HGGT: Гетерогенный графовый трансформер с заградками для предсказания успеха клинических испытаний

Эффективная диагностика заболеваний мозга требует синергии паттернов подключения мозга и высокоуровневых семантических знаний. Однако существующие методы в значительной степени рассматривают семантику из крупных языковых моделей (LLMs) как вспомогательные признаки или руководство, что ограничивает их прямую роль в принятии решений и сужает стабильность и надежность классификации. Чтобы преодолеть это, мы предлагаем фреймворк семантически согласованной нейросети мозга, который активно интегрирует семантику, полученную от LLM, в процесс предсказания. В частности, семантика на уровне ROI сначала включается через глобальное самообращение для обогащения представлений узлов и предоставления контекста всего мозга. Затем строятся многомасштабные гиперграфы для явного моделирования функциональных подсетей и взаимодействий между несколькими ROI, что решает локальные ограничения традиционных ГНН и захватывает высокопорядковые зависимости. Наконец, механизм семантической согласованности на уровне принятия решений избирательно вводит текстовые вложения, специфичные для пациента, в графовые представления, позволяя семантике напрямую управлять предсказаниями без нарушения глубинной структуры сети. Эксперименты на публичных наборах данных сети мозга ABIDE и ADHD-200 демонстрируют состояние искусства, повышенную стабильность и улучшенную интерпретируемость, особенно в условиях небольших выборок.

Фон. Негативные симптомы при расстройствах шизофренического спектра (РШС) остаются недостаточно лечеными и требуют новых терапевтических подходов. Окситоцин может улучшить негативные симптомы, хотя его эффекты, по всей видимости, сильно зависят от контекста в соответствии с гипотезой социальной значимости. Мы провели рандомизированное, тройное слепое, плацебо-контролируемое пилотное исследование, сочетая интраназальный окситоцин с групповой терапией на основе внимательности (ГТВ), предполагая, что положительный социальный контекст ГТВ усилит эффекты, связанные с окситоцином. Методы. 47 участников с РШС (34% женщин) были рандомизированы для получения либо 24 ME окситоцина (ГТВ+ОКТ; n = 26), либо плацебо (ГТВ+ПЛА; n = 21) перед четырьмя сессиями ГТВ. Основным результатом были негативные симптомы, оцененные с помощью подшкалы негативных симптомов Шкалы позитивных и негативных синдромов (PANSS-N) после интервенции и через 4 недели. Вторичными результатами включались Шкала кратких негативных симптомов (BNSS), Шкала самооценки негативных симптомов (SNS) и дополнительные клинические показатели. Линейные смешанные модели оценили эффекты внутри и между группами. Результаты. Общее количество выбытия составило 14,89%, при этом один случай выбытия мог быть связан с лечением. Слепота была успешной. Участники завершили 95,63% сессий. Только группа ГТВ+ОКТ продемонстрировала значительные улучшения в PANSS-N от базового уровня до пост-интервенции (d = -0,74) и на контрольном осмотре (d = -0,77), с небольшим эффектом между группами на контрольном осмотре (d = 0,39). Общая оценка BNSS значительно улучшилась только в группе ГТВ+ОКТ от базового уровня до пост-интервенции (d = -0,88) и на контрольном осмотре (d = -0,91), при этом эффекты между группами были в пользу ГТВ+ОКТ на контрольном осмотре (d = -0,38). Серьезные нежелательные явления не наблюдались. Заключение. Эти данные предполагают, что окситоцин в сочетании с ГТВ может улучшить негативные симптомы при РШС и поддерживают дальнейшие масштабные исследования. Регистрация клинических испытаний: https://clinicaltrials.gov/study/NCT06136390, Регистрационный номер: NCT06136390.

