医学数字孪生的概念在科学界和公众中越来越受欢迎；然而，近期的许多热情是在缺乏对其基本构成共识的情况下产生的。数字孪生起源于工程领域，其中不断更新的虚拟副本能够对现实世界中的物体或流程进行分析、模拟和预测。在这篇卫生政策论文中，我们在医学背景下评估了这一概念，并概述了医学数字孪生的五个关键组成部分：患者、数据连接、计算机模拟患者、界面和孪生同步。我们探讨了多模态数据、人工智能和机制建模等赋能技术如何为临床应用铺平道路，并提供了与肿瘤学和糖尿病相关的例子。我们强调了数据融合的作用，以及将人工智能与机制建模相结合的潜力，以解决单独使用人工智能或机制建模方法的局限性。特别是，我们强调了数字孪生概念如何支持在医学中应用的大语言模型，并探讨了其应对医疗保健挑战的潜力。我们相信这篇卫生政策论文将有助于指导科学家、临床医生和政策制定者在未来创建医学数字孪生，并将这一充满希望的新范式从理论转化为临床实践。
引言
基于个体患者特定数据制定治疗计划的个性化医疗发展，数十年来一直是医学界的挑战。目前，治疗决策在很大程度上依赖于最佳实践指南和医生对可用数据的解读。随着临床数据量的空前增长以及数据源数量和复杂性的不断增加，这种实践变得越来越困难，导致了一种通用的治疗方法，而不是个性化护理。正如美国国家医学院总结的那样：“数据的积累已经使医疗服务提供者负责解释、汇总和综合超出人类能力范围的数据”。这一问题在低收入和中等收入国家进一步加剧，那里的患者与医生比例远远超过世界卫生组织推荐的水平。数字孪生在工程领域的一个特定应用，转化为医学领域，被提议作为一种潜在的解决方案，即医学数字孪生。
医学数字孪生结合了多样化的健康数据流和疾病建模，生成一个动态的患者副本，引导临床团队走向个性化治疗，同时减轻工作负担。这一过程允许积极共享和解释数据，以增强临床决策。医学数字孪生通过生成一个高度详细且个性化的疾病模型——计算机模拟患者，用于可视化患者疾病指标、预测进展和模拟不同治疗结果，从而为传统护理提供了明显优势。这种高度个性化的方法有可能改善原本对所有人采用通用治疗方法的医疗保健。至关重要的是，与传统模型不同，计算机模拟患者会随着患者的发展而演变，这是未来治疗的一个范式转变。
由于这些有希望的特点，越来越多的文献推荐将数字孪生方法应用于越来越多的疾病。然而，由于这种新方法在医学领域的新颖性，目前还没有关于区分数字孪生与传统模型特征的正式共识。独立的人工智能和机制疾病模型在文献中已经很丰富，通常被重新品牌化为医学数字孪生以增加其影响力。这种做法可能会稀释这一概念，并在技术未能达到其目标和建议的好处时，造成长期的负面印象。
为了实现医学数字孪生在提供个性化医疗和改善所有人健康结果方面的潜力，需要明确医学数字孪生的基本特征以及可用于临床实践的数字孪生的技术和流程。因此，在这篇卫生政策论文中，我们探讨了以下问题：什么是医学数字孪生，以及我们如何构建一个？我们概述了定义数字孪生的主要组成部分，并确定了其医学等价物。我们考虑了关键赋能技术，提出了大语言模型和医学数字孪生的共生应用，并讨论了测试和实施的策略。
从数字孪生到医学数字孪生
数字孪生一词有时被缩小为一个单独的模型，复制一个物理对象。然而，尽管详细的模型是数字孪生的一个核心方面，但原始概念还包括其他组成部分和属性。在工程领域，数字孪生被定义为与物理对象相连的虚拟表示，这意味着对原始对象的更改会动态地反映在副本中。数字孪生可以分解为以下五个基本组成部分：物理对象、数据连接、模型、界面和孪生同步。我们分别概述了每个组成部分及其相应的医学等价物，即患者、数据连接、计算机模拟患者、界面和孪生同步(图1, 表)。
图1：医学数字孪生的概述
物理对象由多种不同的数据模态描述(例如，电子健康记录、影像学检查和遗传数据)，这些数据通过数据融合方法进行处理和整合，形成数据连接。整合后的信息被传递到虚拟患者模型中，用于可视化疾病、评估疾病预后和模拟治疗方案。借助人工智能(AI)的界面，使临床团队和患者能够根据虚拟患者选择最佳治疗方案。随着新患者数据的出现，循环重复进行，将患者与虚拟患者同步(孪生同步)。该图由BioRender.com创建。
表：医学数字孪生成员的概述，它们的描述和赋能技术，以及癌症和糖尿病治疗的示例
物理对象是数字孪生的焦点。在工程领域中，这种物理对象的范围从单个设备(如发动机)到整个流程，包括装配线和复杂的供应链。物理对象的特征是通过传感器数据流测量其独特属性。医学数字孪生关注患者的健康和环境，由多模态数据描述，包括但不限于实验室检测、成像、测序和数字健康评估。数据的选择基于医疗必要性，这可能导致最初数据采集稀疏，但后来可能会变得广泛。数字孪生可能依赖于选择性数据，但在不确定的情况下，它应该建议获取额外数据。尽管患者作为一个整体接受治疗，但并非每个局部医疗问题都需要一个全面的全身数字孪生；在这种情况下，患者成为特定器官或系统的关注点，直到需要更广泛的情境。
