прогнозирование

В исследовании, опубликованном в журнале npj Digital Medicine 2 октября 2026 года, представлена новая модель машинного обучения, способная прогнозировать риск трехлетней смертности у пациентов с кардиометаболическим синдромом почек (CKM). Данное состояние представляет собой комплексное нарушение, объединяющее сердечно-сосудистые заболевания, патологии почек и метаболические отклонения, что требует сложных подходов к оценке прогноза. Авторы разработали алгоритм, который анализирует клинические данные для выявления пациентов с высоким риском летального исхода в течение трех лет. Модель демонстрирует высокую точность предсказаний, что позволяет врачам своевременно корректировать тактику лечения и назначать агрессивную терапию группам повышенного риска. Использование ИИ в данном контексте решает проблему недостаточной эффективности традиционных шкал риска при комплексных мультиорганных патологиях. Результаты исследования подчеркивают важность интеграции методов искусственного интеллекта в клиническую практику для персонализации медицины и улучшения выживаемости пациентов с тяжелыми хроническими состояниями. Работа вносит значительный вклад в развитие цифровых инструментов поддержки принятия врачебных решений в кардиологии и нефрологии.

В исследовании разработана и валидирована модель прогнозирования долгосрочного почечного прогноза у пациентов с васкулитом, ассоциированным с АНЦА, путем объединения радиомиксных признаков КТ почек и клинических маркеров. Модель на основе алгоритма XGBoost продемонстрировала высокую точность (AUC 0.93 для предсказания ЭПН через 3 года), значительно превосходя чисто клинические модели.

В исследовании, опубликованном в журнале npj Digital Medicine 29 сентября 2026 года, представлена и валидирована модель машинного обучения, предназначенная для предоперационного прогнозирования риска развития некупируемой гипоксемии у пациентов, подвергающихся повторным хирургическим вмешательствам на легких. Некупируемая гипоксемия является тяжелым послеоперационным осложнением, значительно повышающим смертность и продолжительность госпитализации, поэтому раннее выявление групп высокого риска критически важно для планирования тактики ведения пациента. Модель обучалась на основе клинических данных, включающих демографические показатели, результаты визуализации, лабораторные тесты и историю предыдущих операций, с целью выявления сложных нелинейных зависимостей, которые трудно уловить традиционными статистическими методами. В ходе валидации алгоритм продемонстрировал высокую прогностическую способность, превосходя стандартные клинические шкалы по чувствительности и специфичности, что позволяет анестезиологам и хирургам заранее адаптировать стратегии вентиляции легких и подготовки к операции. Внедрение данного инструмента в клиническую практику может способствовать снижению частоты тяжелых осложнений, оптимизации использования ресурсов отделений интенсивной терапии и улучшению общих исходов лечения для пациентов с патологией легких, требующих повторных вмешательств. Исследование подчеркивает значимость применения методов искусственного интеллекта для персонализации предоперационной оценки и принятия клинических решений в торакальной хирургии.

В обзоре издания Vademecum представлены разработки российских научных и образовательных организаций в сфере женского здоровья, с особым акцентом на применение искусственного интеллекта и машинного обучения. Среди ключевых ИИ-решений выделяется платформа для сопровождения беременности, находящаяся в стадии разработки, а также модели на базе машинного обучения для прогнозирования преэклампсии и экстремально ранних преждевременных родов. Помимо алгоритмов предсказания, в статье упоминаются и другие медицинские инновации: метод хирургического гемостаза при удалении эндометриоидных кист яичников, калькулятор для оценки вероятности HELLP-синдрома и способы прогнозирования исходов экстракорпорального оплодотворения (ЭКО). Исследования также охватывают вопросы сохранения фертильности при заболеваниях эндометрия. Комплексный подход объединяет как традиционные хирургические и диагностические методы, так и современные цифровые технологии, что повышает точность клинических решений. Эти разработки направлены на улучшение ведения беременности, снижение рисков осложнений и персонализацию лечения в гинекологии и репродуктологии. Статья демонстрирует активное внедрение ИИ-инструментов в российскую медицинскую практику для решения сложных акушерско-гинекологических задач.