Для оценки больших языковых моделей (БЯМ) в предэндоскопической (ПЭ) стратификации риска и предсказании эндоскопических находок при кровотечении из верхних отделов желудочно-кишечного тракта (КВУГЖ), а также для сравнения их эффективности с клиническими шкалами риска, традиционными моделями машинного обучения (МО) и гибридными подходами. Это многоцентровое ретроспективное исследование включало 384 пациента с КВУГЖ, которые прошли эндоскопию. Пять БЯМ были протестированы с использованием структурированных нулевых запросов на основе клинических и лабораторных данных ПЭ. Их эффективность в выявлении пациентов с высоким риском была сопоставлена с шкалой Глазго-Блэтчфорда (GBS), AIMS65, шкалой Рокалла для ПЭ и моделями МО. Также были оценены гибридные модели БЯМ-шкала. Два гастроэнтеролога оценили качество обоснований, сгенерированных БЯМ. GBS показала наилучшие дискриминационные показатели среди клинических шкал (площадь под кривой операционной характеристикой [AUROC] 0.73). Среди БЯМ GPT-5 достиг наивысшей точности (0.66), в то время как Grok продемонстрировала наилучшие сбалансированные показатели (0.59; F1 0.47). Gemini-2.5-Flash имела наивысшую чувствительность (0.89), но низкую специфичность (0.21). Эндоскопические предсказания имели скромную производительность, при этом Gemini-2.5-Flash достигла наивысшей точности точного соответствия (0.34) и микро-F1 (0.38). Гибридные модели улучшили результаты по сравнению с отдельными БЯМ, но не превзошли GBS (лучший: GBS+GPT-5, AUROC 0.67). БЯМ показали более высокие численные показатели по сравнению с традиционными моделями МО, но статистическое сравнение было невозможно из-за отсутствия данных на уровне экземпляров. Grok получила наивысший балл человеческой оценки за качество объяснений. БЯМ показали умеренное качество в стратификации риска КВУГЖ и предсказании эндоскопии, но уступили клиническим шкалам, особенно GBS. Гибридные модели немного улучшили показатели по сравнению с отдельными БЯМ, но не превзошли GBS, поддерживая их использование как вспомогательных инструментов, а не систем поддержки клинического решения.

Эндоскопическая деторсия является основным методом лечения сигмовидной вирулентности (СВ); однако, деторсия не всегда бывает успешной. Мы оценили клинические результаты после неудачной эндоскопической деторсии и проанализировали рецидивы у пациентов, которые достигли клинического успеха после декомпрессии. Это одноцентровое ретроспективное когортное исследование включало 47 пациентов с первым эпизодом СВ, из которых 43 прошли эндоскопическое лечение. Базовые характеристики и краткосрочные исходы сравнивались между группами успешной и неудачной деторсии. Среди пациентов с клиническим успехом в больничном курсе и 1-летней кумулятивной рецидивности сравнивались группы успешной деторсии и успешной декомпрессии. Кумулятивный рецидив оценивался с использованием метода Каплан-Meier. Успешная деторсия была достигнута у 21 из 43 пациентов (48,8%). Среди 22 пациентов с неудачной деторсией 17 достигли клинического успеха после декомпрессии, в то время как пять имели клиническую неудачу, в том числе четверо, которым была проведена экстренная операция, и один, кто умер на следующий день. Общий уровень клинического успеха составил 88,4% (38/43). Неудачная деторсия была связана с более низким уровнем насыщения кислородом в воздухе и более высокими уровнями лактата. Клинический успех встречался реже в группе неудачной деторсии (77,3% против 100%, p=0,065), а время пребывания в больнице было длиннее (медиана 13 против 7 дней, p=0,071). Среди пациентов с клиническим успехом время до возобновления перорального питания было короче в группе успешной деторсии (медиана 1,5 против 3 дней, p=0,004), в то время как 1-летняя кумулятивная частота рецидивов была численно выше, но статистически незначительна (79,6% против 51,3%, log-rank=0,087). После оценки необходимости экстренной операции, декомпрессия как таковая может не всегда требовать немедленной повторной деторсии у выбранных пациентов, которые клинически улучшаются.

