персонализированная медицина

Статья критикует современные ИИ-инструменты для медицинской документации, которые автоматически генерируют коды ICD-10 для выставления счетов, но не обеспечивают клинически точные диагнозы. Автор подчёркивает, что система кодирования ICD-10 создана для классификации визитов с целью оплаты, а не для отражения клинической реальности. Неспецифические коды (например, «злокачественное новообразование мозга, неуточнённое») позволяют получить оплату, но скрывают критически важную информацию — например, отличие глиобластомы от других опухолей мозга, что требует совершенно разных подходов к лечению. Проблема становится особенно острой в эпоху геномики и таргетной терапии, где решение о лечении зависит от конкретного генетического варианта. На примере болезни Шарко-Мари-Тута (наследственная нейропатия) показано: раньше лечения не существовало, но сегодня разрабатываются таргетные препараты, доступ к которым возможен только при точном диагнозе с указанием конкретного генетического варианта. Размытые диагнозы навсегда остаются в истории болезни и влияют на клинические решения годами, лишая пациентов доступа к персонализированному лечению. Автор предупреждает, что этот разрыв между кодом для плательщика и информацией для врача превращается из неудобства в проблему безопасности пациентов.

Исследователи разработали новый фреймворк для оценки биологического возраста с учётом неопределённости предсказаний, генерирующий калиброванные доверительные интервалы и индивидуализированные вероятности ускоренного или замедленного старения alongside традиционных точечных оценок. Методология была применена к данным UK Biobank Pharma Proteomics Project с оценкой трёх композитных и одиннадцати органоспецифичных часов биологического возраста. Результаты показали, что предсказательная неопределённость существенно варьируется как внутри, так и между различными часами, причём часы с низкой точностью (включая многие органоспецифичные) предоставляют мало доказательств для уверенного определения ускоренного или замедленного старения. Ширина доверительного интервала предсказания независимо ассоциировалась с риском заболеваний и смертностью, особенно для композитных, мозговых и иммунных часов, что указывает на то, что неопределённость предсказания отражает дополнительный аспект биологического старения, связанный с молекулярной гетерогенностью и дисрегуляцией. findings были реплицированы в Biobank Japan и независимой клинической когорте Стэнфорда. Фреймворк позволяет улучшить индивидуальную стратификацию рисков для профилактики заболеваний и лонгитюдного мониторинга, предоставляя более информативную характеристику биологического старения по сравнению с традиционными методами.

Исследование оценивает применимость современных ИИ-моделей предсказания функционального эффекта генетических вариантов (AlphaMissense, ESM-2) к ферментам цитохрома P450, которые метаболизируют около 75% клинически используемых лекарств. Авторы демонстрируют, что гомологические модели систематически ошибаются на фармакогенах: AlphaMissense классифицирует варианты как «неоднозначные» почти в два раза чаще, чем в среднем по протеому, а внутри этого класса корреляция с экспериментальной активностью CYP2C9 составляет всего ρ = 0,069. Исследователи разработали ансамблевую модель на основе k-ближайших соседей над эмбеддингами ESM-2, которая улучшила корреляцию для неоднозначных вариантов в 10 раз — с ρ = 0,069 до ρ = 0,715 (общая корреляция выросла с 0,638 до 0,825). Однако даже эта улучшенная точность не согласуется с клиническими аннотациями. Авторы выдвигают гипотезу, что ключевой недостающий признак — идентичность субстрата, поскольку эффект варианта может зависеть от конкретного лекарства, и предлагают переопределить функцию как условную относительно субстрата. Работа имеет прямое значение для персонализированной медицины и фармакогеномики, указывая на фундаментальные ограничения текущих ИИ-подходов в предсказании лекарственного ответа.

Исследователи разработали новую архитектуру глубокого обучения CREAM (Contrastive Regulatory Embeddings Attention Model) для предсказания персонализированной экспрессии генов на основе последовательностей ДНК. Основная проблема, которую решает модель — обучение межиндивидуальных различий, когда вариации последовательности ДНК между людьми минимальны, а экспрессия генов сильно зависит от негенетического шума. Методология включает декомпозицию экспрессии генов на генетические и негенетические компоненты, а также использование контрастных регуляторных эмбеддингов для улавливания тонких различий в последовательностях. Модель была оценена на симулированных данных и транскриптомных наборах данных GTEx, где продемонстрировала значительное превосходство над базовыми архитектурами на обучающих генах и способность автономно приоритизировать статистически точно определённые причинные локусы количественных признаков экспрессии (eQTL). Введение вспомогательного индуктивного смещения L1 дополнительно улучшило локализацию причинных вариантов в невиданных генах. Однако обобщение на предсказание экспрессии невиданных генов остаётся нерешённой проблемой — корреляция падает практически до нуля у всех тестированных методов. Исследование подчёркивает ключевые препятствия в моделировании персонализированной генной регуляции и намечает направления для будущих разработок в области прецизионной медицины.

