прогнозирование

Исследование оценивает применение пяти моделей машинного обучения (включая градиентный бустинг и нейросети) для прогнозирования показателей, оцениваемых пациентами (PRO), после эндопротезирования тазобедренного сустава. Модели обучались на данных Англии и тестировались на данных Уэльса, показав наилучшие результаты у алгоритма extreme gradient boosting, хотя точность снизилась при переносе на другую популяцию. Авторы формулируют рекомендации по стандартизации данных и выбору прозрачных методов ИИ для NHS Уэльса.

В статье представлен новый метод глубокого обучения CMVAE (Contrastive Masked Denoising Variational Autoencoder), предназначенный для анализа высокомерных омиксных данных и прогнозирования выживаемости пациентов с инвазивным раком молочной железы (BRCA). Метод решает проблему неполноты данных и низкого перекрытия пациентов между различными модальностями, используя самонастраивающуюся двухэтапную оптимизацию для отображения одноомной информации в латентное пространство, учитывающее клинические исходы. Архитектура применяет стохастическое маскирование признаков для искажения входных профилей, после чего модель одновременно восстанавливает отсутствующие молекулярные данные и обеспечивает контрастную согласованность траекторий выживаемости пациентов. Оценка проводилась на когорте TCGA BRCA с использованием надежной пятикратной стратифицированной перекрестной проверки без утечки данных. Результаты показали, что CMVAE превосходит традиционные методы обучения без учителя, достигая AUROC 0.7397 (+/- 0.0239) в задаче прогнозирования выживаемости. Статистический анализ выявил высоко значимую стратификацию риска между группами низкого и высокого риска (p < 0.0001). Кроме того, предложенный метод превзошел шесть современных базовых моделей многоомного анализа выживаемости как минимум на 3%, что подтверждает его эффективность и практическую ценность для персонализированной онкологии.

Исследование применяет методы машинного обучения (Random Forest, XGBoost и др.) для прогнозирования артериального давления после сеанса гемодиализа на основе данных первых трех часов процедуры. Оптимизированная модель Random Forest показала наилучшую точность, что подтверждает возможность использования ИИ для профилактики осложнений у пациентов в условиях ограниченных ресурсов.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена новая методология на основе интерпретируемого графового обучения (graph learning) для анализа пространственных паттернов микроокружения опухоли (TME) с использованием цифровой патологии. Авторы разработали модель, которая не только классифицирует гистологические образцы, но и выявляет значимые пространственные взаимодействия между различными типами клеток в микроокружении опухоли желудка. Методология позволяет визуализировать и количественно оценивать архитектуру TME, что ранее было сложной задачей при использовании традиционных методов машинного обучения. Ключевым результатом стало достижение высокой точности в прогнозировании выживаемости пациентов с раком желудка, превосходящей стандартные клинические маркеры. Модель демонстрирует способность идентифицировать специфические клеточные ниши, ассоциированные с плохим или хорошим исходом заболевания, предоставляя врачам понятные визуальные объяснения прогноза. Это исследование открывает новые возможности для персонализированной медицины, позволяя интегрировать сложные пространственные данные в клиническую практику для более точной стратификации риска. Результаты подтверждают потенциал графовых нейронных сетей в извлечении биологически значимых признаков из цифровых слайдов, что может стать стандартом в онкологической патологии.

В статье представлен обзор применения цифрового фенотипинга и методов машинного обучения для мониторинга психического здоровья (депрессии, тревожности) у пациентов с диабетом. Исследование анализирует использование данных с датчиков (CGM, смартфоны) и голосовых сигналов для построения моделей прогнозирования рисков, выявляя нехватку индивидуализированных подходов и внешних валидаций.

В статье представлен систематический обзор 169 исследований ИИ и машинного обучения для хронической болезни почек (ХБП), выявляющий разрыв между ретроспективной классификацией и настоящим прогнозированием будущих исходов. Анализ показал, что большинство работ страдают от высокого риска смещения и недостаточной валидации, что указывает на необходимость улучшения методологии для клинического внедрения.

Исследование разработало и проспективно валидировало модель машинного обучения для прогнозирования исходов операции по удалению грыжи поясничного диска. Модель интегрирует клинические данные и радиомические признаки КТ/МРТ, показав высокую точность (ROC-AUC до 0.976) в прогнозировании состояния пациентов через год после операции.

Исследование применяет алгоритмы машинного обучения (в частности, случайный лес) для прогнозирования тромбоза глубоких вен у пациентов после операции на бедре. Модель показала высокую точность (AUC до 0.859), однако добавление признаков традиционной китайской медицины не улучшило дискриминацию, тогда как индекс TyG остался значимым предиктором.

В статье представлен новый фреймворк MMRL (Missense Mutation Representation Learning), который использует методы самообучения без учителя для анализа соматических миссенс-мутаций в онкологии. В отличие от традиционных подходов, сжимающих мутации в показатели TMB или сигнатуры, MMRL учитывает сложные контекстные зависимости, включая генную идентичность, триплетный контекст, патогенность по AlphaMissense и структурную информацию о белках. Модель обучалась на данных примерно 50 000 опухолевых образцов из различных типов рака, выявляя скрытые биологические структуры в ландшафтах мутаций. Ключевым результатом стало то, что эмбеддинги MMRL демонстрируют более высокую прогностическую дискриминацию по сравнению с TMB и остаются значимо связанными с общей выживаемостью даже после поправки на тип рака и возраст. Исследование также показало, что метод эффективен для прогнозирования ответа на терапию ингибиторами контрольных точек иммунитета. Кластерный анализ выявил девять новых подтипов мутаций с различными исходами и профилями сигнатур, что подтверждает клиническую значимость подхода. Использование механизмов внимания позволило выявить контекстно-зависимые паттерны, выходящие за рамки простой частоты мутаций. Разработанный метод открывает новые возможности для прецизионной онкологии, позволяя точнее стратифицировать пациентов и прогнозировать течение заболевания.

В статье представлена методология ImmuneTwins — система создания «цифровых двойников» иммунной системы человека на основе искусственного интеллекта и моделей виртуальных клеток. В отличие от традиционных предикторов, использующих усреднённые данные по популяциям, данный подход персонализирует общую модель виртуальной клетки, обновляя её на основе каждого нового наблюдения за конкретным пациентом (single-cell profiles). Исследование показало высокую точность метода: в двух внешних популяциях ImmuneTwins снизил ошибку предсказания иммунного возраста на 32% и 42% по сравнению с лучшими существующими методами. При мониторинге реакции на повторную вакцинацию от гриппа алгоритм предсказал направление изменений в иммунных клетках на 35% точнее аналогов, а ошибка прогноза снизилась на 27% по мере накопления данных. Анализ также выявил, что иммунные клетки и белки плазмы восстанавливают около половины отклонения от индивидуальной референсной точки в течение 90 дней. Метод успешно локализовал ремоделирование В-клеток при исключительном долголетии и спрогнозировал индивидуальные траектории иммунного ответа у пациентов с миеломой во время лечения, что открывает новые возможности для персонализированной медицины.

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.