Следующее поколение медицинского ИИ: динамическая модель состояния здоровья

О докладе

Ниже представлен текст доклада Маргариты Пиринен, основателя и генерального директора BIOS, на XIII Российском форуме биотехнологий OpenBio-2026 в наукограде Кольцово.

Выступление состоялось в рамках экспертной сессии «Технологии и продукты отечественного и международного биотеха: что доступно для российского рынка прямо сейчас». Тема доклада — «Следующее поколение медицинского ИИ: динамическая модель состояния здоровья».

Цель доклада — обозначить направление развития следующего поколения медицинского ИИ: от работы с отдельными документами и показателями к динамической модели состояния здоровья человека. На примере BIOS — показать, как уже сегодня создавать технологическую основу для медицины, способной сохранять непрерывную историю человека, отслеживать изменения и в перспективе моделировать траектории его состояния.

Ключевые задачи: рассмотреть состояние человека во времени как объект вычисления; показать, как соединить фундаментальную исследовательскую гипотезу с работающими продуктами и экономикой бизнеса; определить архитектурные принципы, которые позволят развивать технологии без потери накопленных данных и знаний; сформулировать, что необходимо доказать для перехода к моделированию состояний и их изменений. Общий вопрос доклада — как российскому биотеху создавать собственные технологические направления и решения для задач, которые рынок ещё не успел сформулировать.

Технологический суверенитет начинается с инфраструктуры

Технологические разрывы, особенно в биотехе, в докладе рассматриваются как системная проблема, которую нельзя свести к отсутствию одного прибора, реагента, программы или инвестора.

Когда мы обсуждаем технологическую инфраструктуру российского биотеха, перед нами стоят вполне конкретные вопросы: какие решения уже доступны лабораториям, как обеспечить сопоставимость и воспроизводимость результатов, как соединять оборудование разных производителей, программное обеспечение и данные, как довести сильную исследовательскую разработку до повседневной практики.

К этой повестке следует добавить ещё один вопрос: как сделать так, чтобы, решая задачи сегодняшнего дня, мы одновременно создавали технологическую инфраструктуру завтрашнего?

В докладе технологический суверенитет рассматривается как способность самостоятельно определить, какой класс технологий будет нужен следующим, создать его, доказать работоспособность и встроить в реальную экономику. Отечественные аналоги нужны, но ими эта задача не исчерпывается.

Этот тезис раскрывается на примере BIOS. Автор доклада, Маргарита Пиринен, — основатель и генеральный директор компании-разработчика BIOS и автор технологии, которая на OpenBio стала лауреатом конкурса «Выбор научного сообщества». Для нас эта оценка особенно важна: BIOS изначально появился как исследовательская гипотеза, но мы никогда не строили его как исследовательский проект ради исследования.

BIOS — это бизнес. Последние несколько лет мы на практике решаем один вопрос: можно ли одновременно создавать достаточно фундаментальную технологию, ориентированную на следующий цикл развития медицины, и уже сегодня превращать её в продукт, которым пользуются врачи, клиники и пациенты? Такое совмещение возможно при ином подходе к инновациям и инфраструктуре.

1. Недостатка технологий сегодня нет

Работа над BIOS сопровождалась знакомством с десятками смежных проектов в акселераторах, конкурсах и технологических программах, а также менторским сопровождением нескольких близких по направлению решений. Этот опыт позволил сопоставить разные подходы к разработке и выводу медицинских технологий на рынок.

Опыт работы над BIOS позволяет связать проблему не столько с недостатком продуктов, сколько с их разобщённостью. Есть решения за несколько сотен рублей, за несколько тысяч и корпоративные платформы: интерпретация лабораторных данных, медицинские помощники, интеграции с устройствами, агрегаторы документов, системы поддержки принятия решений.

При этом возникает парадокс: потребность есть, разработок и научных результатов много, а путь от разработки до устойчивого использования по-прежнему оказывается сложным. Значит, проблема находится глубже, чем просто отсутствие решения.

Одной из причин может быть разделение исследовательской и предпринимательской логики. Исследователь должен создать принципиально новое, предприниматель — выяснить, что рынок хочет купить сегодня. Каждая из этих логик отдельно правильна, но в биомедицинских технологиях их разделение становится ограничением.

Рынок прекрасно умеет описывать свою текущую проблему, однако он не обязан уметь сформулировать архитектуру технологии, которая решит эту проблему через пять или десять лет.

Если врач говорит: «мне требуется слишком много времени, чтобы разобраться в истории пациента», можно сделать очень хороший поиск по документам. Это решит текущую задачу. Но можно поставить вопрос на один уровень глубже: почему врач вообще каждый раз вынужден вручную восстанавливать состояние пациента из отдельных документов?

Тогда мы начинаем проектировать уже другую систему: не инструмент более быстрого поиска информации, а инфраструктуру, которая сама сохраняет непрерывный контекст состояния человека. Именно это различие между устранением локального симптома и работой с причиной стало для нас одним из основных принципов разработки BIOS.

Три поколения HealthTech в эволюции искусственного интеллекта

В докладе выделены три поколения HealthTech в зависимости от технологической задачи, которую решает система: оцифровывает медицинскую практику, извлекает смысл из данных или моделирует состояние человека во времени. Эта последовательность помогает объяснить архитектуру BIOS и её место в развитии медицинского ИИ. Поколения сосуществуют: новая модель работает поверх цифровой инфраструктуры, а одна платформа может объединять возможности нескольких этапов.

HealthTech 1.0: цифровизация медицины

Первая большая задача — перевести медицинскую информацию и рабочие процессы в цифровую форму. Вместо бумажной карты появляется электронная, вместо отдельного бланка — результат в лабораторной системе, вместо плёнки — цифровой архив изображений. Запись на приём, назначения, расчёты, обмен документами и доступ пациента к своей истории становятся программными функциями.

Технологическая основа этого поколения — базы данных, системы хранения, идентификация пациента, интерфейсы обмена и управление доступом. Медицинская информационная система, лабораторная информационная система и архив изображений решают разные части задачи. Чтобы они работали вместе, необходимо согласовать форматы, справочники и идентификаторы: принадлежит ли запись тому же человеку, какой показатель измерен, в каких единицах и когда. Уже на этом уровне качество интеграции определяет, можно ли дальше использовать данные для вычислений.

Продукты этого класса хорошо знакомы. В Москве электронная карта в ЕМИАС даёт доступ к протоколам осмотров, лабораторным результатам и выпискам. Российская МИС MEDODS объединяет запись, медицинские карты, протоколы приёма, результаты исследований и работу с лабораториями. Пациентский портал MyChart даёт доступ к результатам, лекарствам, записи на приём и обмену медицинской информацией. В этом сравнении рассматриваются функции цифровизации, а не все возможности этих развивающихся платформ.

