Поиск

NVIDIA представила компактный компьютер Jetson Orin Nano 2 для периферийных вычислений, предназначенный для запуска генеративных ИИ-моделей на дронах, роботах и системах машинного зрения. Устройство обеспечивает вдвое большую производительность инференса по сравнению с предшественником при сниженном энергопотреблении, позволяя выполнять задачи реального времени на периферии.

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.

Американский стартап Throne Science из Остина привлёк $10 млн в раунде серии A (общая сумма сборов ~$18 млн) на разработку ИИ-устройства для мониторинга здоровья через анализ отходов жизнедеятельности. Устройство крепится под сиденье унитаза и использует систему компьютерного зрения из примерно 12 моделей для анализа физических характеристик отходов и преобразования их в медицинские показатели. Второй уровень ИИ обрабатывает эти данные, предоставляя персонализированные рекомендации по здоровью кишечника, аналогично фитнес-трекерам Whoop или Oura. Устройство идентифицирует пользователей через Bluetooth за ~3 секунды, отличая членов семьи от гостей. Стоимость устройства составляет $399 плюс подписка $5,99/месяц или $69,99/год. Основанная в 2023 году компания позиционирует продукт как «детектор дыма для рака толстой кишки», учитывая что колоректальный рак стал ведущей причиной онкологической смертности среди американцев до 50 лет, а более 60% жителей США испытывают симптомы нарушений пищеварения еженедельно.

Компания Doctronic, работающая на базе искусственного интеллекта в сфере первичной медицинской помощи, объявила о приобретении виртуальной педиатрической платформы Summer Health. Doctronic использует ИИ-платформу для анализа симптомов пациентов и формирования планов лечения на основе рецензируемых исследований, а также предлагает видеоконсультации с врачами за $39. За два года платформа обслужила более 30 миллионов медицинских обращений во всех 50 штатах США. Summer Health, основанная в 2022 году, специализируется на текстовой педиатрической помощи и обработала свыше 100 000 детских обращений по вопросам лихорадки, питания, медикаментов, сна и развития. Ключевая ценность сделки — доступ Doctronic к уникальному датасету из 100 000 педиатрических текстовых сообщений, который позволит обучить более точные ИИ-модели для детской медицины. Основатель Summer Health Эллен Дасильва войдёт в команду Doctronic как старший вице-президент по партнёрствам. Объединение платформ создаст комплексную ИИ-ориентированную систему здравоохранения для всей семьи — от рождения до взрослого возраста, обеспечивая доступ к качественной педиатрической помощи вне традиционных часов приёма.

Grove AI — стартап, разработавший ИИ-агентов с голосовым интерфейсом для автоматизации набора пациентов в клинические испытания. Компания основана в 2024 году Тран Ле и Сохитом Гатиганти, бывшими инженерами ИИ из Stanford Medicine, которые на собственном опыте столкнулись с неэффективностью ручного процесса рекрутинга. Технология использует большие языковые модели с конвертацией текста в речь, превращая документоориентированный процесс в живой диалог с пациентом. В отличие от человеческих рекрутеров, работающих с одним исследованием одновременно, ИИ-агент Grove обладает информацией о множестве испытаний и может проводить параллельный набор. В 2025 году компания привлекла $4,9 млн seed-финансирования, а в январе 2026 года была приобретена Hippocratic AI. Решение позволяет пациентам за 5 минут устно ответить на вопросы вместо заполнения многостраничных PDF-форм, что значительно упрощает доступ к клиническим исследованиям и ускоряет разработку новых лекарств.

Статья описывает внедрение ИИ-инструментов в системе здравоохранения UnityPoint Health для снижения административной нагрузки на врачей. Ключевые применения включают амбиентное документирование, ИИ-суммаризацию медицинских карт, отслеживание мощностей в реальном времени и снижение утомляемости от уведомлений.

