“Digital Twins数字孪生”技术的医疗应用

我们常常会想，有没有一种可能，让药品器械的临床研发、论证和测试，变得耗时更短，成本更低，成功率更高？有没有一种技术，可以确保治疗决策及手术方案100%安全有效？也许“Digital Twins数字孪生”技术是个不错的理想解决方案。

“Digital Twins数字孪生”的最早思想，是由密歇根大学的 Michael Grieves 命名的“信息镜像模型”（Information Mirroring Model），也被称为数字化映射。

(来源：Grieves, M., Digital Twin: Manufacturing Excellence Through Virtual Factory Replication, 2015.)

2012 年 NASA 给出了数字孪生的概念描述：数字孪生是指充分利用物理模型、传感器、运行历史等数据，集成多学科、多尺度的仿真过程，它作为虚拟空间中对实体产品的镜像，反映了相对应物理实体产品的“全生命周期过程”。简单来说，数字孪生就是针对一个或多个设备、或系统，创建的动态化数字克隆，也就是数字孪生体。

(来源：iotworld.com.cn)

医疗中的数字孪生技术主要体现在基于真实多维度多样化数据，创建物理实体或工作过程的虚拟版本，比如患者的数字虚拟状态、解剖结构或根据真实医院创建的虚拟环境。简单来说，就是在虚拟世界中创建一个基于真实数据构建的模型，然后观察并分析该模型对条件的刺激变化，如新药物或新治疗方案介入后产生的反馈。在这一过程中，创建模型所用到的数据来自于电子病历、历史疾病登记数据库、日常行为数据库、医疗可穿戴设备等等。

（The Digital Twin vision applied to the Healthcare context来源：Journal of Medical Systems (2020) 44: 161）

以药物的临床试验设计为例，临床试验有着成本高、耗时长、效率低等特点，主要因为寻找符合标准并愿意参与试验的患者对临床试验的开展来说是一项巨大的挑战。研究人员可以借助已完成试验的数据，建立实验组和对照组的数字孪生体代替部分人类志愿者，以缓解患者招募的压力。

（数据来源：Unlearn.ai)

2020年4月Genome Medicine上刊登了一篇由瑞典数字孪生协会（SDTC）联合多位各国科学家发表的名为《Digital twins to personalize medicine》的报告，该文章针对上述设想提出了更为详尽的可行性策略。

根据美国食品和药物管理局(FDA)的一份报告，38%-75%的常见病患者采取的药物治疗被认为是无效。这说明部分患者痛苦并未被有效减轻，但医疗费用却明显增加。这反映了常见疾病存在复杂性，可能涉及到数千个基因之间的相互作用的改变，而这些基因在同一诊断的患者之间也存在差异。这种复杂性与现代医疗之间存在着较大的差距。在现代医疗中，诊断往往依赖于少数敏感性或特异性有限的生物标志物。而未来医务人员可以通过监测、处理和整合来自医用可穿戴设备、模型数据组、医疗影像和电子病历等大量数据生成的数字孪生体来填补这一差距。

SDTC瑞典数字孪生联合会(https://www.sdtc.se)提出该情况的策略基础是：

(一)构建与个体患者疾病机制相关的所有分子、表型和环境因素等网络模型的无限数字化拷贝；

(二)用数千种药物对这些数字孪生体进行计算治疗，以确定性能最好的药物；

Fig. 1 The digital twin concept for personalized medicine.：a An individual patient has a local sign of disease (red). b A digital twin of this patient is constructed in unlimited copies, based on computational network models of thousands of disease-relevant variables. c Each twin is computationally treated with one or more of the thousands of drugs. This results in digital cure of one patient (green). d The drug that has the best effect on the digital twin is selected for treatment of the patient。a个别病人有局部疾病迹象（红色）。b这个病人的数字孪生体是根据数千个疾病相关变量的计算网络模型以无限拷贝的形式构建的。c在计算上，每对孪生体都使用数千种药物中的一种或多种。这导致数字治愈一个病人（绿色）。选择对数字双胞胎效果最好的药物治疗患者

在这个策略中，数字孪生体应该理想地整合所有与发病机制有关类型的变量。如果变量是不同类型的分子，也可以映射到PPI蛋白质互作网络上，以形成多层模块（多维度建立）。一般来说，网络工具可以被利用来构建高辨识度的数字孪生体，从而能够为个性化医学确定生物标志物和药物靶点的优先顺序。如果因果细胞类型无法进行分析，同样重要的是要结合其他方法，如贝叶斯网络、深度学习、决策树、因果推理或状态空间模型等，可以互补地用于构建和分析。在这种情况下，数字孪生模型可以被认为是一个人工智能系统，它与药物相互作用，共同体验人体发生的变化。

Fig.Agent-based digital twins as mirror worlds:a conceptual representation for the healthcare context

（来源：Journal of Medical Systems（2020）44：161）

2020年8月4日发表在 Journal of Medical Systems（2020）44：161的一篇名为《On the Integration of Agents and Digital Twins in Healthcare》的文章中提出，数字孪生的真正愿景是“在计算机模型上犯错误而不是在人身上”。本文提出的数字孪生体代理的概念，基于数字镜像世界的概念，数字镜像世界是一个由软件代理操作的数字层，它与某些物理环境双向耦合，因此任何相关的物理实体，包括在这种情况下工作的人类用户，都在镜像中有一个数字对应物。数字层和物理层之间的这种耦合可以用来设计更仿真的智能环境。

