Mesterséges intelligenciával támogatott digitális terápiatervezés a precíziós onkológiában

Dóczi Róbert (1), Tihanyi Dóra (1), Dirner Anna (1), Lakatos Dóra (1), Szalkai-Dénes Réka (1), Vodicska Barbara (1), Filotás Péter (1), Déri Júlia (1), Pajkos Gábor (1), Schwab Richárd (1,2), Peták István (1,3)
(1) Oncompass Medicine Hungary Kft., Budapest
(2) MIND Klinika Kft.
(3) Genomate Health Inc. Cambridge, MA, USA

A precíziós onkológiai megközelítés mára a rutinellátás részévé vált. Egyre több daganatos betegnél készül több száz génes molekuláris diagnosztikai vizsgálat, és több mint 100 célzott vagy immunterápiás gyógyszer van forgalomban. A megnyíló lehetőségek mellett ez kihívást is jelent, hiszen sok esetben több célzott terápiás kezelési lehetőség is rendelkezésre áll ugyanahhoz a biomarkerhez kapcsolódóan, a daganatban párhuzamosan jelen lévő – átlagosan négy-öt – genetikai eltérések módosíthatják a célzott terápiák hatásosságát, sőt egyre több esetben több célozható alteráció is kimutatható egy daganatban. Ilyen esetekben az optimális terápiás terv kialakítása jelenleg a molekuláris tumor boardok (MTB) felelőssége. Azonban több tanulmány kimutatta, hogy komplex molekuláris profilok esetén az MTB-k terápiás javaslata nagyon alacsony konkordanciát mutat. Automatizált döntéshozási módszerekre van szükség, hogy a döntéshozatal hatékonysága mérhetővé váljon, így a metódusok egymással összehasonlíthatók legyenek, és a betegek validált módon a leghatékonyabb döntési módszer alapján juthassanak kezeléshez. A digital drug assignment (DDA) algoritmus lehetőséget nyújt a terápiás döntések standardizálására, ha több célzott vagy immunterápiás kezelési lehetőség áll rendelkezésre, és más iránymutatás nem tesz különbséget a kezelésektől várható klinikai előny tekintetében. A módszer klinikai hasznosságának és biztonságosságának vizsgálata a SHIVA01 klinikai vizsgálat adatain történt.

A cikk teljes terjedelmében a Klinikai Onkológia folyóirat 2022/3. lapszámában olvasható.