В исследовании, опубликованном в npj Digital Medicine 7 сентября 2026 года, представлена мультимодальная модель искусственного интеллекта для прогнозирования риска рецидива менингиомы после радиотерапии. Модель объединяет перитуморальные МРТ-изображения (область вокруг опухоли) с клиническими данными пациентов, что позволяет более точно стратифицировать пациентов по группам риска по сравнению с традиционными подходами. Авторы использовали методы глубокого обучения для анализа радиомических признаков перитуморальной зоны, которые отражают микроинвазию и биологическое поведение опухоли, недоступные при стандартной оценке только самой опухоли. Валидация модели проводилась на ретроспективных когортах пациентов с менингиомой, получавших лучевую терапию, с оценкой дискриминационной способности через AUC (площадь под ROC-кривой). Результаты показали значительное улучшение точности прогноза рецидива по сравнению с моделями, использующими только клинические параметры или только внутриопухолевые МРТ-признаки. Интеграция перитуморальных радиомических характеристик позволила выявить скрытые паттерны, связанные с агрессивностью опухоли, что может помочь в персонализации адъювантной терапии и выборе тактики наблюдения. Работа подчеркивает потенциал мультимодального ИИ в нейроонкологии для улучшения стратификации риска и принятия клинических решений, однако требует проспективной валидации перед внедрением в рутинную практику.

В исследовании, опубликованном в npj Digital Medicine 1 сентября 2026 года, представлена мультимодальная модель машинного обучения, которая прогнозирует раннюю конверсию к артропластике (эндопротезированию) у пациентов с интракапсулярными переломами шейки бедра. Модель объединяет данные компьютерной томографии (КТ) с клиническими и демографическими параметрами, что позволяет более точно предсказывать необходимость хирургического вмешательства в ранние сроки. В исследовании использовались данные пациентов с такими переломами, при этом модель продемонстрировала высокую прогностическую точность, превосходящую традиционные клинические оценки. Ключевые результаты включают улучшение AUC (площади под кривой) до 0.87 по сравнению с 0.72 у стандартных моделей, что подтверждает значимость КТ-признаков. Разработанная модель может помочь врачам принимать более обоснованные решения о тактике лечения, снижая риск повторных операций и улучшая функциональные исходы. Этот подход подчеркивает потенциал интеграции медицинской визуализации и машинного обучения в ортопедической практике, открывая путь к персонализированной хирургии.

В биомедицинских исследованиях всё чаще собираются многомерные данные разных типов (геномные, транскриптомные, протеомные, метаболомные) от одних и тех же субъектов. Интеграция этих данных может улучшить прогнозирование за счёт использования общей или комплементарной информации. Кооперативное обучение — это подход, основанный на согласовании прогнозов, получаемых от отдельных типов данных, однако исходная модель предполагает независимость наблюдений и не учитывает кластерную структуру (например, повторные измерения у одного субъекта). Авторы предлагают метод Cooperative Learning with a penalized Linear Mixed Model (CL-pLMM) для многомерных данных высокой размерности с кластерной структурой. CL-pLMM заменяет обычную функцию потерь в кооперативном обучении на ковариационно-взвешенную, учитывающую внутрикластерную зависимость, сохраняя штраф согласования между типами данных и Lasso-штраф для отбора переменных. Показано, что целевую функцию можно представить как регуляризованную линейную модель со смешанными эффектами на дополненных данных, что позволяет использовать существующие процедуры оценки. Эффективность CL-pLMM проверена в симуляционных исследованиях при различных настройках сигнала и зависимости, а также на реальных продольных протеомных и метаболомных данных для прогнозирования времени до спонтанных родов. Метод позволяет повысить точность прогнозов и улучшить отбор признаков в кластеризованных многомерных данных, что актуально для биомедицинских приложений с повторными измерениями.

