В исследовании сравниваются классические методы машинного обучения (Random Forest) и архитектуры глубокого обучения (CNN–GRU, CNN–BiLSTM) для классификации аритмий на основе сигналов ПГК (фотоплетизмографии) и акселерометра со смарт-часов. Модель Random Forest показала наилучшую общую точность (91.22%) и F1-меру, в то время как гибридная модель CNN–BiLSTM обеспечила лучшую чувствительность к редким классам аритмий, что подтверждает жизнеспособность ИИ для носимого кардиомониторинга.
В статье представлены рекомендации экспертов по созданию цифровых вмешательств для повышения физической активности пожилых людей, основанные на консенсусе проекта PhysAgeNet. Особое внимание уделено интеграции клинических руководств, принципов пользовательского дизайна и оценке эффективности носимых устройств, приложений и телемедицинских платформ.
PhysAgeNet / Scientific Journal (likely BMC Geriatrics or similar, inferred from context)
Новость7525 сент.
Статья обсужает эволюцию носимых устройств (wearables) от потребительского сегмента к клиническому применению, подчеркивая потенциал ИИ для анализа данных о жизненных показателях, походке и гидратации. Рассматриваются вопросы интеграции этих данных в электронные медицинские карты, валидации для клинических испытаний и регуляторных путей, а также упоминаются выступления экспертов на конференции INVEST Digital Health.
Компания Oura, известная своими умными кольцами для отслеживания показателей здоровья, подала заявку на первичное публичное размещение акций (IPO) в четверг. Цель размещения — привлечь финансирование для следующего этапа роста, в рамках которого компания намерена построить платформу профилактического здравоохранения на основе искусственного интеллекта. Oura позиционирует себя не просто как производитель носимых устройств, а как игрока в сфере цифрового здравоохранения, использующего ИИ для анализа биометрических данных, собираемых кольцом (частота сердечных сокращений, температура тела, качество сна и другие показатели). Компания планирует использовать привлеченные средства для расширения функциональности своей платформы, включая более глубокую аналитику на базе машинного обучения и персонализированные рекомендации для пользователей. Это IPO отражает растущий интерес инвесторов к компаниям, сочетающим аппаратное обеспечение для мониторинга здоровья с программными ИИ-решениями, направленными на профилактику заболеваний и улучшение общего самочувствия. Точная дата размещения и оценка компании пока не раскрываются, однако сам факт подачи заявки подчеркивает стратегический сдвиг Oura в сторону ИИ-ориентированной модели здравоохранения.
Amae Health объявила о партнёрстве с Google Health с целью интеграции данных с носимых устройств в систему помощи пациентам с серьёзными психическими заболеваниями (SMI). Долгосрочная цель проекта — разработка предиктивной модели на основе машинного обучения, которая будет анализировать данные с wearable-устройств и другие источники информации для оценки состояния заболевания и его прогрессирования. Система предназначена для выявления ранних предупреждающих признаков клинического ухудшения у пациентов, что позволит своевременно вмешиваться и корректировать лечение. Интеграция данных носимых устройств открывает возможности для непрерывного мониторинга пациентов в реальных условиях, а не только во время визитов к врачу. Партнёрство с Google Health предоставляет доступ к технологической инфраструктуре и экспертизе в области обработки медицинских данных. Данная инициатива представляет собой пример применения ИИ-технологий для улучшения помощи в области ментального здоровья, где раннее выявление проблем особенно критично. Однако в предоставленном материале отсутствуют конкретные детали о стадии разработки, планах внедрения или ожидаемых сроках запуска продукта.
Данная публикация представляет собой официальное исправление (Author Correction) к ранее опубликованной статье в журнале npj Digital Medicine от 1 августа 2026 года. Оригинальное исследование посвящено разработке цифровых биомаркеров для оценки здоровья мозга с использованием данных от носимых сенсоров, которые обеспечивают пассивный и непрерывный мониторинг показателей. Цифровые биомаркеры в данном контексте предполагают применение алгоритмов машинного обучения для обработки потоковых данных с носимых устройств (акселерометры, гироскопы, датчики сердечного ритма и др.) с целью выявления паттернов, связанных с неврологическим статусом пациента. Однако предоставленный текст содержит только библиографические метаданные (DOI: 10.1038/s41746-026-03031-4, название журнала, дату публикации) без фактического содержания исправления или оригинальной статьи. В связи с этим невозможно извлечь конкретные методологические детали, количественные результаты, имена авторов или существенные выводы исследования. Для полноценной оценки вклада в область ИИ в медицине необходим доступ к полному тексту оригинальной публикации и самого исправления.
