數字孿生是一個廣泛的概念，包含許多技術和應用。數字孿生是物理對象或無形系統的數字複制品。然而，這些虛擬副本並不是實體複雜的多物理性質的完整表示。

    例如，您可以擁有心髒的數字孿生模型，它代表用于設置起搏器的器官的電行爲。或用于藥物開發的化學方面的數字孿生，或用于手術模擬的力學響應。多物理場數字孿生還可專注于監測特定疾病/事件，例如預測心髒病發作，或用于設計特定醫療設備（例如腔靜脈過濾器的優化）的數字孿生。

    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）。

    數字孿生在醫療中的應用

    我們每個人在許多方面都是獨一無二的，以至于目前爲“普通患者”設想的大多數治療方法對“實際患者”來說效率很低。從無效的藥物治療和手術不滿意到設備拒絕/更換。數字孿生體將成爲從一刀切到個性化醫療的重要組成部分。

    在這裏，我總結了數字孿生技術將改善醫療保健的不同應用。

    01

    診斷和治療決策支持

    軟件作爲醫療設備

    來自不同健康數據源（如成像記錄、親自測量、實驗室結果和遺傳）的患者數字孿生數據將在診斷過程中提供幫助。患者模型將模擬從可用臨床數據中捕獲的患者的健康狀況，並從統計模型中推斷出缺失的參數。例如，心血管成像和計算流體動力學的結合能夠實現流場的非侵入性表征和診斷指標的計算[1]。

    02

    病人監護—可穿戴設備

    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。

    有數據已經有很多來源，可以養活我們的數字孿生體，要調整我們的風險因素，如醫療記錄，實驗室測試結果，藥房數據，健康和疾病管理的數據，幸福設備生成的數據，和社會決定因素，如郵政編碼、當地天氣、購買習慣……[2]。

    03

    手術模擬

    手術風險評估

    根據定義，手術是個性化的。從當前狀態到最佳結果，手術都是根據患者的需要量身定制的。個性化對于提高幹預成功率和降低患者風險至關重要。數字孿生體將通過模擬侵入性臨床程序以在選擇治療之前預測結果來提供幫助[3]。從醫療設備選擇（位置、方向、尺寸……）到手術變量確定（大小、角度、形狀……）。

    04

    醫療器械設計與優化

    MedTech

    兩個境界在這裏交彙。一方面，我們擁有具有患者特定特征的患者數字孿生，另一方面，我們擁有捕捉設備設計的醫療設備數字孿生。我們可以將兩種模型關聯起來，看看當特定設備安裝到特定患者身上時會發生什麽。這是無法在沒有傷害的情況下進行臨床研究的人群的情況，例如罕見病患者或兒科患者[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

    藥物開發和劑量優化

    計算機臨床試驗

    我們可以通過計算處理具有數千種藥物的數字孿生體，以便爲特定情況確定最好的一種或幾種。然而，這並不需要停留在已經存在的藥物上。我們可以創建一個由具有不同表型的真實患者組成的數字隊列，這些患者具有相同的症狀，並測試新的潛在藥物，以預測成功的可能性以及最佳劑量。改進第一次拍攝將減少必要的臨床試驗數量。

    計算機模擬臨床試驗將揭示需要數年時間才能在體內觀察的過程，或評估罕見病例的風險，其中隨機臨床研究需要數千名患者來觀察其中的少數病例[4]。

    06

    監管決策

    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，臨床試驗的成本可能很快會超過收入，這將加速行業轉向其他相關且可靠的數據來源，以證明醫療器械和藥品的安全性和有效性[3]。

    數字孿生背後的技術

    由于數字孿生的應用和目的各不相同，建模方法也因應用而異。

    數字孿生背後的技術可以概括为两大类。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。

    數字孿生體將利用這兩種方法來准確預測疾病的根本原因以及維持或恢複健康的途徑[1]。

    01

    統計建模

    統計推理和人工智能

    統計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

    力學建模—模擬

    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、药物开发和監管決策。

    03

    其他技術

    醫學成像和可穿戴設備

    醫學成像和可穿戴設備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。

    未來的數字孿生—未來十年的願景

    在醫療保健領域創建數字孿生的技術已經存在。公司和機構面臨的挑戰是開始測試並將這項技術應用于特定的醫療保健問題。

    在醫療保健行業，最先進的數字雙應用正在開發中的心髒病學：無論是科學知識[1.5.6]和工業發展，隨著技術的成熟，其他領域的應用也會隨之而來。

    仍有許多挑戰需要克服，但數字孿生將成爲未來醫療保健的重要組成部分。

    參考

    [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