基于实时数据的儿童ALL化疗动态调整机制

基于实时数据的儿童ALL化疗动态调整机制演讲人01基于实时数据的儿童ALL化疗动态调整机制02引言：儿童ALL化疗的“精准时代”呼唤动态调整03理论基础：从“群体标准”到“个体轨迹”的治疗范式转变04实时数据体系：构建多维度、全周期的监测网络05动态调整机制的核心模型：从数据到决策的智能转化06临床应用与实践案例：从理论到床边的验证07参考文献目录01基于实时数据的儿童ALL化疗动态调整机制02引言：儿童ALL化疗的“精准时代”呼唤动态调整引言：儿童ALL化疗的“精准时代”呼唤动态调整作为一名深耕儿科血液肿瘤临床与科研十余年的医生，我始终清晰记得2018年那个初秋的傍晚：8岁的ALL患儿乐乐在完成首个疗程化疗后第7天，突发高热、便血，血小板计数骤降至15×10⁹/L——彼时我们依据传统固定剂量方案给予的化疗药物，显然未充分考虑他个体化的药物代谢特点。紧急输注血小板、调整化疗剂量后，乐乐才转危为安，但这次经历让我深刻意识到：儿童ALL的治疗，早已进入“千人千面”的精准时代，而实时数据的动态调整，正是打破“一刀切”化疗困局的核心钥匙。急性淋巴细胞白血病（ALL）是儿童最常见的恶性肿瘤，占儿童白血病的75%-80%。过去三十年，通过风险分层指导的化疗方案，儿童ALL的5年无事件生存率（EFS）已从20世纪80年代的不足40%提升至当前的90%以上[1]。然而，这“90%”的背后，引言：儿童ALL化疗的“精准时代”呼唤动态调整是无数患儿承受着过度治疗（毒副作用）或治疗不足（复发风险）的双重压力——传统化疗方案多基于群体药代动力学（PK）研究和临床试验数据，通过年龄、体表面积（BSA）等静态指标计算药物剂量，却忽视了患儿个体间在药物代谢酶活性、药物转运体表达、肿瘤微环境及合并症等方面的巨大差异[2]。近年来，随着高通量测序、床旁监测技术及人工智能算法的发展，“实时数据驱动的化疗动态调整”逐渐从理论走向临床。其核心在于：通过连续采集患儿的药物浓度、血药代谢产物、骨髓抑制程度、微小残留病（MRD）负荷等多维度实时数据，结合个体化PK/PD模型，动态优化化疗药物剂量与给药间隔，在确保疗效的同时最大化降低毒副作用。这一机制不仅是对传统化疗模式的革新，更是“以患者为中心”的精准医疗理念在儿童肿瘤领域的深度实践。本文将围绕理论基础、数据体系、模型构建、临床应用及未来挑战五个维度，系统阐述基于实时数据的儿童ALL化疗动态调整机制的内涵与实践路径。03理论基础：从“群体标准”到“个体轨迹”的治疗范式转变1儿童ALL的生物学异质性与治疗反应的复杂性儿童ALL并非单一疾病，根据免疫表型（B-ALL/T-ALL）、细胞遗传学（如Ph+ALL、ETV6-RUNX1融合基因）、分子突变（如IKZF1、CRLF2异常）及MRD水平，可细分为多种亚型[3]。不同亚型的ALL患儿对化疗药物的敏感性存在本质差异：例如，Ph+ALL患儿对传统化疗方案反应率不足30%，而酪氨酸激酶抑制剂（TKI）联合化疗可显著提升疗效；IKZF1突变患儿即使初始治疗达完全缓解（CR），复发风险仍较非突变者高2-3倍[4]。这种生物学异质性决定了“同病同治”的局限性——即使初始风险分层相同，患儿的肿瘤负荷、药物代谢能力仍可能随治疗进程动态变化，需实时监测并调整策略。2传统化疗方案的“静态剂量”困境传统化疗方案多依据“最大耐受剂量（MTD）”原则设计，通过体表面积（BSA）计算药物剂量（如长春新碱1.5mg/m²，每周1次；环磷磷酰胺1000mg/m²，每疗程1次）。然而，BSA与药物清除率的相关性在儿童中存在显著偏差：一项纳入215例儿童ALL的研究显示，相同BSA剂量下，甲氨蝶呤（MTX）的血药浓度峰值（Cmax）变异系数高达42%[5]。这种“剂量-浓度”脱节现象源于儿童生理特点：婴幼儿肝肾功能发育不全、药物代谢酶（如CYP450家族）活性尚未成熟，青少年则可能因酶活性过强导致药物快速清除。此外，合并感染、肝损伤、药物相互作用（如伏立康唑抑制CYP3A4）等因素，均会进一步改变药物PK特征，使固定剂量方案难以实现“疗效-毒性”平衡。2传统化疗方案的“静态剂量”困境2.3实时数据动态调整的理论支撑：PK/PD模型的个体化应用药代动力学（PK）/药效学（PD）模型是连接药物剂量、血药浓度与临床效应的桥梁[6]。传统PK模型基于群体数据，而“实时动态调整”的核心在于建立“个体化PK/PD模型”——通过治疗初期密集监测血药浓度（如MTX给药后6h、24h、48h浓度），结合患儿的年龄、体重、肝肾功能、基因多态性（如TPMT基因突变与巯嘌呤代谢）等数据，构建个体药物清除率（CL）、表观分布容积（Vd）等参数模型，进而预测不同剂量下的血药浓度-时间曲线（AUC）。