Тромб растёт, как снежный ком, катящийся с горы: сперва маленький, он цепляет всё новые слои, а в какой момент превратится в лавину — угадать трудно. В крови запускается длинная цепочка реакций — каскад свёртывания, — где одно вещество будит другое, и сгусток набирает массу. Проблема в том, что у постели больного врачи видят лишь несколько цифр — например, уровень фибриногена или факторов свёртывания, — а главный «спусковой крючок» (тканевой фактор, запускающий весь процесс) часто остаётся в тени. Без него модель роста тромба напоминает прогноз погоды без знания температуры воды в океане.

Авторы работы построили «умного наблюдателя» — вычислительный каркас на основе скрытых нейронных дифференциальных уравнений. Он берёт те крохи, что известны: концентрации четырёх белков крови и пару ранних замеров размера сгустка, — и восстанавливает недостающее значение тканевого фактора. Дальше, опираясь на физику диффузии (растекания веществ) и биохимию каскада, модель шаг за шагом рисует, как тромб будет расти. Среди семи испытанных методов два оказались заметно точнее остальных: стохастические нейронные обыкновенные дифференциальные уравнения (SNODE) и их «старший брат» с памятью — нейронные функциональные дифференциальные уравнения (SNFDE). Они работают как переводчик, который не просто зубрит слова, а понимает грамматику процесса и потому реже ошибается.

Практический итог прост: чем больше замеров получает модель, тем увереннее она предсказывает. И наоборот — попытка заглянуть далеко вперёд увеличивает неопределённость. Такой подход впервые соединяет вывод скрытых параметров и прогноз роста сгустка в одном гибком инструменте, открывая дорогу к персонализированному моделированию тромбоза — когда компьютер подскажет врачу, как поведёт себя сгусток именно у этого пациента, а не у среднестатистического.