Носимые устройства — от умных часов до фитнес-трекеров — генерируют непрерывные потоки физиологических данных: частоту сердечных сокращений, паттерны сна, уровень активности. Эти данные могут выявлять ранние изменения в организме еще до появления симптомов. Однако превратить сырые сигналы в надежные клинические биомаркеры — сложная задача. Существующие системы на основе языковых моделей часто оптимизируют предсказательную точность, игнорируя статистическую валидность, что приводит к ложным корреляциям и утечкам данных.
Исследователи из Google Research представили Biomarker Discovery Framework — мультиагентную систему, которая структурирует поиск кандидатных биомаркеров как итеративный исследовательский цикл под контролем человека. Система объединяет генерацию гипотез, параллельный статистический анализ, обучение моделей, состязательную валидацию и проверку на основе научной литературы. Это позволяет ускорить процесс открытия, сохраняя строгую статистическую дисциплину и человеческий надзор.
| Домен | Когорта | Кандидатные биомаркеры |
|---|---|---|
| Ментальное здоровье | DWB | 41 |
| Ментальное здоровье | GLOBEM | 41 |
| Метаболические заболевания | WEAR-ME | 25 |
Biomarker Discovery Framework работает через оркестратора, который разбивает исследовательские задачи на этапы и координирует работу специализированных агентов. Процесс включает шесть фаз: понимание данных, обоснование гипотез, итеративный цикл анализа, состязательную валидацию, глубокое исследование и подготовку отчета. Ключевая особенность — состязательная валидация, где агенты Critic и Defender проверяют кандидатов на утечки, переобучение, чувствительность к смешивающим факторам и физиологическую правдоподобность. Встроенная батарея из 11 проверок присваивает каждому кандидату явные метки: screened, conditional, exploratory, rejected, unstable.
Система сочетает генеративные рассуждения с детерминированными статистическими вычислениями и включает 11-пунктовую проверку на утечки и переобучение.
Система была протестирована на трех независимых когортах, охватывающих ментальное здоровье (DWB и GLOBEM) и метаболические заболевания (WEAR-ME), всего 9 279 наблюдений. Она автономно выявила 41 кандидатный биомаркер для ментального здоровья и 25 для метаболических исходов. Например, в когорте DWB система предложила признаки вариабельности времени сна и оценила связь между вариабельностью длительности сна и тяжестью депрессии (ρ = 0.252). Результат был проверен на стабильность, утечки и альтернативные объяснения, после чего представлен как гипотеза о циркадной нестабильности для экспертной проверки.
Важно, что Biomarker Discovery Framework не просто отбирает существующие переменные, а конструирует новые составные признаки. Это позволяет выявлять сложные физиологические паттерны, которые могут быть незаметны при анализе отдельных показателей. Однако авторы подчеркивают, что результаты представляют собой гипотезы, а не клинически подтвержденные биомаркеры. Указанная сила доказательств отражает предыдущие исследования, а не валидацию данного исследования.
Разработка Google Research — шаг к автоматизации научных исследований в области цифровой медицины. Система не заменяет ученых, а берет на себя рутинные этапы анализа, позволяя исследователям сосредоточиться на интерпретации и проверке гипотез. Это может ускорить внедрение носимых устройств в клиническую практику, где надежные биомаркеры критически важны для ранней диагностики и мониторинга заболеваний.
