диабет

Исследование применяет машинное обучение для прогнозирования диабета на 353 680 записях, достигая AUC-ROC 0.8481 с помощью оптимизированного ансамбля стекинга (Random Forest, XGBoost, LightGBM). Авторы формализуют «парадокс импутации» и анализируют несогласованность методов объяснимого ИИ (SHAP, LIME, permutation), демонстрируя потенциальное выявление ~16 600 дополнительных пациентов с диабетом на миллион обследованных.

Исследование опубликовано в авторитетном журнале npj Digital Medicine 3 августа 2026 года и посвящено сравнительному анализу эффективности ИИ-коучинга и традиционного человеческого коучинга в профилактике диабета. Работа оценивает три ключевых параметра: вовлечённость пациентов в программу профилактики, приемлемость формата взаимодействия и предпочтения между ИИ- и человеческим коучем. Исследование имеет практическую значимость для цифрового здравоохранения, поскольку диабет является глобальной эпидемией, а масштабируемые решения на базе ИИ могут расширить доступ к профилактическим программам. Методология предполагает сравнительный дизайн с измерением показателей вовлечённости и удовлетворённости пациентов в обеих группах. Результаты могут повлиять на внедрение ИИ-решений в системы профилактики хронических заболеваний и оптимизацию распределения ресурсов здравоохранения. Публикация в npj Digital Medicine указывает на высокое качество рецензирования и методологическую строгость исследования. Полные количественные результаты и детальная методология требуют доступа к полному тексту статьи.

В исследовании представлена инновационная архитектура искусственного интеллекта Graph in Graph (GiG), предназначенная для комплексного анализа состояния здоровья пациента через интеграцию медицинских карт и омиксных данных. Методология GiG основана на иерархическом моделировании: сначала создается граф «человек-фенотип» на основе медицинских записей, который затем дополняется графами молекулярных сигнальных путей (омиксными графами) конкретного пациента. Это позволяет системе не только объединять разнородные данные, но и интерпретировать их, выделяя ключевые биомаркеры. В рамках апробации модели на когорте Long Life Family Study (LLFS), изучающей механизмы здорового старения, GiG успешно классифицировала состояния от здорового статуса до преддиабета и диабета 2 типа (T2D). Результаты показали высокую точность прогнозирования и способность ранжировать критически важные клинические и омиксные биомаркеры, что открывает новые возможности для персонализированной диагностики и поиска терапевтических мишеней.

Специалисты и студенты Первого МГМУ им. И.М. Сеченова совместно с российскими вузами приступили к разработке инновационной системы искусственного интеллекта для персонализированного контроля гликемии. Ключевой особенностью проекта является учет специфических физиологических факторов, в частности, фаз менструального цикла, которые существенно влияют на колебания уровня глюкозы у женщин с сахарным диабетом. В отличие от стандартных систем мониторинга, данный ИИ-алгоритм будет интегрировать данные непрерывного мониторинга глюкозы с гормональным профилем пациента. Это позволит более точно прогнозировать гипо- и гипергликемические состояния, минимизируя риски осложнений. Разработка направлена на создание высокоточного инструмента поддержки принятия клинических решений для эндокринологов и пациентов. Внедрение такого подхода может значительно повысить качество жизни женщин с диабетом за счет более гибкой и адаптивной терапии.

В России ведется разработка инновационной ИТ-системы на базе искусственного интеллекта, предназначенной для персонализированного управления уровнем глюкозы у женщин с сахарным диабетом. Уникальность продукта заключается в мультимодальном подходе: алгоритмы будут интегрировать данные непрерывного мониторинга глюкозы (CGM) с динамическими показателями гормонального цикла, текущей медикаментозной терапией и данными об образе жизни пациентки. Это позволит учитывать специфические физиологические колебания сахара, вызванные гормональными изменениями, которые часто усложняют стандартную терапию. Внедрение системы обещает повысить точность прогнозирования гипо- и гипергликемических состояний. Технология нацелена на создание предиктивной модели, которая поможет пациентам и врачам более эффективно корректировать дозировки препаратов в зависимости от биологических ритмов организма.

