《International Journal of Telemedicine and Applications》：Application of Digital Twin Technology to Enhance Chronic Diseases Management: A Systematic Review
编辑推荐：
背景：鉴于慢性疾病在全球可预防死亡中占相当大比例，采用创新技术进行疾病管理和预防至关重要。数字孪生（Digital Twins, DTs）作为最先进的技术解决方案之一，能够实现对慢性疾病进展的实时仿真和监测，促进个性化治疗策略和早期干预。本系统综述旨在审视当前
背景：鉴于慢性疾病在全球可预防死亡中占相当大比例，采用创新技术进行疾病管理和预防至关重要。数字孪生（Digital Twins, DTs）作为最先进的技术解决方案之一，能够实现对慢性疾病进展的实时仿真和监测，促进个性化治疗策略和早期干预。本系统综述旨在审视当前关于DT在慢性疾病管理中的应用研究，以评估其潜在影响。
方法：研究人员在四个数据库（包括PubMed、Scopus、Web of Science和IEEE）中从建库至最后一次检索日期进行了系统检索。研究问题采用PICO框架构建。随后，所有文章按照系统综述和Meta分析优先报告条目（Preferred Reporting Items for Systematic Reviews and Meta-Analyses, PRISMA）指南进行筛选，以根据纳入标准选择符合条件的文章。提取的信息通过定量和定性技术进行分析，以确定主要应用、领域和所采用的技术。
结果：在298篇引用中，经去重和筛选后，20项研究符合纳入标准。大多数研究（45%，n=10）发表于2023至2024年间，表明该领域呈上升趋势。地理分布上，美国贡献的研究最多（25%，n=5），其次是瑞士（15%，n=3）。分析显示，DT在慢性疾病管理中的主要应用包括医学培训与教育（65%，n=13）、个性化医学与患者护理（45%，n=9）以及药物发现与临床试验（35%，n=7）。目标群体包括临床医生（42.11%）、患者（31.58%）和医学生（15.79%）。该主题的关键使能技术包括数据分析（65%）、人工智能与机器学习（60%）、计算生理建模（30%）和物联网（IoT）传感器（25%）。
结论：研究人员的发现表明，DT技术已从理论模型发展为集成临床应用，具有通过个性化医学、持续监测和人工智能（AI）驱动的决策支持来革新医疗保健的潜力。
根据论文主体部分内容总结如下：
**1. 引言**
本节阐述了慢性疾病（如糖尿病、心血管疾病、呼吸系统疾病和肾脏疾病）作为全球主要健康挑战的背景，指出传统方法难以应对其动态性和多样性，导致干预延迟和医疗成本增加。数字孪生（Digital Twin, DT）技术起源于工业工程，现已应用于医疗领域，通过创建患者的虚拟副本，实现实时健康数据仿真和疾病进展预测，从而推动个性化治疗策略。本系统综述旨在综合现有研究，批判性审视DT在慢性疾病管理中的潜在益处、固有挑战和未来研究方向。研究指出，DT与传统仿真模型的关键区别在于其动态性、数据驱动性以及与真实患者数据的持续连接，因此纳入标准要求研究包含自适应和患者特异性建模组件。
**2. 方法学**
系统综述遵循PRISMA指南，在PubMed、Scopus、Web of Science（WoS）和IEEE四个电子数据库中进行全面文献检索，不限时间范围，使用相关关键词和医学主题词（Medical Subject Headings, MeSH）。采用EndNote（v21）和Rayyan软件进行筛选管理，并使用PICO框架构建检索策略（人群：慢性疾病患者；干预：基于DT的干预；背景：医疗环境）。纳入标准要求报告DT技术改善慢性疾病护理的研究，并以同行评审科学出版物形式呈现定量和/或定性结果。
