Найдите статьи по ключевым словам и фильтрам.
Исследование оценивает готовность пациентов использовать OpenCap — платформу для 3D-анализа движений через iOS-устройства — для дистанционной реабилитации. Результаты показывают высокую доступность технологий и готовность пациентов к использованию метода, что может снизить необходимость частых поездок в клиники.
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.
НИЦЭМ им. Н.Ф. Гамалеи инициирует масштабный научно-исследовательский проект стоимостью 35,81 млн рублей, направленный на создание инновационных методов лечения меланомы. В основе исследования лежит использование передовых диагностических биоинформационных систем для точной селекции неоантигенов. Эти данные станут фундаментом для разработки персонализированных мРНК-вакцин, адаптированных под генетический профиль конкретного пациента. Проект включает не только научную часть, но и критически важный этап подготовки регуляторной документации для легального внедрения индивидуализированных биотехнологических препаратов в клиническую практику. Реализация данной инициативы позволит объединить возможности биоинформатики и молекулярной биологии для создания высокоточных терапевтических решений в онкологии.
Статья посвящена вопросам этичного и инклюзивного сбора данных в цифровых исследованиях психического здоровья. Авторы делятся опытом разработки Core Mental Health Dataset (CMHDS), подчеркивая важность учета культурных особенностей и участия людей с соответствующим жизненным опытом для повышения качества данных.
В исследовании представлен grapHiC — инновационный метод на базе машинного обучения, предназначенный для фазирования гаплотипов при сборке генома de novo без использования родительских данных. Авторы переформулировали задачу фазирования как проблему кластеризации узлов с перекрывающимися кластерами на аугментированных графах унитигов, где узлы представляют фрагменты ДНК, а ребра кодируют перекрытия последовательностей или данные Hi-C близости. В основе метода лежит архитектура Graph Transformer и фреймворк контрастивного обучения с кастомной целевой функцией. grapHiC является первым подходом, способным проводить фазирование необработанных графов унитигов напрямую без предварительного упрощения и без привязки к референсному геному. Эксперименты на масштабе человеческого генома показали, что при интеграции с ассемблером DipGNNome метод обеспечивает непрерывность и качество фазирования, сопоставимое с современными передовыми технологиями (state-of-the-art). Данная разработка значительно упрощает процесс высококачественной сборки сложных геномов, автоматизируя разделение отцовских, материнских и гомозиготных участков.
В статье представлен CSOA (Cell Set Overlap Analysis) — инновационный метод анализа обогащения наборов генов (GSEA) для данных секвенирования единичных клеток. Основная проблема существующих подходов заключается в генерации неоднозначных оценок, которые не позволяют четко отличить клетки с биологическим сигналом от фонового шума. Авторы предложили использовать взаимосвязи генных пар, количественно оценивая парные перекрытия между наборами высокоэкспрессируемых клеток, построенными для каждого сигнального гена. В ходе исследования CSOA был протестирован против 16 существующих методов, представляющих пять методологических классов, включая прямое и ранговое скорирование, а также анализ избыточности. Использование новых метрик, таких как покрытие оценки (score coverage) и выравнивание силуэта ранга (silhouette rank alignment), подтвердило превосходство CSOA в точности аннотации типов клеток и биологических процессов. Метод показал лучшие результаты в определении границ классов во всех протестированных наборах данных и превзошел большинство конкурентов по вычислительной эффективности. CSOA является высокоэффективным инструментом для точного выявления клеток, обогащенных специфическими биологическими сигналами.
Исследование посвящено изучению биофизических характеристик интерфейсов белок-белковых взаимодействий (PPI) в трансмембранных белках, которые играют ключевую роль в передаче сигналов и транспорте веществ. Авторы использовали интерактом белков-переносчиков человека (SLC) и применили AlphaFold v3.0 для предсказания структур 2 055 экспериментально подтвержденных взаимодействий. В ходе работы проводилось молекулярное динамическое моделирование, а каждый интерфейс был описан с помощью 63 физико-химических, структурных и энергетических признаков. Результаты показали, что аминокислотный состав и вторичная структура являются определяющими факторами для отличия растворимых интерфейсов от полностью встроенных в мембрану. Было установлено, что мембранно-встроенные интерфейсы характеризуются повышенной долей гидрофобных остатков и α-спиралей при значительном дефиците заряженных остатков. Исследование выявило, что характеристики интерфейса варьируются в зависимости от количества трансмембранных сегментов, что создает надежную основу для будущего дизайна и изучения взаимодействий мембранных белков с помощью машинного обучения.
