Tankeledare
Hormoner, data och AI-genombrottet som traditionell medicin missade

Viktiga punkterOurself Healths Stella AI omvandlar longitudinella hormonella data till personliga…
Visa mer
- Ourself Healths Stella AI omvandlar longitudinella hormonella data till personliga hälsorekommendationer.
- NIH och American Heart Association har riktat över 100 miljoner dollar mot forskning om kvinnors metabola fönster.
- AI möjliggör kontinuerlig mönsterigenkänning som traditionell episodisk vård strukturellt inte kan replikera.
Under flera decennier har kvinnors hälsa varit underrepresenterad i kliniska studier – otillräckligt studerad, överdrivet förenklad och tvingad att passa in i modeller byggda kring manliga biologiska genomsnitt. Tillstånd som påverkas av hormoncykler, till exempel, har länge reducerats till statiska kliniska ögonblicksbilder som missar longitudinella mönster och missförstår symtom, vilket bidrar till försenade och felaktiga diagnoser.
Det var först för tre decennier sedan som FDA tillät kvinnor att åter delta i kliniska studier, men kvinnor utgör fortfarande bara 30% av studiepatienterna – till stor del på grund av läkemedelsindustrins överfokus på deras barnafödande potential och fertilitetsproblem.
Konsekvenserna går utöver representation. En studie av University of Pittsburgh School of Public Health drog slutsatsen att de flesta läkemedels säkerhetsprofiler baseras på manlig biologi och inte tar hänsyn till kvinnlig hormonell variation. I hjärt-kärlsjukdomsforskning har underrekryteringen av kvinnor direkt bidragit till försenade diagnoser, bortförklarade symtom och systematiska feldiagnoser.
Sedan 2015 har klinisk forskning gjort meningsfulla framsteg i jämställdhet mellan könen, eftersom National Institutes of Health (NIH) släppte en policy för att betrakta kön som en biologisk variabel i forskning – vilket innebär att man måste ta hänsyn till både kvinnliga och manliga variabler i vidare vetenskaplig undersökning.
Men luckan mellan policy och praxis har varit betydande. Det är först nu som en bredare ökning av kliniskt rigorös forskning som uttryckligen tar hänsyn till kvinnlig biologi har börjat materialiseras. Och med det, en konvergens av institutionella investeringar och artificiell intelligens som lovar att omforma fältet.
Den institutionella väckarklockan
När kliniska data ackumuleras och nya forskningsluckor blir alltmer betydelsefulla, formas en ny samstämmighet mellan vetenskap och teknik, inriktad inte mot att behandla kvinnors biologi som en variation, utan mot system byggda från grunden upp kring biologiska könsskillnader.
Institutioner har formaliserat denna förändring. American Heart Association har stärkt sitt fokus på kvinnors hjärt-kärlshälsa med den 75 miljoner amerikanska dollar stora fonden Go Red for Women Venture Fund och ett forskningsinitiativ på 15 miljoner dollar som undersöker effekterna av menstruationscykler på hjärt-kärl-, njur- och metabolisk hälsa (CKM).
Samtidigt har 2024-2028 NIH-Wide Strategic Plan och en exekutiv order från Vita huset riktat över $100 miljoner USD i ARPA-H-finansiering mot vad forskare har kallat “metaboliska fönster” – specifikt menopaus och menstruationscykler – som svar på bevis för att nästan 99% av prekliniska studier om åldrande historiskt har uteslutit dessa faktorer. Initiativet backas upp av en rekommendation från National Academies på 15,7 miljarder amerikanska dollar.
Dessa strukturella förändringar har katalyserat en parallell förändring i hur kvinnors hälsodata samlas in, tolkas och omsätts i handling. En ny generation plattformar översätter hormonell och cykeldata till tillgängliga, kliniskt relevanta insikter, vilket möjliggör för kvinnor att identifiera mönster innan de eskalerar till tillstånd som traditionella metoder kan missförstå.
”Min egen hälsokris var en av de mest skrämmande upplevelserna i mitt liv — och vad den avslöjade snabbt var att bördan faller nästan helt på patienten precis när de är minst utrustade att bära den,” Adriana Torosian, grundare och VD för Ourself Health, berättade för Unite AI.
Ourself Health leder en strukturell förändring i hur kvinnors hälsa uppfattas, som växer fram ur kvinnors personliga erfarenheter av dålig hälsodatahantering, och är tänkt att förhindra framtida problem med informationsmissanpassning eller dålig tillgång till datatolkning.
Det San Francisco-baserade startup-företaget avslöjade nyligen Stella, en AI-driven hälsokompanjon som kombinerar världens ledande forskning om kvinnors hälsa med användarnas personliga hälsohistorik.