**2.1. 纳入与排除标准**
纳入标准包括：基于DT的干预覆盖慢性疾病护理任何阶段、明确关注慢性疾病、英文同行评审出版物。排除标准包括：社论、评论、观点、简报、学位论文、书籍章节、综述、短讯、仅摘要出版物、未发表材料、非英文出版物、重复记录及现有系统综述。筛选期间，大量记录因“主题不符”被排除，即DT概念应用于非临床领域（如制造系统、工业自动化）。另外，“出版类型不符”排除非全文同行评审来源（如社论、摘要、技术白皮书），仅纳入全文同行评审期刊文章和会议论文。
**2.2. 筛选过程**
两名评审员独立筛选标题和摘要，随后对潜在符合文章进行全文评估，通过标准化表格提取数据，分歧通过讨论或第三方评审解决。
**2.3. 质量评估**
采用混合方法评估工具（Mixed Methods Appraisal Tool, MMAT, 2018版）评估方法学质量。对于每项实证研究，先应用筛选问题，再按设计类型分类，并针对五项标准进行评级（“是”“否”“无法判断”）。非实证论文（如概念架构、技术框架）仅进行筛选阶段评估，因MMAT不适用于理论或综述性论文。
**3. 结果**
数据库检索获得298篇记录，去重后186篇进行标题和摘要筛选，最终20项研究纳入定性综合。
**3.1. 一般特征**
分析显示，原型开发与评估及计算建模与仿真为最常见主题（各占40%）。概念框架开发占10%，观察性研究和药效学建模各占5%。研究发表于2008至2024年，近年来增长显著，近半数（45%）发表于2023–2024年。地理分布涵盖13个国家，美国贡献最多（25%），其次瑞士（15%）和英国（10%）。样本量范围从8至7081，虚拟队列常用，真实参与者平均样本量为894.5 ± 2156.8。
**3.2. 临床方面**
临床学科涵盖全科医学（23.81%）、医学教育（14.29%）、肺病学（9.52%）、药理学（9.52%）、肿瘤学（9.52%），以及内分泌学、老年医学、肾脏病学和神经病学（各4.76%）。慢性疼痛为最常见临床状况（14.29%），其他包括COPD、癌症、肺炎、银屑病等。
**3.3. 目标群体**
目标群体分为五类：临床医生（42.11%）、患者（31.58%）、医学生（15.79%），以及同时针对患者和临床医生的研究（10.53%）。临床医生类别包括内科医生、研究人员和政策制定者。
**3.4. DT在慢性疾病管理中的不同应用**
应用领域包括：医学培训与教育（65%，n=13）、个性化医学与患者护理（45%，n=9）、药物发现与临床试验（35%，n=7）、远程患者监测（Remote Patient Monitoring, RPM）和预测分析/风险管理（各25%，n=6）、医疗运营与管理（20%，n=5）。基于频率分类为“高”（>50%）、“中”（25%–50%）和“低”（<25%）。
**3.4.1. 医学培训与教育**
多项研究报告了基于DT的方法用于医学培训，包括虚拟患者（Virtual Patient, VP）场景支持诊断推理练习。Koulas等（2021）开发了基于移动端的慢性疼痛管理场景学习平台；Larkin等（2020）通过VP仿真改善了高钾血症管理。研究显示短期绩效改善，但缺乏长期保留和患者层面影响评估。
**3.4.2. 个性化医学与患者护理**
DT用于基于个体数据的个性化护理策略，如Bahrami等（2023）和Li等（2024）通过疾病进展仿真和治疗反应建模优化管理。这些模型在内部验证中显示出技术保真度，但未评估实际临床结局改善。
**3.4.3. 药物发现与临床试验**
研究利用DT优化治疗方案、评估疗效和预测结果。Coto-Segura等（2023）采用定量系统药理学（Quantitative Systems Pharmacology, QSP）模型优化银屑病治疗；Maleki等（2023）使用通用免疫系统模拟器（Universal Immune System Simulator, UISS-MS）仿真多发性硬化治疗。这些模型处于概念验证/仿真验证阶段，缺乏前瞻性临床部署。
**3.4.4. 远程患者监测**
DT用于慢性伤口愈合监测（Sarp等，2023）和老年衰弱筛查（Park等，2021）。系统显示可行性，但评估限于小规模测试，缺乏临床有效性证据。