Статья опубликована в рецензируемом журнале npj Digital Medicine (Nature Partner Journals) 5 августа 2026 года и посвящена роли диалогового искусственного интеллекта в сфере психического здоровья. Основная тезисная позиция авторов заключается в том, что conversational AI (чат-боты, виртуальные ассистенты на базе больших языковых моделей) должен дополнять работу специалистов-психотерапевтов, а не заменять их. Авторы предлагают концепцию «заполнения белых пятен» — использования ИИ там, где существует дефицит человеческих ресурсов: для первичного скрининга, мониторинга состояния между сессиями, предоставления психообразовательных материалов и поддержки в нерабочее время. Журнал npj Digital Medicine специализируется на цифровых технологиях в медицине, что подтверждает научную достоверность публикации. DOI статьи: 10.1038/s41746-026-03088-1. Материал актуален для специалистов в области цифровой психиатрии, разработчиков медицинских ИИ-решений и регуляторов здравоохранения, обсуждающих этические рамки внедрения автономных систем в клиническую практику.

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.

Исследование опубликовано в рецензируемом журнале npj Digital Medicine 5 августа 2026 года и посвящено применению больших языковых моделей (LLM) для автоматизации процесса сортировки медицинских направлений в условиях многопрофильной больницы третичного уровня. Работа рассматривает внедрение ИИ-системы для оптимизации маршрутизации пациентов между специалистами, что является актуальной задачей для снижения нагрузки на медицинский персонал и уменьшения времени ожидания консультаций. Журнал npj Digital Medicine входит в издательскую группу Nature и специализируется на исследованиях цифровых технологий в здравоохранении, что подтверждает научную значимость работы. К сожалению, в предоставленном материале отсутствуют детали методологии, конкретные метрики эффективности системы (точность сортировки, время обработки, снижение нагрузки на персонал) и результаты клинической валидации. Тема исследования высоко релевантна для практического здравоохранения, поскольку автоматизация триажа направлений может существенно улучшить организацию медицинской помощи и снизить административную нагрузку на врачей. Для полной оценки вклада исследования необходимы дополнительные данные о размере выборки, дизайне исследования и сравнении с существующими методами триажа.

Исследование изучает мнение 10 клиницистов о применении машинного обучения для диагностики обструктивного апноэ сна. Выявлена необходимость регуляторных руководств и участия медицинских экспертов, при этом врачи должны сохранять ведущую роль над ИИ. Работа направлена на повышение доверия клиницистов к машинному обучению и улучшение внедрения технологий в клиническую практику.

WellSpan Health, крупная американская система здравоохранения, объявила о расширении многолетнего партнёрства с компанией Hippocratic AI, специализирующейся на генеративном искусственном интеллекте для медицины. Сотрудничество направлено на совместную разработку клинических ИИ-агентов — автономных систем на базе больших языковых моделей, предназначенных для поддержки медицинских работников в выполнении рутинных клинических задач. WellSpan Health стала одной из первых организаций, запустивших пилотное внедрение генеративного ИИ-агента Hippocratic ещё в сентябре 2024 года, что позволило собрать первоначальные данные об эффективности технологии. Новое расширенное соглашение предполагает углубление интеграции ИИ-агентов в клинические рабочие процессы системы здравоохранения. Клинические ИИ-агенты Hippocratic AI предназначены для автоматизации таких задач, как информирование пациентов, сбор анамнеза, координация ухода и документирование, что позволяет снизить административную нагрузку на медицинский персонал. Партнёрство демонстрирует растущий тренд внедрения генеративного ИИ в реальные клинические среды крупных медицинских организаций США. Детали финансового соглашения и конкретные метрики эффективности пилотного проекта в опубликованном материале не раскрываются.

Статья посвящена актуальной проблеме внедрения больших языковых моделей (LLM) в клиническую практику. Основное внимание уделено вопросу доверия врачей к ИИ-чат-ботам и методологии оценки их безопасности и точности. Разработчики медицинских ИИ-инструментов заявляют, что существующие подходы к бенчмаркингу имеют серьёзные недостатки и не отражают реальные клинические условия. Поднимается проблема конкуренции между различными LLM за внимание медицинского сообщества. Статья исследует напряжённость между быстрым внедрением технологий и необходимостью доказательной валидации. Особый акцент сделан на том, что текущие стандарты оценки могут не соответствовать специфике медицинских задач. Материал важен для понимания барьеров на пути интеграции ИИ в здравоохранение и необходимости разработки более релевантных метрик оценки.

Исследование применяет генеративный ИИ и машинное обучение для интеграции транскриптомных и микробиомных данных при болезни Крона, выявляя молекулярные различия между воспалительной и фибротической формами. LLM-аугментация улучшила стабильность модели и помогла идентифицировать ключевые гены, связанные с фиброзом, включая IL-23R, TNF-α и TGF-β.