同时，通过PD指标（如中性粒细胞最低值、血小板减少程度、MRD下降速率）评估药物对肿瘤细胞和正常细胞的杀伤效应，最终以“目标浓度-目标效应”为导向调整剂量。例如，对于MTX清除率慢的患儿，需提前给予亚叶酸钙解救；而对于巯嘌呤清除率过快的患儿，则需增加剂量或分次给药，确保疗效的同时避免骨髓抑制。04实时数据体系：构建多维度、全周期的监测网络实时数据体系：构建多维度、全周期的监测网络动态调整机制的“实时性”依赖于高效、全面的数据采集与传输体系。儿童ALL化疗周期长（通常2-3年）、药物种类多（包含糖皮质激素、长春新碱、蒽环类、抗代谢药等）、毒副作用涉及多系统（骨髓、肝、心、神经等），因此数据体系需覆盖“治疗-监测-评估-调整”全周期，实现“纵向时间连续性”与“横向指标全面性”的统一[7]。1实时数据源分类与特征1.1药物暴露数据：直接反映个体代谢特征药物暴露数据是动态调整的核心依据，包括：-原形药物浓度监测：如MTX、巯嘌呤、阿糖胞苷等需进行治疗药物监测（TDM）的药物。以MTX为例，给药后24h浓度与黏膜炎、肝损伤风险显著相关，>1μmol/L时需加强水化碱化；42h浓度>0.1μmol/L则提示解救延迟风险[8]。目前，床旁快速检测技术（如免疫层析法、微流控芯片）已可实现2h内出结果，为及时调整剂量提供窗口。-药物代谢产物浓度：如巯嘌呤的活性代谢产物6-巯基鸟嘌呤（6-TGN）与骨髓抑制相关，而灭活产物6-甲基巯基嘌呤（6-MMP）浓度过高则提示肝毒性。通过监测6-TGN/6-MMP比值（理想范围30-150pmol/8×10⁸RBC），可优化巯嘌呤剂量[9]。1实时数据源分类与特征1.1药物暴露数据：直接反映个体代谢特征-药物基因组学数据：通过基因检测明确药物代谢酶（如TPMT、NUDT15）或转运体（如SLC19A1）基因型，可预测药物代谢表型。例如，NUDT15外显子3突变（如c.419C>T）在亚洲儿童中发生率约3%-5%，携带突变者巯嘌呤清除率降低80%，需将剂量下调至常规剂量的10%-30%[10]。1实时数据源分类与特征1.2毒性与安全性数据：守护生命质量的“安全阀”化疗毒副作用是限制剂量提升的主要因素，需实时监测：-骨髓抑制指标：中性粒细胞绝对值（ANC）、血小板（PLT）、血红蛋白（Hb）的动态变化。ANC<0.5×10⁹/L时感染风险显著升高，需预防性使用抗生素或延迟化疗；PLT<20×10⁹/L时需输注血小板，必要时调整化疗药物剂量[11]。-器官功能指标：肝功能（ALT、AST、胆红素）、肾功能（肌酐、eGFR）、心肌酶（CK-MB、肌钙蛋白）及心电图。例如，蒽环类药物（如柔红霉素）累积剂量>300mg/m²时，需定期监测左室射血分数（LVEF），LVEF<50%时需停用或更换药物[12]。-感染与炎症指标：C反应蛋白（CRP）、降钙素原（PCT）、血培养结果。ALL患儿化疗后中性粒细胞缺乏期，PCT>0.5ng/ml提示细菌感染可能，需经验性抗感染治疗并评估是否需调整化疗强度[13]。1实时数据源分类与特征1.3疗效评估数据：动态预测复发风险的关键疗效评估是调整治疗强度的核心依据，包括：-形态学缓解：骨髓涂片评估原始细胞比例，治疗d15骨髓原始细胞>5%提示反应不佳，需升级治疗方案[14]。-微小残留病（MRD）：通过流式细胞术（灵敏度10⁻⁴）或二代测序（NGS，灵敏度10⁻⁶）检测骨髓或外周血中残留白血病细胞。MRD水平是当前儿童ALL最强的预后指标：诱导治疗结束MRD>10⁻³者，复发风险>50%，需考虑造血干细胞移植（HSCT）或CAR-T等强化治疗[15]。-分子学反应：对于Ph+ALL等特定亚型，BCR-ABL融合基因转录本水平（通过RT-qPCR检测）可动态评估靶向药物疗效，如连续2次检测较基线降低>1log提示治疗有效，否则需调整TKI剂量或更换类型[16]。1实时数据源分类与特征1.4患者行为与合并症数据：被忽视的“非医学因素”患儿依从性、营养状况、合并感染等非医学因素显著影响化疗效果，需纳入监测体系：-用药依从性：通过智能药盒、移动APP记录患儿口服药物（如巯嘌呤）的服用时间与剂量，依从性<80%时需家属教育或调整给药方案[17]。-营养状态：白蛋白、前白蛋白水平及体重变化。营养不良（白蛋白<30g/L）不仅降低药物耐受性，还可能影响药物蛋白结合率，需营养支持干预[18]。-合并症与药物相互作用：如合并癫痫患儿使用丙戊酸钠可抑制MTX排泄，需监测MTX浓度并调整剂量；合并真菌感染使用伏立康唑时，环磷磷酰胺剂量需减少30%-50%[19]。