Исследователи из Первого МГМУ имени И.М. Сеченова приступили к разработке инновационной интеллектуальной системы для персонализированного мониторинга гликемии у пациентов с сахарным диабетом. Ключевой особенностью разработки является интеграция алгоритмов машинного обучения, которые учитывают не только текущие показатели глюкозы, но и динамику гормональных циклов организма. Методология исследования базируется на анализе больших данных (Big Data), поступающих с систем непрерывного мониторинга глюкозы (CGM), что позволяет прогнозировать резкие скачки сахара до их фактического возникновения. Ожидается, что внедрение такой системы позволит снизить риск развития тяжелых осложнений диабета за счет более точной превентивной коррекции доз инсулина. Технология ориентирована на создание адаптивных моделей, способных подстраиваться под индивидуальные биоритмы каждого пациента, что значительно повышает точность прогнозирования по сравнению со стандартными методами. Данная разработка имеет высокую практическую значимость для эндокринологии и цифровой медицины в целом.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная архитектура иерархической модели на базе больших языковых моделей (LLM) с использованием технологии Retrieval-Augmented Generation (RAG) для управления диабетической болезнью почек (ДКБ). Основная цель разработки — преодоление проблемы «галлюцинаций» ИИ и обеспечение строгого соответствия актуальным медицинским протоколам. Методология включает многоуровневый процесс извлечения знаний, где модель сначала обращается к верифицированным клиническим руководствам, а затем формирует персонализированные рекомендации. Результаты показывают, что использование иерархического RAG значительно повышает точность ответов и безопасность предложенных терапевтических стратегий по сравнению со стандартными LLM. Данная технология позволяет минимизировать риски неверного назначения препаратов и обеспечивает высокую степень доверия к автоматизированным системам поддержки принятия врачебных решений. Внедрение подобных моделей в клиническую практику может существенно оптимизировать ведение пациентов с хроническими заболеваниями почек.

Исследование оценивает эффективность использования состязательного обучения с использованием слоя реверсии градиента (GRL) для снижения возрастного смещения при прогнозировании диабета. Результаты показывают, что метод может улучшить полноту (recall) для малопредставленных возрастных групп, но не гарантирует стабильного улучшения справедливости из-за чувствительности к разбиению данных.

Статья посвящена формированию перечня цифровых платформ, которые сохраняют доступность в периоды ограничений мобильного интернета по соображениям безопасности. В данный «белый список» вошли специализированные сервисы для дистанционного мониторинга уровня глюкозы в крови, что критически важно для пациентов с сахарным диабетом. Данная мера обеспечивает непрерывность медицинского наблюдения и возможность получения жизненно важных данных даже в условиях нестабильной связи. Внедрение таких протоколов позволяет минимизировать риски для здоровья пользователей, зависящих от цифровых систем контроля. Решение подчеркивает растущую роль телемедицинских технологий и мобильных приложений в управлении хроническими заболеваниями. Это важный шаг в обеспечении цифровой устойчивости медицинских сервисов в условиях чрезвычайных ситуаций.

Минцифры РФ совместно с Минздравом, Росздравнадзором и другими профильными ведомствами расширило перечень цифровых платформ, доступных пользователям даже при ограничениях мобильного интернета. Ключевым нововведением стало включение в этот «белый список» сервисов для дистанционного контроля состояния здоровья, в частности систем непрерывного мониторинга уровня глюкозы (НМГ) в крови. Данное решение принято во исполнение поручения президента РФ и направлено на критически важную задачу: обеспечение бесперебойного доступа пациентов к жизненно важным медицинским данным. Реализация этой меры позволит пациентам с диабетом сохранять стабильную связь с медицинскими устройствами и приложениями, что минимизирует риски, связанные с потерей контроля над уровнем сахара. Это важный шаг в развитии цифрового здравоохранения и обеспечении технологической устойчивости медицинских сервисов в условиях сетевых ограничений.

Исследование оценивает возможности ChatGPT-4o в предоставлении образовательного контента по диабету. Эксперты-эндокринологи подтвердили высокую точность и качество ответов, однако отметили чрезмерную сложность языка, которая может затруднить понимание пациентами с низким уровнем грамотности.

