AI prowadzi wirtualne próby kliniczne, diagnozuje 14 chorób jednocześnie i przewiduje epidemie za pomocą satelitów

Wirtualne próby kliniczne: BioinvestGPT i QuantHealth otwierają nowy rozdział

Przez dziesiątki lat próby kliniczne leków wymagały lat, miliardów dolarów i tysięcy wolontariuszy. Dwa startupy — BioinvestGPT i QuantHealth — próbują zmienić to równanie za pomocą wirtualnych prób opartych na sztucznej inteligencji.

BioinvestGPT opracowała mechanizm tworzenia „syntetycznych grup kontrolnych”: modele wirtualnych pacjentów zbudowane z elektronicznej dokumentacji medycznej, które mogą zastąpić część prawdziwych uczestników. QuantHealth z kolei oferuje platformę do symulacji wyników klinicznych, pozwalającą firmom farmaceutycznym zmniejszyć liczbę wymaganych uczestników i skrócić czas trwania badania przed przejściem do prób na ludziach.

Tendencja ta zyskuje stopniowe wsparcie regulacyjne: FDA wydało wytyczne uznające rolę danych syntetycznych w rozwoju leków, choć polityka nadal się kształtuje. Usprawnienie prób klinicznych może skrócić czas wprowadzania nowego leku na rynek o kilka lat.

Koalicja „Virtual Biology Initiative” pozyskała 1,8 mld dolarów

Grupa instytutów badawczych, rządów i prywatnych inwestorów ogłosiła powstanie Virtual Biology Initiative — koalicji, której celem jest budowa ogromnych biologicznych baz danych zasilających modele AI do opracowywania leków i badania chorób.

Koalicja ogłosiła początkowe zobowiązania na poziomie 1,8 mld dolarów, z udziałem firm biotechnologicznych, szpitali akademickich oraz funduszy rządowych USA, Wielkiej Brytanii i Niemiec. Kluczowa idea: stworzenie „biologicznego internetu”, w którym zanonimizowane dane zdrowotne milionów pacjentów będą dostępne dla badań — za zgodą i z poszanowaniem prywatności — umożliwiając trenowanie szczególnie potężnych modeli.

Eksperci wskazują, że największym wyzwaniem nie jest finansowanie, lecz zarządzanie: jak zorganizować współdzielenie danych między krajami, instytucjami i systemami, które niekiedy ze sobą konkurują. Koalicja zapowiedziała powołanie niezależnego komitetu zarządzającego jeszcze w tym roku.

Intensywny tydzień w FDA: liczne zezwolenia w radiologii

FDA wydało w tym tygodniu serię zezwoleń 510(k) dla narzędzi AI w radiologii. Wśród zatwierdzonych znalazły się systemy do wczesnego wykrywania zatorowości płucnej, automatycznego skanowania wyników na zdjęciach rentgenowskich klatki piersiowej oraz szybkiej analizy MRI mózgu.

Te zatwierdzenia kontynuują tendencję trwającą od 2018 roku: FDA zatwierdziło do tej pory ponad 950 narzędzi AI w medycynie, z czego zdecydowana większość skupia się na obrazowaniu. Tempo zatwierdzeń gwałtownie wzrosło w latach 2024–2025, wynosi średnio około 15–20 narzędzi miesięcznie. Pojawiają się też obawy: ścieżka 510(k) — niewymagająca pełnych prób klinicznych — może dopuszczać na rynek niewystarczająco zweryfikowane narzędzia. FDA niedawno zaktualizowało wymagania dotyczące parametrów wydajności, jednak dyskusja trwa.

Aidoc diagnozuje 14 schorzeń w jednym badaniu CT jamy brzusznej

Izraelska firma Aidoc, specjalizująca się w AI dla radiologii, ogłosiła nowy system umożliwiający skanowanie jednego badania CT jamy brzusznej i jednoczesne wykrywanie 14 różnych schorzeń — od tętniaków i nowotworów po raka trzustki we wczesnym stadium.

To podejście wielopatologiczne różni się od dotychczasowego sposobu, w którym każde narzędzie AI skupiało się na jednej chorobie. Według Aidoc połączenie pozwala radiologowi uzyskać całościowy obraz bez konieczności przełączania się między różnymi systemami oraz ustawiać wyniki w kolejności według ważności.

Jednocześnie Aidoc ogłosiła utworzenie Diagnostic AI Consortium — konsorcjum skupiającego duże szpitale z USA i Europy w celu ciągłej walidacji i doskonalenia narzędzi. Celem jest zbudowanie klinicznej bazy danych umożliwiającej nieustanne doskonalenie wydajności modelu na zróżnicowanych populacjach.

Google przewiduje epidemie z satelitów z dokładnością wyższą o ponad 18%

Zespół badawczy Google opublikował nową pracę pokazującą, jak łączyć dane satelitarne — temperaturę, wilgotność, gęstość zaludnienia na podstawie nocnych świateł i wskaźniki roślinności — aby przewidywać epidemie chorób takich jak malaria, denga i cholera.

Model PDFM (Pandemic Disease Forecasting Model) osiągnął poprawę dokładności prognozowania o około 18% w porównaniu z poprzednimi metodami. Eksperymenty przeprowadzono na historycznych danych epidemicznych z 40 krajów, głównie w Azji Południowo-Wschodniej i Afryce Subsaharyjskiej.

Zaletą tego podejścia jest to, że nie zależy od lokalnego systemu raportowania, który może być powolny, niepełny lub stronniczy. Z drugiej strony istnieją obawy dotyczące prywatności danych i autonomii badanych krajów bez ich pełnej współpracy. Google zapowiedziała, że projekt zostanie rozwinięty we współpracy ze Światową Organizacją Zdrowia.