Носимые устройства расширяют этот слой: к данным, полученным в клинике, добавляются измерения из повседневной жизни. Возникают временные ряды активности, пульса и других сигналов. Их сбор и отображение ещё не означают, что система умеет объяснить изменение здоровья, но создают материал для следующего этапа.

Основная единица этого поколения — цифровая запись о событии. Система знает, что состоялся приём, получен анализ или оформлено назначение. Она может хранить их вместе, но клиническую связь между ними нередко восстанавливает врач. Полная электронная карта и целостная модель состояния человека — разные технологические результаты.

Цифровизация решила проблему доступности, но одновременно увеличила объём информации, с которой приходится работать. В истории одного человека накапливаются документы разных специальностей, результаты разных лабораторий, повторные обследования и данные устройств. Чем длиннее эта история, тем больше усилий требуется, чтобы выделить существенное и связать события. Так возникает следующая задача: данные уже доступны — теперь их нужно обработать и интерпретировать.

HealthTech 2.0: генеративный ИИ и автоматизация анализа

Следующая задача — автоматизировать работу с содержанием медицинской информации. Здесь развиваются два взаимосвязанных направления: специализированные алгоритмы для определённой задачи и модели, которые можно адаптировать к разным задачам. Медицина получает инструменты распознавания изображений и сигналов, оценки рисков, извлечения фактов, подготовки документов и диалога с пользователем.

Эволюция ИИ объясняет, почему эти инструменты устроены по-разному. Экспертные системы выполняют заданные человеком правила. Классическое машинное обучение выявляет зависимости на подготовленных признаках. Глубокие нейросети обучают признаки непосредственно по изображениям, текстам и сигналам. Например, одна модель ищет признаки патологии на снимке, другая анализирует ЭКГ, третья рассчитывает риск по набору показателей. Развитие таких приложений описано в обзоре Эрика Тополя о медицинском ИИ.

В специализированной постановке разработчик заранее определяет вход, целевую переменную и критерий качества. Новая задача часто требует другой разметки, настройки и проверки. Высокая точность распознавания конкретного признака при этом не означает, что алгоритм способен интерпретировать всю историю пациента.

Следующий крупный сдвиг в ИИ связан с фундаментальными моделями — foundation models. Масштабное предобучение позволяет сформировать представления, которые затем адаптируются к разным задачам. В самосупервизируемом обучении обучающий сигнал извлекается из самих данных: например, модель восстанавливает скрытые части текста или изображения. Это уменьшает зависимость этапа предобучения от ручной разметки каждой клинической задачи.

Важную роль в этом развитии сыграла архитектура Transformer и механизм внимания, позволяющий учитывать связи между элементами последовательности. Но фундаментальная модель не обязательно является языковой или генеративной: переиспользуемые представления могут обучаться на изображениях, физиологических сигналах и сочетаниях модальностей. Для медицины это открывает возможность совместной работы с текстом, изображением и измерениями, а также переноса на задачи с ограниченной разметкой — направление, сформулированное в работе Moor и соавторов о generalist medical AI.

Конкретный пример — RETFound: самосупервизируемое предобучение на изображениях сетчатки используется как основа для адаптации к задачам выявления заболеваний. Здесь меняется экономика обучения: часть представления формируется заранее и переиспользуется, хотя качество каждого медицинского применения по-прежнему требует отдельной оценки.

На уровне продуктов это видно, например, в Microsoft Dragon Copilot: ИИ помогает готовить клиническую документацию. Врач получает материал для проверки и завершения записи. Это конкретная автоматизация работы с языком и медицинским содержанием, встроенная в рабочий процесс.

На уровне систем появляются поиск по внешним источникам — retrieval-augmented generation, или RAG, — и подключение инструментов. Модель может получать релевантные документы, обращаться к расчётным модулям и формировать ответ с опорой на извлечённый контекст. Это расширяет возможности интерфейса, но ставит самостоятельные инженерные задачи: полнота поиска, актуальность источников, правильное извлечение фактов и проверка выполненных действий.

Другой пример из нашей конкурентной карты — PatientGPT от K Health: разговор с пациентом связывается с медицинской картой и организацией дальнейшей помощи. Здесь уже важен не только ответ модели, но и её включение в клинический маршрут. Поэтому второе поколение нельзя свести к набору изолированных чат-ботов: продукты последовательно осваивают контекст, инструменты и взаимодействие с врачом.

Главное приобретение этого этапа — способность алгоритмов интерпретировать медицинские данные; у фундаментальных моделей — ещё и переиспользовать обученное представление. Оно может поддерживать множество задач и учитывать длинные последовательности. Поэтому граница следующего поколения не сводится к наличию времени, памяти или большого контекстного окна: всё это уже может присутствовать в современных моделях. Для нас следующий шаг связан с тем, как организована целая система и что именно она должна моделировать.

Почему одного генеративного ИИ недостаточно

Подключение языковой модели к электронной карте выглядит естественным решением: она читает документы, выделяет факты, готовит резюме и отвечает на вопросы. Но обучение предсказывать продолжение текста само по себе не задаёт ни достоверность каждого медицинского утверждения, ни правила ведения истории пациента. Эти свойства необходимо обеспечивать на уровне всей системы.

Первая проблема — галлюцинации и пропуски. Модель может добавить отсутствующий факт, неверно передать отрицание или исключить важную деталь при сокращении истории. В работе Asgari и соавторов в npj Digital Medicine эти ошибки оцениваются раздельно, с учётом клинического риска. Авторы показывают, что качество зависит от конфигурации процесса: дополнительный шаг обработки не обязательно улучшает результат. Для медицинского применения нужно проверять и то, что система сказала, и то, что она упустила.

Вторая проблема — память. Контекстное окно содержит информацию для текущего вычисления, но само по себе не определяет, что сохранять между обращениями, как учитывать исправления и когда пересматривать прежний вывод. Повторное резюме тоже не заменяет медицинскую память: при последовательном сжатии можно потерять источник, дату, оговорку или связь с назначением. Под «умной памятью» здесь понимается управляемая история фактов и их изменений, а не просто сохранённую переписку.

Третья проблема — организация вычислений. Если каждый ответ строится через повторную обработку большого архива, вместе с историей растут затраты на чтение и поиск. При этом расчёт динамики, проверка единиц и интерпретация текста имеют разную природу. Нет необходимости поручать языковой модели каждую из этих операций. Нужно определить, какие данные уже обработаны, какие расчёты воспроизводимы и какие новые события действительно требуют пересмотра.

Современные системы отвечают на эти ограничения поиском, внешней памятью, инструментами и проверочными механизмами. Поэтому развитие не сводится к замене одной модели другой. Следующий вопрос — вокруг какого объекта организовать эту работу, чтобы каждое новое обращение продолжало медицинскую историю, а не начинало её интерпретацию заново.

