醫(yī)療領域的 6 種數(shù)字孿生應用——未來十年的革命

    數(shù)字孿生是一個廣泛的概念，包含許多技術和應用。數(shù)字孿生是物理對象或無形系統(tǒng)的數(shù)字復制品。然而，這些虛擬副本并不是實體復雜的多物理性質的完整表示。

    例如，您可以擁有心臟的數(shù)字孿生模型，它代表用于設置起搏器的器官的電行為�；蛴糜谒幬镩_發(fā)的化學方面的數(shù)字孿生，或用于手術模擬的力學響應。多物理場數(shù)字孿生還可專注于監(jiān)測特定疾病/事件，例如預測心臟病發(fā)作，或用于設計特定醫(yī)療設備（例如腔靜脈過濾器的優(yōu)化）的數(shù)字孿生。

    數(shù)字孿生將根據(jù)今天患者的狀態(tài)將當前的治療選擇轉變?yōu)槊魈旎颊叩膬?yōu)化狀態(tài)[1]它將成為 P4 醫(yī)療模式的關鍵部分——predictive（預見性）、personalized（個性化），preventive（注重預防）和participatory（主動參與）。

    數(shù)字孿生在醫(yī)療中的應用

    我們每個人在許多方面都是獨一無二的，以至于目前為“普通患者”設想的大多數(shù)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(shù)字孿生體將成為從一刀切到個性化醫(yī)療的重要組成部分。

    在這里，我總結了數(shù)字孿生技術將改善醫(yī)療保健的不同應用。

    01

    診斷和治療決策支持

    軟件作為醫(yī)療設備

    來自不同健康數(shù)據(jù)源（如成像記錄、親自測量、實驗室結果和遺傳）的患者數(shù)字孿生數(shù)據(jù)將在診斷過程中提供幫助�；颊吣Ｐ蛯⒛�擬從可用臨床數(shù)據(jù)中捕獲的患者的健康狀況，并從統(tǒng)計模型中推斷出缺失的參數(shù)。例如，心血管成像和計算流體動力學的結合能夠實現(xiàn)流場的非侵入性表征和診斷指標的計算[1]。

    02

    病人監(jiān)護—可穿戴設備

    更小、更舒適的可穿戴設備（傳感器）將用于為我們在云中的數(shù)字孿生提供實時數(shù)據(jù)。通過健康追蹤器（生物識別、行為、情緒、認知、社會心理……）對疾病進展和持續(xù)的患者數(shù)據(jù)收集有足夠的了解，我們可以開發(fā)在早期階段檢測癥狀的模型，讓醫(yī)生和用戶有能力在生病前診斷患者. 此外，在治療期間，我們將能夠評估治療是否有效。

    有數(shù)據(jù)已經(jīng)有很多來源，可以養(yǎng)活我們的數(shù)字孿生體，要調整我們的風險因素，如醫(yī)療記錄，實驗室測試結果，藥房數(shù)據(jù)，健康和疾病管理的數(shù)據(jù)，幸福設備生成的數(shù)據(jù)，和社會決定因素，如郵政編碼、當?shù)靥鞖�、購買習慣……[2]。

    03

    手術模擬

    手術風險評估

    根據(jù)定義，手術是個性化的。從當前狀態(tài)到最佳結果，手術都是根據(jù)患者的需要量身定制的。個性化對于提高干預成功率和降低患者風險至關重要。數(shù)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(yī)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(yī)療器械設計與優(yōu)化

    MedTech

    兩個境界在這里交匯。一方面，我們擁有具有患者特定特征的患者數(shù)字孿生，另一方面，我們擁有捕捉設備設計的醫(yī)療設備數(shù)字孿生。我們可以將兩種模型關聯(lián)起來，看看當特定設備安裝到特定患者身上時會發(fā)生什么。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]。

    數(shù)字孿生在優(yōu)化任務中也非常有用，例如通過在不同條件和不同患者下運行數(shù)百個模擬來提高設備性能。此外，隨著3D 打印技術的出現(xiàn)，患者數(shù)字孿生可以通過為每個患者創(chuàng)建獨特的設計來實現(xiàn)醫(yī)療設備的個性化。

