编辑推荐：
为解决传统化疗 MTD 策略无法满足患者个性化需求的问题，新加坡国立大学等机构研究人员开展 CURATE.AI 平台可行性研究。结果显示其适应性强、用户依从率高。该研究为肿瘤个性化化疗提供新思路，值得科研读者一读。
在肿瘤治疗的领域里，化疗一直是重要的手段之一。长久以来，传统的化疗剂量确定方法主要依赖最大耐受剂量（MTD）策略 ，医生们认为更高的化疗药物剂量能够杀死更多癌细胞，进而提高治疗效果。于是，在确定标准治疗剂量时，通常会参考一期临床试验中得出的最大耐受剂量，从较高的起始剂量开始用药。然而在实际的临床治疗中，问题却接踵而至。
一方面，为了避免药物带来的严重副作用，超过半数的肿瘤医生至少有 10% 的时间会选择低于最大耐受剂量 10% 以上的起始剂量给患者用药。另一方面，由于每个患者的身体状况、对药物的反应都存在差异，这种 “一刀切” 的剂量确定方式并不能满足每个患者的个性化需求，治疗效果也难以达到最佳。就好比给不同身材的人穿同一款衣服，肯定会有人穿着不合适。所以，寻找一种更精准、更个性化的化疗剂量确定方法，成为了肿瘤治疗领域亟待解决的问题。
在这样的背景下，新加坡国立大学等机构的研究人员在《npj Digital Medicine》期刊上发表了题为 “Feasibility of an Artificial Intelligence–Driven Clinical Decision Support System for Personalized Chemotherapy Dosing: A Pilot Feasibility Trial” 的论文。他们试图借助人工智能的力量，为肿瘤患者找到更合适的化疗剂量，从而提升治疗效果。
研究人员用到的关键技术方法主要是基于人工智能的 CURATE.AI 平台。这个平台利用患者自身的前瞻性校准小数据集，通过二次关系来动态生成个性化的剂量建议。它会根据患者服用药物的剂量以及相应的表型反应（比如肿瘤标志物的变化）来调整剂量推荐，而且整个过程是动态的，会随着新数据的不断加入而更新。
下面来看看具体的研究结果：
- 患者招募情况：研究人员在新加坡的两家医院进行患者招募，最终从国立大学医院招募了 10 名患有晚期实体瘤的患者。这些患者的治疗方案包括单药卡培他滨（1 名患者）、卡培他滨联合奥沙利铂（XELOX，6 名患者）以及卡培他滨联合伊立替康（XELIRI，3 名患者），均为姑息性治疗。
- 疗效驱动的给药阶段：10 名患者中，只有 3 名患者达到了疗效驱动的给药阶段。这 3 名患者的治疗过程和对 CURATE.AI 指导治疗的反应各不相同。比如患者 CURATE002 被诊断为乙状腺癌并伴有肝肺转移，接受 XELOX 治疗；患者 CURATE007 是结直肠癌肝转移，采用 XELIRI 和贝伐单抗治疗；患者 CURATE011 为直肠乙状结肠癌，同样接受 XELOX 治疗。他们各自有着独特的 CURATE.AI 剂量调整方案，医生也根据平台的建议为他们定制了个性化的卡培他滨剂量。而另外 7 名患者则没有达到疗效驱动的给药阶段。
- 实施过程中的挑战：在使用 CURATE.AI 进行治疗的过程中，遇到了不少挑战。对于患者 CURATE002，癌胚抗原（CEA）在初始剂量后出现了类似激增的现象，使得剂量 - 反应关系难以持续，给 CURATE.AI 带来了科学挑战。同时，治疗过程中还存在因物流或毒性导致的剂量中断问题。患者 CURATE007 在第一个治疗周期，由于临床工作流程中的实际考虑以及患者依从性的问题，使得 CURATE.AI 的相关性受到质疑。患者 CURATE011 则因为感染 COVID - 19 及相关副作用，不得不更改治疗方案，这就需要重新校准 CURATE.AI 的剂量推荐模型。
- 可行性评估：研究人员对 CURATE.AI 的可行性进行了评估。在 49 次给药事件中，有 73.5%（36/49）的事件考虑了 CURATE.AI 的建议，但在初始给药决策和复杂病例中，它的相关性有限。不过，所有（36/36）CURATE.AI 给出的剂量建议都能按时提供，而且在 36 次给药决策中，用户有 97.2%（35/36）的情况选择遵循其建议。此外，100%（10/10）的患者所接受的总剂量相比标准治疗剂量减少超过 10%，80%（8/10）的患者能够遵守规定的剂量。
- 不良和意外事件：有 5 名患者（CURATE002、003、004、007、010）出现了 3 级毒性反应，但没有患者出现 4 级毒性。其中 3 名患者（CURATE002、007、010）的 3 级毒性可能与卡培他滨有关，比如食管炎和非中性粒细胞减少性发热。出现这些情况时，治疗会暂停或延迟，之后再恢复。
从研究结论和讨论部分来看，这项研究意义重大。CURATE.AI 平台展示出了强大的适应性，能够很好地应对患者在临床治疗中遇到的各种情况，尤其是那些接受姑息性治疗的患者。这主要得益于它基于小数据的纵向架构，以及对原始神经网络模型的简化，就像给复杂的问题找到了一条更简单的解决路径。而且，在本次试点研究中，医生对 CURATE.AI 建议的依从率非常高，这在很大程度上可能是因为医生深度参与了为平台选择数据和设定边界的工作。
不过，这项研究也存在一些局限性。例如，大部分招募的患者对所选的治疗方案没有明显反应，所以在未来的研究中，或许可以在确认患者对治疗方案有反应后，再使用 CURATE.AI 进行剂量调整。另外，在常规临床环境中，还需要进一步确认用户对 CURATE.AI 建议的接受程度，毕竟在本次研究中，数据处理结果的传达有较多的人为参与。而且，研究中使用的癌胚抗原（CEA）虽然在临床治疗中有一定的应用价值，但是它容易受到吸烟、炎症或肝脏疾病等因素的影响，可能会导致结果出现误差。
总的来说，这项研究为肿瘤个性化化疗剂量的确定提供了新的思路和方向。虽然目前还存在一些问题，但通过后续对患者招募标准的优化、CURATE.AI 参与策略的调整以及探索新的生物标志物等措施，有望在未来开展的随机对照试验中，进一步评估 CURATE.AI 辅助治疗策略与标准治疗相比的有效性，为肿瘤患者带来更精准、更有效的治疗方案。
