Onkológia 1/2026
AI-optimalizované dávkovanie chemoterapie: klinický potenciál, metodologické východiská a perspektívy precíznej onkológie
Model-informované precízne dávkovanie (Model-Informed Precision Dosing, MIPD) predstavuje perspektívny prístup k individualizácii protinádorovej liečby, ktorý prepája mechanistické farmakokineticko-farmakodynamické (PK/PD) modely s modernými algoritmami strojového učenia, najmä posilňovaného učenia (reinforcement learning, RL). Cieľom tejto práce je syntetizovať súčasné poznatky o využití umelej inteligencie pri optimalizácii dávkovania v onkológii, identifikovať kľúčové metodologické prístupy a diskutovať ich klinický potenciál i limity. Článok analyzuje hybridné modely, ktoré kombinujú mechanistickú interpretovateľnosť s adaptívnosťou dátovo riadených algoritmov. Osobitná pozornosť je venovaná RL-prístupom umožňujúcim simuláciu budúcich scenárov vývoja ochorenia a dynamickú úpravu dávky na základe individuálnej odpovede pacienta. Diskutovaný je aj koncept digitálneho dvojčaťa pacienta, implementácia stratégií human-in-the-loop (napr. platforma CURATE.AI) a otázky spravodlivosti, generalizovateľnosti a systémového biasu v modeloch trénovaných na nereprezentatívnych dátach. Dostupné dôkazy naznačujú, že integrácia sociálnych determinantov zdravia, biologického starnutia a multimodálnych klinických údajov môže zlepšiť predikciu toxicity aj účinnosti liečby. Zároveň však pretrvávajú významné výzvy v oblasti robustnosti modelov, externej validácie, regulačných rámcov a etickej implementácie. Prepojenie MIPD s pokročilými ML/RL algoritmami má potenciál transformovať dávkovanie v onkológii smerom k skutočne personalizovanej terapii. Budúci výskum by sa mal zamerať najmä na prospektívne klinické overenie, hodnotenie výkonu naprieč rôznymi podskupinami pacientov a systematickú integráciu týchto nástrojov do klinickej praxe.
Kľúčové slová: umelá inteligencia, optimalizácia dávkovania, digitálne dvojča pacienta, stratégia human-in-the-loop, systémový bias
AI-optimalizované dávkovanie chemoterapie: klinický potenciál, metodologické východiská a perspektívy precíznej onkológie
Model-Informed Precision Dosing (MIPD) represents a promising approach to the individualization of anticancer therapy, integrating mechanistic pharmacokinetic–pharmacodynamic (PK/PD) models with modern machine learning algorithms, particularly reinforcement learning (RL). The aim of this paper is to synthesize current knowledge on the use of artificial intelligence in oncology dose optimization, identify key methodological approaches, and discuss their clinical potential as well as their limitations. The article analyzes hybrid models that combine mechanistic interpretability with the adaptability of data-driven algorithms. Particular attention is given to RL-based approaches that enable the simulation of future disease trajectories and the dynamic adjustment of dosing based on individual patient response. The concept of the patient digital twin is also discussed, along with the implementation of human-in-the-loop strategies (e.g., the CURATE.AI platform), and issues related to fairness, generalizability, and systemic bias in models trained on non-representative datasets. Available evidence suggests that integrating social determinants of health, biological aging markers, and multimodal clinical data may improve the prediction of both treatment toxicity and efficacy. At the same time, significant challenges remain regarding model robustness, external validation, regulatory frameworks, and ethical implementation. The integration of MIPD with advanced ML/RL algorithms has the potential to transform dosing strategies in oncology toward truly personalized therapy. Future research should focus particularly on prospective clinical validation, performance evaluation across diverse patient subgroups, and the systematic integration of these tools into routine clinical practice.
Keywords: artificial intelligence, dose optimization, patient digital twin, human-in-the-loop strategie, systemic bias