    05

    藥物開發(fā)和劑量優(yōu)化

    計算機臨床試驗

    我們可以通過計算處理具有數(shù)千種藥物的數(shù)字孿生體，以便為特定情況確定最好的一種或幾種。然而，這并不需要停留在已經(jīng)存在的藥物上。我們可以創(chuàng)建一個由具有不同表型的真實患者組成的數(shù)字隊列，這些患者具有相同的癥狀，并測試新的潛在藥物，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(shù)量。

    計算機模擬臨床試驗將揭示需要數(shù)年時間才能在體內(nèi)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(shù)千名患者來觀察其中的少數(shù)病例[4]。

    06

    監(jiān)管決策

    自 2016 年以來，美國國會和歐洲議會都開始將建模和模擬納入生物醫(yī)藥產(chǎn)品監(jiān)管過程中的證據(jù)來源[4]。特別是，由于數(shù)字證據(jù)在評估醫(yī)療設備方面具有節(jié)約成本的潛力，因此 FDA 已承諾將數(shù)字證據(jù)轉化為一種有價值的監(jiān)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(yè)轉向其他相關且可靠的數(shù)據(jù)來源，以證明醫(yī)療器械和藥品的安全性和有效性[3]。

    數(shù)字孿生背后的技術

    由于數(shù)字孿生的應用和目的各不相同，建模方法也因應用而異。

    數(shù)字孿生背后的技術可以概括為兩大類。歸納法，從數(shù)據(jù)中學習的統(tǒng)計模型，以及演繹法，整合多尺度知識和數(shù)據(jù)的機械模型。

    數(shù)字孿生體將利用這兩種方法來準確預測疾病的根本原因以及維持或恢復健康的途徑[1]。

    01

    統(tǒng)計建模

    統(tǒng)計推理和人工智能

    統(tǒng)計建模包括所有從數(shù)據(jù)中推斷關系的數(shù)學方法，如貝葉斯和頻率論推理以及人工學習方法。統(tǒng)計模型遵循歸納方法。它們允許使用數(shù)學規(guī)則提取和優(yōu)化個性化生物標志物的組合。因此，在某些情況下，它們被視為黑匣子。這些方法更常用于患者監(jiān)測、診斷和治療決策支持。

    02

    力學建�！�模擬

    機械建模包含了基于我們的生理學知識和物理和化學基本定律的所有模擬方法，如固體力學、流體動力學、傳熱、電磁學、聲學和光學。機械模型遵循演繹方法。它們提供了一個框架來整合和增強實驗和臨床數(shù)據(jù)、識別機制和預測結果，即使是在看不見的情況下。因此，它們被視為白盒。這些方法更常用于手術模擬、醫(yī)療設備優(yōu)化、藥物開發(fā)和監(jiān)管決策。

    03

    其他技術

    醫(yī)學成像和可穿戴設備

    醫(yī)學成像和可穿戴設備的進步將對醫(yī)療保健領域數(shù)字孿生的發(fā)展產(chǎn)生重大影響。醫(yī)學成像工具有助于捕捉患者的狀態(tài)、解剖結構和生理學，并且是機械模型的主要輸入之一�？纱┐髟O備將成為捕獲實時患者數(shù)據(jù)以進行患者監(jiān)測和建立統(tǒng)計模型的關鍵。

    未來的數(shù)字孿生—未來十年的愿景

    在醫(yī)療保健領域創(chuàng)建數(shù)字孿生的技術已經(jīng)存在。公司和機構面臨的挑戰(zhàn)是開始測試并將這項技術應用于特定的醫(yī)療保健問題。

    在醫(yī)療保健行業(yè)，最先進的數(shù)字雙應用正在開發(fā)中的心臟病學：無論是科學知識[1.5.6]和工業(yè)發(fā)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(zhàn)需要克服，但數(shù)字孿生將成為未來醫(yī)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