Исследователи из университета Мельбурна создали DT-GPT — модель на основе больших языковых моделей, которая предсказывает индивидуальные траектории здоровья пациентов с заболеваниями Альцгеймера, раком лёгких и пациентов реанимационного отделения. Модель анализирует электронные медицинские записи и клинические данные, обогнав 14 других моделей машинного обучения по точности прогнозирования
Технология может сокращать время клинических испытаний и помочь врачам вмешиваться раньше, предотвращая ухудшение здоровья. Это поворотный момент от реактивной к предиктивной и персонализированной медицине
McKinsey оценивает потенциал персонализированной медицины в $300 млрд в год. Ближайший горизонт: интеграция в клинические системы в 2025–2026 годах, регулярные проверки регуляторами и первые успешные внедрения в крупных больничных сетях
От проблемы к решению
Здравоохранение сегодня работает в основном по принципу: врач видит симптомы — назначает лечение — оценивает результаты. Это реактивный подход. Врачи часто узнают об ухудшении состояния пациента слишком поздно, когда уже произошли осложнения. Особенно это проблема в отделениях интенсивной терапии (реанимациях), где каждый час критичен.
Электронные медицинские записи содержат огромное количество данных: лабораторные анализы, диагнозы, лечение, жизненные показатели. Но человеческий мозг не может обработать все эти данные одновременно и предсказать, как будет развиваться болезнь конкретного пациента под влиянием его индивидуальных особенностей и назначенного лечения.
Вместо того чтобы ждать клинического ухудшения, врачи смогут заглянуть в будущее каждого пациента на 24–48 часов и более вперёд. Модель DT-GPT создаёт виртуального двойника пациента, предсказывая, как его лабораторные показатели, кислород в крови и дыхание изменятся через 24 часа. Это как иметь MRI будущего состояния пациента
Как это работает: от данных к предсказаниям
DT-GPT обучена на трёх больших наборах медицинских данных — электронных записях тысяч пациентов с Альцгеймером, раком лёгких и из отделений реанимации. Но вот ключевой момент: модель изучала эту информацию не для того, чтобы угадать исход, а чтобы понять закономерности в том, как болезнь развивается и как люди реагируют на лечение.
Когда врач вводит в систему текущие данные конкретного пациента, модель активирует свои знания о медицинской литературе и истории болезней подобных пациентов, а затем предсказывает, что произойдёт дальше. Это как врач с опытом работы с миллионами похожих случаев, но работающий со скоростью компьютера.
Результаты впечатляют. На наборе 35 тысяч пациентов реанимации модель точно предсказала магний, кислород и частоту дыхания через 24 часа на основе данных предыдущего дня. И главное — модель не видела исходы при обучении, что подтверждает: это не повторение предыдущих закономерностей, а реальное предсказание.
DT-GPT превзошла 14 других моделей машинного обучения по точности на публичных наборах данных MIMIC-IV (больница MIT) и реальных клинических данных
На выборке из 35,131 пациентов модель точно предсказала жизненные показатели через 24 часа на основе данных предыдущего дня
Скорость прогноза: от инициализации модели с профилем конкретного пациента до готового предсказания траектории здоровья — секунды
Где это уже применяется и что будет дальше
Технология уже тестируется в крупных больницах на западе. Первые реальные применения:
1. Отделения интенсивной терапии: врачи получают предупреждение на 12–24 часа раньше о возможном ухудшении, что даёт время на профилактические меры. Это снижает смертность и сокращает время пребывания.
2. Онкология: для пациентов с раком лёгких модель предсказывает ответ на терапию и возможные осложнения, позволяя менять лечение раньше, если оно неэффективно.
3. Нейрология: у пациентов с Альцгеймером модель помогает спрогнозировать скорость деградации и подобрать индивидуальный план реабилитации.
4. Клинические испытания: вместо ждать исхода испытания на протяжении месяцев, исследователи могут смоделировать контрольные группы и предсказать результаты быстрее. McKinsey оценивает экономию времени в 30–50%.
Приватность данных: модель требует доступа к полным медицинским записям. GDPR требует тщательного обезличивания. Ошибка в защите — судебные иски и штрафы
Интеграция с системами: многие больницы используют старые системы 1990-х годов. Подключение DT-GPT требует месячных проектов интеграции
Доверие врачей: врачи неохотно следуют рекомендациям, если не понимают логику. Нужна интерпретируемость предсказаний
Регуляция: FDA и EMA требуют валидации на независимых данных. Это месяцы и сотни тысяч долларов на испытания
Что это значит для бизнеса и индустрии
Для больниц и медцентров: персонализированная медицина — это не будущее, это настоящее. Больницы, которые внедрят DT-GPT в 2025–2026 годах, получат конкурентное преимущество: лучшие исходы, меньше осложнений, более эффективное использование ресурсов. Те, кто медлит, будут отставать.
Для фармкомпаний: это ускорит разработку лекарств. Вместо 10–15 лет на полный цикл клинических испытаний можно сократить до 5–7 лет за счёт более точного прогнозирования эффективности на ранних этапах.
Для ИТ-компаний: спрос на специалистов, которые понимают и медицину, и машинное обучение, будет расти в геометрической прогрессии. Это новое поле — встреча между AI и здравоохранением.
Для инвесторов: это большой рынок. McKinsey оценивает потенциал персонализированной медицины в 300 млрд долларов в год. Стартапы, которые сейчас строят инструменты для интеграции DT-GPT в больницы, будут очень ценны в 2026–2028 годах.
На что смотреть в ближайшие месяцы
Квартал 4 2025 — Квартал 1 2026: ожидаем первых реальных внедрений DT-GPT и подобных моделей в крупные больничные сети. Это будут пилоты, но они дадут реальные данные о ROI и практических проблемах.
Квартал 1–2 2026: вероятно, FDA даст breakthrough designation для нескольких похожих систем, ускоряя их одобрение.
Квартал 2–3 2026: первые публикации о реальном применении в больницах. Если они покажут снижение смертности на 5–10%, это будет переломным моментом.
Сценарий оптимистичный: модели станут стандартом в развитых странах к 2027 году. Триллионы долларов переорганизуются в пользу систем ранней диагностики.
Сценарий реалистичный: внедрение займёт дольше из-за бюрократии. Массовое принятие — 2027–2028 годы.
Сценарий пессимистичный: медицинский инцидент затормозит развитие на 1–2 года, но тренд всё равно пройдёт.
Узнать больше
Статья в npj Digital Medicine: «Large language models forecast patient health trajectories enabling digital twins» — полный текст исследования от университета Мельбурна с методологией и результатами.
McKinsey AI Report 2025: анализ персонализированной медицины с финансовыми прогнозами и сценариями внедрения.
FDA Digital Health Innovation Action Plan: официальные требования для AI-систем в здравоохранении.
Практические шаги
Если вы медицинский директор: начните с пилотного проекта в одном отделении. Это 6–12 месячный проект, а не покупка софта на неделю.
Если вы в фармкомпании: свяжитесь с разработчиками DT-GPT для обсуждения её применения в клинических испытаниях.
Если вы стартапист: сейчас идеальное время для основания компании вокруг интеграции DT-GPT. Спрос будет расти на 40–50% в год.
Источники информации
Материал подготовлен на основе официальной публикации в npj Digital Medicine (том 8, статья 588, 2025), пресс-релизов University of Melbourne, сообщений Xinhua и Newsreel Australia от 16–17 ноября 2025. Фактологические данные о McKinsey взяты из AI & Healthcare Report 2025. Данные актуальны на 17 ноября 2025 года.