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), авторы Carl Harris, Samuel Schmidgall, Sampath Rapuri, Kevin Hwang, Michael Moor и Robert D. Stevens рассматривают возможности и вызовы применения фундаментальных моделей (foundation models) в отделениях интенсивной терапии (ОИТ). Фундаментальные модели — это крупные предобученные нейросети (например, трансформеры), которые могут быть адаптированы для множества задач без обучения с нуля. Авторы анализируют текущее состояние технологий: от моделей, работающих с электронными медицинскими картами (EHR), до мультимодальных систем, интегрирующих данные мониторинга жизненных показателей, лабораторные результаты, изображения (рентген, КТ) и свободный текст врачебных записей. В работе обсуждаются ключевые сценарии применения: прогнозирование ухудшения состояния пациента (например, сепсиса или острой дыхательной недостаточности), оптимизация назначений лекарств, раннее выявление осложнений и поддержка клинических решений в реальном времени. Особое внимание уделяется проблемам: нехватка размеченных данных в интенсивной терапии, гетерогенность и шумность клинических записей, вопросы интерпретируемости и доверия со стороны врачей, а также этические и регуляторные барьеры. Авторы подчеркивают, что, несмотря на многообещающие результаты пилотных исследований, для внедрения в клиническую практику необходимы проспективные валидационные исследования, стандартизация оценки моделей и разработка механизмов непрерывного обучения без катастрофического забывания. Статья представляет собой экспертный обзор-манифест, задающий направление для будущих исследований в области ИИ в критической медицине.

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), представлена PregBase — новая комплексная база знаний, разработанная для структурированного представления клинически значимой информации о беременности и прогнозирования биомаркеров. Авторы (Aashish Bhandari, Deval Mehta, Karin Verspoor, Damiano Spina, Feng Xia, Sonika Tyagi) создали онтологию, объединяющую данные из множества источников, включая электронные медицинские карты, литературу и клинические руководства, что позволяет унифицировать разнородные данные о материнском здоровье. Ключевой особенностью PregBase является интеграция графовой модели знаний с методами машинного обучения: база поддерживает предсказательные модели, которые на основе семантических связей между клиническими понятиями (например, гестационный возраст, осложнения, лабораторные показатели) прогнозируют риск развития таких состояний, как преэклампсия и гестационный диабет. Валидация на реальных клинических наборах данных показала улучшение точности прогнозирования биомаркеров на 12–18% по сравнению с традиционными подходами, основанными на плоских таблицах признаков. Методология включает автоматическое извлечение сущностей и отношений из текстов медицинских записей с использованием NLP-моделей, а также семантическое выравнивание с существующими стандартами (SNOMED CT, LOINC). Практическая значимость работы заключается в создании масштабируемой инфраструктуры, которая может быть использована для поддержки клинических решений, стратификации рисков и персонализированного мониторинга беременности, а также для повторного использования данных в исследовательских целях. Авторы подчёркивают, что PregBase решает проблему фрагментации данных в акушерстве и открывает путь к более точным и интерпретируемым моделям ИИ в перинатальной медицине.

В статье представлен обзор применения ИИ для автоматической оценки коронарного кальция (AI-CAC) на компьютерной томографии грудной клетки с целью стратификации сердечно-сосудистого риска. Показано, что AI-CAC последовательно ассоциируется с общей и сердечно-сосудистой смертностью, а также с неблагоприятными сердечно-сосудистыми событиями, при этом радиомика может улучшить прогностическую точность. Авторы подчеркивают необходимость проспективных исследований внедрения, стандартизации и оценки экономической эффективности для реализации клинического потенциала.

В журнале npj Digital Medicine опубликована статья, предлагающая пятифазную систему оценки (framework) для диагностических и прогностических моделей искусственного интеллекта в медицине. Авторы отмечают, что существующие подходы к валидации медицинского ИИ фрагментированы и не учитывают весь жизненный цикл модели — от разработки до постмаркетингового мониторинга. Предложенная система включает пять последовательных фаз: (1) доклиническая оценка на ретроспективных данных, (2) проспективная валидация в контролируемых условиях, (3) пилотное внедрение в реальной клинической практике, (4) рандомизированные контролируемые испытания для оценки влияния на исходы пациентов и (5) непрерывный мониторинг после развертывания с механизмами обратной связи и переобучения. Для каждой фазы авторы определяют конкретные метрики, требования к данным, статистические методы и критерии перехода к следующему этапу. Особое внимание уделяется вопросам справедливости (fairness), устойчивости к дрейфу данных и интерпретируемости моделей. Работа призвана стандартизировать процесс оценки ИИ-систем в здравоохранении, что критически важно для регуляторных органов, клиницистов и разработчиков. Предложенный фреймворк может стать основой для гармонизации требований FDA, EMA и других регуляторов к медицинскому ИИ.

В исследовании разработаны и оценены модели машинного обучения (логистическая регрессия, случайный лес, XGBoost) для прогнозирования риска первого падения у пожилых пациентов с хроническими заболеваниями в Стране Басков. Модели достигли AUC 0.71, ключевыми предикторами стали визиты в отделение неотложной помощи, наличие опекуна и возраст, однако низкая точность ограничивает клиническое применение.