Канадский стартап Aspect Biosystems, базирующийся в Ванкувере, получил значительное государственное финансирование в размере 79 миллионов долларов для развития своих инновационных разработок. Основное внимание компании сосредоточено на создании передовой клеточной терапии для лечения диабета, что может стать прорывом в управлении заболеванием. Проект направлен на создание биоинженерных систем, способных имитировать функции поджелудочной железы и обеспечивать естественную выработку инсулина. Данное исследование находится на стыке биоинженерии и регенеративной медицины, что потенциально подразумевает использование высокотехнологичных методов выращивания тканей. Полученные средства позволят ускорить переход от лабораторных исследований к клиническим испытаниям. Успех этой инициативы может изменить парадигму лечения диабета, переходя от пожизненного введения инсулина к восстановлению функций организма.

Исследование представляет применение архитектуры жидких нейронных сетей (LNN) для диагностики пародонтита у пациентов с диабетом на основе метаболического анализа слюны. Методология включает сбор слюнных образцов от пациентов с диабетом и последующий метаболический профилирование с использованием масс-спектрометрии. Разработанная модель LNN обучалась на метаболических отпечатках для выявления пациентов с высоким риском развития пародонтита. Ключевые результаты показывают высокую точность классификации, превосходящую традиционные методы диагностики. Применение лёгких нейронных сетей позволяет снизить вычислительные требования, делая технологию пригодной для клинического использования в условиях ограниченных ресурсов. Исследование демонстрирует перспективность неинвазивных методов диагностики в сочетании с современным ИИ для скрининга осложнений диабета. Работа опубликована в ведущем журнале npj Digital Medicine, что подтверждает её научную значимость и соответствие стандартам цифрового здравоохранения.

Исследование представляет интегрированный подход к виртуальному скринингу для идентификации новых агонистов рецептора глюкагоноподобного пептида-1 (GLP-1R), ключевого терапевтического мишени при диабете и ожирении. Авторы разработали консенсус-стратегию, объединяющую лиганд-ориентированные дескрипторы, мульти-отпечатки сходства, электростатическое сходство, фармакофоровое моделирование и многоконформационный докинг. Методология позволила выявить три химически различных класса кандидатов-агонистов GLP-1R: непептидную молекулу GQB47810, пептид нейромедицина C и малый пептид 2,5-Pen-enkephalin (DPDPE). В ходе экспериментальной проверки DPDPE показал наибольшую эффективность, достигнув значений, сравнимых с GLP-1, хотя с меньшей потенцией. Дальнейшая in vitro характеризация подтвердила, что пентептид пент-энкефалин действует как полный агонист и демонстрирует двойную активацию GLP-1R/GIPR. Найденные результаты устанавливают переносимую вычислительную рамку для открытия разнообразных по химическому типу агонистов у конформационно гибких мишеней GPCR. Это исследование представляет значимый вклад в разработку новых терапевтических средств против метаболических заболеваний, расширяя химическое разнообразие лигандов GLP-1R за пределы пептидных агонистов.

Исследование применяет машинное обучение для предсказания подтипов MODY (GCK-MODY и HNF1A-MODY) до генетического тестирования. Гауссовский наивный байесовский классификатор показал ROC AUC 0.724 для GCK-MODY, а Random Forest — 0.712 для HNF1A-MODY. SHAP-анализ обеспечил интерпретируемость модели.

Компания MiniMed получила одобрение FDA на новый инсулиновый насос MiniMed Flex — самый компактный в линейке производителя. Устройство размером примерно с две сложенные друг на друга инсулиновые ампулы работает без встроенного экрана, управляясь преимущественно через смартфон пользователя. Насос оснащен алгоритмами SmartGuard для дозирования инсулина и функциями обнаружения приёма пищи — технологии машинного обучения, автоматически рассчитывающие потребность в инсулине на основе данных непрерывного мониторинга глюкозы. FDA одобрило использование устройства для пациентов с диабетом 1 типа в возрасте от 7 лет и с диабетом 2 типа от 18 лет. MiniMed Flex совместим с непрерывным монитором глюкозы Simplera Sync компании и новым сенсором Instinct от Abbott с 15-дневным сроком работы. Компания MiniMed отделилась от Medtronic в начале марта 2026 года, провела IPO 9 марта, собрав около 538 миллионов долларов, при этом Medtronic сохраняет 90% акций. Европейское одобрение для комбинации насоса 780G и сенсора Instinct также получено в этом месяце. Автоматизированные системы доставки инсулина с алгоритмами машинного обучения представляют собой важный шаг в персонализированном лечении диабета, позволяя пациентам меньше времени уделять управлению заболеванием.