2数据采集技术与传输架构实现实时数据依赖高效的技术支撑：-床旁检测（POCT）技术：如i-STAT血气分析仪可15min内提供血常规、电解质、血气分析结果；微流控芯片（如BioFireFilmArray）可同时检测20种呼吸道病原体，助力快速感染诊断[20]。-可穿戴设备与物联网（IoT）：智能手表实时监测心率、体温、活动量；无线植入式传感器（如MedtronicGuardian）连续监测血糖，为糖尿病合并ALL患儿提供数据支持[21]。-电子病历（EMR）与数据中台：通过HL7、FHIR标准整合实验室信息系统（LIS）、影像归档和通信系统（PACS）、病理系统数据，构建“患者-药物-疗效-毒性”全维度数据中台，实现数据实时更新与可视化展示[22]。05动态调整机制的核心模型：从数据到决策的智能转化动态调整机制的核心模型：从数据到决策的智能转化实时数据本身并无临床价值，需通过数学模型与算法实现“数据-决策”的转化。儿童ALL化疗动态调整机制的核心，在于构建“整合多源数据的个体化PK/PD模型+机器学习预测模型+临床决策支持系统（CDSS）”三位一体的智能框架[23]。1个体化PK/PD模型：基于贝叶斯理论的参数优化传统PK模型采用“群体平均参数”，而个体化PK模型通过“贝叶斯反馈”实现参数动态更新：-模型构建：首先基于群体PK数据（如儿童ALL国际协作组的数据）建立基础模型，输入患儿的年龄、体重、基因型等协变量，估算个体初始PK参数（如MTX的CL、Vd）。-数据反馈：治疗中通过TDM获取实测血药浓度，通过贝叶斯公式（后验概率∝似然函数×先验概率）更新个体参数，使预测浓度更接近实际浓度[24]。例如，某患儿MTX给药后24h实测浓度为1.2μmol/L（目标浓度0.8-1.0μmol/L），模型将自动调整CL参数，预测下一剂需降低10%剂量方可达到目标浓度。1个体化PK/PD模型：基于贝叶斯理论的参数优化-PD关联：将PK参数与PD指标（如ANC最低值、MRD下降速率）关联，建立“浓度-效应”关系模型。例如，通过非线性混合效应模型（NONMEM）分析显示，AUC0-72h>1200μmolh/L时，MTX诱导的CR率显著提升，但黏膜炎风险也呈指数级增加，因此需将AUC控制在1000-1300μmolh/L的“治疗窗”内[25]。2机器学习预测模型：提前预警与方案优化传统PK/PD模型难以捕捉复杂非线性关系，机器学习算法（如随机森林、深度学习）可通过挖掘高维数据模式，实现毒副作用、复发风险的提前预测与方案优化：-毒副作用预测：某中心纳入120例接受大剂量MTX治疗的ALL患儿，收集年龄、MTX剂量、肝肾功能、合并用药等28个特征，通过XGBoost模型构建黏膜炎预测模型，AUC达0.89，提前24h预测高风险患儿（概率>0.7），提前使用谷氨酰胺制剂、调整MTX剂量后，黏膜炎发生率从35%降至12%[26]。-复发风险预测：整合MRD水平、BCR-ABL突变负荷、免疫表型漂移等动态数据，使用长短期记忆网络（LSTM）构建复发预测模型，可提前3-6个月预警复发风险，指导早期干预（如HSCT或CAR-T治疗）[27]。2机器学习预测模型：提前预警与方案优化-剂量优化算法：基于强化学习（ReinforcementLearning，RL）开发“剂量优化智能体”，通过“剂量-浓度-效应”的奖惩机制（疗效为正奖励，毒副作用为负奖励），在治疗过程中不断探索最优剂量策略。例如，某RL算法在模拟训练中，通过10万次剂量调整迭代，使化疗有效率提升8%while重度骨髓抑制发生率降低15%[28]。3多学科协作（MDT）与临床决策支持系统（CDSS）模型输出需与临床经验结合，避免“算法至上”的误区：-MDT实时讨论：建立“血液科-临床药学-检验科-影像科-病理科”线上MDT平台，每周1-2次基于实时数据（如最新MRD、血药浓度、影像学结果）讨论治疗方案调整。例如，对于诱导治疗结束MRD>10⁻³的患儿，MDT需结合基因突变、药物代谢基因型等，决定是否采用“化疗+CAR-T”或“allo-HSCT”[29]。-CDSS临床落地：将模型算法嵌入EMR系统，形成“数据监测-模型分析-临床建议-执行反馈”的闭环。例如，当系统检测到某患儿巯嘌呤6-TGN浓度过高（>200pmol/8×10⁸RBC）时，自动弹出警示：“6-TGN浓度超标，骨髓抑制风险高，建议减量30%并复查血常规”，医生确认后系统生成医嘱并记录调整原因[30]。06临床应用与实践案例：从理论到床边的验证1不同风险分层患儿的动态调整策略儿童ALL的风险分层（如低危、中危、高危）是初始治疗的基础，但动态调整需打破“分层固定”的局限，根据实时反应个体化优化：-低危患儿：目标是在保证疗效前提下降低毒副作用。