虽然在这一领域已经取得了一些初步的成功，但这一概念对两项重大任务提出了特别的要求：收集和交换数据。
一个算法能计算出吃一袋薯片造成的身体伤害和喝一杯绿色奶昔的好处吗?它能以个性化的形式为每个人提供预后吗?
这些问题是以色列雷霍沃特省 魏茨曼科学研究所的科学家们研究的课题。
通过为800人配备仪器，在一周内连续测量他们的血糖水平，研究人员能够评估人类对46998顿膳食的代谢反应。他们还收集了受试者的饮食习惯、体育活动、医疗背景和微生物群的信息。
基于这些大量的数据，人工智能(AI)识别出它的模式，并开发出一种算法，可以估计受试者对特定类型食物的反应。令人惊讶的是，遵循AI制定的指南的人与由人类营养师建议的对照组受益程度相同。
真实世界里的理论场景
佛罗里达大学的Reinhard Laubenbacher建议在对抗COVID-19 等病毒感染时使用一种非常类似的技术。研究人员相信，如果能收集尽可能多的个体患者数据，并使用计算机来运行各种疾病进展模型，就有可能实时揭示未来的情况。
像Laubenbacher这样的系统生物学家正试图从根本上了解细胞和器官之间的关系。这些关系可以通过系统地排列数据来揭示，以便提供关键见解，从而开发创新的医疗技术或药物。
对“数字孪生”的编程以提供合理的预测从根本上依赖于数据——大量不同的数据。此外，数据包必须不断补充，这样数字孪生才可以用于稳定的新模拟流。
作为真实产品或过程的虚拟形态，数字孪生总是包含有关其真实复制者特征的基本信息。这一概念已经在工业中得到应用，制造商现在可以使用虚拟形态来跟踪开发的每个阶段。因此，他们可以在非常早期的阶段在心脏和肾脏上测试新的或改良的产品，而无需浪费任何物质资源。
一款地图之上的智能指南
我们大多数人几乎每天都在咨询数字孪生，并不断地以谷歌地图的形式向它提供数据。在这张数字地图上，数百万条实时信息留下了当前交通状况的“数字阴影”，这对于为用户提供动态路线建议至关重要。
每一个人的数字孪生？
换言之，数字孪生技术已经可以改善工业流程的许多方面，但要将由此得出的结果用于医疗应用则要困难得多。创建患者的一般代替模型需要使用数百万数据集训练神经网络。只有这样，这些数据才能被组合成一个整体的人类模型，通过将患者的个人初始状态与类似的数据集进行比较，得出特定患者的结论。
今天，关于治疗方案和药物管理的决定需要很大的灵活性，且往往会出错和反复实验。毕竟，一个疗程的成功或失败可能受到患者的年龄、性别或遗传倾向的影响，以及发生在体内的复杂生化过程。
所提供数据的质量也起着至关重要的作用。例如，在患有心律失常、动脉硬化或心动过速的心脏病患者的CT扫描中，很难获得良好的图像质量，特别是在缺乏经验的放射科工作人员的情况下。然而，所有不同经验水平的用户都依赖于应用程序的智能辅助来进行个性化的扫描，这是每次生成高质量数据的基本前提。
个性化医疗正在取得进展
未来，我们的目标是让这些数字替身在医疗系统中充当特定患者的个人代表。就像在监测血糖水平的研究中一样，数字孪生可以用来预测生活方式改变对每个人的影响。
例如，这将采取对药物副作用进行个体化预测的形式，而不是对特定年龄组或生活情况下可能发生的反应的笼统陈述。或者，它可以根据特定患者的状态做出治疗决定——因为患者的反应可以提前预测，而且没有风险。然而，这项技术距离提供一个完整的、终身的、病人的生理模型还有很长的路要走，这个模型需要更新每一个临床图像、每一个测量的血液值和每一个完成的检查。
话虽如此，人体各个部位的数字孪生已经触手可及。这些模型与传统的3D模型不同，因为它们具有高度动态的性质，并且可以用于运行多种场景。器官模型模拟器官或器官系统的结构和运作模式，而疾病模型揭示了作为发展中疾病的一部分所观察到的所有病理过程。未来，数字孪生也可以应用于医院管理。
顺便说一句，建立一个肝脏的虚拟模型的研究已经在进行中。德累斯顿马克斯·普朗克分子细胞生物学和遗传学研究所的研究人员正在通过精确模拟胆汁流动，研究如何更准确地预测药物的副作用。
他们首先测量了小鼠肝脏中的胆汁运输，然后使用数学技术建立了相应的模型。现在，研究人员正在研究一种将这种模型应用于人类肝脏的策略。
促进治疗决策，减轻医疗队负担
西门子医疗为成像或实验室诊断领域的数字孪生开发提供支持，并将智能电子病历作为这些解决方案的起点。其目的是利用人工智能和来自队列分析的见解，使医生团队更容易做出诊断和治疗的决定。
将来，一个病人的各种各样的医疗数据都可以被编程……
例如，有一系列AI驱动的、基于云的工作流解决方案，可以帮助医生减轻基本重复任务的负担，并在解读医学图像时提高诊断精度。
AI-Rad Companion结合了能够自动处理图像数据集的算法。同时，Pathway Companion的应用支持个性化和标准化的患者管理，同时也提供了有价值的见解，以推动流程优化。这使得放射科医生在面对日益增长的需求时专注于重要任务。
是什么阻碍了数字孪生的发展？
总有一天，人工智能将能够就我们未来的健康状况为我们提供个人建议。这是否意味着今天仍用于治疗疾病的现代医疗将很快被一种保护我们健康的医学形式所取代？疾病在未来会因为我们能更早地发现和更准确地治疗而变得不那么严重吗？这是有可能的——但在此之前要克服的不仅仅是技术上的挑战。
尽管每一家现代医疗保健公司都维护自己的数据基础设施，但这些资源在很大程度上仍保留在各自的数据仓库中。不公开这些数据有充分的理由：对数据保护的担忧、对竞争对手对数据的渴望的担忧以及对技术的特殊性的担忧。然而，这造成了一个两难的局面，因为这些丰富的信息将使人们更容易做出有根据的治疗决策，减少副作用，根据患者的需求规划医院，以及定制医疗设备。
在任何情况下，创建任何单独的数字孪生从根本上都依赖于一套完整的精心收集的及时数据。更重要的是，为了子孙后代的利益，这些数据必须在一个人的一生中，甚至在他去世后，得到维护和补充。这正是问题的关键所在：我们像保护生命一样保护的数据，正是创建数字孪生所需要的。
By Andrea Lutz, Doreen Pfeiffer
Andrea Lutz是一名记者和商业培训师，专注于医学、技术和医疗保健IT。她住在德国纽伦堡。多琳·菲佛(Doreen Pfeiffer)学习新闻学，专注于医学/生物科学，目前在西门子Healthineers担任编辑。