医疗领域的 6 种数字孪生应用——未来十年的革命

    数字孪生是一个广泛的概念，包含许多技术和应用。数字孪生是物理对象或无形系统的数字复制品。然而，这些虚拟副本并不是实体复杂的多物理性质的完整表示。

    例如，您可以拥有心脏的数字孪生模型，它代表用于设置起搏器的器官的电行为。或用于药物开发的化学方面的数字孪生，或用于手术模拟的力学响应。多物理场数字孪生还可专注于监测特定疾病/事件，例如预测心脏病发作，或用于设计特定医疗设备（例如腔静脉过滤器的优化）的数字孪生。

    数字孪生将根据今天患者的状态将当前的治疗选择转变为明天患者的优化状态[1]它将成为 P4 医疗模式的关键部分——predictive（预见性）、personalized（个性化），preventive（注重预防）和participatory（主动参与）。

    数字孪生在医疗中的应用

    我们每个人在许多方面都是独一无二的，以至于目前为“普通患者”设想的大多数治疗方法对“实际患者”来说效率很低。从无效的药物治疗和手术不满意到设备拒绝/更换。数字孪生体将成为从一刀切到个性化医疗的重要组成部分。

    在这里，我总结了数字孪生技术将改善医疗保健的不同应用。

    01

    诊断和治疗决策支持

    软件作为医疗设备

    来自不同健康数据源（如成像记录、亲自测量、实验室结果和遗传）的患者数字孪生数据将在诊断过程中提供帮助。患者模型将模拟从可用临床数据中捕获的患者的健康状况，并从统计模型中推断出缺失的参数。例如，心血管成像和计算流体动力学的结合能够实现流场的非侵入性表征和诊断指标的计算[1]。

    02

    病人监护—可穿戴设备

    更小、更舒适的可穿戴设备（传感器）将用于为我们在云中的数字孪生提供实时数据。通过健康追踪器（生物识别、行为、情绪、认知、社会心理……）对疾病进展和持续的患者数据收集有足够的了解，我们可以开发在早期阶段检测症状的模型，让医生和用户有能力在生病前诊断患者. 此外，在治疗期间，我们将能够评估治疗是否有效。

    有数据已经有很多来源，可以养活我们的数字孪生体，要调整我们的风险因素，如医疗记录，实验室测试结果，药房数据，健康和疾病管理的数据，幸福设备生成的数据，和社会决定因素，如邮政编码、当地天气、购买习惯……[2]。

    03

    手术模拟

    手术风险评估

    根据定义，手术是个性化的。从当前状态到最佳结果，手术都是根据患者的需要量身定制的。个性化对于提高干预成功率和降低患者风险至关重要。数字孪生体将通过模拟侵入性临床程序以在选择治疗之前预测结果来提供帮助[3]。从医疗设备选择（位置、方向、尺寸……）到手术变量确定（大小、角度、形状……）。

    04

    医疗器械设计与优化

    MedTech

    两个境界在这里交汇。一方面，我们拥有具有患者特定特征的患者数字孪生，另一方面，我们拥有捕捉设备设计的医疗设备数字孪生。我们可以将两种模型关联起来，看看当特定设备安装到特定患者身上时会发生什么。这是无法在没有伤害的情况下进行临床研究的人群的情况，例如罕见病患者或儿科患者[3]。

    数字孪生在优化任务中也非常有用，例如通过在不同条件和不同患者下运行数百个模拟来提高设备性能。此外，随着3D 打印技术的出现，患者数字孪生可以通过为每个患者创建独特的设计来实现医疗设备的个性化。

    05

    药物开发和剂量优化

    计算机临床试验

    我们可以通过计算处理具有数千种药物的数字孪生体，以便为特定情况确定最好的一种或几种。然而，这并不需要停留在已经存在的药物上。我们可以创建一个由具有不同表型的真实患者组成的数字队列，这些患者具有相同的症状，并测试新的潜在药物，以预测成功的可能性以及最佳剂量。改进第一次拍摄将减少必要的临床试验数量。

