Může umělá inteligence generovat personalizované léčebné režimy pro rakovinu z genomických a klinických dat ?

Může umělá inteligence spolehlivě generovat individualizované léčebné plány pro rakovinu tím, že propojí pacientův genomický profil s údaji z publikovaných klinických studií? Tato otázka zkoumá rovnováhu mezi slibnými výstupy výpočetní techniky a přísnými lékařskými standardy požadovanými pro péči o pacienty.

Background

Umělé inteligence se stále častěji využívá k integraci pacientům specifického sekvenování DNA a profilů nádorových mutací s důkazy z recenzovaných klinických studií za účelem navrhování personalizovaných kombinací léků. Tyto systémy využívají algoritmy strojového učení k identifikaci potenciálně účinných terapií prostřednictvím přiřazování genomických změn k lékům s prokázanou účinností u podobných skupin pacientů. Například hluboké učení, jako jsou frameworky DeepDR a podobné platformy, byly vyvinuty k předpovídání odpovědí na léky na základě multi-omických dat a historických výsledků studií. Přetrvávají však obavy ohledně klinické validity a skutečné účinnosti režimů generovaných umělou inteligencí, jak zdůrazňují onkologové a regulační orgány. I když mohou tyto modely vytvářet věrohodná přiřazení léků učením se z rozsáhlých datových souborů, kritici tvrdí, že mnoho návrhů postrádá prospektivní validaci v kontrolovaných klinických podmínkách nebo prokázané přínosy v přežití pacientů. Kromě toho heterogenita typů rakoviny, dynamická povaha evoluce nádorů a variabilita v návrzích studií dále komplikují překlad doporučení AI do standardizovaných léčebných protokolů. Regulační orgány, jako je americký Úřad pro kontrolu potravin a léčiv (FDA), zdůraznily potřebu důkladné validace nástrojů pro podporu klinického rozhodování poháněných umělou inteligencí, aby byla zajištěna bezpečnost pacientů a terapeutický prospěch.

---

Velké jazykové modely a další systémy umělé inteligence se stále častěji využívají ke syntéze biomedicínské literatury a zpráv z klinických studií za účelem navrhování léčebných možností. Studie zaměřené na srovnávání výkonnosti uvádějí, že umělá inteligence dokáže vyhledávat a řadit relevantní větve studií pro daný genotyp pacienta s mírnou až vysokou přesností, i když výkonnost se liší podle typu rakoviny a úplnosti dat. Regulační cesty pro software generující léčebná doporučení zůstávají roztříštěné, přičemž některé jurisdikce považují takové systémy za nástroje pro podporu klinického rozhodování a jiné za vysoce riziková zdravotnická zařízení. Reálná validace obvykle zahrnuje retrospektivní přehledy zdravotnické dokumentace a prospektivní pilotní studie porovnávající režimy navržené umělou inteligencí s těmi vybranými multidisciplinárními nádorovými komisemi. Etické a právní pokyny zdůrazňují potřebu vysvětlitelnosti, lidského dohledu a jasného zveřejnění, pokud je umělá inteligence využívána k informování péče. Zdroje dat zahrnují veřejné repozitáře, jako jsou TCGA a cBioPortal, stejně jako strukturované databáze studií, jako jsou ClinicalTrials.gov a EudraCT.

— Rozšířeno 15. května 2026 · Zdroj: Nature Biotechnology, 2023