临床决策支持AI系统（CDSAS）需要在严格的安全约束下实时适应不断变化的患者病情。一篇于2026年6月16日提交至arXiv、并被IEEE医学与生物工程学会年会（EMBC）2026接收的论文，提出了一个在线自适应框架，旨在将治疗效应（TE）估计、患者数字孪生（DT）与强化学习（RL）三者结合，用于优化治疗响应并辅助临床决策。该论文题为《Treatment Response Optimized Clinical Decision Support AI System via Digital Twin Simulation》，由Xinyu Qin等六位作者共同完成，属于人工智能（cs.AI）方向，arXiv编号为2606.17405。
在方法设计上，该框架包含三个核心组件。治疗效应估计用于量化不同治疗方案对患者可能带来的临床收益；患者数字孪生则负责模拟患者在接受治疗后的状态演变轨迹，使系统能够在虚拟环境中预演多种治疗路径；强化学习承担序贯决策任务，在连续的治疗选择过程中逐步优化策略。系统最初基于历史医疗记录进行训练，随后进入持续学习循环，随着实际使用不断更新和调整。
安全性是该研究的重点考量之一。作者设计了一个基于规则的模块，持续监测患者的生命体征，并在检测到禁忌治疗时直接阻断相应建议，从而在AI推荐与临床安全之间建立一道硬性防线。此外，当模型内部出现较强分歧时，系统会将该病例标记出来，转交临床医生审核。在实验中，这一分歧机制通过一个预训练的结果模型进行模拟。这意味着AI系统并非完全自主决策，而是被定位为在临床医生监督下运行的工具。
研究团队采用了两类验证环境：一是合成的临床模拟器，二是来自癌症基因组图谱（TCGA）的真实卵巢癌数据集。论文报告称，无论在模拟场景还是真实临床数据场景中，该方法在推荐治疗的有效性和稳定性方面均优于标准的计算基线方法。同时，该系统保持了较低的延迟，并且在实验验证中只有少数病例需要专家会诊。作者据此认为，该系统有望成为一种安全、由临床医生监督的个性化医疗工具，并能在实际应用中持续改进。
值得注意的是，论文目前展示的验证仍以模拟环境和单一真实数据集为主，系统在更广泛临床场景中的表现、长期安全性以及实际部署中的监管与伦理问题，仍有待进一步研究。不过，该工作将治疗效应估计、数字孪生仿真、强化学习与规则安全机制整合进一个持续学习的闭环，为临床决策支持AI的可解释性、安全性与自适应能力提供了一个值得关注的技术路线。