Исследование представляет новый метод интерпретации протеиновых языковых моделей (PLM) для идентификации функционально значимых регионов белков. Авторы использовали модель ESM-2 (Evolutionary Scale Modelling 2) для выявления сайтов с высоким вниманием (HA sites) — специфических аминокислотных остатков, которым модель assigns наибольшее внимание на ранних этапах кодирования. Применено unsupervised clustering для категоризации HA сайтов на четыре типа: «структурное ядро», «структурные патогенные», «ядерные патогенные» и «низкая достоверность». Методология включала интеграцию с предсказаниями патогенности AlphaMissense и данными пан-ракового анализа всего генома (PCAWG) для валидации. Результаты показали, что HA сайты эффективно предсказывают белковые регионы с высоким патогенным риском и могут идентифицировать кандидатные сайты связывания. В нескольких примерах онкологических белков метод обнаружил ранее неизвестные регионы с высокой вероятностью взаимодействия, что имеет потенциальную терапевтическую ценность. Работа демонстрирует биологическую интерпретируемость представлений PLM и предлагает практический инструмент для приоритизации функционально релевантных белковых остатков в биомедицинских исследованиях и разработке таргетных терапий.

Стартап Pathos AI secured права на два экспериментальных противораковых препарата (JSKN016 и AZD4241) и будет использовать свою проприетарную ИИ-платформу Foundry для ускорения клинических испытаний. Платформа employs тысячи ИИ-агентов для анализа биологических и клинических данных, идентификации пациентов, дизайна исследований и оптимизации дозировок.

Исследование оценивает пять методов вывода локальной родословной (local ancestry inference), включая две вероятностные базовые модели, RFMix, FLARE и свёрточную нейронную сеть с дилатацией, на данных с различной генетической дивергенцией (FST от 0.0022 до 0.243). Выявлено три ключевых результата: во-первых, существует порог осуществимости — при FST=0.0022 ни один метод не превышает точность 0.575, а для пары CHB/CHS при FST=0.00042 максимум составляет 0.551, что делает невозможным тонкий анализ близкородственных популяций. Во-вторых, точность на уровне отдельных позиций скрывает структурные ошибки: наиболее точный метод генерирует в 78.8 раз больше трактов, чем должно быть, что приводит к оценке времени адмиксации в 61.2 раз древнее реального, однако Viterbi-декодирование устраняет эту проблему без потери точности. В-третьих, превосходство методов на симулированных данных не воспроизводится на реальных данных 1000 Genomes, и основной лимитирующий фактор — не архитектура модели (внимание, state-space слои, предобучение дают прирост не более 0.006), а качество входных данных и размер референсной панели (добавление гаплотипной информации даёт +0.031 на 8 из 8 пар при FST<0.04). Работа имеет значение для генетических исследований заболеваний и персонализированной медицины, поскольку точный вывод родословной критичен для admixture mapping и ancestry-specific association testing.

Статья предлагает структуру валидации для цифровых двойников в медицине, связывающую доказательную базу с типом клинического утверждения (описательное, предиктивное, интервенционное и др.). Авторы подчёркивают, что ключевая проблема — не сложность моделей, а клиническая достоверность, и предлагают интегрировать верификацию, калибровку, оценку неопределённости и постдеплоймент-мониторинг.

Vanderbilt Health и Siemens Healthineers заключили многолетнее партнёрство на $87 млн для модернизации диагностической визуализации и лучевой онкологии в больницах Нэшвилла. Соглашение включает изучение возможностей внедрения ИИ-технологий и инноваций рабочих процессов в радиологии и персонализированной медицине, хотя основная фокусировка — на оборудовании и инфраструктуре.

В статье представлена инновационная архитектура LogicSleep, предназначенная для автоматизированного определения стадий сна с использованием нейросимволического подхода. В отличие от традиционных «черных ящиков» глубокого обучения, данная методология сочетает в себе мощь нейронных сетей для извлечения признаков и символьную логику для обеспечения интерпретируемости результатов. Исследование направлено на решение проблемы персонализации, так как модель учитывает индивидуальные особенности биоритмов пациента при анализе полисомнографии. Ключевым преимуществом LogicSleep является высокая точность классификации в сочетании с возможностью объяснения логических шагов, принятых алгоритмом при разделении фаз сна. Это делает технологию пригодной для клинического использования, где врачу необходимо понимать обоснование автоматизированного диагноза. Внедрение подобного фреймворка может значительно ускорить процесс диагностики расстройств сна и повысить точность мониторинга пациентов в домашних условиях.