HealthTech 3.0: моделирование состояния здоровья во времени

В предложенной классификации третье поколение определяется этой задачей, а не названием алгоритма. Система должна поддерживать обновляемую модель состояния человека: учитывать накопленную историю, новые наблюдения, условия их получения и неопределённость. Дальнейшая исследовательская задача — описывать закономерности изменения состояния и проверять прогнозы на последующих наблюдениях.

Состояние здоровья в нашем понимании — вычислимое представление о человеке на определённый момент, построенное по доступным данным. Оно включает наблюдаемые показатели, их связи и динамику, существенные события и вмешательства, а также пробелы в информации. Это не один «индекс здоровья» и не перечень диагнозов. Два человека с одинаковым текущим значением показателя могут иметь разные исходные уровни, направления изменений и условия измерения — следовательно, различный контекст для оценки.

С научной точки зрения это задача восстановления частично наблюдаемой динамической системы. Мы не измеряем организм целиком: разные исследования дают неполные наблюдения в разные моменты времени. Важно различать саму физиологическую динамику и то, как она наблюдается. Например, увеличение числа анализов может быть следствием более интенсивного наблюдения, а не ухудшения состояния. Модель должна учитывать время, пропуски и происхождение данных, а не только значения в таблице.

Эту постановку хорошо раскрывает PULSE — работа Wu и соавторов в Nature Computational Science. Авторы соединяют персонализированное прошлое состояние, Past-State, с текущими неполными измерениями, формируя Visit-State. В исследованных задачах история помогает восстанавливать отсутствующие модальности и строить прогнозные признаки. Здесь состояние — обучаемое латентное представление: пример того, что сама задача третьего поколения не требует единственной, обязательно нейросимволической архитектуры.

Как достраивать состояние по неполным данным

В нашей архитектуре неполнота данных становится частью модели. Мы реконструируем те компоненты состояния, для которых есть основания, сохраняем неопределённость и определяем, какая информация нужна для уточнения. Врач получает не просто неполный набор документов, а описание доступного знания и конкретных пробелов.

Здесь важно различать две операции. Первая — связать имеющиеся факты и восстановить доступную часть состояния. Вторая — оценить ненаблюдаемую величину с помощью обученной модели. Такая оценка сохраняется вместе с методом и неопределённостью и не подменяет реально выполненный анализ. Достраивание означает расширение обоснованного представления о человеке, а не заполнение всех пустых полей правдоподобными числами.

Например, для оценки изменения может не хватать исходного уровня показателя, сопоставимого повторного измерения, даты смены терапии или сведений об условиях исследования. Данные могут быть устаревшими либо противоречивыми. Мы выделяем этот пробел относительно конкретной задачи: что именно нельзя уверенно восстановить и какие сведения способны это уточнить.

Следующий шаг — сравнить возможные наблюдения по тому, насколько они могут уменьшить неопределённость. Для этого требуется модель вероятных результатов и их влияния на оценку состояния. Информационную ценность нужно сопоставлять с клинической уместностью, риском, доступностью и стоимостью. Так система помогает сформулировать следующий вопрос, а решение об обследовании остаётся за врачом.

Что модель состояния меняет на практике

Возьмём условный сценарий: у человека есть несколько лет лабораторных результатов, затем меняется терапия и поступают новые измерения. Цифровой архив покажет документы. ИИ-помощник сможет подготовить резюме. Модель состояния должна дополнительно связать измерения с предшествующей траекторией и вмешательством, проверить сопоставимость, выделить изменения и показать, какие выводы теперь требуют пересмотра.

Это позволяет ставить более содержательные вопросы. Меняется ли показатель относительно индивидуального уровня? Согласуется ли его динамика с другими наблюдениями? Какой информации не хватает, чтобы отличить устойчивое изменение от вариабельности измерения? Что из прежнего описания больше не актуально? Ответы нужны врачу для выбора следующего шага наблюдения, а исследователю — для формулирования проверяемой гипотезы.

Более сложный уровень — прогноз: как состояние может измениться при определённых условиях и воздействиях. Здесь необходимо отдельно различать ожидаемую траекторию, наблюдаемое изменение и причинный эффект вмешательства. Последовательность «назначение — изменение показателя» ещё не доказывает действие лечения. Для таких выводов нужны соответствующие данные и исследовательский дизайн.

Значение этого перехода в том, что медицина получает возможность работать с изменением здоровья, а не только с результатом отдельного обследования. Это основа для персонализированного наблюдения, более раннего обнаружения значимых сдвигов и проверки ответа на вмешательства. Новая модель не отменяет диагностику; она должна связывать отдельные диагностические события в процесс, который можно последовательно исследовать.

В общей эволюции ИИ здесь встречаются разные направления: модели временных рядов и скрытых состояний, мультимодальные представления, графовые методы, механистические модели, нейросимволические системы и обучение операторов. В мировой повестке более широкое соединение моделей разных биологических масштабов обсуждается в программе AI-driven digital organism. Выбор конкретной технологии зависит от того, что мы восстанавливаем, что прогнозируем и какие ограничения можем проверить.

Наш подход: гибридная архитектура BIOS

Это архитектура, к которой мы стратегически движемся в BIOS. Её задача — связать медицинскую память, реконструкцию состояния и исследование его динамики в единую систему, развиваемую по мере накопления данных и знаний.

В BIOS мы выбрали сочетание методов. Нейросетевые компоненты нужны для работы с разнородными данными, медицинская память — для сохранения истории, символические правила и граф знаний — для явных связей и проверок. Модели динамики решают другую задачу: описывают изменение состояния. Гибридность позволяет задавать подходящий способ вычисления для каждой операции, вместо того чтобы требовать от одной языковой модели одновременно хранить историю, знать медицину, считать и прогнозировать.

Нейросимволический подход — одна из частей этого решения. Он соединяет обучение на данных с явно представленными знаниями и процедурами рассуждения; такое сочетание методов составляет предмет Neurosymbolic Learning and Reasoning. Для нас его ценность — в возможности отделить вероятностно предложенную интерпретацию от формально проверяемых оснований.

Как распределены функции внутри BIOS

В основе нашей архитектуры — разделение функций, которые в обычном диалоге с моделью легко смешать. Прочитать документ, сохранить факт, рассчитать изменение, предложить гипотезу и объяснить её врачу — пять разных операций. У каждой должны быть свои входные данные, правила и проверка результата.

