скрининг

Статья посвящена внедрению технологий искусственного интеллекта для проведения оппортунистического скрининга сердечно-сосудистых заболеваний. Руководство компании Bunkerhill Health представило подробный обзор процесса получения разрешений на возмещение расходов от CMS (Centers for Medicare & Medicaid Services) для анализа сердечно-сосудистых рисков с использованием ИИ. Основная идея заключается в использовании ИИ для анализа уже имеющихся медицинских изображений с целью выявления скрытых патологий. Ожидается, что новые механизмы оплаты от государственных страховых программ создадут устойчивую экономическую модель для массового внедрения таких ИИ-решений в клиническую практику. Это позволит медицинским учреждениям не только улучшить диагностику, но и монетизировать использование алгоритмов машинного обучения в рамках стандартных обследований.

В исследовании проводится детальная оценка модели Boltz-2 (реализация NVIDIA NIM) для решения критической задачи в разработке лекарств — скрининга взаимодействий между терапевтическими моноклональными антителами и их мишенями. Авторы протестировали модель на базе 519 антител из базы Thera-SAbDab, сравнивая пары с родными антигенами и случайными неродственными парами. Результаты показали, что стандартные метрики уверенности модели демонстрируют слабую способность к дискриминации (ROC-AUC в диапазоне 0.5–0.60). Наиболее эффективным показателем была определена минимальная предсказанная метрика ipTM-min (interface predicted TM-score) среди различных случайных выборок (seeds). Было установлено, что увеличение количества стохастических предсказаний дает эффект только до 15–20 образцов, после чего наступает плато. Также выявлено, что использование инференса без множественного выравнивания последовательностей (MSA) незначительно улучшает точность для некристаллизованных антител (delta AUROC ≈ +0.027) и ускоряет процесс на ~8 секунд на каждое предсказание. Исследование подчеркивает, что универсальных моделей предсказания структуры недостаточно для надежного скрининга антител, и требуется разработка специализированных оптимизированных под конкретные задачи алгоритмов.

Статья описывает применение ИИ-моделей в Geisinger Health System (2019-2022) для анализа факторов риска колоректального рака и выявления пациентов, нуждающихся в скрининге. ИИ-система оценивала риск на основе биомаркеров крови, возраста и пола, а медсёстры проводили целевой контакт с пациентами, что привело к увеличению количества колоноскопий на 214% и снижению смертности на 43%.

Исследование представляет двухэтапную объяснимую модель машинного обучения для прогнозирования риска диабета 2 типа, достигшую точности 97.14% на втором этапе с использованием 270 943 образцов из Руанды. Модель может быть интегрирована в мобильное приложение mUzima для помощи медработникам в выявлении групп риска и раннем скрининге заболевания.

Исследование посвящено применению искусственного интеллекта для выявления остеопороза на основе стандартных рентгенограмм грудной клетки, что позволяет использовать уже существующие медицинские снимки для скрининга пациентов. Работа фокусируется на азиатских популяциях, где распространённость остеопороза остаётся недооценённой из-за недостатка скрининговых программ. Методология включает обучение моделей машинного обучения на больших наборах данных рентгенограмм с подтверждёнными диагнозами остеопороза. Ключевая цель исследования — устранение диагностического неравенства, обеспечив доступ к раннему выявлению остеопороза в регионах с ограниченными ресурсами. Ожидается, что внедрение ИИ-алгоритмов позволит выявлять пациентов с риском остеопороза без необходимости дополнительных дорогостоящих исследований, таких как денситометрия. Статья подчёркивает важность этических аспектов разработки ИИ-систем для различных этнических групп и необходимости валидации моделей на репрезентативных выборках. Результаты исследования могут существенно повлиять на клиническую практику, особенно в странах Азии, где доступ к денситометрии ограничен.