Badacze zaproponowali ramową strukturę dla systemów wspomagających decyzje kliniczne (CDSAS), które potrafią adaptować się do zmieniających się warunków pacjenta w czasie rzeczywistym, pozostając w granicach ścisłych ograniczeń bezpieczeństwa.框架integruje trzy kluczowe komponenty: szacowanie efektów leczenia (TE) do kwantyfikacji korzyści klinicznych, cyfrowe bliźniaki pacjentów (DT) do symulacji trajektorii leczenia oraz uczenie się przez wzmacnianie (RL) do sekwencyjnego podejmowania decyzji.
System jest najpierw trenowany na historycznych danych medycznych, a następnie pracuje w ciągłej pętli uczenia się. Kluczowym elementem bezpieczeństwa jest moduł oparty na regułach, który monitoruje znaki życiowe i blokuje leczenia mogące być przeciwwskazane. Przypadki wykazujące silne rozbieżności między modelami wewnętrznymi są flagowane do przeglądu przez klinicystę. Walidacja przeprowadzona zarówno na syntetycznym symulatorze klinicznym, jak i na rzeczywistych danych nowotworów jajnika z The Cancer Genome Atlas (TCGA), wykazała, że metoda demonstruje większą efektywność i stabilność w rekomendowaniu leczenia w porównaniu ze standardowymi podejściami obliczeniowymi.
System utrzymuje niskie opóźnienia i wymaga konsultacji eksperta tylko w niewielkim procencie przypadków w walidacji eksperymentalnej. To pokazuje potencjał bezpiecznego, nadzorowanego przez lekarza narzędzia do medycyny personalizowanej, które stale się doskonali poprzez praktyczne użycie. Takie rozwiązania mogą zmienić sposób, w jaki klinicyści podejmują decyzje terapeutyczne, szczególnie w trudnych przypadkach onkologicznych wymagających indywidualnego dostosowania leczenia.