1. Нейросетевой слой извлекает сведения. Текст, изображение или сигнал преобразуются в признаки и кандидаты на медицинские факты. Например, из лабораторного бланка нужно извлечь название показателя, значение, единицы и дату. На этом этапе возможны ошибки распознавания, поэтому извлечённое значение должно сохранять связь с исходным документом.
2. Медицинская память задаёт контекст. Наблюдение получает место в истории вместе с источником, временем и доступными условиями измерения. Исправление врача не должно бесследно затирать предыдущую запись. Отсутствие данных фиксируется как неизвестность: если симптом не упомянут, из этого нельзя заключить, что его нет.
3. Символический слой задаёт смысл и ограничения. Онтология описывает типы медицинских понятий и допустимые отношения, граф связывает конкретные сведения, правила задают условия сопоставления и вывода. Проверяется, например, совместимость единиц, последовательность событий и наличие необходимых исходных данных. Связь «измерено после назначения» не должна автоматически превращаться в утверждение «изменилось из-за назначения».
4. Вычислительный слой формирует версию состояния. Мы рассматриваем состояние как самостоятельный объект: какие наблюдения использованы, какие изменения выявлены, что остаётся неизвестным, какими версиями правил и моделей получен результат. При поступлении нового анализа система должна определить, какую часть представления необходимо обновить, и сохранить основания пересмотра.
5. Языковой интерфейс объясняет результат. LLM помогает сформулировать ответ и взаимодействовать с вычислительными инструментами. Основанием ответа служат сохранённые факты и результаты проверок. Клиническую гипотезу нужно показывать как гипотезу, а неподтверждённое утверждение — не выдавать за установленный факт.

Именно здесь проходит различие между поиском по документам и нейросимволической системой. RAG подбирает текст, который модель использует при ответе. В нашей архитектуре важно также хранить типизированные факты и зависимости между ними, применять формальные проверки и отслеживать, какие выводы меняются при обновлении данных. Граф может помогать поиску, но его основная ценность для нас — в явном представлении медицинского контекста и оснований вычисления.

При этом детерминированность относится к определённым операциям: одинаковые входы и версии правил должны давать одинаковый результат проверки. Вероятностная модель оценивает неопределённость, формальный слой проверяет заданные ограничения, врач оценивает клинический смысл. Такое разделение позволяет исследовать ошибки каждого компонента, а не судить о системе только по убедительности итогового текста.

Накопительный граф знаний и проверка результата

Здесь необходимо разделить память конкретного человека и общую медицинскую базу знаний. В памяти хранятся наблюдения, документы и события его истории. В графе знаний — медицинские понятия, отношения и правила с условиями применимости. Связь из графа сама по себе не становится фактом о пациенте: для её применения нужны соответствующие данные из его истории.

В BIOS исследовательский процесс отделён от диалога с пациентом. Он отслеживает научные публикации, рекомендации и другие источники, проверяет происхождение и версию документа, извлекает утверждения вместе с условиями и ограничениями. Доказательства сохраняются в реестре, а связи — в исследовательском графе. Новые сведения могут поддержать гипотезу, ослабить её, сузить область применимости или оставить статус «данных недостаточно». Предыдущая версия сохраняется.

При этом рекомендация, официальная классификация и результат отдельного исследования дают разные виды оснований. Копии одной публикации не считаются независимыми подтверждениями, противоречащие данные не удаляются ради единственного ответа. Переход знания из исследовательского графа в применяемое правило — отдельная процедура, учитывающая тип утверждения, его источник, версию и условия.

Таким образом, накопление знания не требует, чтобы диалоговая модель сама объявляла собственные ответы истиной. Её предложение можно рассмотреть в исследовательском процессе, но оно не должно автоматически становиться правилом проверки следующих ответов. Нам важно избежать замкнутого подтверждения, когда система сначала придумывает связь, а затем ссылается на неё как на доказательство.

Детерминированный механизм проверки применяет зафиксированные правила к данным. Например, он может обнаружить несовместимые единицы, отсутствие обязательного условия или противоречие между утверждением и источником. При одинаковых входах и версиях правил такая проверка воспроизводима. Это делает граф инструментом контроля, но полнота его знаний и клиническая корректность правил остаются самостоятельными предметами исследования.

Родственный, но иной подход показывает InfEHR, опубликованный в Nature Communications: медицинская история преобразуется во временной граф, на котором обучаются представления для вероятностного вывода с небольшим числом размеченных примеров. Это не тот же механизм, что детерминированная проверка правил. Пример важен тем, что способ организации истории влияет на требования к обучению и возможности дальнейшего анализа.

Почему не требуется заново обучать всю систему

Мы не закладываем длительное переобучение языковой модели как обязательное условие каждого обновления медицинского знания. Предобученная модель используется там, где нужны её языковые и перцептивные возможности. Новую подтверждённую связь можно включить во внешнюю базу знаний, правило — в проверочный механизм, а новое наблюдение — в память пациента. Для этих изменений не обязательно менять веса нейросети.

Это три разных процесса: обучение модели меняет её параметры; исследовательская работа пополняет и уточняет знания; обновление состояния применяет доступные методы к новой истории наблюдений. Разделение позволяет наращивать возможности системы без повторения полного цикла обучения при каждом изменении. При этом работа по проверке данных и знаний никуда не исчезает — она становится адресной и прослеживаемой.

Точность результата мы связываем с качеством всей этой последовательности: корректно ли извлечён факт, верно ли применено правило, достаточно ли оснований для вывода. Проверка через граф должна ограничивать определённые классы ошибок. Чтобы установить выигрыш в качестве и эффективности, сравниваемые показатели нужно определять отдельно: точность извлечения, критические пропуски, неподтверждённые утверждения, время обработки и стоимость обновления. Так мы сможем оценивать вклад графа, памяти и моделей по результатам, а не по убедительности ответа.

Нейронные операторы: отдельная задача моделирования динамики

Нейронные операторы дополняют эту архитектуру с другой стороны. Граф знаний помогает проверять основания и ограничения; операторная модель учится преобразованию функций — например, отображению заданных условий в траекторию моделируемой системы. В работе о Fourier Neural Operator такой подход исследован на семействах дифференциальных уравнений, включая задачи гидродинамики.

Для BIOS это направление исследования переходов состояния. Вместо отдельного ответа о сегодняшнем наборе показателей нас интересует воспроизводимая закономерность изменения при заданных условиях. Оператору тоже требуется обучение. Его потенциальная ценность — в повторном использовании изученной зависимости внутри области применимости, а не в отсутствии обучающих данных. Подробно эта гипотеза разобрана в разделе о нейронных операторах.

Таким образом, гибрид соединяет разные виды работы: нейросеть извлекает представление, память сохраняет историю, граф ограничивает допустимые интерпретации, вычислительная модель описывает состояние, а операторный подход исследует его динамику. Мы можем менять и проверять эти компоненты по отдельности, сохраняя общий объект — человека и его историю.

Практический смысл такого разделения — понять, что именно мы строим и как будем оценивать результат. Для цифрового архива важны полнота и доступность. Для отдельной модели — качество решения её задачи. Для системы, сопровождающей человека во времени, дополнительно нужны устойчивость контекста, корректное обновление выводов и проверка на будущих событиях.

Где в этой системе находится BIOS

Сегодня переход от первого ко второму поколению хорошо виден в самой постановке продуктовых задач: оцифрованную историю нужно прочитать, сократить, найти в ней нужное, подготовить ответ. Мы изначально поставили перед BIOS задачу третьего поколения — моделирование состояния во времени — и для её решения выбрали гибридную архитектуру. В BIOS объектом работы становится человек с меняющейся историей, а отдельные модели и продукты строятся вокруг этого объекта.