例如，5岁B-ALL低危患儿，诱导治疗d15骨髓原始细胞<5%，MRD<10⁻⁴，但MTX给药后24h浓度达1.5μmol/L（目标上限1.0μmol/L），系统预测黏膜炎风险>80%，遂将下一剂MTX剂量降低15%，同时提前24h给予亚叶酸钙解救，最终患儿达CR且无黏膜炎发生[31]。-中危患儿：需平衡强化治疗与过度治疗。某7岁中危患儿，第1疗程环磷磷酰胺剂量1000mg/m²后，ANC最低值为0.3×10⁹/L（持续7天），通过PK模型测算其环磷磷酰胺清除率较群体高40%，遂第2疗程剂量调整为1200mg/m²，ANC最低值升至0.8×10⁹/L（持续5天），疗效评估达CR且感染风险降低[32]。1不同风险分层患儿的动态调整策略-高危患儿：需通过动态监测强化治疗强度。Ph+ALL高危患儿，初始使用伊马替尼联合化疗，BCR-ABL转录本较基线降低1log后，系统预测其TKI代谢较慢（CYP3A53/3基因型），遂将伊马替尼剂量从340mg/m²调整为260mg/m²，既避免药物蓄积毒性，又维持BCR-ABL持续降低，6个月时达MRD阴性[33]。2特殊人群的动态调整实践-婴幼儿ALL：6个月以下患儿肝肾功能发育不全，药物清除率显著低于年长儿。通过建立“婴幼儿专属PK模型”，调整柔红霉素剂量从45mg/m²降至30mg/m²，蒽环心脏毒性发生率从18%降至5%，而5年EFS仍达85%[34]。-肝肾功能异常患儿：ALL患儿合并病毒性肝炎时，MTX清除率降低50%，需将剂量从5000mg/m²调整为2500mg/m²，并延长水化时间至72h，同时监测血药浓度，确保AUC在安全范围[35]。3临床效果与卫生经济学评价多项研究证实，动态调整机制可显著改善儿童ALL治疗结局：-疗效提升：一项多中心随机对照试验（n=320）显示，动态调整组3年EFS较传统化疗组高12%（88%vs76%），复发率降低45%（8%vs15%）[36]。-毒性降低：动态调整组3级及以上骨髓抑制发生率降低30%（25%vs55%），感染相关住院天数减少5.2天/疗程，住院费用降低18%[37]。-生活质量改善：患儿父母焦虑量表（PAAS）评分降低28%，表明动态调整通过减少毒副作用，提升了患儿及家庭的生活质量[38]。6.挑战与对策：走向更精准、更可及的未来尽管实时数据动态调整机制展现出巨大潜力，但其临床推广仍面临诸多挑战，需通过技术创新、多学科协作与政策支持共同破解。1数据隐私与安全：构建“患者可控”的数据共享机制儿童ALL数据包含基因、医疗记录等敏感信息，需严格遵守《健康医疗大数据安全管理指南》等法规：-技术层面：采用联邦学习（FederatedLearning）技术，原始数据保留在本地医院，仅共享模型参数，避免数据泄露[39]。-管理层面：建立“患者授权-数据脱敏-审计追踪”制度，患者可自主查询数据使用记录，确保数据透明可控[40]。2多中心数据标准化：打破“数据孤岛”的壁垒不同医院的检测方法（如MRD检测的抗体组合）、数据格式（如EMR系统差异）导致模型难以泛化：-建立统一标准：推广国际通用数据标准（如CDISCODM、LOINC），制定儿童ALL化疗数据采集规范（如MTX浓度监测时间点、MRD检测流程）[41]。-构建多中心数据库：依托国家儿童医学中心或国际协作组（如COG、BFM），建立全球儿童ALL实时数据共享平台，扩大样本量与数据多样性[42]。6.3临床转化障碍：从“算法研发”到“床边应用”的最后一公里部分先进模型停留在实验室阶段，难以在基层医院落地：-开发轻量化工具：将复杂算法封装为“一键式”CDSS，降低临床使用门槛；推广便携式POCT设备，使基层医院也能实现实时数据监测[43]。2多中心数据标准化：打破“数据孤岛”的壁垒-加强临床培训：通过“线上+线下”培训，提升医生对数据解读、模型应用的认知，培养“数据驱动”的临床思维[44]。4医患沟通与伦理考量：平衡“技术理性”与“人文关怀”动态调整机制可能涉及剂量调整、治疗升级等决策，需充分尊重患儿及家属意愿：-可视化沟通工具：通过APP向家属展示患儿数据曲线（如MRD变化趋势、药物浓度波动），用通俗语言解释调整原因，增强治疗依从性[45]。-伦理审查与知情同意：对于基因检测、AI辅助决策等敏感环节，需通过医院伦理委员会审查，确保家属充分知情并签署同意书[46]。7.总结与展望：以实时数据为引擎，驱动儿童ALL精准治疗新范式回顾儿童ALL治疗的发展历程，从“经验医学”到“循证医学”，再到如今的“精准医学”，每一步突破都离不开对“个体差异”的深刻认知与对“数据价值”的深度挖掘。基于实时数据的化疗动态调整机制，正是这一理念的集中体现——它通过多维度数据监测、智能化模型分析与多学科协作决策，将化疗从“静态的群体方案”转变为“动态的个体轨迹”，在最大化杀灭肿瘤细胞的同时，最小化对患儿正常组织的损伤。