Czy AI może generować spersonalizowane schematy leczenia raka na podstawie danych genomowych i badań klinicznych ?

Czy sztuczna inteligencja może wiarygodnie generować indywidualne plany leczenia nowotworów poprzez porównywanie profilu genetycznego pacjenta z danymi z opublikowanych badań klinicznych? To pytanie bada równowagę między obiecującymi wynikami obliczeniowymi a rygorystycznymi standardami medycznymi wymaganymi w opiece nad pacjentem.

Background

Modele sztucznej inteligencji są coraz częściej wykorzystywane do integracji indywidualnego sekwencjonowania DNA pacjenta i profili mutacji nowotworowych z dowodami pochodzącymi z recenzowanych badań klinicznych w celu sugerowania spersonalizowanych kombinacji leków. Systemy te wykorzystują algorytmy uczenia maszynowego do identyfikacji potencjalnie skutecznych terapii poprzez dopasowywanie zmian genomowych do leków o udokumentowanej skuteczności w podobnych kohortach pacjentów. Na przykład, opracowano głębokie modele uczenia się, takie jak DeepDR i podobne platformy, które przewidują odpowiedzi na leki na podstawie danych wieloomicznych i historycznych wyników badań klinicznych. Jednak nadal istnieją obawy dotyczące klinicznej ważności i rzeczywistej skuteczności schematów generowanych przez AI, co podkreślają onkolodzy i organy regulacyjne. Podczas gdy modele te mogą generować prawdopodobne kombinacje leków poprzez uczenie się na dużych zbiorach danych, krytycy twierdzą, że wiele sugestii nie posiada prospektywnej walidacji w kontrolowanych warunkach klinicznych ani udokumentowanych korzyści w zakresie przeżycia u pacjentów. Ponadto, heterogeniczność typów nowotworów, dynamiczny charakter ewolucji guza oraz zmienność w projektowaniu badań dodatkowo komplikują przekształcanie zaleceń AI w standaryzowane protokoły leczenia. Organy regulacyjne, takie jak amerykański Urząd ds. Żywności i Leków (FDA), podkreśliły konieczność rygorystycznej walidacji narzędzi AI wspierających podejmowanie decyzji klinicznych w celu zapewnienia bezpieczeństwa pacjentów i korzyści terapeutycznych.

Modele językowe i inne systemy AI są coraz częściej wykorzystywane do syntezy literatury biomedycznej i raportów z badań klinicznych w celu proponowania opcji leczenia. Badania porównawcze wskazują, że AI może wyszukiwać i klasyfikować odpowiednie ramy badań dla danego genotypu pacjenta z umiarkowaną do wysoką dokładnością, choć wydajność różni się w zależności od typu nowotworu i kompletności danych. Ścieżki regulacyjne dla oprogramowania generującego zalecenia dotyczące leczenia pozostają rozdrobnione, przy czym niektóre jurysdykcje traktują takie systemy jako narzędzia wspierające podejmowanie decyzji klinicznych, a inne jako wysokiego ryzyka urządzenia medyczne. Rzeczywista walidacja zwykle obejmuje retrospektywne przeglądy dokumentacji oraz prospektywne badania pilotażowe porównujące schematy sugerowane przez AI z tymi wybieranymi przez wielodyscyplinarne zespoły ds. nowotworów. Wytyczne etyczne i prawne podkreślają konieczność wyjaśnialności, nadzoru ludzkiego oraz jasnego ujawniania, gdy AI jest wykorzystywane do informowania o opiece. Źródła danych obejmują publiczne repozytoria, takie jak TCGA i cBioPortal, a także ustrukturyzowane bazy danych badań klinicznych, takie jak ClinicalTrials.gov i EudraCT.

— Wzbogacono 15 maja 2026 · Źródło: Nature Biotechnology, 2023