Разницу проще показать на одном условном сценарии. Человек приносит результаты исследований за несколько лет. Система первого поколения хранит их, обеспечивает поиск и доступ. Второе поколение использует предобученные представления для извлечения показателей, обобщения истории и решения разных задач. В третьем поколении задача продолжается: новый результат должен обновить общую историю, сохранить связь с назначениями и предыдущими измерениями, показать существенные изменения и основания для дальнейшей проверки. Именно такую последовательность мы закладываем в BIOS. Модель переходов состояния — следующий исследовательский слой этой архитектуры.

Из чего складывается технологическое преимущество

Для BIOS Personal, Doctor и Clinical это означает работу с общей медицинской памятью через разные интерфейсы. Пациенту нужно понять изменения и подготовиться к приёму; врачу — восстановить ход событий и проверить основания; клинике — сохранить преемственность наблюдения. Для исследовательского применения к той же архитектуре добавляются требования протокола, согласий и контроля доступа. Нам важно, чтобы под каждый продукт не приходилось заново собирать отдельное представление о человеке.

Первое преимущество — независимость накопленного знания от конкретной нейросети. Если факты, связи и версии состояния хранятся отдельно, можно обновлять модель извлечения или языковой интерфейс, не пересоздавая всю медицинскую историю. Это снижает архитектурную зависимость от жизненного цикла одной модели.

Второе — возможность обновлять вычисления по изменениям. Новый документ не всегда требует повторного анализа всей истории. Явные зависимости позволяют выделить затронутые расчёты и выводы. Там, где новое наблюдение меняет интерпретацию старых данных, пересчёт должен охватить и их. Практический выигрыш такого подхода измеряется временем обработки и стоимостью обновления при сохранении качества.

Третье — повторное использование знаний и компонентов между задачами. Нормализация показателя, его временная привязка и проверка сопоставимости нужны и пациентскому сервису, и врачу, и исследовательскому протоколу. Мы рассчитываем сокращать объём повторной инженерной работы. Снижение потребности в специализированных обучающих данных — отдельная гипотеза, которую нужно проверять сравнением моделей.

Четвёртое — воспроизводимость исследования. Сохранённые источники, версии и границы известного позволяют восстановить, на чём основывался результат в конкретный момент. Можно сравнивать методы на одной истории, проверять вклад отдельных компонентов и исключать использование сведений, которые появились только после оцениваемого события. Для науки это столь же важно, как сама точность прогноза.

Ожидаемое долгосрочное преимущество связано с накоплением результатов этой работы. Смена языковой модели не должна обнулять медицинскую память. Подключение лаборатории должно расширять доступные наблюдения. Проверка гипотезы должна оставлять воспроизводимый метод, который можно использовать в следующей задаче. Каждый новый продукт получает основу, которую иначе пришлось бы создавать заново.

Такой задел может работать на годы вперёд: его ценность складывается из согласованных данных, проверенных связей, протоколов оценки и опыта внедрения. Для нас проверка этого задела вполне конкретна: показать, что по мере развития системы следующий источник подключается проще, новая задача требует меньше повторной разработки, а качество сохраняется при переносе. В этих результатах и будет выражаться наше преимущество.

Для науки здесь появляется возможность исследовать последовательность изменений, возвращаться к исходным наблюдениям и сопоставлять гипотезы на одной истории. Для практической медицины — сохранять преемственность между специалистами и этапами наблюдения. Для человека — не начинать рассказ о собственном здоровье заново при каждом обращении.

2. В мире уже меняется сама единица анализа

Это не только наша гипотеза. В международной исследовательской повестке можно увидеть последовательное движение от отдельных измерений к продольному представлению человека.

В июле 2026 года Google Research представил SensorFM — модель, обученную более чем на триллионе минут данных носимых устройств пяти миллионов человек. Она работает уже не с единичным измерением пульса или активности, а с длительными физиологическими последовательностями и переносит полученное представление на десятки задач, связанных со здоровьем.

В сентябре 2026 года в Nature Medicine вышла работа по реконструкции вычислимых продольных траекторий пациента из структурированных данных и обычных клинических записей. Исследователи восстанавливали изменения показателей после начала терапии и рассматривали их не как отдельные точки, а как последовательный процесс во времени.

Постепенно меняется сам объект вычисления: человек во времени, с его показателями, документами и историей визитов. Это принципиальное изменение постановки задачи.

Организм является динамической системой, а медицинская инфраструктура до сих пор в значительной степени устроена как инфраструктура фиксации отдельных событий. Лаборатория получила значение, врач оформил заключение, пациент прошёл исследование, назначено лечение. Через три месяца появилась следующая точка. Но сама биологическая система между этими точками не останавливается — она продолжает изменяться.

3. Именно отсюда возник BIOS

Когда мы проектировали BIOS, мы поставили в центр системы состояние человека и его изменение во времени. Документы, анализы, диагнозы и отдельные функции продукта должны работать на эту задачу. Из этого мы и исходили при построении архитектуры.

У нас есть множество разнородных наблюдений: лабораторные значения, медицинские документы, анамнез, назначения, симптомы, данные исследований, в перспективе — данные носимых устройств и другие источники. Но задача BIOS заключается не в том, чтобы просто собрать их на одном экране.

Сначала необходимо сохранить каждое наблюдение, его происхождение, время и контекст, затем встроить его в непрерывную историю человека. После этого — сопоставить новое наблюдение с предыдущими, определить, что действительно изменилось, и постепенно перейти от последовательности отдельных событий к реконструкции состояния, сравнению состояний и анализу траектории.

На прикладном уровне эта сложная архитектура должна давать очень простой результат. Система должна помочь ответить на четыре вопроса:

• Каково текущее состояние человека?
• Что существенно изменилось?
• Какая динамика наблюдается?
• Какой информации пока недостаточно для более уверенной оценки?

Чем сложнее технология внутри, тем проще должен становиться опыт пользователя. Врач не должен становиться оператором сложной вычислительной системы. Он должен получать более цельный контекст быстрее и с меньшей когнитивной нагрузкой.

Что мы называем состоянием человека

Здесь важно уточнить сам объект работы. Состояние человека нельзя свести к одному диагнозу или набору показателей в бланке. Мы видим только доступные наблюдения: анализы, симптомы, назначения, измерения, описания врача. По ним можно построить более или менее полное представление о происходящем, но степень уверенности будет зависеть от качества и полноты истории.

Время в этой модели имеет самостоятельное значение. Для одного и того же факта могут различаться дата события, дата измерения и дата появления документа в системе. Назначение могло быть отменено, результат — пересмотрен, симптом — описан задним числом. Если эти различия потеряны, аккуратно составленное резюме может давать неверную последовательность событий.