В статье представлено исследование, в котором с помощью методов искусственного интеллекта и машинного обучения оценивается прогностическая значимость морфологической внутриопухолевой гетерогенности (ITH) при первичной лимфоме центральной нервной системы (ПЦНСЛ). Авторы использовали гистопатологические срезы, окрашенные гематоксилином и эозином (H&E), полученные до начала лечения, из трех независимых когорт: LOC 2023 (122 слайда), фаза III BLOCAGE-01 (245 слайдов; NCT02313389) и внешняя когорта из Барселоны (BCN; 41 слайд). Для анализа применялись эмбеддинги UNI, прототипное обучение, пространственные метрики и модель Кокса с эластичной сетью, что позволило определить показатель ITH-C. Модели достигли скорректированной по бутстрэпу конкордантности 0.797–0.834. С поправкой на возраст, пол и статус по шкале Карновского, отношение рисков (HR) для ITH-C составило 1.29 (95% ДИ 1.01–1.64) в когорте LOC, 1.27 (1.07–1.51) в BLOCAGE-01 и 2.13 (1.35–3.37) в BCN. Добавление ITH-C повысило индекс конкордантности C-index по шкале MSKCC с 0.671 до 0.717, с 0.560 до 0.593 и с 0.588 до 0.706 соответственно. Пространственная транскриптомика связала ITH-C с иммунными программами. Авторы делают вывод, что рутинная гистопатология H&E содержит прогностически значимую пространственную гетерогенность при ПЦНСЛ, и ITH-C дополняет клинические шкалы, что поддерживает перспективу стратификации риска в клинической практике.

Исследование, опубликованное в журнале Artificial Intelligence in Medicine, посвящено разработке модели искусственного интеллекта для прогнозирования среднесрочной эффективности корсетного лечения идиопатического сколиоза у подростков (AIS). Авторы из ведущих китайских медицинских и инженерных учреждений (включая Пекинскую больницу Союза и Университет Чжэцзян) использовали данные пациентов с AIS, проходивших корсетное лечение, и обучили алгоритмы машинного обучения на клинических параметрах, включая характеристики деформации позвоночника, данные рентгенографии и параметры корсета. Модель позволяет предсказать вероятность успешного исхода лечения (например, предотвращение прогрессирования искривления) на среднесрочную перспективу, что помогает врачам персонализировать тактику терапии и своевременно корректировать план лечения. Точность прогноза, по данным исследования, достигает высоких значений (AUC более 0,85), что подтверждает клиническую применимость подхода. Работа демонстрирует потенциал ИИ в ортопедии для повышения эффективности консервативного лечения сколиоза и снижения необходимости хирургического вмешательства. Исследование подчеркивает важность интеграции прогностических моделей в рутинную клиническую практику для улучшения исходов у подростков с AIS.

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 182, декабрь 2026 года), авторы Т. Анса-Нарх, Й. Асаре Афране и Дж. Бреманг Тандо представляют гибридную модель машинного обучения для вероятностного прогнозирования числа госпитализаций детей до пяти лет с малярией в Гане. Методология сочетает регрессию на основе гауссовских процессов (Gaussian Process Regression, GPR) с экспоненциальным сглаживанием Хольта–Уинтерса, что позволяет учитывать как нелинейные зависимости и сезонность, так и неопределённость прогноза. Модель обучалась на исторических данных о госпитализациях, климатических факторах (осадки, температура) и демографических показателях. Ключевые результаты показывают, что гибридный подход превосходит отдельные базовые модели по точности точечных прогнозов и качеству вероятностных интервалов, снижая ошибку прогноза (например, среднюю абсолютную ошибку) на 15–20% по сравнению с классическими методами. Особое внимание уделено интерпретируемости: модель позволяет выявлять периоды повышенного риска и поддерживать планирование ресурсов здравоохранения, включая распределение противомалярийных препаратов и коечного фонда. Работа демонстрирует практическую ценность применения ИИ для эпидемиологического надзора и оперативного управления в условиях ограниченных ресурсов, что особенно актуально для стран Африки к югу от Сахары. Авторы подчёркивают, что предложенный подход может быть адаптирован для других инфекционных заболеваний и регионов с аналогичной эпидемиологической обстановкой.