数据连接处理从物理对象收集的数据，并将其转发到模型。对于医学应用来说，这一过程是一个重大挑战，因为数据大多是无结构的和多模态的，需要强大的数据融合和协调能力来进行数据收集。例如，从电子健康记录中得出诊断通常需要具有医学专业知识的个人进行病历审查。这些挑战在诸如在不同医疗系统中搜索具有不同名称的实验室值以及从医学成像中得出测量值的情况下进一步加剧。数据连接需要数据融合和协调，以有意义的方式结合数据模态，并将疾病指标整合到模型中。近年来，大量基于人工智能的技术在诊断、识别和提取这些信息方面表现出巨大的能力。
模型根据数据连接提供的信息生成物理对象的虚拟副本。在医学数字孪生方面，这个副本被称为计算机模拟患者，这是一个详细的患者模型，旨在准确再现生物过程，以预测它们随时间和治疗的变化。数字孪生不仅可以用于建模疾病，还可以考虑健康状况，努力维持个体的健康，并将其重新调整到理想基线。机制模型一直是建立各种用途现实模型的首选工具，从糖尿病中的胰岛素受体和癌症中的肿瘤生长，到整个器官的功能。尽管机制模型可以与患者高度相似，但通常很难推导并准确求解这些模型，需要简化和假设，从而导致不准确。将机制模型和人工智能方法相结合的新兴技术，在生成现实且高保真的计算机模拟患者模型方面展现出巨大潜力，同时减轻了它们各自的缺点。
工程界面允许操作员解释模型，捕捉其不确定性，并相应地调整物理对象或流程。直接应用于医学实践，模型的直接应用将要求临床团队面临解释复杂模型的挑战，而不是解释复杂数据。在这篇卫生政策论文中，我们提出结合不确定性量化和基于人工智能的界面(如类似ChatGPT的大语言模型)，有效充当计算机模拟患者模型与临床团队之间的中介。例如，此类界面可能会收到临床团队关于不同癌症疗法效果的请求，查询计算机模拟患者，并随后将其发现整合到电子健康记录中。这些发现通过不确定性量化进行评估，后者跟踪从数据采集到建模的不同错误累积，并提供患者与计算机模拟患者模型之间偏差的度量。此外，机制模型的参数敏感性分析等技术可以为模型预测提供特定数据模态的重要性见解，可解释人工智能技术为机器学习方法提供类似的见解。这种类型的界面将允许临床团队执行多样化任务的灵活性，同时基于计算机模拟患者模型背后的复杂且严谨的模型得出其发现。
当收集到新数据时，循环重复，这证明了需要对模型进行重新评估以及相应的近乎实时的更新，这一过程被称为孪生同步。数字孪生与独立模型的一个主要区别在于，当有新数据可用时，数字孪生会持续更新，使数字孪生中的模型与对象保持同步。对于医学数字孪生，同步可能不如实时频繁。相反，当记录与基线的重大偏差或测量疾病治疗效果时，才会发生同步。对于癌症等疾病的治疗，孪生同步可能涉及在每个化疗周期后更新医学数字孪生。医学数字孪生的更新频率通常取决于临床背景和新数据的相关性，以确保其保持最新状态。
关键赋能技术
医学数字孪生依赖于各种技术，以实现多样化多模态数据的整合、准确的疾病建模和解释。我们描述了关键赋能技术，如图2所示总结的，我们预计这些技术将促进医学数字孪生的发展。
图2：赋能技术
创建医学数字孪生的过程始于多模态数据。人工智能(AI)方法在从复杂数据源预测和提取参数方面具有独特的地位，例如从测试或遗传风险评分中提取肿瘤大小和描述符。此外，AI还可以结合不同的参数来预测疾病预后和治疗反应，只需要对疾病有限的理解。相比之下，机制建模可以结合疾病机制和患者特定参数来预测疾病预后和治疗反应，但由于机制建模依赖于明确定义的数学关系，因此仅限于更简单、更易理解的系统。AI和机制建模的结合允许创建高保真模型，例如虚拟患者，这些模型结合了复杂数据类型和对疾病力学的先验知识。ODE=常微分方程。PDE=偏微分方程。该图由BioRender.com创建。
参考文献：Sadée C, Testa S, Barba T, Hartmann K, Schuessler M, Thieme A, Church GM, Okoye I, Hernandez-Boussard T, Hood L, Shmulevich I, Kuhl E, Gevaert O. Medical digital twins: enabling precision medicine and medical artificial intelligence. Lancet Digit Health. 2025 Jun 14:100864. doi: 10.1016/j.landig.2025.02.004. Epub ahead of print. PMID: 40518342.
原文下载：
https://www.thelancet.com/action/showPdf?pii=S2589-7500%2825%2900028-7
本微信公众号内容仅供医疗专业人士参考
不代表对任何药物或者治疗的推荐
由于时间和水平有限，如有错漏敬请谅解，不吝赐教
(以上内容借助KIMI+翻译所成)