Поэтому медицинская память должна сохранять и факты, и историю их уточнения. Новая запись может дополнять прежнюю, противоречить ей или менять её значение. Система должна показывать, на чём основано текущее представление, какие связи установлены и где данных недостаточно. Это необходимая основа для дальнейшего моделирования динамики.

Возьмём условный пример: в историю добавлен новый лабораторный результат. Для его сопоставления с предыдущим важны единицы измерения, метод, время забора материала и сведения о назначениях между измерениями. Само изменение числа ещё не объясняет причину. Работа системы — сохранить эту последовательность и помочь врачу проверить возможные объяснения.

Зачем архитектуре несколько вычислительных слоёв

В презентации BIOS языковая модель занимает интерфейсный слой: помогает поставить вопрос и представить ответ. Её возможности полезны также при работе с текстом, но хранение медицинской истории, сопоставление дат и единиц, контроль источников и исследование переходов состояния должны иметь свои проверяемые механизмы.

Гибридный подход позволяет разделять эти задачи и проверять каждую отдельно. Если модель хорошо пишет резюме, это не означает, что она правильно восстановила хронологию. Если прогноз точен на одной группе, это ещё не отвечает на вопрос о его переносе в другую клинику. Для дальнейшего развития нам важно понимать, какой компонент дал результат и где появилась ошибка.

Такое разделение связано и с управлением данными. Разным участникам нужны разные права доступа; результаты должны сохранять происхождение, а изменения — быть прослеживаемыми. Развитие общего технологического ядра не означает свободный обмен медицинскими данными между всеми продуктами и организациями.

4. Мы сознательно выбрали более рискованный путь

Когда мы начинали создавать BIOS, значительно проще было бы пойти по понятной продуктовой траектории: сделать интерпретатор лабораторных анализов, сфокусироваться на одной категории данных, построить медицинского помощника. Выбрать одну функцию, которая легко объясняется рынку, и последовательно её улучшать.

Нам неоднократно именно это и советовали: сузиться, упроститься, отложить сложную архитектуру. Сначала заработать на понятном продукте, а фундаментальную технологию построить потом.

Мы сознательно пошли на другой риск: решили не менять пункт назначения, сохранив возможность менять маршрут. Мы можем менять пользовательский сценарий, порядок вывода продуктов, коммерческую модель и интеграции. Но если нашим конечным объектом является состояние человека во времени, каждый продукт, который мы выпускаем сегодня, должен одновременно становиться частью этой будущей системы.

Иначе через несколько лет мы получим коммерчески успешный набор функций, который придётся полностью пересоздать, чтобы начать строить ту технологию, ради которой компания вообще появилась.

5. Почему этот риск имеет экономический смысл

На первый взгляд фундаментальная архитектура означает более дорогой и долгий путь. Но на длинном горизонте она должна давать обратный эффект.

Мы строим систему из относительно независимых вычислительных и продуктовых блоков с общей логикой работы с данными и состоянием. Поэтому новый продукт в нашей логике — это не обязательно новая система. Это может быть новое сочетание существующих компонентов.

Сегодня определённая комбинация формирует продукт для врача, другая — продукт для пациента. Другие комбинации могут использоваться для лабораторных, исследовательских или специализированных клинических сценариев.

Архитектура становится самостоятельным активом бизнеса. Мы капитализируем не только интерфейс и накопленный массив данных, но и сам способ представления состояния, обработки изменений и взаимодействия компонентов. Это значительно труднее скопировать, чем внешний продукт.

Одна технологическая база — четыре сценария

В презентации мы показываем четыре направления: Personal, Doctor, Clinic и Research. Для пациента важны личная история здоровья и понимание изменений. Для врача — клинический контекст, структурированные данные и проверяемые гипотезы. Для клиники — преемственность между приёмами и специалистами. Исследовательскому направлению нужны качественные продольные данные, определённые исходы и воспроизводимая работа с выборками.

Эти сценарии предъявляют разные требования к интерфейсам, доступу и проверке качества. Общая архитектура нужна, чтобы не создавать заново обработку источников, времени и связей для каждого продукта. При этом запуск исследовательского сценария требует отдельной организации работы с данными, соответствующих оснований и протокола; он не возникает автоматически из наличия пациентского приложения.

При оценке экономики такой системы важно учитывать повторное использование: сколько компонентов удалось применить в следующем продукте, сколько времени заняла интеграция нового источника, что пришлось изменить при переходе в другую клинику. Эти показатели помогают понять, действительно ли архитектура становится активом, который уменьшает стоимость дальнейшей разработки.

6. От оценки состояния — к закономерностям перехода

Есть ещё один технологический слой, который для нас принципиально важен, — neural operators, или нейронные операторы. Это одно из сильных направлений научных вычислений последних лет. Большую роль в его развитии сыграли работы Анимы Анандкумар и её команды в Caltech.

Изначально neural operators развиваются для задач моделирования сложных физических систем. Принципиальная идея заключается в том, чтобы обучать не только соответствие между двумя фиксированными наборами параметров, а оператор преобразования — то есть закономерность перехода одной функции или состояния в другое. В научных вычислениях это даёт возможность работать с различными пространственными разрешениями и в ряде задач значительно ускорять решение сложных физических моделей. Это уже показано, например, в задачах гидродинамики и других систем, описываемых дифференциальными уравнениями.

Для нас важно не механически перенести метод из физики в медицину, а перенести сам способ постановки задачи. Если здоровье является динамической системой, вопрос заключается не только в том, можем ли мы классифицировать её текущее состояние. Нам интересно, можем ли мы формализовать закономерности перехода из состояния А — при определённых условиях и воздействиях — в состояние B.

Это значительно более сложная исследовательская задача, и именно её мы хотим последовательно проверять. Если гипотеза подтвердится, она будет иметь практические последствия: для решения новой задачи нам потенциально не потребуется каждый раз с нуля обучать отдельную систему на огромном специализированном массиве данных.

Мы сможем переиспользовать уже сформированное представление динамики и адаптировать отдельные блоки. Это должно сокращать объём необходимых специализированных данных, а значит — время и стоимость обучения.

Модульность позволяет заменять и перестраивать отдельные части системы без пересоздания всей платформы. Инкрементальная работа с изменениями состояния должна снижать избыточные вычисления и увеличивать скорость обработки. Разделение вычислительных компонентов позволяет более гибко выстраивать контуры хранения, доступа и обработки данных и избегать единственной критической точки системы.

Здесь важно провести чёткую границу: это наши технологические гипотезы и ожидаемые преимущества архитектуры. В медицине недостаточно сказать, что архитектура выглядит математически красивой. Нам необходимо экспериментально доказать, действительно ли она на конкретных медицинских задачах требует меньше данных, повышает точность, быстрее работает и сохраняет качество при переносе между различными группами пациентов. Именно здесь начинается научная часть BIOS.