Компания «Эвалар» представила собственную разработку — интеллектуального ИИ-ассистента по имени Эва, выполняющего функции виртуального нутрициолога. Проект создавался ИТ-специалистами компании на протяжении одного года, а полноценный запуск системы в эксплуатацию состоялся около двух месяцев назад. Основная задача бота заключается в автоматизированном подборе биологически активных добавок (БАД) на основе запросов пользователей. Несмотря на использование технологий искусственного интеллекта, продукт ориентирован на потребительский сегмент и коммерческое использование в рамках нутрициологической поддержки. Данная разработка демонстрирует тренд на внедрение ИИ в сферу персонализированного потребления продуктов для здоровья и автоматизацию консультационных услуг.

В исследовании представлен новый биоинформатический инструмент EXCAVATE-HT, предназначенный для высокопроизводительного поиска мишеней для аллель-специфичного редактирования генома с помощью системы CRISPR/Cas. Основная инновация заключается в возможности таргетирования распространенных однонуклеотидных полиморфизмов (SNP), что позволяет охватить значительно большее количество пациентов по сравнению с подходом, ориентированным на редкие мутации. Алгоритм анализирует популяционные данные вариантов, позволяя пользователям задавать интересующие локусы, тип Cas-белка и частоту SNP для генерации аннотированных списков направляющих РНК (gRNA). Инструмент также способен проектировать библиотеки пар gRNA для осуществления эксцизии (вырезания) участков ДНК. В ходе тестирования на гене CRX (Cone-Rod Homeobox), ответственном за наследственные заболевания зрения, EXCAVATE-HT продемонстрировал способность проектировать стратегии, которые потенциально могут помочь более чем 30-кратному количеству пациентов по сравнению с таргетированием одной конкретной мутации. Данная разработка имеет критическое значение для развития персонализированной геномной терапии и масштабирования методов генного редактирования.

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.

Компания Tempus AI, Inc. официально объявила о масштабном национальном запуске своего решения OneOme, специализирующегося на фармакогеномном тестировании (PGx). Данный продукт направлен на интеграцию передовых генетических данных в клиническую практику для обеспечения персонализированного подхода к подбору лекарственной терапии. Использование ИИ-технологий компании позволяет анализировать генетические вариации пациентов, что критически важно для минимизации побочных эффектов и повышения эффективности лечения. Внедрение OneOme способствует развитию прецизионной медицины, позволяя врачам принимать более обоснованные решения на основе генетического профиля. Проект нацелен на повышение общей безопасности пациентов за счет предотвращения нежелательных лекарственных реакций. Это решение представляет собой важный шаг в коммерциализации ИИ-инструментов для точной диагностики и персонализированного подбора терапии в масштабах всей страны.

OpenAI запускает возможность интеграции данных Apple Health и медицинских карт (из систем США) напрямую в чат ChatGPT. Это позволяет модели использовать контекст лекарств, анализов и истории посещений для персонализированных ответов в любых диалогах.

Компания Prosper Medical, специализирующаяся на использовании искусственного интеллекта в здравоохранении, успешно завершила раунд посевного финансирования, привлечив 16 миллионов долларов США. Полученные средства будут направлены на масштабирование их инновационной платформы, которая использует технологии ИИ для предоставления услуг персонализированной консьерж-медицины. Основная цель проекта заключается в повышении доступности высококачественного и оперативного медицинского обслуживания за счет автоматизации и интеллектуальной поддержки процессов. Платформа призвана оптимизировать взаимодействие между пациентами и медицинскими работниками, делая модель консьерж-сервиса более масштабируемой и эффективной. Данное инвестиционное решение подчеркивает растущий интерес венчурного капитала к ИИ-решениям, которые трансформируют организацию медицинской помощи и клиентский опыт в частном секторе здравоохранения.

Обзор посвящен интеграции машинного обучения и механистических моделей для создания цифровых двойников пациентов. В работе предлагается гибридный подход для персонализации лечения и мониторинга состояния пожилых онкологических больных, подкрепленный кейсом с использованием марковских процессов принятия решений.

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.

Группа ученых из ведущих китайских институтов (Фуданьский университет, Шанхайский университет Цзяотун и др.) разработала инновационную модель искусственного интеллекта для классификации большого депрессивного расстройства (БДР). Используя данные функциональной магнитно-резонансной томографии (фМРТ), алгоритм способен выделять два distinct биологических подтипа заболевания, которые ранее было сложно дифференцировать клинически. Исследование, опубликованное в журнале Digital Medicine, демонстрирует потенциал перехода от симптоматического подхода к биологически обоснованному лечению психических расстройств. Ключевая ценность разработки заключается в возможности прогнозирования вероятности ответа пациента на терапию еще до начала лечения. Внедрение данной модели в клиническую практику позволит врачам осуществлять персонализированный подбор медикаментозного и психотерапевтического вмешательства, минимизируя метод проб и ошибок. Это открывает новые горизонты в области прецизионной психиатрии и цифровой диагностики.