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.
В статье представлено инновационное решение для диагностики муковисцидоза — гибкая носимая система, объединяющая функции стимуляции потоотделения и высокоточного анализа содержания хлоридов. Устройство разработано для замены традиционных, трудоемких и инвазивных методов тестирования потовой функции. Методология исследования включает интеграцию микрофлюидных каналов и электрохимических сенсоров в гибкую подложку, которая обеспечивает плотное прилегание к коже. Ключевые результаты демонстрируют высокую корреляцию между показаниями носимого устройства и «золотым стандартом» клинических тестов, обеспечивая непрерывный мониторинг и мгновенный анализ ионов. Данная технология имеет критическое значение для практики, так как позволяет проводить скрининг и мониторинг состояния пациентов в домашних условиях, значительно повышая доступность ранней диагностики генетического заболевания.
В исследовании представлена концепция цифрового двойника (Digital Twin) для мониторинга состояния беременных женщин. Авторы протестировали интеграцию клинических данных и показателей с носимых устройств для прогнозирования гестационного диабета и преэклампсии, выявив потенциал и текущие ограничения метода.
Компания Samsung представила бета-версию своего нового интеллектуального помощника Samsung Health Assistant, интегрированного непосредственно в приложение Samsung Health. Инструмент использует технологии искусственного интеллекта для предоставления пользователям персонализированных рекомендаций и ответов на вопросы, касающиеся их состояния здоровья и образа жизни. Основная методология продукта заключается в анализе пользовательских данных для формирования индивидуальных планов оздоровления и оперативной обратной связи. В рамках бета-тестирования сервис доступен пользователям на территории США, что позволяет собрать массив данных для дальнейшей оптимизации алгоритмов машинного обучения. Данное решение знаменует переход от простого мониторинга показателей к активному интеллектуальному сопровождению пациента в повседневной жизни. Внедрение подобных ИИ-ассистентов повышает вовлеченность пользователей в управление своим здоровьем и может стать важным звеном в экосистеме цифровой медицины.
Согласно результатам опроса Американской медицинской ассоциации (AMA), врачи признают высокий потенциал носимых устройств для улучшения качества ухода за пациентами, однако текущая инфраструктура здравоохранения не готова к их полноценному внедрению. Основной проблемой является отсутствие эффективных механизмов интеграции потоковых данных с датчиков непосредственно в клиническую практику и электронные медицинские карты. Врачи выражают готовность использовать информацию о физической активности и жизненно важных показателях, но сталкиваются с проблемой избыточности данных и отсутствием стандартизированных протоколов их обработки. Исследование подчеркивает разрыв между технологическими возможностями потребительских гаджетов и способностью медицинских систем интерпретировать эти данные для принятия клинических решений. Для успешного внедрения требуется разработка новых рабочих процессов, которые позволят фильтровать значимую медицинскую информацию от информационного шума. В конечном итоге, без системной интеграции носимые устройства останутся лишь вспомогательным инструментом, не влияющим на стандарты лечения.
В данной научной работе представлена инновационная методология обработки сигналов электрокардиограммы (ЭКГ), объединяющая методы эмпирической модовой декомпозиции (EMD) и вейвлет-преобразования. Основная цель исследования заключается в повышении точности автоматического обнаружения R-пиков, что является критически важным этапом для анализа сердечного ритма, и одновременном снижении объема передаваемых данных. Авторы предлагают алгоритм, который эффективно разделяет сигнал на компоненты, позволяя минимизировать потери при сжатии без ущерба для диагностически значимых признаков. Использование комбинированного подхода позволяет преодолеть ограничения традиционных методов, таких как высокая чувствительность к шумам и неэффективное использование полосы пропускания. Результаты демонстрируют высокую точность детекции в условиях зашумленных сигналов, что делает данную технологию перспективной для интеграции в носимые медицинские устройства и системы удаленного мониторинга пациентов. Внедрение предложенной схемы может значительно оптимизировать работу систем телемедицины и снизить нагрузку на хранилища медицинских данных.