7. Что это меняет для лабораторной инфраструктуры

Тот же принцип работает на уровне всей отрасли. Можно собрать лабораторию из десяти прекрасных приборов, добавить несколько информационных систем и подключить десятки источников данных. Но количество технологий ещё не создаёт инфраструктуру.

Инфраструктура возникает тогда, когда результат одного элемента становится полноценным входом для следующего. Когда мы можем сопоставлять результаты и сохранять происхождение данных; когда изменение прибора не обнуляет историю пациента, а новый модуль можно подключить, не перестраивая всю систему.

Данные не должны оказываться запертыми внутри одного производителя. Технологическое решение должно создавать накопительный актив, а не очередной технологический остров.

В подходах WHO SMART Guidelines отдельно заложены стандартизированные, машиночитаемые и переиспользуемые компоненты, а также интероперабельность и снижение зависимости от одного поставщика. Логика ровно та же: устойчивой становится не закрытая программа сама по себе, а система, в которой компоненты и данные могут взаимодействовать и обновляться без разрушения всей инфраструктуры.

8. Что выбирать сегодня и что необходимо доказать

При выборе решения для лаборатории важно оценивать не только продукт, но и последствия его внедрения для архитектуры. Для этого важно ответить на несколько вопросов:

• Можно ли забрать свои данные?
• Сохраняется ли их происхождение?
• Сопоставимы ли результаты во времени?
• Можно ли поменять компонент без полной миграции?
• Есть ли открытый интерфейс взаимодействия с другими системами?
• Можно ли масштабировать решение?
• Создаёт ли сегодняшний выбор дополнительные возможности завтра или, наоборот, формирует новую технологическую зависимость?

При сравнении стоимости решений недостаточно учитывать только цену покупки. Например, BIOS Doctor стоит врачу 2 490 рублей в месяц и не требует приобретения отдельного оборудования.

Реальная стоимость любой технологии складывается не только из лицензии. Это интеграция, обучение, сопровождение, время специалиста, стоимость ошибки, миграция данных и стоимость последующей замены решения. Поэтому дешёвое решение сегодня может оказаться самым дорогим через три года, если инфраструктуру придётся строить заново.

И наконец, что уже работает, а что ещё требует доказательства? Здесь важно разграничить работающие функции и исследовательские задачи. В BIOS уже работает прикладной слой: сбор и структурирование медицинских данных, непрерывная медицинская память, работа с продольным контекстом, продукты для врача и пациента.

Формальная модель состояния, переходов и траекторий — следующий исследовательский слой. Для него мы должны доказать точность, устойчивость, переносимость, вычислительную эффективность и клиническую значимость. Технологическая гипотеза становится технологией только после такой проверки.

Мировая повестка: какие задачи формируют следующий цикл

Если смотреть на биотех в целом, динамическая модель здоровья оказывается частью более широкой повестки. Исследователи работают на разных масштабах: от молекулы и клетки до организма и многолетней истории человека. Главный вопрос заключается в том, как результаты на этих уровнях будут соединяться и становиться доступными для следующей исследовательской задачи.

1. Вычислимое состояние человека

SensorFM и исследования продольных клинических траекторий показывают два пути к этой задаче: непрерывные сигналы повседневной жизни и история медицинских событий. Следующий вопрос — как сопоставлять эти потоки, учитывать пропуски, отличать устойчивое изменение от случайного колебания и проверять прогноз по будущим наблюдениям.

Здесь находится основной фокус BIOS. Мы хотим связать наблюдение с историей, историю — с представлением состояния, а затем исследовать закономерности его изменения. Практический пример — подготовка к повторному приёму: врачу важно увидеть, что произошло после предыдущего решения, какие сведения появились и чего по-прежнему не хватает для вывода.

2. Геномика в контексте клинической истории

В сентябре 2026 года Google DeepMind представила AlphaGenome Atlas — предсказания функциональных эффектов девяти миллиардов возможных однонуклеотидных вариантов человеческого генома. Это масштаб вычислительного анализа вариантов, а не число обследованных людей. Авторы прямо указывают, что инструмент не валидирован для клинического применения.

Этот пример ставит следующий вопрос: как связать молекулярную гипотезу с тем, что действительно наблюдается у человека во времени? Вариант сам по себе не описывает всю историю здоровья. Исследованию нужны клинические проявления, условия, возраст, вмешательства и последующие исходы. В перспективе архитектура BIOS должна позволять включать такие данные с сохранением их происхождения и уровня достоверности. Геномные прогнозы при этом требуют собственной проверки.

3. Клеточные модели и связь между масштабами

В работе Bunne и соавторов о виртуальной клетке рассматривается объединение разнородных клеточных данных в модели для исследования биологических процессов и реакции на воздействия. Такая постановка выводит на первый план связь между уровнями организации живой системы.

Близкую по масштабу исследовательскую программу формулируют Song, Segal и Xing в статье How to build an AI-driven digital organism: соединяемые модели молекул, клеток и организма должны поддерживать прогнозирование и направлять эксперимент. Это программа развития, а не уже созданный универсальный цифровой организм.

BIOS работает с другим уровнем — историей и состоянием человека. Но нам важно заранее проектировать возможность связывать клиническое наблюдение с результатами таких исследований. Например, чтобы гипотезу о клеточном механизме можно было сопоставить с динамикой наблюдаемых показателей. Для этого потребуются совместимые описания данных и отдельная проверка перехода между масштабами.

4. Вычислительный дизайн молекул и лекарств

AlphaFold 3 показывает возможности совместного предсказания структуры комплексов белков, нуклеиновых кислот, малых молекул и других компонентов. Такие методы помогают исследовать молекулярные взаимодействия и выбирать направления эксперимента. Предсказанная структура ещё не отвечает на вопрос об эффективности и безопасности будущего препарата.

По мере развития вычислительного дизайна будет возрастать значение обратной связи из исследований и практики: какой эффект наблюдается, у каких групп и при каких условиях. Для BIOS это направление возможного исследовательского применения продольного контекста. Мы не подменяем платформы дизайна молекул; нас интересует качество истории, на которой затем изучают ответ человека на воздействие.

5. Клеточные и генные технологии: длительное наблюдение

Результат вмешательства может потребовать оценки далеко за пределами первоначального курса. Например, руководство FDA по долгосрочному наблюдению после генной терапии рассматривает отсроченные нежелательные события и необходимость длительного наблюдения с учётом риска конкретного продукта.

Для инфраструктуры это означает необходимость удерживать связь между исходным состоянием, вмешательством и последующими событиями. Смена клиники или формата документа не должна разрывать исследовательскую историю. Именно здесь ценность медицинской памяти становится особенно наглядной. Применение BIOS в таких исследованиях потребует специального протокола, контроля качества и взаимодействия с исследовательскими центрами.

6. Совместимость как условие развития всей системы

WHO SMART Guidelines предлагают подход к переводу рекомендаций в стандартизированные, переиспользуемые цифровые компоненты. Это пример работы с фундаментальной задачей: как сделать медицинское знание пригодным для последовательного применения в разных системах.

