51年前，阿波罗13号被送入太空。升空之后不久，飞船就遇到了一次巨大的爆炸。飞船中宝贵的氧气开始泄露到太空，飞船里三名宇航员陷入了危急之中。
时钟滴答，美国宇航局在休斯敦的任务控制团队不停地工作。他们如何才能诊断并解决漂浮在200,000 英里之外太空中的物理资产的故障?
值得庆幸的是，美国宇航局有 15 个用来训练即将执行任务的宇航员的模拟器。这些带有计算机系统的高保真模拟器是“数字孪生”的前身。它们被用来复制受损的航天器，并在对机组人员的成功营救中发挥了至关重要的作用。
今天，人体的数字孪生是生命科学领域中的最新趋势。制药公司正在探索这项技术，以改变药物的开发和患者的护理。
什么是数字孪生?
数字孪生是现实世界中的人、物理实体或过程的虚拟副本。例如，飞机发动机的数字孪生是机器的精确虚拟副本，这个副本由人工智能 (AI) 提供支持。发动机上的传感器收集到的数据流实时地传输到数字孪生中。这让飞机工程师们能够监控发动机的性能，并预测故障可能会在何时出现。
现在，想象一下，为一个真人构建数字孪生模型，这个模型可以复制他们在特定情况下的行为和反应。你可以跟踪他们的健康状况，诊断疾病并安排预防性的治疗计划。
虽然在虚拟世界中完全复制人类仍然是不可能的(谢天谢地!)，但在今天，即使是部分复制也能带来非常显著的好处。
为什么数字孪生技术在医疗保健中如此重要?我们可以用它们来测试新药，以确定药物的安全性和有效性。如果我们在 2020 年就能够使用这种技术，那么新冠肺炎的疫苗本可以提前几个月问世，挽救数百万人的生命。
为什么临床试验需要一些颠覆
今天，临床试验面临着四重挑战，让药物的开发不完美、缓慢、不可预测，甚至是不安全。
1.它们没有准确地代表真实世界
现实世界中的人口数量庞大而且多样，可是按照设计，临床试验只能涉及其中的一小部分人。地球上生存着数十亿人，而临床试验无法重现每个人基于自身独特的身心状况对药物的反应。
2.很少有试验能及时招募到所需的患者
因为研究人员无法招募到合适的患者，有一些临床试验永远都无法产生结果。制药公司使劲浑身解数，希望招募到指定数量和类型的患者以满足临床试验设计的严格规范。实际上，患者招募的挑战导致了80%的试验被推迟。
3.并非每个患者都接受试验的新药治疗
在绝大多数的实验中，有高达一半的患者得到的实际上是安慰剂或者假药。这有助于对比患有特定疾病的患者在未给予试验药物时的反应。但是这也意味着至少有一半报名参加试验并希望接受新药物治疗的患者并没有得到它。
4.并非所有的试验药物都如同预期的那样安全
根据设计，临床试验评估试验药物的安全性和有效性。尽管监管机构会进行检查和控制，以提高药物发现的安全性，但是试验仍然有可能产生严重的不良后果，严重的甚至可能导致死亡。这阻止了很多患者报名参加临床试验，而那些参加临床试验的人也不免惴惴不安，担心安全的问题。
数字孪生技术可以应对这些挑战：
- 覆盖范围：数字孪生可以模拟各种患者的特征，表现药物对更广泛人群的影响。
- 速度：人工智能可以针对各种纳入和排除标准，提供患者可得性的可见性，并以这种方式简化试验设计。
- 可预测性：有了数字孪生预测患者反应，就不需要安慰剂或假药了。因此，参与试验的每一位患者都可以放心使用新的治疗方法。
- 安全性：通过减少真实世界测试需要的参与患者数量，数字孪生可以最大限度地减少早期药物的危险影响。
不过，这里最大的问题是，数字孪生是否已经做好准备，在今天的药物发现中承担这些责任。
现实还是科幻小说：数字孪生技术在医疗保健中的发展状况
我们仍处于将数字孪生应用于生命科学的早期阶段。今天，研究人员们使用简单的数字孪生来模拟人体的分子和细胞功能——而不是在临床试验中模拟患者的整体反应。
Unlearn.AI是一家创业企业，该公司已经筹集了超过1700万美元的资金，用于构建试验用数字孪生。该公司的首席执行官Charles Fisher表示：“我们还没有达到可以模拟一个人的实际生化反应的阶段。”他补充表示：“我们在生物学方面还有很多尚未理解之处，也没有数据。所以，我们没有致力于预测患者对全新疗法的反应。”
大多数临床试验将患者分为两组：治疗组接受试验药物，对照组接受安慰剂或模拟药物。对照组可以帮助确定特定疾病患者在没有接受新疗法时的反应。
制药公司首先在对照组方面尝试使用数字孪生技术。Fisher 解释说，“我们可以从成千上万的人那里搜集纵向的患者数据，以了解他们对治疗的反应。这种做法将这个挑战转变成了一个寻常的机器学习问题，你可以从历史数据中学习。”他表示：“我们正在试图预测患者接受现有的治疗后会发生什么情况。”