Представлена разработка COSMOS (Clinical Omics System for Metadata and Outcome Storage) — инфраструктуры с открытым исходным кодом, предназначенной для оптимизации работы с данными клинических исследований. Система ориентирована на соблюдение принципов FAIR (находимость, доступность, совместимость, повторное использование) и стандартов GCP (надлежащей клинической практики). Ключевой особенностью является внедрение автоматизированного «слоя доверия» (Trust Layer) для контроля качества и валидации данных (DQ&DV), что позволяет беспрепятственно переводить академические мультиомиксные наборы данных в структурированные репозитории внутри защищенных сред (SDE). Благодаря интеграции реляционной SQL-схемы и аналитических структур (например, объектов ExpressionSet), COSMOS обеспечивает динамическую связь между клиническими и омиксными данными. Исследователи могут осуществлять как программный, так и интерактивный доступ к данным через приложения R Shiny, что значительно снижает технический порог входа. Внедрение данной платформы способствует управляемому повторному использованию данных и ускоряет проведение вторичных исследований в области персонализированной медицины.
Исследование оценивает эффективность цифровой программы SK-121, сочетающей геймификацию и дистанционный мониторинг пациентов после ЧКВ. Несмотря на отсутствие значимого снижения общего риска по шкале SMART2, программа показала улучшение приверженности к лечению, знаний о болезни и показателей диастолического давления.
В статье предлагается концептуальная модель, согласно которой успех внедрения ИИ в медицине зависит от уровня грамотности ключевых участников: врачей, пациентов и регуляторов. Авторы выделяют шесть критических аспектов ИИ-грамотности, включая понимание алгоритмов и осознание предвзятости, и призывают к инвестициям в развитие человеческого потенциала наряду с техническим прогрессом.
Стартап Karoo Health успешно завершил раунд финансирования серии A, собрав 16,2 миллиона долларов для масштабирования своей инновационной платформы в области кардиологии. Продукт представляет собой AI-native решение, ориентированное на модель ценностно-ориентированного здравоохранения (value-based care), что позволяет оптимизировать управление заболеваниями сердечно-сосудистой системы. На текущий момент платформа уже интегрирована в сеть, охватывающую более 600 поставщиков кардиологических услуг в 11 штатах США. Использование искусственного интеллекта в платформе направлено на улучшение клинических исходов и снижение операционных издержек за счет более точного мониторинга и анализа данных пациентов. Данное инвестирование подчеркивает растущий интерес рынка к специализированным ИИ-решениям в узких медицинских нишах, таких как кардиология. Развитие технологии позволит расширить охват сети и внедрить более глубокие алгоритмы предиктивной аналитики для врачей.
В исследовании представлен новый байесовский фреймворк FABOr (Factor Analysis of Binary and Ordinal data), предназначенный для матричного разложения данных, которые не являются непрерывными. В отличие от традиционных методов, ориентированных на количественные показатели, FABOr эффективно работает с бинарными и порядковыми фенотипами, часто встречающимися в клинических скринингах и опросниках. Авторы разработали расширение метода для обработки данных с механизмом пропусков, не являющимся случайным (MNAR), что критически важно для медицинских исследований. Эксперименты на симулированных данных показали, что FABOr превосходит существующие бенчмарки при работе с порядковыми признаками. При применении алгоритма к реальному набору данных Simons Foundation SPARK, касающемуся расстройств аутистического спектра (ASD), точность импутации (восстановления данных) выросла на 5% для бинарных и на впечатляющие 23% для порядковых данных. Данная разработка имеет высокую практическую значимость для анализа сложных генетических и поведенческих профилей в психиатрии и неврологии.
В статье представлен GCM (Genetic Clustering by Metric) — новый инструмент с открытым исходным кодом на языке Python, предназначенный для более точного выявления генных модулей в анализах коэкспрессии. В отличие от стандартных жадных алгоритмов, GCM рассматривает обнаружение модулей как задачу вывода максимального правдоподобия, используя блочно-диагональную однофакторную гауссовскую модель. Для глобальной оптимизации применяется меметический генетический алгоритм, сочетающий популяционный поиск с локальным уточнением, что позволяет перераспределять гены более эффективно, чем иерархическая кластеризация или k-means. Исследования на наборе данных Iris и тестах с шумом подтвердили, что GCM демонстрирует наименьшую дисперсию и превосходит существующие методы. В прикладном биомедицинском тесте на данных РНК-секвенирования при раке молочной железы алгоритм успешно выявил когерентные модули, которые эффективно предсказывают статус «опухоль против нормы». Инструмент отличается легкостью внедрения, так как требует только библиотек NumPy и SciPy, и поддерживает многокритериальную оптимизацию через гибкий интерфейс метрик.
GE HealthCare представила платформу MIM Anyware, позволяющую врачам безопасно получать удаленный доступ к медицинским изображениям через веб-браузер. Решение направлено на улучшение междисциплинарного взаимодействия и оптимизацию рабочих процессов в таких областях, как лучевая онкология.
Статья анализирует конфликт между стремлением разработчиков создавать самообучающиеся модели ИИ и регуляторными требованиями. Рассматривается сложность баланса между патентной защитой, требованиями FDA к стабильности моделей и соблюдением конфиденциальности данных согласно HIPAA.