Для лаборатории конкретный результат такой работы — передать значение вместе с единицами, методом и временем. Для клиники — сохранить смысл при обмене. Для исследователя — восстановить происхождение признака. В BIOS мы рассматриваем эти требования как часть архитектуры с самого начала: иначе дальнейшие модели будут опираться на связи, достоверность которых невозможно проверить.

Что это меняет для науки и медицинской практики

Ожидается, что мировая повестка будет всё больше сосредоточиваться на соединении этих уровней. Научная ценность появится там, где можно проследить путь от наблюдения к гипотезе, от гипотезы к эксперименту и затем вернуться к наблюдению с новым знанием. При этом каждая связь должна иметь понятные условия применимости.

В таком устройстве BIOS может стать связующим слоем между повседневной медицинской историей и исследовательскими задачами. Для этого нам предстоит сделать контекст воспроизводимым: показать, какие данные использованы, как они изменялись и почему система пришла к определённому выводу. Тогда накопленная история сможет поддерживать новые исследования, а результаты исследований — возвращаться в практику через проверяемые инструменты.

Что нужно делать уже сейчас

Из этой перспективы следуют вполне прикладные решения. Ждать появления универсальной модели здоровья не требуется: значительную часть необходимой работы можно и нужно начинать на сегодняшних задачах.

• Разработчикам — разделять ответственность компонентов. Хранение фактов, извлечение текста, сопоставление наблюдений и прогноз должны иметь собственные тесты. Практический результат — возможность заменить модель и проверить, что история и существенные факты сохранились.
• Клиникам — выбирать конкретный сценарий и измерять исходный процесс. Например, подготовку к повторному приёму. До внедрения зафиксировать время, полноту восстановленной истории и критические пропуски; после — сравнить те же показатели, включая случаи, в которых инструмент не помог.
• Лабораториям — сохранять смысл результата при передаче. Вместе с показателем должны передаваться необходимые сведения о методе, единицах, времени и референсах. Проверка — можно ли корректно сопоставить историю после подключения нового источника.
• Научным группам — проектировать проверку во времени. Разделять пациентов между обучением и оценкой, исключать информацию из будущего, заранее определять исходы и проверять переносимость. Иначе модель может хорошо восстанавливать известное, оставаясь бесполезной для следующего решения.
• Инвесторам и институтам развития — оценивать накопление технологического актива. Наряду с выручкой отдельного продукта смотреть на воспроизводимость, стоимость интеграции, повторное использование компонентов и качество доказательств. Это позволяет финансировать фундаментальную работу по понятным этапам.

Для BIOS эта последовательность предполагает следующие этапы: решать прикладные задачи, накапливать проверяемую медицинскую память, оценивать качество каждого слоя и постепенно переходить к более сложным моделям динамики. Так коммерческая работа даёт исследованию реальные ограничения и критерии полезности, а исследование открывает возможности для следующего поколения продуктов.

Заключение. Пять принципов для развития отрасли

Из рассмотренного подхода следуют пять практических выводов для отрасли.

1. Перестать измерять технологический суверенитет количеством отечественных аналогов. Нам необходимо смотреть, какие новые технологические классы мы способны создать сами.
2. Проектировать не отдельные продукты, а технологическую преемственность. Данные, стандарты и интерфейсы должны позволять менять отдельные компоненты без разрушения всей системы.
3. Не разделять фундаментальную разработку и коммерциализацию на два разных мира. Исследователь должен понимать ограничения реальной практики, а предприниматель — уметь работать не только с текущим спросом, но и с технологической гипотезой.
4. Проверять инновацию на каждом уровне. Не выдавать архитектурную гипотезу за доказанный клинический результат, но и не отказываться от сложной разработки только потому, что рынок пока не умеет её сформулировать.
5. Строить инфраструктуру так, чтобы каждое новое действие увеличивало стоимость и возможности предыдущих.

Именно такой принцип мы выбрали для BIOS. Мы сознательно пошли по более сложному пути, потому что хотим получить не очередной медицинский сервис, который через несколько лет придётся заменить следующим. Мы хотим построить систему, в которой данные накапливают смысл, отдельные модули могут перестраиваться в новые продукты, технология становится точнее по мере развития, а пользователь при увеличении внутренней сложности получает, наоборот, более простой и понятный инструмент.

Главный тезис доклада: созданная сегодня инфраструктура должна позволять нам решать задачи, которых рынок ещё не успел сформулировать. Эта способность может стать основой технологического лидерства.

Если мы научимся именно так соединять фундаментальную науку, инженерную архитектуру и бизнес, то через несколько лет на подобных конференциях нам уже не придётся обсуждать только то, чем заменить очередную зарубежную технологию. Мы сможем обсуждать технологии, которые появились здесь — и которые теперь пытаются повторить другие.

Источники

1. Sinsky C. et al. Allocation of Physician Time in Ambulatory Practice. Ann Intern Med. 2016;165:753–760. DOI: 10.7326/M16-0961. Наблюдательное исследование распределения рабочего времени врачей в США.
2. Narayanswamy G. et al. Towards a General Intelligence and Interface for Wearable Health Data. arXiv:2605.22759v3, 16.07.2026. Препринт. Обзор авторов в Google Research, 09.07.2026.
3. Kim E., Foty R., Thakor A. S. et al. Computable longitudinal patient journeys from structured and unstructured EHR data. Nature Medicine, 10.09.2026. DOI: 10.1038/s41591-026-04695-x.
4. Li Z. et al. Fourier Neural Operator for Parametric Partial Differential Equations. ICLR 2021; arXiv:2010.08895v3. Обучение операторов на задачах, описываемых дифференциальными уравнениями.
5. WHO SMART Guidelines. Стандартизированные, переиспользуемые компоненты цифрового здравоохранения.
6. Vasey B. et al. DECIDE-AI. Nature Medicine 28, 924–933 (2022). DOI: 10.1038/s41591-022-01772-9.
7. Collins G. S. et al. TRIPOD+AI. BMJ 2024;385:e078378. DOI: 10.1136/bmj-2023-078378. Gallifant J. et al. TRIPOD-LLM. Nature Medicine 31, 60–69 (2025).
8. Wu et al. PULSE: модель прошлого и текущего состояния. Nature Computational Science, 2026. DOI: 10.1038/s43588-026-01026-5.
9. Asgari et al. Исследование галлюцинаций и пропусков при работе LLM с медицинскими данными. npj Digital Medicine, 2025. DOI: 10.1038/s41746-025-01670-7.
10. InfEHR: временные графы медицинской истории и обучение представлений. Nature Communications, 2025. DOI: 10.1038/s41467-025-63366-6.
11. Авторские материалы BIOS.

Источники приведены по состоянию на 26 сентября 2026 года. Программа проверки описывает следующий исследовательский этап BIOS. Диагноз и лечебное решение остаются за врачом.