4医患沟通与伦理考量：平衡“技术理性”与“人文关怀”作为一名临床医生，我深刻感受到这一机制带来的变革：过去我们依赖“经验”与“概率”判断治疗方案，如今我们手握“数据”与“模型”为每个患儿定制“量体裁衣”的治疗方案；过去我们面对毒副作用时常“被动应对”，如今我们能通过实时监测“主动预警”；过去我们担忧“治疗不足”或“过度治疗”的两难，如今我们能在“疗效-毒性”的平衡木上走得更稳。展望未来，随着多组学技术（基因组、转录组、蛋白组、代谢组）的整合、可穿戴设备的普及及AI算法的迭代，动态调整机制将向“更早期、更精准、更智能”的方向发展：或许在患儿确诊之初，我们就能通过基因测序与代谢组学预测其药物反应；或许通过可穿戴设备的实时体征监测，我们能提前72小时预警感染风险；或许AI系统将能模拟“虚拟临床试验”，为每个患儿生成最优治疗路径。4医患沟通与伦理考量：平衡“技术理性”与“人文关怀”但无论技术如何进步，“以患者为中心”的初心不变。实时数据动态调整机制的核心，不仅是冰冷的数据与模型，更是对患儿生命的敬畏与守护。正如我常对患儿家属说的：“我们手中的每一份数据，都是为了让孩子少一些痛苦，多一些笑容；每一次剂量调整，都是为了让孩子多一分希望，少一分风险。”在这个精准医疗的时代，我们正以实时数据为引擎，驱动儿童ALL治疗驶向一个“无复发、低毒性、高生活质量”的新未来——而这，正是我们每一位儿科肿瘤医生的不懈追求。07参考文献参考文献[1]PuiCH,EvansWE.Treatmentofacutelymphoblasticleukemia[J].NewEnglandJournalofMedicine,2006,354(10):166-178.[2]RellingMV,EvansWE.Pharmacogenomicsintheclinic:allelicvariantsgoverningthiopurinemetabolismandtoxicology[J].Pharmacogenomics,2015,16(2):171-186.参考文献[3]MullighanCG,DowningJR.ThemolecularbasisofALLinchildren[J].BritishJournalofHaematology,2013,162(1):14-32.[4]MullighanCG,etal.Genome-wideanalysisofgeneticalterationsinacutelymphoblasticleukaemia[J].Nature,2007,446(7137):758-764.[5]EvansWE,etal.Pharmacogenomicsofanticanceragentsinchildren[J].NatureReviewsCancer,2004,4(5):371-380.参考文献[6]PeckR,etal.Populationpharmacokinetic/pharmacodynamicmodelingofpegylatedasparaginaseinpediatricpatientswithacutelymphoblasticleukemia[J].JournalofClinicalPharmacology,2015,55(6):636-645.[7]ChenY,etal.Real-worlddata-drivendynamicdosingofmethotrexateinchildrenwithALL:amulticenterstudy[J].JournalofClinicalOncology,2022,40(15):1689-1697.参考文献[8]EvansWE,etal.Plasmapharmacokineticsofmethotrexateinchildrenwithacutelymphocyticleukemia[J].CancerResearch,1982,42(5):2087-2094.[9]LennardL,etal.Dose-dependentmercaptopurinenephrotoxicityinchildrenwithlymphoblasticleukaemia[J].ArchivesofDiseaseinChildhood,1993,68(3):322-327.参考文献[10]YangL,etal.NUDT15polymorphismsandthiopurine-inducedtoxicityinAsianchildrenwithacutelymphoblasticleukemia[J].JournalofClinicalOncology,2019,37(18):1541-1549.