”Till slut blev svaret för mig mina data. Jag misstänkte att min cykel direkt påverkade mitt tillstånd och förde den hypotesen till ledande läkare, som avfärdade den helt. Den enda vägen framåt var att bygga min egen datamängd, hitta mina egna svar och sedan föra mina läkare med i min process — den fullständiga motsatsen till hur jag förväntade mig att detta skulle gå till,” tillade Torosian.
Varför AI förändrar ekvationen
AI förändrar grundläggande hälso- och sjukvårdsdiagnostik, inte genom att ersätta klinisk bedömning, utan genom att möjliggöra en form av mönsterigenkänning i en skala och kontinuitet som traditionell vård inte kan replikera. Till skillnad från kliniska modeller som är beroende av episodiska möten kan AI-system kontinuerligt analysera medicinska journaler, biomarkörer och realtidsfysiologiska indata, och upptäcka korrelationer som standardvården rutinmässigt missar.
Detta resultat har lett till mätbart tidigare och mer precisa diagnoser över ett brett spektrum av tillstånd, från hjärt-kärlsjukdom till cancer – en förändring som redan förbättrar patientresultat.
I kvinnors hälsa specifikt är denna kapacitet särskilt viktig; hormonella system är dynamiska, djupt sammanflätade och starkt individualiserade. AI-drivna verktyg börjar att överbrygga diagnostiska luckor genom att möjliggöra mer exakt övervakning, prediktion och longitudinell analys över reproduktiv hälsa, mödravård och gynekologiska tillstånd.
Nya tillämpningar sträcker sig från AI-förbättrad fosteravbildning till icke-invasiv upptäckt av endometrios, områden där traditionell diagnostik länge har kämpat.
Ourself Healths Stella bygger på denna grund genom att operationalisera longitudinella hormondata, omvandla mönster till personliga, tidskänsliga hälsorekommendationer snarare än generell klinisk vägledning.
”Ju mer data en användare tar med sig in i plattformen, desto mer exakt och personlig blir Stellas vägledning. Den datan kommer från flera lager: individuella symtom som spåras dagligen inom appen, personliga anteckningar, dokument som en användare kan ladda upp direkt och kontinuerlig fysiologisk data från wearables som Apple Watch,” förklarade Torosian.
Genom att göra detta flyttar verktyget bortom upptäckt mot beslutsstöd – omformulerar kvinnors hälsa som ett kontinuerligt, beräkningsbart system snarare än en serie åtskilda kliniska områden.
”Målet är att stänga luckan mellan vad en kvinna vet om sin egen kropp och vad hennes läkare ser under ett kort möte — och att se till att hon anländer till varje interaktion beväpnad med sina egna data, den senaste relevanta forskningen och en tydlig handlingsplan. Stella lägger allt detta i hennes händer,” tillade grundaren.
Ett nytt beräkningsbaserat lager för en gammal lucka
Distinktionen mellan att generera insikt och producera handlingsvägledning är subtil, men kliniskt betydelsefull. Stella AI är utformad för att prioritera det senare genom att tolka longitudinella trender för att generera individualiserade och tidskänsliga rekommendationer, kalibrerade till varje användares hormonella baslinje.
I sin kärna vilar Stellas design på erkännandet att inga två hormonella system är identiska. Ourself-plattformen lär sig kontinuerligt från varje användares indata, oavsett cykel, symtom,
”Vad som fortfarande saknas för enskilda kvinnor är förmågan att ta kontroll just nu — utan att vänta på att forskningen ska komma ikapp. Det är exakt där Ourself kommer in; vi kan inte be kvinnor att pausa sina liv medan institutioner långsamt stänger finansieringsluckan. Vi kan ge dem verktygen för att förstå sina egna kroppar idag, bygga sina egna hälsoregister, fatta informerade beslut och vidta åtgärder med vad vi redan vet — medan det bredare forskningslandskapet fortsätter att utvecklas runt dem,” betonade Torosian.
Ett sådant tillvägagångssätt omvandlar hormonell hälsostyrning från en reaktiv disciplin till en proaktiv, där interventioner kan tidsplaneras och anpassas med en precision som konventionella vårdmodeller är strukturellt illa utrustade att leverera.
Men bortom enskilda fall eller visionärer, utgör framväxten av bättre — och AI-assisterad — teknik ett nytt beräkningsbaserat lager som kan göra komplexiteten handlingsbar och, viktigare, rädda liv.
När institutioner som NIH och American Heart Association formellt omriktar resurser, omsätter AI denna drivkraft i verklig påverkan. Löftet om dessa verktyg ligger i deras förmåga att personanpassa och operationalisera vad medicin länge har observerat men kämpat för att tillämpa: att kvinnors hälsa är dynamisk.
Framtiden för hälso- och sjukvård kommer inte att definieras av populationsnivågenomsnitt, utan av precision — där varje individs longitudinella data utgör grunden för deras vård. Och, i den bemärkelsen, är AI inte ersättning för medicin, utan en utvidgning av den till områden den aldrig fullt ut var utrustad att navigera, tills nu.












