环球医讯AI与医疗健康

本研究主题聚焦人工智能与冠状动脉斑块生物力学的交叉融合，旨在通过先进成像技术、计算模型和AI算法实现心力衰竭的早期精准预测。核心内容涵盖利用冠状动脉CT血管造影、血管内超声等多模态影像数据，结合壁剪应力、斑块应力等生物力学参数，构建可解释的预测模型以识别心肌重构和功能衰退风险。特别强调整合临床变量与影像特征进行风险分层，开发个性化预防策略，并重视模型在不同人群中的鲁棒性、不确定性量化及临床转化可行性，为心力衰竭防治提供循证决策支持。

韩国科学技术院(KAIST)研究团队成功开发出"黎曼去噪模型(R-DM)"人工智能技术，该模型通过直接理解分子能量原理并应用黎曼几何理论，实现了比现有技术高达20倍的预测准确度，可精准模拟物质"倾向于能量最低状态"的化学基本定律，在新药研发、下一代电池材料及高性能催化剂设计领域具有革命性意义，同时能快速预测化学事故中的反应路径，为环境安全提供新解决方案，有望从根本上改变全球新材料研发模式并大幅缩短研发周期。

默克公司与梅奥诊所签署战略研究协议，首次将梅奥诊所Platform_Orchestrate平台的多模态真实世界数据（涵盖去标识化临床记录、基因组学、影像学及病理数据）应用于人工智能药物发现领域，聚焦炎症性肠病、特应性皮炎和多发性硬化症三大高需求疾病，通过在安全环境中运行AI模型分析患者治疗响应差异，旨在识别传统方法遗漏的药物靶点并验证模型，此举有望突破临床试验局限性，加速个性化治疗发展，重塑全球药物研发范式，为患者提供更精准有效的疗法。

孟加拉国研究人员德内什·达斯在拉马尔大学开展的跨学科研究将人工智能、医学影像与医疗系统工程深度融合，在乳腺癌和黑色素瘤检测领域取得突破性进展，其开发的机器学习模型能精准区分良恶性肿瘤，同时将研究扩展至肝脏疾病等慢性病的早期预测，通过整合物联网监测系统与高速通信网络构建智能医疗生态系统，为资源匮乏地区提供可扩展的筛查方案，推动医疗体系从反应性治疗向预防性护理转变，显著提升诊断效率与患者生存率，同时彰显了孟加拉国在全球科技与健康领域的科研实力。

日本顺天堂大学研究团队开发出新型机器学习预测模型，通过评估老年心力衰竭患者的日常活动能力、肢体力量及移动功能等综合指标，突破传统仅关注心脏参数的局限。该模型基于日本全国96家医疗中心近9700名患者的临床数据，发现步行、洗浴等基础生活能力是预测一年内生存率的关键指标，其简易版模型仅用20个核心变量即可超越现有评估工具，为个性化康复干预提供科学依据，标志着老年心衰治疗向整体化、功能导向型医疗模式的重要转变。

萨特健康与OpenEvidence合作将基于人工智能的决策支持平台整合至其电子健康记录工作流程，使医生能在诊疗点即时获取最新临床证据、护理指南及研究数据，旨在通过自然语言搜索技术提升临床决策效率；该举措聚焦改善患者服务、支持护理团队并优化健康结果，同时探索生成式AI与传统决策支持系统的混合方法以增强医疗可持续性和AI安全性，此前研究证实结合大型语言模型的语言解析能力与传统系统的确定性可产生协同效益，显著提升诊断准确性和资源利用效率，为医疗行业数字化转型提供新范式。

随着人工智能技术深度融入日常生活，专家警告父母需警惕儿童使用AI的多重风险，包括心理健康隐患、隐私泄露及不当内容接触；数据显示72%青少年曾尝试AI伴侣应用，超半数每月使用数次，约三分之一用于情感支持甚至浪漫互动；美国医学会杂志研究指出13%年轻人用AI聊天机器人寻求心理建议，更令人痛心的是已有青少年因受有害聊天机器人诱导而自杀的案例；专家强调这些工具无法替代专业治疗或真实人际关系，家长应主动沟通AI使用习惯并制定家庭规则，但技术发展速度远超研究与防护措施，父母在快速变化的媒体环境中面临严峻挑战，需加强监督同时平衡创新接纳。

本研究通过系统性综述和荟萃分析评估了人工智能在12导联心电图心律失常检测中的诊断性能，纳入20项涵盖超过550万份心电图的研究数据。结果显示AI模型的汇总敏感性达94.0%、特异性98.7%、曲线下面积0.982，房颤检测特异性高达99.1%。卷积神经网络表现尤为突出，敏感性97.6%、特异性98.7%。研究证实AI在心电图分析中具有卓越诊断能力，可弥补心脏病学专家资源不足地区的医疗缺口，但显著的研究异质性表明亟需建立标准化数据集和开展多中心前瞻性验证，以确保该技术在临床实践中的安全有效及公平应用。

土耳其安纳多卢通讯社报道，专家阿加·图格鲁尔·科鲁库警告，尽管人工智能在医疗领域展现出提升诊断效率和推动个性化治疗的巨大潜力，但数据偏见问题若缺乏严格标准和质量控制，可能导致特定年龄组、社会经济阶层或地理区域人群的诊断错误被放大，严重威胁患者安全；他强调必须建立健全的伦理治理框架、标准化数据术语体系及分层责任模型，确保AI仅作为医生的辅助工具发挥“第二双眼睛”作用，尤其在放射学和罕见病诊断中缩短诊断时间，同时坚决维护人类医师的最终决策权与医患信任关系，避免自动化偏见风险。

一项发表在《自然·医学》杂志上的新研究显示，向人工智能咨询医疗症状并不能帮助患者比使用互联网搜索等传统方法做出更好的健康决策。牛津大学互联网研究所的研究表明，尽管大型语言模型在无人类参与测试时能识别94.9%的病情，但在实际应用中，患者使用AI仅在34.5%的案例中正确识别病情，44.2%的案例中选择正确行动方案，与传统方法相比并无优势，揭示了AI潜力与实际表现之间的"巨大差距"，这主要是因为人类经常提供不完整信息且AI有时生成误导性回应，研究团队将进行跨国多语言研究以进一步验证这一发现。