Терапия лимфоцитами, инфильтрирующими опухоль (TIL), которая включает в себя извлечение, расширение и реинфузию иммунных клеток для нацеливания на раковые клетки, показала обнадеживающие результаты в лечении меланомы, но требует оптимизации для более широкой эффективности. Успех терапии TIL зависит от распознавания опухолево-связанных антигенов, однако реактивные к неоантигенам T-клетки часто бывают редкими и утомленными при менее иммуногенных злокачественных опухолях. Изоляция T-клеток, обогащенных реактивностью к неоантигенам, перед расширением и реинфузией может улучшить показатели ответа. С этой целью наша фирменная технология платформы специфических неоантигеновых пептидов (SNAP™) улучшает точность предсказания и валидации неоантигенов, сочетая продвинутое вычислительное моделирование и PepSeq, высокопроизводительный скрининг физической атрибуции предполагаемых неоантигенов на основе их сродства к специфическим для пациента HLA-классу II протеинам. Этот подход позволяет обучать и обогащать TIL (SNAP-TIL) персонализированными, заранее определенными, высокоиммуногенными неоантигенами перед расширением. С использованием платформы SNAP мы последовательно достигали в среднем продукта SNAP-TIL, состоящего на 96% из клеток CD3+, с смесью 75% эффекторных и 23% центральных клеток памяти. SNAP-TIL проявляли большую эффективность и селективность при иммунной инфильтрации по сравнению с TIL, которые были расширены только с использованием протокола быстрого расширения с моделями. SNAP-TIL также реагировали на высоко- и плохо иммуногенные опухоли, продемонстрировав 70% и 50% ингибирования роста опухоли в моделях ксено­графтов, полученных от пациентов с меланомой и поджелудочной железой соответственно. Это исследование демонстрирует новое преимущество нашего подхода «Персонализированный канал неоантигенов», потенциально обеспечивая устойчивый противоопухолевый иммунный ответ для более широкого круга онкологических пациентов.

Фон. Медицинским организациям все чаще требуется принимать стратегические решения о системах искусственного интеллекта (ИИ) до полного понимания их клинической ценности, операционных последствий, требований к управлению и влияния на рабочую force. Пилоты клинического ИИ могут уменьшить эту неопределенность только в том случае, если они генерируют управленческие доказательства, имеющие значение, помимо ретроспективной оценки работы моделей, включая доказательства по интеграции рабочих процессов, архитектуре управления, взаимодействию пользователей, ответственностью и непрерывному обучению. Цель. Это исследование направлено на изучение того, как перспективное внедрение системы поддержки принятия клинических решений (CDSS), основанной на ИИ, в отделении интенсивной терапии (ОИТ), выявило организационные и связанные с управлением неопределенности, а также на выработку переносаемого управленческого инструментария для развертывания клинического ИИ на ранней стадии. Методы. Мы провели перспективную однопортальную оценку внедрения CDSS на основе машинного обучения для прогнозирования продолжительности пребывания в ОИТ в хирургическом отделении ОИТ в немецком университете. Исследование включало 267 подряд пребываний в ОИТ и было одобрено Этическим комитетом ЛМУ Мюнхен (Проект № 24-0336) и зарегистрировано в Немецком реестре клинических испытаний (DRKS00037851). Оценка сочетала пять управленческих областей: интеграция рабочих процессов и операционное принятие, архитектура управления и влияние защиты данных, постоянный бенчмаркинг у постели как механизм непрерывного обучения, встроенная этика и дизайн ответственности, а также взаимодействие человека и ИИ с учетом гетерогенности пользователей, оцененной с помощью инструмента Психологической оценки ИИ-систем поддержки принятия решений. Результаты. Внедрение показало, что неопределенность, связанная с ИИ, генерировалась в основном на стыке между CDSS и ее организационной средой. Небольшая нагрузка "глянуть и оценить" рабочий процесс позволила консультантам и врачам-резидентам регулярно использовать систему, с долями использования 72% (191/267) и 61% (162/267) соответственно. Требования к управлению привели к необходимости архитектуры с раздельными данными, с одним обновлением данных в день, что обеспечивало соблюдение норм, но создавало операционные задержки; устаревшие записи в списках случаев возникли в 4 из 148 отмеченных случаев (2.7%). Живой бенчмаркинг функционировал как обратная связь и поддерживал исследовательское уточнение модели, со средней абсолютной ошибкой CDSS, снижающейся с 5.95 до 4.12 дней после первого обновления модели. Встроенная этика информировала о процессе внедрения, рамках ответственности, формулировках интерфейса и дизайне объяснимости. Оценка взаимодействия человека и ИИ предполагала гетерогенные архетипы пользователей с различными потребностями в управлении изменениями. Заключение. Развертывание клинического ИИ следует рассматривать как процесс организационного обучения, а не как чисто техническую реализацию. Соответствующим объектом управления является развернутая социотехническая система, включая рабочий процесс, архитектуру управления, обратные связи, этику и взаимодействие с пользователем. Мы предлагаем инструментарий управления, учитывающий аспекты управления, который поможет администраторам и специалистам в области цифрового здравоохранения различать разрешимую неопределенность проектирования внедрения от истинного отсутствия клинической ценности и поддерживать поэтапные, основанные на доказательствах решения относительно масштабирования, инвестиций и окончательной оценки.