внедрения ИИ в здравоохранении и фармацевтической отрасли, включая возможные ограничения и пересмотр ожиданий от технологий искусственного интеллекта. К сожалению, предоставленный фрагмент содержит только заголовок и краткое описание без деталей исследования, конкретных результатов или методологии. Для полноценной оценки вклада в тему ИИ в медицине необходим доступ к полному тексту статьи. Источник — авторитетное медицинское издание STAT, специализирующееся на новостях здравоохранения и биотехнологий.

OpenAntigens — это бесплатная база данных без регистрации, предоставляющая отчёты по дизайну конструктов для 5328 человеческих секретируемых, GPI-якорных, однопроходных и многопроходных белков поверхности клеток. Система интегрирует данные UniProt о топологии, предсказания структуры AlphaFold (pLDDT и PAE), информацию из PDB, домены InterPro и Pfam, ортологи мыши и cynomolgus, контекст паралогов, ассоциации с заболеваниями Open Targets, а также результаты BLAST-поиска. База предлагает 55 305 вариантов конструктов, включая полные регионы дизайна, границы на основе PDB, аннотированные домены, регионы на основе pLDDT/PAE и опции экспрессии мембранных белков, плюс 148 722 хита по сходству последовательностей для оценки кросс-реактивности. Для мишеней с совместимыми моделями AlphaFold интерактивный дизайнер связывает последовательность, структуру и метрики качества, позволяя редактировать границы и экспортировать эквивалентные последовательности видов с предупреждениями о цистеинах и модификациях в реальном времени. Инструмент сокращает необходимость ручной сверки данных из множества ресурсов, объединяя воспроизводимые предложения конструктов, сравнительный контекст и браузерное редактирование в едином рабочем процессе. Это ускоряет разработку антител, рекомбинантных реагентов и вычислительный дизайн байндеров, что критически важно для фармацевтических исследований и открытия новых терапевтических мишеней.

Исследователи разработали новый неинвазивный диагностический инструмент — шкалу Fontan EV Score (FES) — для оценки тяжести ассоциированной с Fontan болезни печени (FALD), универсального осложнения после паллиативной операции Fontan. Методология включала использование овечьей модели Fontan (n=19) с лонгитудинальным сбором образцов сыворотки и эластографией печени. Применялось мультиомиксное профилирование циркулирующих внеклеточных везикул (sEVs), включая секвенирование малых РНК и протеомику. С помощью регуляризованной регрессии были идентифицированы транскриптомные предикторы, интегрированные с временем после операции в рамках ординальной логистической регрессии. Шкала FES, включающая 11 биомаркеров малых РНК, продемонстрировала высокую точность предсказания: AUC 0,876 для умеренного и 0,963 для тяжёлого фиброза, значительно превосходя традиционные индексы APRI (AUC=0,618) и FIB-4 (AUC=0,731). Биологическая валидация на человеческих печёночных органоидах подтвердила реакцию ключевых миРНК (miR-125a-5p, miR-193b-5p) на профибротическую стимуляцию. Результаты открывают новые возможности для раннего выявления и стратификации риска FALD без инвазивной биопсии.

Исследователи разработали цифровой инструмент для реципиентов почечного трансплантата, включающий предоперационный алгоритм прогнозирования риска и послеоперационный модуль управления дозировкой такролимуса. Модель на основе логистической регрессии выявила четыре фактора риска и продемонстрировала высокую дискриминационную способность с AUROC 0,802 (предоперационно) и 0,824 (послеоперационно).

Исследователи разработали MassGAT — инновационный метод на основе графовых нейронных сетей для комплексной обработки данных жидкостной хроматографии с высокоразрешающей масс-спектрометрией (LC-HRMS). Ключевая инновация заключается в объединении двух задач — детекции пиков и их аннотации — в единый процесс обучения, что преодолевает ограничение существующих пайплайнов, обрабатывающих эти этапы независимо. Метод представляет сигналы, предположительно происходящие от одной молекулы, в виде графа и использует Graph Attention Network (GAT) для одновременного определения валидности пиков и связей между ионными видами одного соединения. Тестирование на реальных наборах данных продемонстрировало превосходство MassGAT над текущими подходами по точности как детекции, так и аннотации метаболитов. Решение особенно значимо для метаболомики, поиска биомаркеров и системной биологии, где критична полная и надёжная характеризация метаболитов в сложных биологических образцах. Инструмент распространяется как открытый Python-модуль на GitHub (odisce/MassGAT), обеспечивая доступность для исследовательского сообщества.

Исследование посвящено изучению механизмов переключения изоформ РНК при карциноме Гюртля (HCC) — агрессивной форме рака щитовидной железы. Авторы провели реанализ набора данных NCBI GEO (GSE228870, n = 32), используя биоинформатические инструменты Salmon и IsoformSwitchAnalyzeR для выявления структурных изменений транскриптов. В ходе работы было обнаружено 371 переключение изоформ в 335 генах, что приводит к потере белковых доменов, укорочению открытых рамок считывания (ORF) и изменению субклеточной локализации белков. Наиболее значимые изменения зафиксированы в генах LAMA2, LSP1, MAD2L2, FBLN2 и CXCL12, что указывает на дисрегуляцию внеклеточного матрикса, иммунного сигналинга и ответа на повреждение ДНК. Установлено, что специфические изоформы LAMA2 и MAD2L2 отсутствуют в здоровой ткани щитовидной железы, что делает их потенциальными маркерами опухоли. Исследование впервые систематически описывает дисрегуляцию на уровне изоформ при HCC, выделяя альтернативное использование сайтов терминации и старта транскрипции как ключевые механизмы патогенеза.