A meta-model for Agent-based Digital Twins in the healthcare context

作者认为，基于镜像理论和MAS（Multi-Agent Systems）多智能体系统的建设理论，医疗环境中的任何相关设施都可以有其对应的数字孪生兄弟，这可以作为一部分感知和行动的环境建模，可让感知到的数字孪生体的可观察状态与物理本体的状态耦合起来。例如病人、生命体征监测装置或车辆或其他设备材料作为一种结构，包括与其他独立的数字孪生体的链接，如医院，包括房间、医疗机构、病人等。有时不仅指特定的事物，也可以指过程。文章就此提到了关于“创伤管理”的Digital Twins设想。

Fig.  A conceptual representation of the involved digital twins for the trauma management process

创伤管理是在时间依赖的病理中极为关键的。当创伤发生时，可以发现两个主要过程：

1，院前阶段Pre-Hospital（PreH）-当病人由医生到达事故地点向他/她提供急救并转移到医院急诊科时。

2，随后的处理阶段Trauma-当病人在医院急诊科内由创伤小组处理时。

其基本思想是由两个数字孪生体适当地镜像，将与PreH阶段相关的过程数字化，以及与医院内创伤管理相关的过程数字化。根据上图设计的概念表示，这种设计遵循创伤管理的真实演变。正是在PreH阶段，救援人员负责病人的情况是否严重，来决定创伤小组（第二阶段）是否被触发。

其中PreH的数字孪生体的模型涉及数据包括：与救援人员一起送往事故现场的车辆；急救医疗技术人员和急救人员本身；事故地点，特别是事故动态；患者信息。

收集实时信息也需要考虑到中央单位提供的信息，车辆的GPS系统，以及救援人员为编制紧急表格而持有的智能设备。在其生命周期中，最相关的时刻与向救援人员决定持续创伤严重程度的状态的过渡有关(考虑患者的健康状态及其GCS-Glasgow Coma量表值)。

创伤小组数字孪生体涉及数据包含：病人和所有的信息流都来自生命体征监测仪；创伤组长和创伤小组成员；Shock Room和急诊房间；其他工具和设备（例如快速诊断机器、显示正在进行的创伤的实时信息的显示器等）。

需要注意的是，构成这个数字孪生体内部状态的一些数据来自以前的数字孪生体，另一些数据是由耦合数据收集的，它的生命周期考虑了与创伤管理相关的宏观步骤。

Digital Twins数字孪生技术的临床实施将需要解决广泛的技术、医学、伦理和理论挑战，成本和复杂性将与人类基因组计划(HGP)等项目相当。但数字孪生技术的发展不仅可能大大改善医疗保健和对疾病机制的理解，而且可能引领整体医疗全新的研究方向。

由于医疗信息的保护风险，人们保护数据的能力存在差异。数字孪生将是对现有医疗数据保护的标准，提出了一个新的、具体的问题。另外，一个人的数字化“双胞胎”的存在，可能会引发对这个数字代表的真实人物造成歧视或干扰：如果一个人的数字孪生体显示认为这个人会生病、虚弱，那么很可能会在现实中的某些干预手段或信息的不正当传播导致这个人真的生病、虚弱。显然，数字双视角可能会影响人们的工作和决策，特别是在必须迅速作出决定的情况下，尤其是在时间依赖性强的医疗程序中。

根据 CB Insights 的数据，到 2025 年，全球数字孪生市场规模预计将达到 360 亿美元，随着更多新的医疗健康应用案例的出现，该技术或迎来重大发展机遇。

目前阶段，药物研发可能面临着很高的失败风险，一款成功的新药平均要花费 26 亿美元，从开始研发到面市平均至少需要 10 年。许多初创企业正尝试利用人工智能和数字孪生技术，通过识别成功率更高的药物靶点来加快这一过程。

初创公司 Unlearn.ai 通过收集参与者的身体数据，创建数字孪生来作为对照组使用。这样可以让尽量多的参与者加入实验组，提升试验效率。2020 年 4 月，Unlearn.ai 获得了 1200 万美元的股权融资，用于加速数字孪生的临床试验。

法国公司达索系统（Dassault Systèmes ）使用MRI图像和ECG测量结果开发了一种数字孪生模型，可以模拟人心脏的结构和某些生理功能。该公司发起的Living Heart Project，成员单位包括美敦力、波士顿科学和飞利浦等学术机构和行业公司。它们正在利用数字心脏模拟真实状况，将难以看到的解剖结构可视化，以开发更安全有效的心脏治疗设备及器械。

（来源：Dassault Systèmes）

初创公司 OnScale 也在利用数字孪生技术改善医疗设备的设计。这是一家由英特尔投资和谷歌旗下的 Gradient Ventures 共同投资的云工程仿真公司，目前已与生物仿真软件公司 LEXMA Technology 合作，共同开发了“数字双肺”模型，帮助临床医生预测新冠肺炎患者的通气需求。

（来源：OnScale）