прогнозирование

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.

В исследовании представлена инновационная гибридная архитектура FluQRC, сочетающая квантовые и классические резервуарные вычисления для предсказания антигенной дистанции между штаммами вируса гриппа A/H3N2. Данный метод призван заменить трудоемкие и низкопроизводительные традиционные тесты на ингибирование гемагглютининa (HI), что критически важно для своевременного выбора вакцинных штаммов. Методология тестировалась на двух массивах данных: историческом (1963–2002 гг., 73 441 пара) и современном (2003–2025 гг., 788 544 пары). На более сложном наборе данных 2003–2025 гг. модель FluQRC показала превосходство над всеми базовыми алгоритмами, достигнув показателей MAE = 0,369, RMSE = 0,635 и R² = 0,900. В сравнении с лучшим существующим аналогом, точность модели (MAE) увеличилась на 20,3%, а ошибка (RMSE) снизилась на 14,3%, при этом коэффициент детерминации R² вырос с 0,862 до 0,900. Результаты подтверждают высокую масштабируемость и эффективность квантово-классического подхода для крупномасштабного эпидемиологического прогнозирования.

В исследовании представлена MGM2 — инновационная мультимодальная базовая модель (foundation model), предназначенная для глубокого анализа микробиомов. Модель была предварительно обучена на колоссальном массиве данных, включающем 1 821 291 образец из MicrobeAtlas и 225 067 операционных таксономических единиц (OTU). Методология MGM2 сочетает в себе эмбеддинги микробных последовательностей (на базе NTv3) с обусловленным анализом численности и семантическим выравниванием сообществ. Результаты тестирования показали превосходство MGM2 над моделью DeepPhylo: показатель macro-AUROC увеличился на 0,06–0,21 на различных уровнях иерархии MGnify, особенно при работе с редкими таксонами. В задачах прогнозирования ответа на фекальную трансплантацию микробиоты модель MGM2-XLarge достигла ROC AUC 0,79 и снизила расстояние Брея-Кертиса на 15% относительно исходного состояния реципиента. Кроме того, модель продемонстрировала эффективность в прогнозировании трендов на уровне ASV в 24 очистных сооружениях. Использование разреженных автоэнкодеров позволило интерпретировать состояния модели через словарь из 4 096 признаков, охватывающих таксономию, экологический контекст и техническую вариативность.

В исследовании представлен FastEBM — новый масштабируемый фреймворк на основе цепей Маркова, предназначенный для моделирования последовательности изменений биомаркеров при прогрессировании заболеваний. В отличие от традиционных моделей (GMM-EBM, KDE-EBM, DEBM), которые требуют вычислительно затратной пермутационной инференции и предполагают независимость признаков, FastEBM переформулирует задачу в проблему упорядочивания субъектов на диффузионном многообразии. Это позволяет методу эффективно работать в условиях высокой размерности данных и корреляции признаков, сохраняя точность восстановления порядка событий. Авторы внедрили механизм оценки неопределенности прогрессирования через вариативность времени первого достижения (first-passage-time), что позволяет строить диаграммы позиционной дисперсии. При тестировании на синтетических данных FastEBM продемонстрировал превосходство в точности и скорости работы по сравнению с существующими аналогами. Валидация на реальных наборах данных (TADPOLE и ADNI) подтвердила эффективность метода для анализа болезни Альцгеймера: модель успешно восстановила паттерны прогрессирования тау-белка в коре головного мозга, выявив даже латерализованные тренды развития заболевания. Инструментарий FastEBM доступен в открытом доступе на GitHub.

В исследовании представлен метод глубокого ансамблевого обучения, сочетающий self-attention stacked bidirectional LSTM и алгоритм оптимизации Parallel-Whale для прогнозирования стадий колоректального рака. Использование техники DeepSurv позволяет проводить анализ выживаемости пациентов на основе геномных данных, что помогает в персонализированном подходе к лечению.

Исследователи из Первого МГМУ имени И.М. Сеченова приступили к разработке инновационной интеллектуальной системы для персонализированного мониторинга гликемии у пациентов с сахарным диабетом. Ключевой особенностью разработки является интеграция алгоритмов машинного обучения, которые учитывают не только текущие показатели глюкозы, но и динамику гормональных циклов организма. Методология исследования базируется на анализе больших данных (Big Data), поступающих с систем непрерывного мониторинга глюкозы (CGM), что позволяет прогнозировать резкие скачки сахара до их фактического возникновения. Ожидается, что внедрение такой системы позволит снизить риск развития тяжелых осложнений диабета за счет более точной превентивной коррекции доз инсулина. Технология ориентирована на создание адаптивных моделей, способных подстраиваться под индивидуальные биоритмы каждого пациента, что значительно повышает точность прогнозирования по сравнению со стандартными методами. Данная разработка имеет высокую практическую значимость для эндокринологии и цифровой медицины в целом.

В исследовании, опубликованном в журнале npj Digital Medicine, представлена инновационная методика прогнозирования интенсивности тяги к наркотикам (героину) на основе анализа электроэнцефалограммы (ЭЭГ). Авторы использовали подход функциональной связности головного мозга во время выполнения специфических задач для выявления индивидуальных нейрофизиологических паттернов. Методология фокусируется на том, как изменения в сетевом взаимодействии нейронов позволяют предсказать реакцию пациента на визуальные или контекстуальные стимулы, связанные с употреблением. Ключевым результатом является возможность точного индивидуального прогнозирования состояния тяги, что открывает путь к созданию персонализированных систем мониторинга для пациентов с зависимостями. Данная технология имеет высокую клиническую значимость для разработки цифровых терапевтических инструментов и предотвращения рецидивов в рамках прецизионной психиатрии. Использование ЭЭГ в сочетании с алгоритмами анализа связности позволяет объективизировать субъективное чувство тяги, переводя его в измеримые нейробиологические показатели.