透過數字孿生模擬最佳化治療反應的臨床決策支援AI系統
研究人員提出了一種線上自適應框架，整合治療效果估計、患者數字孿生和強化學習，用於臨床決策支援。該系統透過規則模組確保安全，並在模擬和真實卵巢癌資料集上優於基準方法，展示了作為個性化醫療工具的潛力。
臨床決策支援AI系統（CDSAS）需要即時適應患者病情變化，同時嚴格遵守安全約束。為此，研究人員提出了一種線上自適應框架，該框架整合了治療效果（TE）估計、患者數字孿生（DT）和強化學習（RL），以最佳化治療建議。系統首先在歷史病歷上訓練，並持續學習改進效能。
為確保安全，框架包含一個基於規則的模組，用於監測患者生命體徵並阻止任何禁忌治療。當內部模型存在強烈分歧時，相關案例會被標記以供臨床醫生審查。實驗中，研究人員使用預訓練的結果模型模擬了這種審查過程。
驗證工作使用了合成臨床模擬器和來自癌症基因組圖譜（TCGA）的真實卵巢癌資料集。在兩種環境下，該方法在推薦治療的效果和穩定性方面均優於標準計算基線。此外，系統保持了低延遲，僅需在少數案例中諮詢專家。該成果已被IEEE工程醫學與生物學會議（EMBC）2026接收，表明其作為安全、臨床監督下的個性化醫療工具的潛力，能夠透過實際使用持續改進。