    计算机模拟临床试验将揭示需要数年时间才能在体内观察的过程，或评估罕见病例的风险，其中随机临床研究需要数千名患者来观察其中的少数病例[4]。

    06

    监管决策

    自 2016 年以来，美国国会和欧洲议会都开始将建模和模拟纳入生物医药产品监管过程中的证据来源[4]。特别是，由于数字证据在评估医疗设备方面具有节约成本的潜力，因此 FDA 已承诺将数字证据转化为一种有价值的监管工具。

    此外，一些公司表示，临床试验的成本可能很快会超过收入，这将加速行业转向其他相关且可靠的数据来源，以证明医疗器械和药品的安全性和有效性[3]。

    数字孪生背后的技术

    由于数字孪生的应用和目的各不相同，建模方法也因应用而异。

    数字孪生背后的技术可以概括为两大类。归纳法，从数据中学习的统计模型，以及演绎法，整合多尺度知识和数据的机械模型。

    数字孪生体将利用这两种方法来准确预测疾病的根本原因以及维持或恢复健康的途径[1]。

    01

    统计建模

    统计推理和人工智能

    统计建模包括所有从数据中推断关系的数学方法，如贝叶斯和频率论推理以及人工学习方法。统计模型遵循归纳方法。它们允许使用数学规则提取和优化个性化生物标志物的组合。因此，在某些情况下，它们被视为黑匣子。这些方法更常用于患者监测、诊断和治疗决策支持。

    02

    力学建模—模拟

    机械建模包含了基于我们的生理学知识和物理和化学基本定律的所有模拟方法，如固体力学、流体动力学、传热、电磁学、声学和光学。机械模型遵循演绎方法。它们提供了一个框架来整合和增强实验和临床数据、识别机制和预测结果，即使是在看不见的情况下。因此，它们被视为白盒。这些方法更常用于手术模拟、医疗设备优化、药物开发和监管决策。

    03

    其他技术

    医学成像和可穿戴设备

    医学成像和可穿戴设备的进步将对医疗保健领域数字孪生的发展产生重大影响。医学成像工具有助于捕捉患者的状态、解剖结构和生理学，并且是机械模型的主要输入之一。可穿戴设备将成为捕获实时患者数据以进行患者监测和建立统计模型的关键。

    未来的数字孪生—未来十年的愿景

    在医疗保健领域创建数字孪生的技术已经存在。公司和机构面临的挑战是开始测试并将这项技术应用于特定的医疗保健问题。

    在医疗保健行业，最先进的数字双应用正在开发中的心脏病学：无论是科学知识[1.5.6]和工业发展，随着技术的成熟，其他领域的应用也会随之而来。

    仍有许多挑战需要克服，但数字孪生将成为未来医疗保健的重要组成部分。

    参考

    [1]Corral-Acero J, Margara F, Marciniak M, Rodero C, Loncaric F, Feng Y, et al. The ‘Digital Twin’ to enable the vision of precision cardiology. Eur Heart J 2020

    [2]Schwartz SM, Wildenhaus K, Bucher A, Byrd B. Digital Twins and the Emerging Science of Self: Implications for Digital Health Experience Design and “Small” Data. Front Comput Sci 2020

    [3]Morrison TM, Pathmanathan P, Adwan M, Margerrison E. Advancing regulatory science with computational modeling for medical devices at the FDA’s office of science and engineering laboratories. Front Med 2018

    [4]Pappalardo F, Russo G, Tshinanu FM, Viceconti M. In silico clinical trials: Concepts and early adoptions. Brief Bioinform 2019

    [5]Niederer SA, Lumens J, Trayanova NA. Computational models in cardiology. Nat Rev Cardiol 2019

    [6]Shameer K, Johnson KW, Glicksberg BS, Dudley JT, Sengupta PP. Machine learning in cardiovascular medicine: Are we there yet? Heart 2018