**3.4.5. 预测分析与风险管理**
应用包括仿真高血压患者群体以支持临床试验设计（Semakova和Zvartau，2018）和识别高风险患者（Surian等，2024）。
**3.4.6. 医疗运营与管理**
DT用于重症监护资源分配、医院工作流程优化和设施管理（Chakshu和Nithiarasu，2022），但实际运营收益未被量化。
**3.5. DT中采用的创新技术**
使能技术包括数据分析（65%）、人工智能（AI）/机器学习（Machine Learning, ML）（60%）、仿真技术（60%）、计算生理建模（30%）、物联网（Internet of Things, IoT）传感器（25%）、移动技术（10%）和QSP/治疗性能映射系统（Therapeutic Performance Mapping System, TPMS）（约10%）。这些技术集成实现更精准预测、个性化治疗优化和管理效率提升。
**3.5.1. AI或ML技术**
AI/ML用于开发预测模型、支持治疗优化和分析大数据。例如识别关键特征预测疾病进展（Surian等，2024），以及医学图像处理（Ho等，2022）和基于传感器的监测（Park等，2021）。
**3.5.2. 数据分析与统计建模**
采用逻辑回归、聚类等方法分析患者数据。Mancini等（2018）结合统计分析与计算机仿真研究HIV治疗；Li等（2024）应用统计建模和ML开发慢性移植物抗宿主病（chronic Graft-Versus-Host Disease, cGVHD）的DT。
**3.5.3. 计算生理建模**
包括基于物理的模型（如药物扩散仿真）和系统生物学方法（如疾病分子活性模型），用于仿真生理过程和评估干预效果（Bahrami等，2022）。
**3.5.4. IoT与传感器技术**
可穿戴设备和传感器实现连续生理参数测量。例如纺织品传感器检测呼吸变化（Cukic等，2024），微波传感监测睡眠和跌倒（Khan等，2022）。
**3.5.5. 仿真与3D建模技术**
用于创建虚拟患者和临床场景。如COMSOL Multiphysics和CST Studio Suite软件求解生理方程并可视化干预效果（Ho等，2022）。
**3.5.6. 移动技术**
移动平台用于个性化教育和RPM数据采集，如Koulas等（2021）的移动场景学习系统和Khan等（2024）的物联网机器人系统。
**3.6. DT应用中的仿真技术**
仿真技术是DT核心，包括多种方法。
**3.6.1. ABM与计算机仿真**
基于智能体的建模（Agent-Based Modeling, ABM）用于仿真免疫系统动态（UISS平台，Maleki等，2023）和虚拟队列构建（Mancini等，2018）。
**3.6.2. 基于物理的仿真**
用于药物吸收、分布、代谢和排泄建模，如经皮芬太尼疗法DT（Bahrami等，2022），以及虚拟影像试验（Ho等，2022）。
**3.6.3. AI算法**
神经网络模型增强DT预测能力，如慢性肾脏病和肺炎风险预测（Surian等，2024；Chakshu和Nithiarasu，2022）。
**3.6.4. 虚拟患者仿真**
交互式计算机工具用于临床培训和教育（Koulas等，2021；Larkin等，2020），提供个性化反馈。
**3.6.5. 虚拟影像与解剖建模**
创建详细解剖模型评估成像技术和操作流程（Ho等，2022）。
**3.6.6. 试验加速器平台**
整合真实世界数据支持临床试验规划，如Trial Accelerator平台（Li等，2024）构建虚拟队列。
**3.6.7. TPMS技术**
在QSP框架内构建DT模型，用于银屑病治疗优化（Coto-Segura等，2023），通过机器学习预测蛋白质活性变化。
**3.6.8. 3D建模与虚拟环境**
用于可视化系统状态和远程交互，如DT驱动的RPM系统（Khan等，2024）和护理院环境建模（Khan等，2022）。
总体而言，DT研究在技术性能上显示出令人鼓舞的结果，但大多数仍处于原型、仿真或可行性阶段，缺乏真实世界临床验证。
