《npj Digital Medicine》：Towards a physics informed digital twin to predict cerebral blood flow and cerebral vascular regulation
编辑推荐：
针对临床难以直接测量脑血流及脑血管调节（CVR）机制的痛点，研究人员开发了CereBRLSIM数字孪生系统，融合生理知识与患者数据推断CVR功能并预测颅内血流动力学。经体内实验、模拟数据及6例神经重症患者验证，该系统可区分压力-血流表型、预测结局，预测精度优于机器学习模型，为精准诊疗提供可解释新范式。
大脑是人体最精密的器官，每时每刻都需要稳定的血液供应来维持数亿神经元的正常运转。这种供应的稳定性并非偶然，而是由一套复杂的调控机制——统称为脑血管调节（Cerebral Vascular Regulation, CVR）——严密守护着。然而，在临床实践中，尤其是面对脑卒中、创伤性脑损伤等神经危重症患者时，医生们往往陷入困境：直接测量脑血流量（Cerebral Blood Flow, CBF）以及解析个体化的CVR机制（如肌源性、内皮性和代谢性调节）极具挑战性，且通常无法在临床环境中实现。这种监测手段的缺失，使得医生难以为患者设定个性化的血流与CVR目标，犹如在迷雾中驾驶，极大地限制了精准诊疗的实施。为了穿透这层迷雾，物理学知情的数字孪生技术应运而生，它有望通过有限的数据估算、追踪并预测那些无法直接测量的生理状态。在此背景下，一项发表于《npj Digital Medicine》的研究提出了名为CereBRLSIM（Cerebral Blood Regulation Latent State Inference and Modeling）的创新性数字孪生框架，旨在通过同化生理学知识与患者数据，推断CVR功能并预测颅内血流动力学状态，为神经重症监护带来了新的曙光。
为实现这一目标，研究团队采用了多学科交叉的关键技术方法。首先，构建了基于生理学原理的数字孪生模型，将脑血管调节的肌源性、内皮性和代谢性机制整合入血流动力学模型中。其次，利用数据同化技术，将有限的临床监测数据（如血压、颅内压等）与模型进行融合，以推断潜在的生理状态。研究使用了两类数据进行验证：一是通过体内实验获得的动物生理数据，二是计算机模拟生成的合成数据。此外，为了验证临床转化潜力，研究纳入了来自六名神经重症监护患者的真实临床数据，用于模型的个性化校准与前瞻性预测性能评估，并与传统的机器学习模型进行了对比分析。
研究结果部分，文章通过以下小标题展开了详细阐述：
CereBRLSIM predicts cerebral blood flow and estimates myogenic, endothelial, and metabolic CVR mechanism dynamics using in vivo experiments and simulated data
利用体内实验与模拟数据验证模型性能。研究表明，CereBRLSIM能够准确地预测脑血流量，并且成功估算出肌源性（myogenic）、内皮性（endothelial）和代谢性（metabolic）这三种关键的脑血管调节机制的动态变化过程，证明了该模型在捕捉复杂生理调节功能方面的有效性。
Personalized CereBRLSIM differentiates cerebral hemodynamic pressure-flow phenotypes in neurocritical care patients
模型在临床患者中的个性化应用与表型区分。当CereBRLSIM被个性化地应用于六名神经重症监护患者的数据时，它能够有效地区分出不同的脑血流动力学压力-流量表型。这意味着该工具可以帮助医生识别患者属于哪种特定的血流调节模式，从而为分型诊疗提供依据。
CereBRLSIM forecasts blood flow with higher accuracy than machine learning models
预测精度的比较。在与机器学习模型的对比中，CereBRLSIM在预测脑血流方面展现出了更高的准确性。这一结果突显了融入物理学原理（即已知的生理机制）对于提高预测可靠性、克服单纯数据驱动模型可能过拟合或缺乏泛化能力问题的重要性。
CereBRLSIM predicts outcomes in neurocritical care patients
临床结局预测能力的验证。研究进一步发现，经过个性化校准的CereBRLSIM不仅能够预测生理参数，还能对患者的临床结局进行有效的预测，这表明模型所推断的CVR功能状态与患者的实际病情发展具有密切的相关性。
综合研究结论与讨论部分，该研究成功开发并验证了一个名为CereBRLSIM的物理知情数字孪生平台。该平台的核心价值在于，它突破了传统临床监测的局限，首次在一个统一的框架下实现了对脑血流动力学的预测以及对多种脑血管调节机制的量化评估。通过在体内实验、模拟数据及真实世界患者数据上的系统性验证，研究证实了该模型在区分患者血流动力学表型、高精度预测脑血流以及预判临床结局方面的优越性能，其表现超越了单纯的机器学习方法。这项工作的重要意义在于，它为神经重症监护提供了一个兼具可解释性与临床兼容性的全新工具。通过将晦涩难懂的复杂生理机制转化为可视化的、可量化的数字模型，CereBRLSIM有望帮助临床医生从“经验性治疗”迈向“精准化决策”，实现对脑血流与脑血管调节功能的实时监测与靶向干预，最终改善神经系统损伤患者的预后。这不仅推动了数字孪生技术在生命科学领域的应用边界，也为理解脑血流动力学这一基础科学问题提供了强有力的计算探索手段。