В исследовании представлен новый метод интерпретируемости GDTR (Genomic Deep-Thinking Ratio), предназначенный для анализа геномных фундаментальных моделей без необходимости дополнительного обучения. Авторы используют подход через анализ остаточных потоков (residual-stream lens), чтобы определить «глубину стабилизации» каждого нуклеотидного токена — слой, на котором его представление становится стабильным относительно финального состояния модели. При тестировании на модели Evo 2 7B было обнаружено, что сайты сплайс-доноров и акцепторов стабилизируются примерно на два слоя раньше, чем интронные контексты. Исследование также показало, что нарушение канонического мотива GT в сайтах сплайсинга увеличивает глубину стабилизации, в то время как перемешивание окружающего контекста заставляет мотив стабилизироваться раньше. Кроме того, метод GDTR позволил выявить различия в глубине стабилизации для вариантов ClinVar, где синонимичные замены демонстрируют наибольшую глубину. Данный инструмент предоставляет новый вектор интерпретируемости для геномных моделей, дополняя существующие методы предсказания вариантов и оценки их последствий.
Ученый из Университета Джазана Анас А. Сайег провел масштабный библиометрический анализ развития роботизированной пластической и реконструктивной хирургии за период с 1996 по 2025 год. В ходе исследования было проанализировано 484 научные публикации, которые выявили устойчивый тренд на рост интереса к данной технологии: среднегодовой прирост количества исследований составил 15,9%. Автор подчеркивает, что область переходит из стадии экспериментальных разработок в фазу активного клинического внедрения. Ключевым современным трендом, выявленным в ходе анализа, стала глубокая интеграция технологий искусственного интеллекта в роботизированные хирургические системы. Результаты работы, опубликованные в журнале Digital Medicine, подтверждают, что синергия робототехники и ИИ станет определяющим фактором развития высокоточной реконструктивной хирургии в ближайшие годы.
Компания Tempus объявила о стратегическом приобретении Personalis с целью интеграции передовых технологий мониторинга минимальной остаточной болезни (MRD) в свою мультимодальную ИИ-платформу для прецизионной онкологии. Сделка объединяет коммерческие масштабы и обширные наборы данных Tempus с высокоточными методами анализа Personalis, что позволит значительно улучшить процесс мониторинга рецидивов рака у пациентов. Основная цель интеграции заключается в использовании искусственного интеллекта для глубокого анализа молекулярных данных, что ускорит получение инсайтов о течении заболевания и поможет персонализировать терапию. Это расширение охватывает весь цикл оказания онкологической помощи, обеспечивая доступ к передовым технологиям мониторинга на ранних стадиях. В результате Tempus планирует ускорить рост и углубить свои возможности в области точной диагностики и прогнозирования клинических исходов.
В России реализован важный этап цифровизации здравоохранения: сервис дистанционного мониторинга состояния пациентов «Персональные медицинские помощники», разработанный ГК «Ростех», официально включен в программу государственных гарантий бесплатной медицинской помощи (ОМС). Данная технология позволяет осуществлять непрерывный удаленный контроль жизненно важных показателей здоровья пациентов в режиме реального времени. Методология работы системы подразумевает использование сертифицированных носимых устройств и программного обеспечения для передачи данных врачу, что минимизирует необходимость частого посещения медицинских учреждений. Внедрение решения в систему ОМС обеспечивает доступность высокотехнологичного мониторинга для широких слоев населения, особенно для групп риска с хроническими заболеваниями. Ключевым преимуществом является возможность раннего выявления критических изменений в состоянии здоровья и оперативного реагирования медицинского персонала. Это решение значительно повышает эффективность профилактической медицины и снижает нагрузку на стационарные отделения за счет превентивного управления состоянием пациентов.
В исследовании представлен новый аналитический конвейер (pipeline), предназначенный для решения критической проблемы в анализе данных секвенирования РНК единичных клеток (scRNA-seq): проверки достоверности обнаруженных субпопуляций. Авторы разделяют два типа стабильности — воспроизводимость при ресэмплинге клеток (bootstrap) и воспроизводимость при переобучении эмбеддингов, что позволяет избежать ложного обнаружения типов клеток. Методология включает оценку семи конфигураций кластеризации с использованием пяти непересекающихся метрик качества. В ходе тестирования на атласе сетчатки мыши система восстановила аннотацию из восьми типов клеток с точностью 96,3% (ARI = 0,91) без использования предварительных меток. Эксперименты на биполярных клетках подтвердили способность метода распознавать сложные подтипы (до 15 известных субтипов с ARI ~0,93), в то время как на гомогенных палочковых фоторецепторах алгоритм успешно отверг избыточную кластеризацию, выявив низкую воспроизводимость при переобучении (ARI = 0,69). На синтетических данных метод продемонстрировал высокую чувствительность, обнаруживая даже малые субпопуляции размером всего в 5% от общего объема.
