医疗 ｜ 新的AI系统在改善临床试验结果的实际应用

　　由埃默里大学温希普癌症研究所和宾夕法尼亚大学阿伯拉姆森癌症中心的研究团队完成的一项新研究揭示，一个创新的人工智能（AI）平台可协助临床医生和患者评估个体是否适合参与特定临床试验及其潜在获益程度。此AI平台有助于做出更精准的治疗决策，理解新疗法的实际效果，并规划后续护理方案。

　　这项成果发表在《自然-医学》期刊上，由埃默里大学医学院血液学与肿瘤学系副教授拉维·B·帕里克（Ravi B. Parikh）医学博士、公共卫生硕士领导，他专注于开发并整合AI应用以改善癌症患者的治疗体验。共同高级作者包括宾夕法尼亚大学生物统计学、计算机与信息科学教授，宾夕法尼亚大学癌症数据科学中心主任，宾夕法尼亚大学医学院阿伯拉姆森癌症中心定量数据科学部副主任齐龙（Qi Long）博士。研究的第一作者是帕里克实验室的成员哈维尔·奥卡特（Xavier Orcutt）医学博士。其他作者则包括在龙实验室进行研究的博士生陈侃（Kan Chen）和宾夕法尼亚大学医学系副教授罗纳克·曼塔尼（Ronac Mamtani）。

　　研究团队开发了TrialTranslator，这是一个机器学习框架，用于将临床试验结果“转化”至真实世界情境中。他们利用真实世界数据模拟了11项具有里程碑意义的癌症临床试验，成功重现了这些试验的结果，从而确定了哪些患者群体可能对临床试验中的治疗方法反应良好，哪些则可能无效。

　　帕里克表示：“我们希望通过这个AI平台，为医生和患者提供一个判断临床试验结果是否适用于个体的框架。此外，这项研究有助于研究人员识别出对新型治疗无效的患者亚组，进而推动针对这些高危群体的新临床试验。”

　　齐龙补充道：“我们的工作展示了利用AI/ML挖掘丰富而复杂的真实世界数据，以推动精准医学发展的巨大潜力。”

　　临床试验结果的有限推广性

　　帕里克指出，潜在新疗法的临床试验具有局限性，因为仅不到10%的癌症患者会参与此类试验。这意味着这些试验往往无法代表所有该类癌症患者。即使临床试验显示新型治疗策略优于标准疗法，“仍有许多患者使用新型治疗无效，”帕里克说。

　　“这个框架和我们的开源计算器将帮助患者和医生判断III期临床试验的结果是否适用于个体癌症患者，”他补充说，“这项研究提供了一个平台来分析其他随机试验（包括结果呈阴性的试验）在真实世界中的推广性。”

　　研究方法

　　研究团队使用了Flatiron Health的全国性电子健康记录（EHR）数据库，模拟了11项具有里程碑意义的随机对照试验，这些试验研究了美国四种最常见的晚期实体恶性肿瘤的标准治疗方案。

　　研究发现

　　分析结果显示，具有低风险和中风险表型的患者，其生存时间和治疗相关的生存获益与随机对照试验中观察到的相似。相比之下，高风险表型患者的生存时间和治疗相关的生存获益显著低于随机对照试验。这表明机器学习能够识别出随机对照试验结果在真实世界患者中推广性较低的患者群体。这也意味着，“真实世界患者的预后可能比随机对照试验参与者更为异质。”

　　研究意义

　　研究团队认为，该研究“表明患者预后而非入选标准能更好地预测生存和治疗获益”。他们建议前瞻性试验“应考虑在患者入组时采用更复杂的方法来评估预后，而不是仅依赖严格的入选标准”。此外，他们引用了美国临床肿瘤学会和癌症研究之友的建议，即应努力改善高风险亚组在随机对照试验中的代表性，“考虑到这些个体的治疗效果可能与其他参与者不同”。至于AI在这类研究中的作用，帕里克表示：“在适当的监督和证据支持下，未来将有更多基于AI的生物标志物涌现，它们能够分析病理学、放射学或电子健康记录信息，从而帮助预测患者对某些疗法的反应、更早地诊断癌症或改善患者的预后。”