прогностическое моделирование

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.

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 опубликовано в рецензируемом журнале npj Digital Medicine 5 августа 2026 года. Работа посвящена разработке модели динамического прогнозирования риска преждевременных родов и определения гестационного возраста при родах с использованием лонгитюдных данных из электронных медицинских карт (EHR). Подход предполагает применение методов машинного обучения для анализа временных рядов медицинских данных пациентов в течение беременности, что позволяет обновлять прогнозы по мере поступления новой информации. Использование динамических моделей вместо статических даёт возможность более точной оценки рисков на разных сроках гестации. Исследование имеет прямую клиническую значимость для акушерской практики, позволяя врачам своевременно выявлять пациенток с повышенным риском преждевременных родов и принимать превентивные меры. Работа представляет интерес для специалистов по цифровой медицине, разработчиков клинических систем поддержки принятия решений и исследователей в области прогностической аналитики здравоохранения.

В исследовании представлен VitaGRN — новый мультимодальный биофизический фреймворк, предназначенный для моделирования генных регуляторных сетей (GRN) через призму физических механизмов, а не просто статистической коэкспрессии. В отличие от существующих методов, VitaGRN использует структурно выровненные белковые эмбеддинги, что позволяет учитывать неканнонические регуляторы, не обладающие классическими мотивами связывания с ДНК. Модель демонстрирует способность к zero-shot прогнозированию ответов на пертурбации, обеспечивая высокую обобщающую способность на ранее не встречавшихся факторах, типах клеток и этапах развития. В результате работы был создан виртуальный атлас пертурбаций с калиброванной уверенностью, охватывающий более 1000 факторов. Данный инструмент позволяет трансформировать статические корреляционные графы в динамические и прозрачные модели, что критически важно для приоритизации кандидатов перед проведением дорогостоящих экспериментов в «мокрой» лаборатории. Применение подобных ИИ-моделей в системной биологии открывает новые пути для персонализированной медицины и разработки таргетной терапии.

В исследовании представлен новый фреймворк Regression-Based Boolean Rule (RBBR), предназначенный для решения проблемы «черного ящика» в медицинском ИИ. Метод позволяет автоматически генерировать прозрачные и понятные врачам булевы правила (логические комбинации признаков), которые служат основой для прогнозирования заболеваний. В отличие от глубоких нейросетей, RBBR создает человекочитаемые логические связки (например, «если симптом А и симптом Б, то высокий риск»), используя ридж-регрессию и байесовский информационный критерий для отбора наиболее точных и лаконичных наборов правил. Тестирование на шести реальных наборах данных, включая диагностику рака легких, рака молочной железы, сердечной недостаточности и диабета, показало высокую эффективность: коэффициент детерминации R2 достигал 0,92. Исследование доказало, что модель способна выявлять специфические подгруппы пациентов, такие как гендерно-зависимые комбинации симптомов при диабете или гистопатологические особенности при раке груди. Данная разработка критически важна для клинической практики, так как она обеспечивает баланс между высокой предсказательной способностью и необходимой интерпретируемостью для принятия этичных и безопасных медицинских решений.

В исследовании представлен масштабный сравнительный анализ методов отбора признаков и построения прогностических моделей на основе геномных данных, характеризующихся высокой размерностью и разреженностью. Авторы протестировали широкий спектр алгоритмов, включая классические статистические методы и современные подходы машинного обучения, на синтетических наборах данных с варьирующейся корреляцией и силой сигнала. Для практической верификации результаты были проверены на реальном когортном исследовании рака из базы данных The Cancer Genome Atlas (TCGA). Оценка проводилась по комплексному набору метрик: индексу конкордантности (C-index), F1-score, ошибке Brier score, RMSE и скорости вычислений. Исследование показало, что методы CoxBoost и Adaptive LASSO демонстрируют наиболее стабильные результаты по всем показателям, в то время как LASSO и Elastic Net наиболее эффективны при оценке конкордантности и F1-score. Результаты работы предоставляют онкологам и биоинформатикам четкие рекомендации по выбору оптимального математического аппарата в зависимости от специфических характеристик геномных данных.