enesru
Скачать приложение

Наука

Три слоя, и ни один из них не догадка

Labless разделяет то, что можно рассчитать, то, чему можно научиться на данных, и то, что нужно измерить. Языковая модель только объясняет результат.

Слой 1

Проверенные формулы

Индексы с десятилетиями клинического применения, посчитанные в коде и покрытые тестами. Пол, возраст и единицы учитываются до запуска любого правила.

  • HOMA-IR, QUICKI, HOMA-B
  • FIB-4
  • СКФ (CKD-EPI 2021)
  • Индекс Ментцера
  • TyG и ТГ/ЛПВП
Слой 2

Модели на популяционных данных

В крупных открытых базах, таких как NHANES, обычные и специальные анализы измеряли у одних и тех же людей. Модель учится предсказывать одно по другому, а мы измеряем, насколько хорошо.

  • Жировая печень по обычным анализам
  • Запасы железа по общему анализу
  • Биологический возраст (PhenoAge)
Слой 3

Граф правил, связывающий результаты

Правила, проверенные врачами, связывают показатели, состояния и контекст. У каждого правила есть источник и уровень доказательности. Движок ищет одно объяснение, которое закрывает больше всего находок.

  • Опора на клинические рекомендации
  • Уровень доказательности у каждого правила
  • Срочные значения в обход всего

Как мы обозначаем уверенность

Сильный сигналОпубликованная формула или модель с хорошей точностью.
Умеренный сигналПолезная оценка. Подтвердите, если от неё зависит решение.
Только скринингПодсказывает, стоит ли присмотреться.
Нужен реальный анализКровь плохо отвечает на этот вопрос. Мы так и говорим.

Что уже показывают опубликованные исследования

0,88

AUC предсказания жировой печени по данным обычного чек-апа, выше стандартного индекса

0,84

AUC выявления низкого ферритина по общему анализу крови

~80 %

людей с апноэ сна, по оценкам, не знают о диагнозе

Цифры из независимых исследований ниже, не результаты Labless.

Как мы это докажем

В планах

Отложенные популяционные данные

Каждая модель проверяется на людях, которых не видела при обучении. Результаты публикуем по возрасту и полу.

В планах

Слепое сравнение

Реальные обезличенные случаи разбирают Labless, врачи и универсальные ИИ-ассистенты. Оценивают эксперты, которые не знают, где чей ответ.

В планах

Взгляд в будущее

По одним только старым бланкам человека: заметил ли Labless то, что диагностировали годы спустя? Это самый трудный тест и самый важный.

Источники

  1. Matthews DR et al. Homeostasis model assessment: insulin resistance and β-cell function from fasting plasma glucose and insulin concentrations in man. Diabetologia, 1985. doi.org/10.1007/BF00280883
  2. Sterling RK et al. Development of a simple noninvasive index to predict significant fibrosis in patients with HIV/HCV coinfection (FIB-4). Hepatology, 2006. doi.org/10.1002/hep.21178
  3. Inker LA et al. New creatinine- and cystatin C–based equations to estimate GFR without race (CKD-EPI 2021). NEJM, 2021. doi.org/10.1056/NEJMoa2102953
  4. Levine ME et al. An epigenetic biomarker of aging for lifespan and healthspan (PhenoAge). Aging, 2018. doi.org/10.18632/aging.101414
  5. Chung F et al. STOP questionnaire: a tool to screen patients for obstructive sleep apnea. Anesthesiology, 2008. doi.org/10.1097/ALN.0b013e31816d83e4
  6. Machine-learning algorithm for predicting fatty liver disease in a Taiwanese population. www.ncbi.nlm.nih.gov/pmc/articles/PMC9317783/
  7. Advancing non-alcoholic fatty liver disease prediction: machine learning with SHAP interpretability and multi-cohort validation, including NHANES. www.ncbi.nlm.nih.gov/pmc/articles/PMC11493712/
  8. Beyond prediction: explainable machine learning for ferritin estimation from complete blood count. BMC Medical Informatics and Decision Making, 2026. pubmed.ncbi.nlm.nih.gov/42215930/
  9. National Health and Nutrition Examination Survey (NHANES). CDC, National Center for Health Statistics. www.cdc.gov/nchs/nhanes/