Почему носимые устройства и биомаркеры — это будущее медицины
Носимые гаджеты, такие как умные часы и фитнес-браслеты, постоянно собирают данные о нашем организме: пульс, сон, активность, вариабельность сердечного ритма. Эти данные покрывают тысячи и даже миллионы пользователей, позволяя исследователям искать закономерности и выстраивать ранние признаки (биомаркеры) возможных болезней до появления симптомов. Главное сейчас — не собрать данные, а выделить из них достоверные и полезные признаки для диагностики и профилактики.
В чем проблема обычных ИИ-решений для анализа физиологических сигналов?
Раньше для автоматизации научных исследований применяли языковые модели — системы ИИ, которые умеют работать с текстом, генерировать гипотезы и обрабатывать научные данные. Однако чисто текстовые модели плохо справляются с непрерывными временными рядами — например, с данными пульса или сна. Они часто дают похожие на правду, но ошибочные результаты: ложные связи, ошибки перемешивания данных (утечки) и нестабильные признаки. Это сильно снижает практическую ценность таких исследований.
Многоагентная платформа для выбора биомаркеров
В представленном исследовании разработали новую систему — Biomarker Discovery Framework (система поиска биомаркеров). Она состоит из нескольких агенотов (специализированных ИИ-модулей), которые совместно работают над задачей, повторяя шаги живого исследователя. Вот ключевые моменты:
- Оркестратор — главный модуль, который принимает команды на естественном языке (например, «найди биомаркеры для депрессии») и разбивает большую задачу на конкретные этапы.
- Агенты-разведчики изучают структуру данных, выявляют пропуски и особенности, контролируют, чтобы данные не перемешивались с целевой переменной (чтобы избежать ошибочных выводов).
- Агенты гипотез проверяют научные публикации и предлагают физиологически обоснованные признаки — например, вариацию времени сна.
- Статистические и ML-агенты создают признаки, проводят проверку на статистическую значимость, корректируют влияние множественных проверок, обучают модели и оценивают предсказательную способность.
- Критик и Защитник тестируют признаки на различные ошибки: утечки, переобучение, чувствительность к смещению, нестабильность, физиологическую реалистичность.
- Агенты оценки научной новизны смотрят, насколько новые полученные признаки согласуются с биологией, есть ли им основание в литературе, и насколько они применимы в медицине.
- Агенты составления отчётов формируют научно проверенный текст с результатами и ограничениями исследования.
Как это работает на практике: пример с депрессией
Система получила задачу найти биомаркеры, связанные с тяжестью депрессии. Она выбрала набор данных DWB, нашла и проверила признаки, связанные с изменчивостью сна. После многоступенчатой проверки и исключения ошибок выявила устойчивую связь между вариабельностью продолжительности сна и депрессией (коэффициент корреляции 0,252). При этом система проконтролировала все стадии, чтобы результат был статистически корректным и полезным для дальнейших исследований.
Кому это полезно и как начать использовать подобные технологии
Если вы исследователь или врач, ориентированный на цифровую медицину, такая система уменьшит трудозатраты и повысит качество выявления новых маркеров. Она позволяет избежать типичных ошибок автоматизации и сохранить контроль человека. Если вы просто пользователь носимого устройства, пока это больше задел на будущее — через эти технологии диагностика станет точнее и доступнее.
Начать можно с изучения базовых навыков работы с данными и понимания статистики, а затем следить за развитием инструментов, которые адаптируют ИИ-агентов для медицины. В России такие решения пока на стадии внедрения, но интерес к ним растёт. Для понимания принципов работы агентов ИИ рекомендуем материалы по ИИ как симулятору людей и о том, как ИИ выходит из «цифровой тюрьмы» на нашем портале.
Источник: статья Google Research «An AI tool for prioritizing candidate biomarkers from wearable sensor data», автор — Yubin Kim, и https://research.google/blog/an-ai-tool-for-prioritizing-candidate-biomarkers-from-wearable-sensor-data