通过数字孪生模拟优化治疗反应的临床决策支持AI系统
研究人员提出了一种在线自适应框架，整合治疗效果估计、患者数字孪生和强化学习，用于临床决策支持。该系统通过规则模块确保安全，并在模拟和真实卵巢癌数据集上优于基准方法，展示了作为个性化医疗工具的潜力。
临床决策支持AI系统（CDSAS）需要实时适应患者病情变化，同时严格遵守安全约束。为此，研究人员提出了一种在线自适应框架，该框架整合了治疗效果（TE）估计、患者数字孪生（DT）和强化学习（RL），以优化治疗建议。系统首先在历史病历上训练，并持续学习改进性能。
为确保安全，框架包含一个基于规则的模块，用于监测患者生命体征并阻止任何禁忌治疗。当内部模型存在强烈分歧时，相关案例会被标记以供临床医生审查。实验中，研究人员使用预训练的结果模型模拟了这种审查过程。
验证工作使用了合成临床模拟器和来自癌症基因组图谱（TCGA）的真实卵巢癌数据集。在两种环境下，该方法在推荐治疗的效果和稳定性方面均优于标准计算基线。此外，系统保持了低延迟，仅需在少数案例中咨询专家。该成果已被IEEE工程医学与生物学会议（EMBC）2026接收，表明其作为安全、临床监督下的个性化医疗工具的潜力，能够通过实际使用持续改进。