Kan AI generere personlige kræftbehandlingsregimer ud fra genomiske og kliniske forsøgsdata ?

Kan kunstig intelligens pålideligt generere individuelle kræftbehandlingsplaner ved at sammenholde en patients genomiske profil med data fra publicerede kliniske forsøg? Dette spørgsmål undersøger balancen mellem lovende beregningsmæssige resultater og de strenge medicinske standarder, der kræves for patientbehandling.

Background

Fremtidige kunstig intelligens-modeller bliver i stigende grad anvendt til at integrere patient-specifik DNA-sekventering og tumors mutationsprofiler med evidens fra peer-reviewede kliniske forsøg for at foreslå personaliserede lægemiddelkombinationer. Disse systemer anvender maskinlæringsalgoritmer til at identificere potentielt effektive terapier ved at matche genomiske ændringer med lægemidler, der har rapporteret effekt i lignende patientkohorter. For eksempel er deep learning-rammeværker som DeepDR og lignende platforme blevet udviklet til at forudsige lægemiddelresponser baseret på multi-omics-data og historiske forsøgsresultater. Der er dog fortsat bekymringer omkring den kliniske validitet og den reelle effektivitet af AI-genererede behandlingsregimer, som fremhævet af onkologer og reguleringsmyndigheder. Selvom disse modeller kan producere plausible lægemiddelkombinationer ved at lære fra store datasæt, hævder kritikere, at mange forslag mangler prospektiv validering i kontrollerede kliniske omgivelser eller dokumenteret overlevelsesgevinst hos patienter. Derudover komplicerer heterogeniteten af cancerformer, tumorers dynamiske natur og variationen i forsøgsdesign yderligere oversættelsen af AI-anbefalinger til standardiserede behandlingsprotokoller. Reguleringsmyndigheder som den amerikanske Food and Drug Administration (FDA) har understreget behovet for streng validering af AI-drevne kliniske beslutningsstøtteværktøjer for at sikre patientsikkerhed og terapeutisk effekt.

Store sprogmodeller og andre AI-systemer bliver i stigende grad anvendt til at syntetisere biomedicinsk litteratur og rapporter om kliniske forsøg for at foreslå behandlingsmuligheder. Benchmark-studier rapporterer, at AI kan hente og rangordne relevante forsøgsgrene for en given patientgenotype med moderat til høj nøjagtighed, selvom ydeevnen varierer efter cancerform og datakomplethed. Reguleringsveje for software, der genererer behandlingsanbefalinger, forbliver fragmenterede, idet nogle jurisdiktioner behandler sådanne systemer som kliniske beslutningsstøtteværktøjer, mens andre klassificerer dem som højrisiko medicinsk udstyr. Real-world validering involverer typisk retrospektive journalgennemgange og prospektive pilotstudier, der sammenligner AI-forslåede regimer med dem, der er valgt af tværfaglige tumorsygeplejeteams. Etiske og juridiske retningslinjer understreger behovet for forklarlighed, menneskelig tilsyn og klar information, når AI anvendes til at informere behandling. Datakilder inkluderer offentlige repositorier som TCGA og cBioPortal samt strukturerede forsøgsdatabaser som ClinicalTrials.gov og EudraCT.

— Beriget 15. maj 2026 · Kilde: Nature Biotechnology, 2023