Исследователи разработали DAG-HEART — новую вычислительную платформу для прогнозирования исходов рака молочной железы, которая решает проблему демографического дисбаланса в геномных данных. Метод основан на направленном ациклическом графе (DAG), который моделирует причинно-следственные связи между различными уровнями молекулярной информации (мРНК, микроРНК и метилирование ДНК) и интегрирует их с помощью трансферного обучения с аугментацией данных. Валидация проводилась на данных TCGA-BRCA для прогнозирования интервала без прогрессирования у пациенток из групп меньшинств. DAG-направленная нелинейная интеграция стабильно превосходила подходы, не учитывающие направленность связей, а биологически обоснованные направленные ограничения давали лучшие результаты, чем обратные или неограниченные структуры. Отобранные признаки сходились на путях внеклеточного матрикса и регуляторных сигнальных каскадах, что обеспечило клинически значимую стратификацию риска. DAG-HEART предлагает интерпретируемую стратегию объединения направленной мультиомиксной структуры с трансферным обучением в условиях дисбаланса данных между расовыми группами, что повышает справедливость прогностических моделей в онкологии.

Статья рассматривает применение ИИ (машинное обучение и глубокое обучение) для перехода от реактивного мониторинга малярии к предиктивному прецизионному общественному здравоохранению. Авторы анализируют три направления: surveillance (обнаружение случаев, мониторинг переносчиков), прогнозирование вспышек и оптимизацию вмешательств, отмечая точность диагностики свыше 90%, но подчёркивая необходимость решения проблем качества данных, алгоритмической предвзятости и локальной адаптации моделей.

Исследователи разработали MEGA-ODE — инновационный фреймворк на основе графовых нейронных обыкновенных дифференциальных уравнений для реконструкции динамических омиксных ландшафтов из разреженных временных данных. Метод интегрирует молекулярно-сетевые приоры, графовые нейронные ODE и контекстно-адаптивную маршрутизацию mixture-of-experts для предсказания неизмеренных молекулярных состояний и приоритизации виртуальных возмущений. На транскриптомных данных L1000 и протеомных данных CPPA модель превзошла базовые методы в предсказании удержанных признаков и ненаблюдаемых возмущений, а во временных рядах инфекции SARS-CoV-2 продемонстрировала конкурентоспособное прогнозирование будущих точек времени. В когорте пациентов с COVID-19 предсказанные промежуточные профили улучшили ретроспективную стратификацию по стадиям заболевания относительно только наблюдаемых профилей, при этом экспертные программы выделили иммунные и воспалительные сигналы, ассоциированные с тяжестью течения. В кейс-стади ответа на препараты MAPK и дифференциации стволовых клеток атрибуции приоритизировали связанные с возмущениями рёбра MAPK, регуляторы развития и отношения транскрипционных факторов с мишенями, подтверждённые независимым ChIP-seq анализом промоторных областей. При дифференциации эмбриональных стволовых клеток человека в дефинитивную энтодерму MEGA-ODE приоритизировал кандидаты транскрипционных факторов-возмущений, предсказанно смещающих профили 12-36 часов toward 96-часовые сигнатуры маркеров дефинитивной энтодермы, превращая навигацию траектории в конкретную задачу генерации гипотез для биомедицинских исследований.

Компания Tempus AI опубликовала в престижном журнале Nature Medicine результаты исследования своей мультимодальной фундаментальной модели PRISM2, предназначенной для применения в онкологии. Модель демонстрирует диагностическую точность уровня клинических стандартов для обнаружения рака, одновременно расширяя возможности прогнозирования статуса биомаркеров и прогноза пациентов. PRISM2 представляет собой фундаментальную ИИ-модель, обученную на мультимодальных медицинских данных, что позволяет ей выполнять множественные диагностические и прогностические задачи в рамках единой архитектуры. Исследование подтверждает эффективность модели в реальных клинических сценариях, позиционируя Tempus как лидера во внедрении искусственного интеллекта в онкологию. Публикация в Nature Medicine свидетельствует о прохождении рецензирования и научной валидации технологии. Компания Tempus AI торгуется на бирже NASDAQ под тикером TEM и специализируется на технологиях для персонализированной медицины. Результаты исследования открывают возможности для более широкого клинического применения ИИ в диагностике рака и прогнозировании исходов лечения.