تنمو الجلطة مثل كرة الثلج المتدحرجة من قمة الجبل: صغيرة في البداية، تلتقط طبقات جديدة باستمرار، وفي أي لحظة تتحول إلى انهيار جليدي — من الصعب تخمينه. في الدم، تنطلق سلسلة طويلة من التفاعلات — شلال التخثر — حيث ينشط مركب آخر، وتكتسب الجلطة كتلة. المشكلة أن الأطباء عند سرير المريض يرون بضعة أرقام فقط — مثل مستوى الفيبرينوجين أو عوامل التخثر — بينما يبقى "المحفز" الرئيسي (عامل الأنسجة الذي يطلق العملية برمتها) غالبًا في الظل. بدونه، يشبه نموذج نمو الجلطة توقع الطقس دون معرفة درجة حرارة مياه المحيط.
بنى مؤلفو الدراسة "مراقبًا ذكيًا" — إطارًا حسابيًا يعتمد على المعادلات التفاضلية العصبية الكامنة. يأخذ الفتات المعروفة: تركيزات أربعة بروتينات في الدم وزوجًا من القياسات المبكرة لحجم الجلطة — ويعيد بناء القيمة المفقودة لعامل الأنسجة. بعد ذلك، بالاعتماد على فيزياء الانتشار (انتشار المواد) وكيمياء الشلال الحيوية، يرسم النموذج خطوة بخطوة كيف ستنمو الجلطة. من بين سبع طرق مختبرة، كانت اثنتان أدق بشكل ملحوظ من الباقي: المعادلات التفاضلية العادية العصبية العشوائية (SNODE) و"أختها الكبرى" ذات الذاكرة — المعادلات التفاضلية الوظيفية العصبية العشوائية (SNFDE). تعملان مثل مترجم لا يحفظ الكلمات فقط، بل يفهم قواعد اللغة العملية، ولذلك يخطئ أقل.
الخلاصة العملية بسيطة: كلما زادت القياسات التي يحصل عليها النموذج، زادت ثقته في توقعه. والعكس صحيح — محاولة النظر بعيدًا في المستقبل تزيد من عدم اليقين. يجمع هذا النهج لأول مرة بين استنتاج المعلمات الكامنة والتنبؤ بنمو الجلطة في أداة واحدة مرنة، مما يفتح الطريق أمام نمذجة شخصية للتخثر — حيث يخبر الكمبيوتر الطبيب كيف ستتصرف الجلطة لدى هذا المريض تحديدًا، وليس لدى المريض العادي.
شلال تخثر الدم هو أحد أسرع آليات التضخيم في الجسم: جزيء واحد من عامل الأنسجة يمكن أن يؤدي إلى تكوين ملايين الجزيئات من الفيبرين في دقائق معدودة.