Brug af kronobiologi til at forbedre Lenvatinib-effektiviteten

Systemiske behandlinger for skjoldbruskkirtelkræft er dukket op i det sidste årti, ledsaget af en dybere forståelse af dens underliggende molekylære mekanismer. Blandt disse blev lenvatinib, en multi-målrettet tyrosinkinasehæmmer, godkendt som monoterapi til behandling af lokalt fremskreden eller metastatisk radioaktivt jod-refraktær differentieret skjoldbruskkirtelkræft. På trods af dets effektivitet er lenvatinib forbundet med et spektrum af bivirkninger (AE'er), herunder hypertension, træthed, proteinuri og gastrointestinale forstyrrelser, som ofte nødvendiggør dosisreduktion, afbrydelse eller permanent seponering. For at overvinde disse udfordringer henvender efterforskerne sig til Constrained Disorder Principle (CDP), en innovativ tilgang, der understreger udforskningen af ​​begrænset variabilitet i behandlingsregimer for at optimere lægemiddeleffektiviteten og minimere AE'er. I andre sygdomssammenhænge, ​​såsom kongestiv hjerteinsufficiens, multipel sklerose og kronisk smerte, har integrationen af ​​CDP-baserede andengenerations kunstig intelligens (AI) systemer i behandlingsregimer vist lovende resultater i at forbedre terapeutiske resultater ved dynamisk justering af behandlingsparametre. Efterforskerne antager, at en personlig dynamisk justering af lenvatinib-dosering og administrationstidspunkt, styret af en AI-drevet tilgang via en mobilapplikation, kan reducere AE'er, forbedre adhærens og øge den samlede behandlingseffektivitet. I dette proof-of-concept-studie sigter efterforskerne på at evaluere gennemførligheden og effektiviteten af ​​at bruge et CDP-baseret andengenerations AI-system til at optimere det terapeutiske regime af lenvatinib hos patienter med cancer.