Các nhà nghiên cứu của Đại học Oxford-Anh đã tận dụng sức mạnh của trí tuệ nhân tạo (AI) để phát triển các phương pháp điều trị ung thư được cá nhân hóa có thể hiệu quả hơn trong việc ngăn ngừa bệnh nhân tái phát.

Một trong những thách thức lớn nhất trong điều trị ung thư là tối đa hóa tác động đối với bệnh nhân từ việc điều trị bằng thuốc. Các chiến lược điều trị thông thường, tập trung vào việc tiêu diệt càng nhiều tế bào càng tốt, dựa trên liệu pháp 'liều dung nạp tối đa' (MTD), trong đó bệnh nhân liên tục nhận được liều thuốc cao mà không cần dừng điều trị. Tuy nhiên, những phương pháp này thường thất bại trong việc chống lại một số bệnh ung thư di căn do sự xuất hiện của tình trạng kháng thuốc.

Các chiến lược liệu pháp thích ứng, điều chỉnh phương pháp điều trị một cách linh hoạt để ngăn chặn sự gia tăng của quần thể kháng thuốc, đã nổi lên như một giải pháp thay thế đầy hứa hẹn. Tuy nhiên, việc thiếu các phương pháp tiếp cận được cá nhân hóa có tính đến sự khác biệt của bệnh nhân sẽ hạn chế hiệu quả của chúng.

Tác giả đầu tiên Kit Gallagher, Viện Toán học Oxford, đã đào tạo mạng DRL trên dữ liệu tổng hợp từ mô hình toán học về ung thư tuyến tiền liệt, tái tạo hành vi đã thấy trong các thử nghiệm lâm sàng trước đây. Mô hình toán học rất quan trọng để tạo ra số lượng đủ lớn về dữ liệu 'bệnh nhân ảo' và cho phép các nhà nghiên cứu đánh giá lịch trình điều trị không dễ dàng được thử nghiệm lâm sàng.

Kết quả chỉ ra rằng khung DRL luôn vượt trội so với “liều dung nạp tối đa” (MTD) thông thường và các chiến lược thích ứng được sử dụng trên lâm sàng, trì hoãn tái phát cho tất cả bệnh nhân trong nhóm thử nghiệm và tăng hơn gấp đôi thời gian cho đến khi tái phát ở một số bệnh nhân. Nó cũng rất quan trọng đối với những thay đổi hoặc sự không chắc chắn trong cả phản ứng điều trị của bệnh nhân và khoảng thời gian giữa các lần điều trị, cả việc áp dụng phương pháp này vào thế giới thực. Điều quan trọng là các nhà nghiên cứu đã chứng minh rằng những chiến lược điều trị dễ hiểu có thể hiểu được từ ​​mạng lưới học sâu 'hộp đen', ở dạng mà bác sĩ lâm sàng có thể hiểu và kê đơn cho bệnh nhân của họ.

Kit Gallagher cho biết: “Khả năng diễn giải từ lâu đã là một trở ngại đáng kể trong việc tích hợp các phương pháp học máy vào thực hành lâm sàng. Khi những khuôn khổ này là một hộp đen và chúng ta không thể hiểu chúng đưa ra các khuyến nghị điều trị như thế nào, thì không thể tự tin áp dụng chúng vào phòng khám. Nhưng nghiên cứu mới của chúng tôi cho thấy rào cản này có thể vượt qua được”.

Cách tiếp cận này thậm chí có thể được sử dụng cho những bệnh nhân bắt đầu dùng thuốc mới, những người không có hồ sơ lịch sử về cách họ phản ứng với phương pháp điều trị để đưa ra lịch trình cá nhân hóa. Đối với những trường hợp này, các nhà nghiên cứu đề xuất một lộ trình mà ban đầu bệnh nhân sẽ bắt đầu một chu trình điều trị tiêu chuẩn.

Sau đó, một “bản sao số” (virtual twin) của bệnh nhân này sẽ được tạo ra dựa trên dữ liệu của họ từ lần điều trị ban đầu này, dữ liệu này có thể được sử dụng để tinh chỉnh mô hình DRL nhằm tạo ra lịch trình điều trị được cá nhân hóa. Các nhà khoa học đang lên kế hoạch nghiên cứu sâu hơn để cải tiến phương pháp này và khám phá ứng dụng của nó đối với các dạng ung thư khác.

Đ.T.V (NASATI), theo https://medicalxpress.com//6/2024