Индивидуализированная многомодульная среда обучения с подкреплением для адаптивного управления терапией при хронических заболеваниях

Почему более умный уход при хронических болезнях важен

Миллионы людей годами живут с такими состояниями, как диабет, сердечные заболевания и хроническая болезнь почек. Управление этими недугами — повседневное уравновешивание лекарств, питания, физической активности, сна и стресса. Врачи часто опираются на короткие визиты в клинику и разрозненные записи, что затрудняет персонализацию лечения по мере того, как меняются жизнь и организм пациента. В этой статье рассматривается, как новый вид ИИ, учитывающий приватность, мог бы непрерывно учиться на множестве пациентов одновременно и при этом предлагать высоко персонализированные рекомендации для каждого человека.

Множество пациентов, множество потоков данных, единый «мозг»

Авторы исходят из простой идеи: люди с хроническими заболеваниями постоянно генерируют подсказки о своём здоровье — показатели артериального давления, уровень глюкозы, активность с носимых устройств, лабораторные тесты из клиник и даже записи о сне или настроении. Сегодня большая часть этой информации хранится в отдельных больницах, приложениях и устройствах. Предлагаемая система связывает эти источники через так называемую сеть федеративного обучения. Вместо отправки исходных медицинских данных на центральный сервер каждая больница или домашнее устройство обучает свою локальную модель прогнозирования и делится только обновлениями параметров модели. Центральный компьютер затем усредняет эти обновления в более сильную «глобальную» модель. Такой подход позволяет системе выявлять закономерности на больших и разнообразных популяциях при сохранении персональных записей на месте, снижая риски для конфиденциальности и затраты на передачу данных.

Мощный предиктор, который понимает временные паттерны

Чтобы справиться с шумными данными реального мира, в рамках используется глубокая модель, сочетающая два преимущества. Одна часть, вдохновлённая сетями для распознавания изображений, умеет выделять важные сигналы из сложных входных данных, например сочетания лабораторных результатов и показаний сенсоров. Другая часть, заимствованная у современных языковых моделей, рассчитана на отслеживание изменений во времени — например, рост артериального давления или поведение уровня глюкозы в течение дней. Вместе этот гибрид превращает историю каждого пациента в компактное «встраивание», числовой отпечаток, суммирующий текущее состояние здоровья и будущие риски. В тестах на двух общедоступных наборах данных — одном охватывающем широкий диапазон хронических состояний и другом, сосредоточенном на заболеваниях почек — этот предиктор достиг очень высокой точности, около 98–99%, превосходя несколько недавних инструментов ИИ.

Цифровые партнёры, совместно управляющие ежедневной терапией

Одна лишь прогнозная модель не улучшает здоровье; решения по лечению тоже должны адаптироваться со временем. Для этого авторы добавляют слой персонализированного многомодульного обучения с подкреплением поверх предиктора. Вместо единого принимающего решения модуля система использует несколько кооперативных программных «агентов», каждый из которых отвечает за один аспект ухода — медикаменты, питание, физическую активность или психическое благополучие. Эти агенты наблюдают за «отпечатком» здоровья, который даёт предиктор, выбирают действия, такие как корректировка режима питания или интенсивности упражнений, и получают вознаграждения, когда смоделированные исходы улучшаются — более стабильный уровень глюкозы, здоровое давление, меньше побочных эффектов и лучшие показатели качества жизни. За множество тренировочных эпизодов, построенных на исторических данных, агенты вырабатывают скоординированные стратегии, ориентированные на долгосрочные выгоды, а не только на быстрые решения.

Открывая «чёрный ящик» для врачей и пациентов

Поскольку медицинские решения имеют высокую значимость, в систему включён слой объяснений, который показывает, почему ИИ приходит к тем или иным выводам. Авторы используют метод, присваивающий каждому входному признаку — например возрасту, массе тела, давлению или уровню активности — вклад в конкретный прогноз или рекомендацию по лечению. Клиницисты могут просматривать визуальные сводки, которые подчёркивают, какие факторы сильнее всего повлияли на оценку риска или рекомендованное изменение терапии. Например, система может выделять недавние скачки давления и низкую активность как причины повышения риска, объясняя, почему агент по активности предлагает больше прогулок, а агент по медикаментам избегает агрессивного назначения новых препаратов. Такая прозрачность направлена на создание доверия, поддержку совместного принятия решений и согласование предложений ИИ с клиническими рекомендациями.

Что это значит для людей с хроническими заболеваниями

В экспериментах объединённая система показала большую точность, более быструю выработку эффективных политик и большую экономию коммуникаций по сравнению с отдельными моделями глубокого обучения или системами принятия решений. Важно, что это достигается при хранении исходных данных там, где они генерируются, и при предоставлении человекочитаемых объяснений для принимаемых решений. Для пациентов такая система в будущем может ощущаться как постоянно доступный, ориентированный на конфиденциальность цифровой тренер, помогающий тонко настраивать терапию в областях лекарств, питания, движения и психического здоровья и обновляющий рекомендации по мере изменений в жизни. Несмотря на то, что текущее исследование опирается на ретроспективные наборы данных и моделирования, оно указывает на будущее, в котором продвинутый ИИ тихо поддерживает врачей и пациентов в более безопасном, персонализированном и эффективном долгосрочном управлении хроническими болезнями.

Цитирование: Ahmad, F., AlGhamdi, R. Personalized multi-agent reinforcement learning framework for adaptive chronic disease therapy management. Sci Rep 16, 11025 (2026). https://doi.org/10.1038/s41598-026-41093-2

Ключевые слова: ведение хронических заболеваний, персонализированная медицина, федеративное обучение, обучение с подкреплением, объяснимый ИИ