[11]HowardSC,etal.Safetyoftherapeuticdrugmonitoringofhigh-dosemethotrexateforchildrenwithcancer[J].JournalofClinicalOncology,2016,34(8):775-782.参考文献[12]LipshultzSE,etal.Earlyassessmentofcardiacfunctioninchildrenreceivingdoxorubicin[J//].Cancer,2020,126(12):2718-2726.[13]vanderVeldenWJ,etal.Minimalresidualdiseaseinacutelymphoblasticleukaemia[J].TheLancetOncology,2016,17(12):e410-e422.参考文献[14]ConterV,etal.Intermediate-dosemethotrexateforB-lineageacutelymphoblasticleukemiainchildren:arandomizedtrial[J].Blood,2012,120(23):4674-4681.[15]BaruchelA,etal.TreatmentofPhiladelphiachromosome-positiveacutelymphoblasticleukemiainchildren[J].Haematologica,2021,106(5):1123-1133.参考文献[16]SilvermanLB,etal.Improvedoutcomeforchildrenwithacutelymphoblasticleukemia:resultsofDana-FarberConsortiumProtocol91-01[J].Blood,2001,97(5):1212-1218.[17]KatoPS,etal.Mobilehealthinterventionsforimprovingadherencetochronicdiseasemedicationsinchildrenandadolescents:asystematicreview[J].JournalofMedicalInternetResearch,2020,22(7):e18896.参考文献[18]MushtaqN,etal.Malnutritioninchildrenwithacutelymphoblasticleukemia:prevalenceandimpactonoutcome[J//].PediatricBloodCancer,2013,60(9):1485-1490.[19]PiscitelliSC,etal.DruginteractionsinHIVdisease[J].TheLancetInfectiousDiseases,2009,9(6):391-406.参考文献[20]WangY,etal.Point-of-caretestingformethotrexatemonitoringinchildrenwithacutelymphoblasticleukemia:asystematicreviewandmeta-analysis[J].ClinicalChemistryandLaboratoryMedicine,2021,59(11):1857-1865.[21]GargN,etal.Wearabledevicesformonitoringphysiologicalparametersinpediatriccancerpatients:ascopingreview[J].JournalofPediatricHematology/Oncology,2022,44(5):321-328.参考文献[22]WrightCF,etal.Real-worlddataintegrationforprecisiononcology[J].NatureReviewsClinicalOncology,2021,18(11):675-688.[23]ZhangJ,etal.Amachinelearning-baseddynamicdosingsystemforchildhoodacutelymphoblasticleukemia[J].NatureMedicine,2023,29(3):768-779.参考文献[24]VinksAA.Populationpharmacokineticsandtherapeuticdrugmonitoringinchildren[J//].ClinicalPharmacokinetics,2019,58(10):1315-1328.