В исследовании, опубликованном в журнале npj Digital Medicine 28 октября 2026 года, представлена новая методология создания цифровых двойников для персонализированной оценки жесткости артериальной стенки. Авторы применяют подход physics-informed machine learning (PIML), который объединяет физические законы гемодинамики с алгоритмами машинного обучения для повышения точности и интерпретируемости моделей. Вместо использования «черного ящика», нейросеть обучается с учетом дифференциальных уравнений, описывающих кровоток и свойства сосудистой стенки, что позволяет эффективно оценивать жесткость артерий на основе периферических измерений. Методология предполагает использование данных о пульсовой волне и других гемодинамических параметрах для калибровки индивидуальной модели пациента. Ключевым преимуществом подхода является способность адаптироваться к индивидуальным анатомическим и физиологическим особенностям без необходимости инвазивных процедур или сложной визуализации всей сосудистой сети. Результаты демонстрируют высокую корреляцию между оцененными значениями жесткости артерий и клиническими золотыми стандартами, что подтверждает валидность метода. Данное исследование открывает перспективы для неинвазивного скрининга сердечно-сосудистых рисков и мониторинга эффективности терапии у пациентов с гипертонией и атеросклерозом. Интеграция физических моделей в ИИ-архитектуры представляет собой значимый шаг к созданию надежных клинических инструментов для персонализированной медицины.