В статье исследуется инновационный метод использования квантованных представлений электрокардиограмм (ЭКГ) для глубокого анализа сердечной деятельности с помощью искусственного интеллекта. Исследователи разработали архитектуру, которая позволяет преобразовывать сложные сигналы ЭКГ в компактные, но информативные цифровые представления, минимизируя потерю критически важных клинических данных. Методология базируется на применении продвинутых алгоритмов квантования, что позволяет моделям машинного обучения более эффективно выявлять скрытые паттерны аритмий и других патологий. Ключевым результатом работы является значительное повышение точности классификации кардиологических состояний при одновременном снижении вычислительной нагрузки на устройства. Данная технология имеет колоссальное значение для развития носимых медицинских гаджетов и систем удаленного мониторинга пациентов, позволяя проводить высокоточную диагностику в режиме реального времени непосредственно на периферийных устройствах.
Обзор посвящен использованию мобильных устройств, носимых гаджетов и сенсоров для неинвазивного мониторинга уровня стресса у детей. Работа систематизирует существующие технологии и протоколы, выявляя пробелы для будущих исследований в области педиатрического ментального здоровья.
Исследование оценивает возможность использования данных с носимых акселерометров для автоматической оценки тяжести симптомов болезни Паркинсона. С помощью моделей машинного обучения авторы продемонстрировали корреляцию между показателями актиграфии и клинической шкалой MDS-UPDRS, что открывает путь к непрерывному мониторингу пациентов.
В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методология комплексной оценки параметров походки человека с помощью носимых инерциальных датчиков (IMU). Авторы предлагают использовать архитектуру иерархического многозадачного обучения (Hierarchical Multi-Task Learning, HMTL) для одновременного извлечения различных характеристик движения. В отличие от традиционных подходов, этот метод позволяет модели эффективно разделять общие признаки движения и специфические параметры, что значительно повышает точность анализа. Исследование фокусируется на автоматизации процесса мониторинга биомеханики, что критически важно для ранней диагностики неврологических расстройств и реабилитации пациентов. Применение глубокого обучения в сочетании с инерциальными данными позволяет достичь высокой точности в распознавании паттернов ходьбы в реальном времени. Данная разработка имеет высокую практическую значимость для телемедицины и персонализированного мониторинга состояния пациентов вне клинических условий.
Исследование изучает взаимосвязь между физической, когнитивной и эмоциональной усталостью и физиологическими показателями (ЭКГ, сатурация, ЧСС) у пациентов после COVID-19. Результаты показывают, что комбинация различных видов усталости сильнее коррелирует с изменениями вегетативной нервной системы, особенно во время сна.
Исследование представляет ActiTect — инновационный программный конвейер на базе машинного обучения, разработанный для автоматизированного скрининга расстройства поведения в фазе быстрого сна (RBD). Методология исследования опирается на использование стандартизированной актиграфии, что позволяет перенести процесс диагностики из специализированных лабораторий сна в условия домашнего мониторинга. Система анализирует паттерны движения пациента, используя алгоритмы глубокого обучения для выявления специфических признаков RBD. Ключевой особенностью ActiTect является его высокая обобщающая способность, позволяющая эффективно работать на различных наборах данных без потери точности. Внедрение данного решения может значительно повысить доступность ранней диагностики нейродегенеративных заболеваний, связанных с RBD, за счет снижения нагрузки на клинический персонал и стоимости обследований. Результаты демонстрируют потенциал автоматизации рутинного скрининга с использованием носимых устройств.
В исследовании, опубликованном в журнале npj Digital Medicine, рассматривается использование носимых устройств с акселерометрами для мониторинга состояния пожилых людей. Авторы разработали методику анализа паттернов повседневной активности, которая позволяет с высокой точностью предсказывать развитие физической хрупкости (frailty) и психологический фактор — страх перед падением. Методология основывается на непрерывном сборе данных о движении, что позволяет выявить скрытые изменения в биомеханике ходьбы и уровне общей активности. Ключевые результаты показывают, что алгоритмы машинного обучения способны идентифицировать предвестники снижения мобильности задолго до клинических проявлений. Это исследование имеет критическое значение для превентивной медицины, так как позволяет внедрять системы раннего предупреждения и персонализированные программы реабилитации на основе объективных данных носимых устройств.
Исследование посвящено разработке аналитических моделей для прогнозирования динамики уровня глюкозы после еды на основе данных с носимых устройств. Авторы выявили, что макронутриенты и вариативность движений запястья являются ключевыми предикторами индивидуальных гликемических ответов в реальных условиях.