近年来，在患者护理领域使用人工智能的呼声不断高涨。在新冠肺炎疫情肆虐的时候，这种趋势愈发明显。据报道，美国食品和药品管理局(FDA)正在制定监管框架对此加以监督。Fisher表示：“我们目前正在接受FDA和欧洲药品管理局(EMA)的资格认证核查，以验证我们是否符合当前的监管要求。”
哪些疾病可能率先看到数字孪生的使用?那些我们拥有高质量、高维临床试验和真实世界数据的领域是最有可能的。例如，Unlearn 正在研究神经系统疾病——例如阿尔兹海默症和多发性硬化症。
可能会阻碍数字孪生使用的三大障碍
通常，阻碍人工智能创新成为主流的最大障碍都与技术本身无关，算法和模型准确性方面的突破性进展已经证明了这一点。尽管这些进展势头很好，然而数据收集、用户采用和受信应用程序并没有跟上节奏。
1.医疗保健行业面临着数据规模太小而且过于杂乱的挑战
微软的首席医学科学家及英国国民健康服务(NHS)的执业医师Junaid Bajwa表示：“健康不仅仅和你的生物特征有关，它还包括你的基因组、社会决定因素以及介于两者之间的所有因素。”他补充表示，“我们需要使用更多关于这些参数的数据，以使数字孪生更加个性化。”
在拓展新的患者数据来源时，我们还必须修复我们已有的数据。Fisher 补充表示：“今天，电子健康记录(EHR)的存在主要是为了通知患者账单信息，而不是为了推动研究的发展。”他表示，数字孪生技术的下一个重大里程碑不会出现在人工智能研究方面，而是会来自解决医疗保健领域数据规模小、而且杂乱的问题方面。
希望已经出现了。来自可穿戴设备和移动电话等设备的数据流可以提供高保真的真实世界数据。23andMe 和 Datavant 等公司正在努力提高高质量医疗保健数据的可用性，以供研究工作使用。
2.改变心态和行为不是一件容易的事
就算创新者们想方设法，建立了一个完美的数字孪生，能够模拟患者的行为，我们会立刻采用它吗?技术创新的历史表明，情况恐怕不会如此顺利。
Bajwa 指出，“在我的临床实践中，如果我被要求对数字孪生进行一天的诊断，然后第二天对现实生活中的人再重复一边同样的过程，我会觉得这很奇怪。”改变技术和流程可能很容易，但是改变一个人的心态却并不简单。
Bajwa打趣说：“要等到新冠肺炎的疫情袭来，人们才会愿意通过视频会议进行在线咨询。”他表示：“这项技术(视频会议)已经存在了十多年了，它在方便连接和公平方面的潜力是显而易见的。然而，我们却花了这么长的时间，甚至是要等到一场全球性的大危机来临，才会接受这种低风险的改变。”
3.人工智能的信任、隐私和偏见等棘手问题
我们已经讨论了应用这项技术的益处，但我们也不能回避这种做法可能带来的有害后果。Bristol Myers Squibb的副总裁兼数字化战略负责人Shwen Gwee补充表示：“虽然我们需要高分辨率的数据才能够让数字孪生的使用变得有意义，但是我们必须平衡这种效用和信任、隐私和偏见等问题。”
患者们是否可以相信他们个人的数字孪生不会被用于他们不同意的药物或者场景中进行测试?此外，今天的临床试验数据集无法很好地代表不同的人种和种族。使用这种带有偏见的数据来训练数字孪生可能会导致它无法准确地代表人群中的特定部分。
Fisher断言，“我认为你根本无法创建出没有偏见的人工智能算法。”他表示：“因为人工智能是受数据驱动的，它会反映数据中的偏见。我们必须专注于如何在临床试验中使用算法进行预测，而不是试图让算法变得完美。”同样，解决方案并不取决于技术，而是取决于正确的流程、人文关怀和人类的参与。
人工智能驱动的数字孪生技术的美好未来
虽然，数字孪生技术可以通过在临床试验中合成对照组来开启一场革命，但是这种技术在生命科学领域拥有的潜能却大得多。积极应对数据收集、用户采用和受信应用程序三大挑战可以帮助这种技术成为主流。
数字孪生技术在遥远的未来会变成什么样子?
Fisher表示：“我看到了安全减少临床试验规模的可能——比如说减少25%。”他表示：“这可以对医药研究和患者产生乘数效应。它将能够让每一家生物技术和制药公司都能更快、成本更低廉地开展临床试验。”
Bajwa以个人经历为例，分享了癌症患者所经历的痛苦。“尽管目前有一些治疗选择，例如手术、化疗或者免疫疗法，但是为患者找到最好的药物仍然处于在黑暗中摸索的阶段。”
Bajwa畅想了数字孪生技术能够如何改变这种治疗方式的未来。“假设我的多学科临床团队有一位癌症患者——一位来自伦敦郊区的、50岁的母亲，她有两个孩子。我们能够在患者的数字孪生上尝试所有可能的组合，以找到量身定制的最佳治疗方案?快速准确地做到这一点可以为个人提供最佳的生活质量。这可以帮助数百万人在对抗癌症这种疾病中存活下来。”
他总结称，这将是数字孪生技术的美好未来。
