51年前，阿波羅13號被送入太空。升空之后不久，飛船就遇到了一次巨大的爆炸。飛船中寶貴的氧氣開始泄露到太空，飛船里三名宇航員陷入了危急之中。

[[427754]]

時鐘滴答，美國宇航局在休斯敦的任務控制團隊不停地工作。他們如何才能診斷并解決漂浮在200,000 英里之外太空中的物理資產的故障?

值得慶幸的是，美國宇航局有 15 個用來訓練即將執行任務的宇航員的模擬器。這些帶有計算機系統的高保真模擬器是“數字孿生”的前身。它們被用來復制受損的航天器，并在對機組人員的成功營救中發揮了至關重要的作用。

今天，人體的數字孿生是生命科學領域中的最新趨勢。制藥公司正在探索這項技術，以改變藥物的開發和患者的護理。

什么是數字孿生?

數字孿生是現實世界中的人、物理實體或過程的虛擬副本。例如，飛機發動機的數字孿生是機器的精確虛擬副本，這個副本由人工智能 (AI) 提供支持。發動機上的傳感器收集到的數據流實時地傳輸到數字孿生中。這讓飛機工程師們能夠監控發動機的性能，并預測故障可能會在何時出現。

現在，想象一下，為一個真人構建數字孿生模型，這個模型可以復制他們在特定情況下的行為和反應。你可以跟蹤他們的健康狀況，診斷疾病并安排預防性的治療計劃。

雖然在虛擬世界中完全復制人類仍然是不可能的(謝天謝地!)，但在今天，即使是部分復制也能帶來非常顯著的好處。

為什么數字孿生技術在醫療保健中如此重要?我們可以用它們來測試新藥，以確定藥物的安全性和有效性。如果我們在 2020 年就能夠使用這種技術，那么新冠肺炎的疫苗本可以提前幾個月問世，挽救數百萬人的生命。

為什么臨床試驗需要一些顛覆

今天，臨床試驗面臨著四重挑戰，讓藥物的開發不完美、緩慢、不可預測，甚至是不安全。

1.它們沒有準確地代表真實世界

現實世界中的人口數量龐大而且多樣，可是按照設計，臨床試驗只能涉及其中的一小部分人。地球上生存著數十億人，而臨床試驗無法重現每個人基于自身獨特的身心狀況對藥物的反應。

2.很少有試驗能及時招募到所需的患者

因為研究人員無法招募到合適的患者，有一些臨床試驗永遠都無法產生結果。制藥公司使勁渾身解數，希望招募到指定數量和類型的患者以滿足臨床試驗設計的嚴格規范。實際上，患者招募的挑戰導致了80%的試驗被推遲。

3.并非每個患者都接受試驗的新藥治療

在絕大多數的實驗中，有高達一半的患者得到的實際上是安慰劑或者假藥。這有助于對比患有特定疾病的患者在未給予試驗藥物時的反應。但是這也意味著至少有一半報名參加試驗并希望接受新藥物治療的患者并沒有得到它。

4.并非所有的試驗藥物都如同預期的那樣安全

根據設計，臨床試驗評估試驗藥物的安全性和有效性。盡管監管機構會進行檢查和控制，以提高藥物發現的安全性，但是試驗仍然有可能產生嚴重的不良后果，嚴重的甚至可能導致死亡。這阻止了很多患者報名參加臨床試驗，而那些參加臨床試驗的人也不免惴惴不安，擔心安全的問題。

數字孿生技術可以應對這些挑戰：

• 覆蓋范圍：數字孿生可以模擬各種患者的特征，表現藥物對更廣泛人群的影響。
• 速度：人工智能可以針對各種納入和排除標準，提供患者可得性的可見性，并以這種方式簡化試驗設計。
• 可預測性：有了數字孿生預測患者反應，就不需要安慰劑或假藥了。因此，參與試驗的每一位患者都可以放心使用新的治療方法。
• 安全性：通過減少真實世界測試需要的參與患者數量，數字孿生可以最大限度地減少早期藥物的危險影響。

不過，這里最大的問題是，數字孿生是否已經做好準備，在今天的藥物發現中承擔這些責任。

現實還是科幻小說：數字孿生技術在醫療保健中的發展狀況

我們仍處于將數字孿生應用于生命科學的早期階段。今天，研究人員們使用簡單的數字孿生來模擬人體的分子和細胞功能——而不是在臨床試驗中模擬患者的整體反應。

Unlearn.AI是一家創業企業，該公司已經籌集了超過1700萬美元的資金，用于構建試驗用數字孿生。該公司的首席執行官Charles Fisher表示：“我們還沒有達到可以模擬一個人的實際生化反應的階段。”他補充表示：“我們在生物學方面還有很多尚未理解之處，也沒有數據。所以，我們沒有致力于預測患者對全新療法的反應。”

大多數臨床試驗將患者分為兩組：治療組接受試驗藥物，對照組接受安慰劑或模擬藥物。對照組可以幫助確定特定疾病患者在沒有接受新療法時的反應。

制藥公司首先在對照組方面嘗試使用數字孿生技術。Fisher 解釋說，“我們可以從成千上萬的人那里搜集縱向的患者數據，以了解他們對治療的反應。這種做法將這個挑戰轉變成了一個尋常的機器學習問題，你可以從歷史數據中學習。”他表示：“我們正在試圖預測患者接受現有的治療后會發生什么情況。”