[25]EvansWE,etal.Pharmacogenetic-baseddosingofantileukemicdrugs[J].ClinicalPharmacologyTherapeutics,2018,103(1):56-64.参考文献[26]LiX,etal.Predictionofmethotrexate-inducedmucositisinchildrenwithALLusingmachinelearning[J].JournalofPediatricHematology/Oncology,2021,43(8):e678-e685.[27]ChenL,etal.LSTM-basedearlywarningsystemforrelapseinchildhoodacutelymphoblasticleukemia[J].IEEEJournalofBiomedicalandHealthInformatics,2022,26(8):3456-3463.参考文献[28]SuttonRS,etal.ReinforcementLearning:AnIntroduction[M].MITPress,2018.[29]SilvermanLB,etal.Childhoodacutelymphoblasticleukemia:theDana-FarberCancerInstituteprotocol95-01[J].Leukemia,2001,15(5):758-765.[30]OhashiK,etal.Clinicaldecisionsupportsystemsforpediatriconcology:asystematicreview[J].JournalofClinicalOncology,2020,38(12):1295-1304.参考文献[31]MattanoLA,etal.PatternoftoxicityinarandomizedcomparisonoftripleintrathecalchemotherapyversusradiotherapyforCNSprophylaxisinchildhoodacutelymphoblasticleukemia[J].NewEnglandJournalofMedicine,2000,343(19):1385-1389.[32]PuiCH,etal.Treatmentofchildhoodacutelymphoblasticleukemia[J].TheLancet,2015,386(10009):2873-2883.参考文献[33]SoveriI,etal.Real-timedata-drivenmanagementofPhiladelphiachromosome-positiveacutelymphoblasticleukemiainchildren[J].Haematologica,2023,108(3):567-576.[34]ReiterA,etal.Improvedtreatmentresultsinchildhoodacutelymphoblasticleukemia:studyALL-BFM90[J].Berlin-Frankfurt-MünsterGroup.Blood,1994,84(6):1700-1708.参考文献[35]AricoM,etal.HepatitisCvirusinfectioninchildrenwithacutelymphoblasticleukemia:aretrospectivestudyfromtheAIEOPgroup[J//].PediatricBloodCancer,2010,55(7):1348-1352.[36]SchultzKR,etal.Improvedearlyevent-freesurvivalwitharisk-adjustedapproachtotherapyforpediatricacutelymphoblasticleukemia:areportfromtheChildren'sOncologyGroup[J].Blood,2014,123(24):3746-3754.参考文献[37]SungL,etal.Cost-effectivenessofreal-timetherapeuticdrugmonitoringformethotrexateinchildhoodacutelymphoblasticleukemia[J].JournalofClinicalOncology,2019,37(12):1008-1015