Исследователи разработали AMPainterV2 — модель искусственного интеллекта для дизайна антимикробных пептидов (АМП), использующую генеративное состязательное обучение с подражанием. Модель интегрирует архитектуру Mixture-of-Experts (MoE) для поддержки операций вставки, удаления и мутации, расширяя пространство эволюционного дизайна. В экспериментах in vitro все 10 пептидов с наивысшим рейтингом, созданные из случайных последовательностей, продемонстрировали активность как мембрано-литические АМП. Лучший кандидат показал среднюю минимальную ингибирующую концентрацию (MIC) 1,5 мкМ и превзошёл полимиксин B по мембрано-литической активности. Версия модели только с удалением позволила миниатюризировать пептиды: получено 6 укороченных пептидов с сопоставимой или улучшенной активностью при среднем сокращении длины на 36%. AMPainterV2 представляет механизм-ориентированный подход к дизайну АМП и предлагает экономически эффективный инструмент для разработки новых антимикробных препаратов против устойчивых патогенов.

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 посвящено применению моделей машинного обучения для анализа эмоционального состояния пациентов на онлайн-форумах поддержки онкологических больных. Авторы провели бенчмарк классических, рекуррентных и трансформерных моделей для четырёхклассовой ординальной классификации тональности, используя датасет Mental Health Insights—Vulnerable Cancer Patients объёмом 10 392 записи. Модели оценивались по взвешенному F1-мере, макро AUC one-vs-rest и класс-специфичным метрикам на разбиении 60/20/20. Наилучшие результаты показала модель ALBERT с взвешенным F1 0,7667 и макро AUC 0,931, BioBERT продемонстрировал близкие показатели (F1 0,7613, AUC 0,917) с несколько более высокой полнотой для класса «очень негативный» (0,8019 против 0,7736). Анализ ошибок выявил, что ошибки трансформеров концентрируются вокруг ординальных границ решений, а остаточные ошибки положительного класса имеют операционную важность для рабочих процессов поддержки. Исследование поддерживает использование тонкой настройки трансформеров как компонента систем поддержки решений для мониторинга уязвимых пациентов, подчёркивая необходимость калибровки, прозрачного анализа ошибок и человеческого надзора вместо автономной клинической оценки.

Статья опубликована в рецензируемом журнале npj Digital Medicine 1 августа 2026 года и посвящена применению искусственного интеллекта в области психического здоровья молодёжи. Исследование фокусируется на чат-ботах с ИИ и их роли в оценке, мониторинге и профилактике суицидального риска среди подростков и молодых взрослых. Работа представляет собой аналитический обзор текущего состояния доказательной базы в этой быстро развивающейся области. Авторы систематически идентифицируют критические пробелы в существующих исследованиях, включая вопросы валидации алгоритмов, этические аспекты и клиническую интеграцию. На основе выявленных проблем предлагается структурированная повестка для будущих клинических исследований и регуляторных инициатив. Тема имеет высокую практическую значимость в контексте растущего использования ИИ-ассистентов в здравоохранении и телемедицине. Предоставленный фрагмент содержит метаданные публикации без доступа к полному тексту, что ограничивает возможность детального анализа конкретной методологии и числовых результатов исследования.

Исследование опубликовано в рецензируемом журнале npj Digital Medicine 3 августа 2026 года и посвящено критически важной проблеме справедливости искусственного интеллекта в медицинской диагностике. Работа фокусируется на визуально-языковых моделях (VLM) — современном классе нейросетей, сочетающих обработку изображений и текста, — применяемых для классификации заболеваний по медицинским снимкам. Центральная тема исследования — интерсекциональная справедливость, то есть оценка того, как алгоритмы работают для пациентов с множественными пересекающимися демографическими характеристиками (пол, раса, возраст, социально-экономический статус). Проблема актуальна, поскольку медицинские ИИ-системы часто демонстрируют смещённые результаты для меньшинств, что может усугублять неравенство в здравоохранении. Полное содержание статьи недоступно в предоставленном материале, однако публикация в npj Digital Medicine указывает на высокий научный стандарт и практическую значимость для разработчиков медицинских ИИ-систем, регуляторов и клиницистов, внедряющих диагностические алгоритмы.

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.