近年來，在患者護理領域使用人工智能的呼聲不斷高漲。在新冠肺炎疫情肆虐的時候，這種趨勢愈發明顯。據報道，美國食品和藥品管理局(FDA)正在制定監管框架對此加以監督。Fisher表示：“我們目前正在接受FDA和歐洲藥品管理局(EMA)的資格認證核查，以驗證我們是否符合當前的監管要求。”

哪些疾病可能率先看到數字孿生的使用?那些我們擁有高質量、高維臨床試驗和真實世界數據的領域是最有可能的。例如，Unlearn 正在研究神經系統疾病——例如阿爾茲海默癥和多發性硬化癥。

可能會阻礙數字孿生使用的三大障礙

通常，阻礙人工智能創新成為主流的最大障礙都與技術本身無關，算法和模型準確性方面的突破性進展已經證明了這一點。盡管這些進展勢頭很好，然而數據收集、用戶采用和受信應用程序并沒有跟上節奏。

1.醫療保健行業面臨著數據規模太小而且過于雜亂的挑戰

微軟的首席醫學科學家及英國國民健康服務(NHS)的執業醫師Junaid Bajwa表示：“健康不僅僅和你的生物特征有關，它還包括你的基因組、社會決定因素以及介于兩者之間的所有因素。”他補充表示，“我們需要使用更多關于這些參數的數據，以使數字孿生更加個性化。”

在拓展新的患者數據來源時，我們還必須修復我們已有的數據。Fisher 補充表示：“今天，電子健康記錄(EHR)的存在主要是為了通知患者賬單信息，而不是為了推動研究的發展。”他表示，數字孿生技術的下一個重大里程碑不會出現在人工智能研究方面，而是會來自解決醫療保健領域數據規模小、而且雜亂的問題方面。

希望已經出現了。來自可穿戴設備和移動電話等設備的數據流可以提供高保真的真實世界數據。23andMe 和 Datavant 等公司正在努力提高高質量醫療保健數據的可用性，以供研究工作使用。

2.改變心態和行為不是一件容易的事

就算創新者們想方設法，建立了一個完美的數字孿生，能夠模擬患者的行為，我們會立刻采用它嗎?技術創新的歷史表明，情況恐怕不會如此順利。

Bajwa 指出，“在我的臨床實踐中，如果我被要求對數字孿生進行一天的診斷，然后第二天對現實生活中的人再重復一邊同樣的過程，我會覺得這很奇怪。”改變技術和流程可能很容易，但是改變一個人的心態卻并不簡單。

Bajwa打趣說：“要等到新冠肺炎的疫情襲來，人們才會愿意通過視頻會議進行在線咨詢。”他表示：“這項技術(視頻會議)已經存在了十多年了，它在方便連接和公平方面的潛力是顯而易見的。然而，我們卻花了這么長的時間，甚至是要等到一場全球性的大危機來臨，才會接受這種低風險的改變。”

3.人工智能的信任、隱私和偏見等棘手問題

我們已經討論了應用這項技術的益處，但我們也不能回避這種做法可能帶來的有害后果。Bristol Myers Squibb的副總裁兼數字化戰略負責人Shwen Gwee補充表示：“雖然我們需要高分辨率的數據才能夠讓數字孿生的使用變得有意義，但是我們必須平衡這種效用和信任、隱私和偏見等問題。”

患者們是否可以相信他們個人的數字孿生不會被用于他們不同意的藥物或者場景中進行測試?此外，今天的臨床試驗數據集無法很好地代表不同的人種和種族。使用這種帶有偏見的數據來訓練數字孿生可能會導致它無法準確地代表人群中的特定部分。

Fisher斷言，“我認為你根本無法創建出沒有偏見的人工智能算法。”他表示：“因為人工智能是受數據驅動的，它會反映數據中的偏見。我們必須專注于如何在臨床試驗中使用算法進行預測，而不是試圖讓算法變得完美。”同樣，解決方案并不取決于技術，而是取決于正確的流程、人文關懷和人類的參與。

人工智能驅動的數字孿生技術的美好未來

雖然，數字孿生技術可以通過在臨床試驗中合成對照組來開啟一場革命，但是這種技術在生命科學領域擁有的潛能卻大得多。積極應對數據收集、用戶采用和受信應用程序三大挑戰可以幫助這種技術成為主流。

數字孿生技術在遙遠的未來會變成什么樣子?

Fisher表示：“我看到了安全減少臨床試驗規模的可能——比如說減少25%。”他表示：“這可以對醫藥研究和患者產生乘數效應。它將能夠讓每一家生物技術和制藥公司都能更快、成本更低廉地開展臨床試驗。”

Bajwa以個人經歷為例，分享了癌癥患者所經歷的痛苦。“盡管目前有一些治療選擇，例如手術、化療或者免疫療法，但是為患者找到最好的藥物仍然處于在黑暗中摸索的階段。”

Bajwa暢想了數字孿生技術能夠如何改變這種治療方式的未來。“假設我的多學科臨床團隊有一位癌癥患者——一位來自倫敦郊區的、50歲的母親，她有兩個孩子。我們能夠在患者的數字孿生上嘗試所有可能的組合，以找到量身定制的最佳治療方案?快速準確地做到這一點可以為個人提供最佳的生活質量。這可以幫助數百萬人在對抗癌癥這種疾病中存活下來。”

他總結稱，這將是數字孿生技術的美好未來。