Խմբագրական նոր հետազոտությունը փաստում է, որ բժշկական արհեստական բանականության (ԱԲ) ապագան միայն հիվանդությունների ախտորոշումը չէ։ Այն նպատակ ունի բացահայտել օրգանիզմի վաղ փոփոխությունները՝ նախքան առաջին ախտանիշների ի հայտ գալը։
Intelligent Medicine ամսագրում հրապարակված հոդվածը շեշտում է բժշկական տվյալների դինամիկ փոփոխությունների վերլուծության կարևորությունը։ Համադրելով գենոմիկայի տվյալները, հիվանդության պատմությունը, պատկերային հետազոտություններն ու կրելի սարքերի տեղեկությունները՝ ԱԲ-ն կարող է հայտնաբերել այն օրհասական «բեկումնային կետերը», որոնք ազդարարում են հիվանդության սկիզբը։
Այս մեթոդի հիմքում դինամիկ ցանցային բիոմարկերների (DNB) տեսությունն է, որը թույլ է տալիս հետևել կենսաբանական համակարգերում կապերի կտրուկ ուժեղացմանը և փոփոխություններին։ Նախորդ հետազոտությունները ցույց են տվել, որ այս մեթոդն ընդունակ է բացահայտել հիվանդությունների վաղ նշանները։ Օրինակ՝ այն ավելի քան 80% ճշգրտությամբ արձանագրում է գեների էքսպրեսիայի անկայունությունը նախքան գրիպի ախտանիշների ի հայտ գալը կամ բջիջների չարորակացման գործընթացը։
Հեռանկարային մյուս գործիքը ցանցերի անհատական վերլուծությունն է (iENA), որը թույլ է տալիս գնահատել ռիսկերը՝ հիմնվելով ժամանակի ընթացքում մեկ պացիենտից ստացված տվյալների վրա՝ առանց ստուգիչ խմբերի հետ համեմատվելու անհրաժեշտության։ Գեների էքսպրեսիայի հետազոտություններում այս մեթոդը բարձր ճշգրտություն է ցուցաբերել, ինչը հնարավոր է դարձնում իրական ժամանակում իրականացվող անհատականացված մոնիթորինգը։
Հեղինակներն ընդգծում են նաև ֆիզիոլոգիական գիտելիքները խորը ուսուցման մեթոդների հետ համադրելու կարևորությունը։ Օրինակ՝ արհեստական բանականության հիբրիդային մոդելները զգալիորեն բարելավել են 1-ին տիպի դիաբետի դեպքում գլյուկոզայի մակարդակի կանխատեսումը (սխալի հավանականությունը կրճատելով ավելի քան 50%-ով)։ Նման համակարգերը կարող են ստեղծել պացիենտների «թվային երկվորյակներին» և փորձարկել բուժումը դեռ դրա կիրառումից առաջ։
Առաջընթաց է նկատվում նաև այլ ոլորտներում. էլեկտրոնային բժշկական տվյալների հիման վրա մշակված մոդելները բարձրացնում են ախտորոշման ճշգրտությունը, իսկ ՄՌՏ հետազոտության վերլուծությունն օգնում է կանխատեսել նյարդաբանական հիվանդությունների բուժման արդյունքները։ Transformer տիպի կառուցվածքները, որոնք վերապատրաստվել են տևական ժամանակահատվածի բժշկական տվյալների հիման վրա, ընդունակ են միաժամանակ կանխատեսել մի քանի հիվանդությունների, այդ թվում՝ դիաբետի և հիպերտոնիայի ռիսկը։
Չնայած գրանցված հաջողություններին՝ գիտնականները շեշտում են, որ արհեստական բանականությունը պետք է լրացնի, այլ ոչ թե փոխարինի բժշկին։ Դրա նպատակն է ժամանակին ահազանգել վտանգների մասին և օգնել, որ բժշկությունն անցում կատարի բուժումից դեպի կանխարգելում։
Այդուհանդերձ, դեռևս կան լուրջ խնդիրներ։ Տվյալների անհամասեռությունն ու թերի լինելը կարող են հանգեցնել կեղծ ահազանգերի։ Բացի այդ, ժամանակակից մոդելներն ավելի լավ են բացահայտում փոխկապակցվածությունները (կոռելյացիան), քան պատճառահետևանքային կապերը։ Շատ ալգորիթմներ շարունակում են մնալ որպես «սև արկղ», ինչը նվազեցնում է մասնագետների վստահությունը։
Առկա են նաև էթիկական ռիսկեր, որոնք վերաբերում են տվյալների պաշտպանությանը և ալգորիթմների հնարավոր կողմնակալությանը, հատկապես՝ տարբեր բնակչության խմբերի դեպքում։
Հետագա առանցքային խնդիրն է տարատեսակ բժշկական տվյալների համակցումն ու խիստ կլինիկական փորձարկումների անցկացումը։ Միայն մանրակրկիտ ստուգման և պատասխանատու ներդրման դեպքում ԱԲ-ն թույլ կտա բժշկությանը «արձագանքող» մոդելից անցնել իրապես կանխարգելիչ մոտեցման։