Федеральная служба по техническому и экспортному контролю (ФСТЭК) внесла существенные изменения в нормативную базу, регулирующую защиту персональных данных в информационных системах. Ключевым нововведением стало включение требований по обеспечению безопасности при использовании технологий искусственного интеллекта. Обновленный приказ направлен на устранение пробелов в защите данных, возникающих при обработке информации алгоритмами машинного обучения. Это изменение критически важно для медицинских организаций, использующих ИИ-решения для диагностики и анализа электронных медицинских карт. Новые правила обязывают операторов учитывать специфические риски, связанные с целостностью обучающих выборок и конфиденциальностью данных в нейросетевых моделях. Внедрение данных стандартов станет обязательным для всех разработчиков и пользователей медицинского ПО с поддержкой ИИ в рамках российского законодательства.

Президент РФ Владимир Путин официально утвердил федеральный закон, регулирующий правоотношения в области разработки, внедрения и использования больших фундаментальных моделей искусственного интеллекта. Данный законодательный акт создает правовую базу для создания конкурентоспособных отечественных ИИ-моделей и направлен на достижение технологического суверенитета страны. В документе подчеркивается, что применение ИИ-технологий будет способствовать повышению эффективности государственного и муниципального управления, в том числе в критически важной сфере здравоохранения. Закон закладывает фундамент для дальнейшего комплексного регулирования отрасли и стимулирования инноваций. Принятие документа является стратегическим шагом для интеграции передовых алгоритмов в государственные сервисы и социальные институты.

Статья анализирует проблему административных задержек из-за процессов предварительной авторизации в здравоохранении, которые ведут к финансовым потерям и выгоранию персонала. Автор подчеркивает необходимость перехода от ручного управления к автоматизации и внедрению ИИ для оптимизации цикла доходов и улучшения доступа пациентов к лечению.

Компания «К2 НейроТех» провела масштабное исследование среди 100 представителей корпоративного сегмента, чтобы оценить готовность бизнеса к интеграции искусственного интеллекта. Результаты показали серьезный разрыв между амбициями руководства и технической реальностью: более 50% топ-менеджеров требуют ускоренного внедрения ИИ-решений, несмотря на отсутствие качественной ИТ-инфраструктуры. Основными барьерами для эффективного использования технологий названы дефицит квалифицированных кадров и низкое качество данных, необходимых для обучения моделей. Исследование подчеркивает, что без предварительной подготовки систем хранения и обработки данных попытки внедрения ИИ могут привести к неоправданным финансовым потерям. Для бизнеса критически важно сместить фокус с простого следования трендам на системную модернизацию ИТ-ландшафта. Данные результаты важны для руководителей цифровой трансформации при планировании стратегий внедрения машинного обучения.

Статья рассматривает юридические и этические аспекты использования пациентами ИИ-чатботов для получения медицинских советов. Основное внимание уделяется вопросам ответственности врачей и правовой неопределенности в ситуациях, когда рекомендации ИИ противоречат мнению медиков.

Статья рассматривает эволюцию подходов медицинских организаций к внедрению искусственного интеллекта и необходимость оптимизации технологической базы. По мере накопления опыта использования ИИ в рабочих процессах, медицинские системы всё чаще переходят на гибридные среды для управления вычислительными нагрузками. Согласно прогнозам IDC, к 2028 году 75% корпоративных рабочих нагрузок ИИ будут развернуты именно на гибридной инфраструктуре. Эксперты, включая Сану Гутьеррес из CDW, подчеркивают, что будущее центров обработки данных неразрывно связано с гибридными моделями. Это решение позволяет медицинским учреждениям эффективно балансировать между локальными мощностями для обеспечения безопасности данных и облачными ресурсами для масштабируемости. Таким образом, выбор правильной архитектуры становится критическим фактором для успешного масштабирования ИИ-решений в здравоохранении.

Исследование выявило критическую проблему в биоинформатическом анализе метагеномных и метатранскриптомных данных: популярные базы данных SSU рРНК (такие как SILVA, GTDB, Eukaryome) содержат значительные примеси последовательностей большой субъединицы (LSU). Это приводит к тому, что риды LSU ошибочно идентифицируются как SSU, что искажает таксономический профиль образцов. В ходе эксперимента на данных метатранскриптома эстуарных отложений было показано, что без очистки баз данных до 50% последовательностей могут быть ошибочно отнесены к ложным доминирующим таксонам. Авторы предлагают два решения: предварительную очистку баз данных или использование тщательно отобранных SSU-специфичных наборов. В рамках работы была представлена обновленная база KSGP 4.0, которая демонстрирует существенное улучшение аннотации архей по сравнению с SILVA, а также умеренные улучшения для бактерий и эукариот. Для автоматизации процесса очистки и аннотации разработан специализированный скрипт total_rnaseq.