прогнозирование

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.

Разработана двухслойная двунаправленная LSTM-сеть с механизмом маскирования для динамического прогнозирования делирия у пациентов в отделении интенсивной терапии на основе 24-часовых скользящих окон наблюдений. Модель показала AUC-ROC 0,835 при внутренней и 0,830 при внешней валидации, а анализ SHAP выявил клинически значимые временные закономерности в предикторах (ИВЛ, pH, шкала SOFA).

Исследование посвящено прогнозированию рисков возникновения вспышек высокопатогенного гриппа птиц (HPAI) штамма H5N1 на территории Австралии на уровне местных органов самоуправления. Авторы применили модель максимума энтропии (MaxEnt) для оценки экологической пригодности среды, объединив её с пятью ключевыми предикторами: численностью диких птиц Южного океана, данными о 28 видах местных птиц, путями их миграции, а также плотностью популяций домашней птицы и куриц. В результате была создана карта рисков, которая выявила, что наиболее уязвимыми регионами являются Новый Южный Уэльс (NSW) и Виктория (VIC), несмотря на то, что текущие случаи были зафиксированы в Западной и Южной Австралии. Также зоны высокого риска охватывают Тасманию (TAS), в то время как Северная территория и значительные части Квинсленда классифицированы как зоны низкого риска. Данная прогностическая модель предоставляет пространственно-детерминированную базу для планирования целевого эпидемиологического надзора и усиления мер биобезопасности.

Исследование посвящено критической проблеме оценки моделей машинного обучения, которые предсказывают изменения клеточных фенотипов при различных биологических воздействиях (возмущениях). Авторы указывают на отсутствие единых стандартов оценки, что делает результаты различных бенчмарков несопоставимыми и тормозит развитие отрасли. В работе представлена новая таксономия, которая классифицирует протоколы оценки по четырем параметрам: репрезентация данных, метрики, трансформация оценок и стратегии отчетности. Для решения проблемы разработчики представили scPertEval — специализированный Python-пакет с эталонными реализациями различных протоколов оценки. С помощью этого инструмента было проведено тестирование на семи общедоступных наборах данных единичных клеток (single-cell datasets), что позволило выявить, как выбор конкретной метрики искажает восприятие качества прогнозов. Работа имеет высокую значимость для биоинформатики и разработки ИИ-инструментов для прецизионной медицины, так как предлагает методологическую базу для создания более точных и сопоставимых моделей прогнозирования ответа клеток на терапию.

Статья рассматривает проблему нехватки коек и дефицита медицинского персонала в США, предлагая решение через внедрение ИИ непосредственно в рабочие процессы. Вместо пассивных аналитических панелей предлагается использование встроенного ИИ для прогнозирования выписки и автоматизации координации ухода.