1 引言

护理成本呈指数级增长是目前全球医疗保健服务面临的最重要因素之一（澳大利亚政府卫生部，2019 年;埃里森等人，2018 年;维克拉马辛哈，2019 年）。预期寿命延长、人口老龄化和慢性病患病率增加是造成这一问题的主要因素（同上）。癌症是当今主要和最普遍的慢性病之一。仅在美国，估计 2021 年就诊断出 190 万例新癌症病例（R. L. Siegel 等人，2021 年）。在欧洲，估计 2020 年发生了超过 400 万例新发癌症病例（欧盟委员会，2022 年）。在澳大利亚，癌症也是一种主要的慢性疾病（澳大利亚政府卫生部，2020 年），预计 2021 年将发生 150,782 例新发癌症病例（澳大利亚癌症，2021 年）。

癌症护理治疗和生存涉及复杂且具有挑战性的患者旅程，需要做出许多多方面的临床决策（Levit 等人，2013 年）。良好的癌症护理的核心目标是帮助临床医生和患者进行决策过程，并促进患者更好地了解他们的治疗过程（Rivera 等人，2019 年）。决定治疗过程是癌症护理的首要关键因素之一，它对治疗效果、接受治疗的人的整体体验、他们的生存、临床结果和对患者和其他医疗保健利益相关者的财务影响有重大影响（Levit et al.， 2013）。通常，此类决策需要整合相关数据，相关信息和相关知识（Wickramasinghe，2010）。 癌症护理的进步，结合数字健康技术来捕获和分析大量医疗数据，可以帮助为癌症患者提供卓越的诊断、预后和识别最有效的临床护理途径。数字孪生体以物联网 （IoT）、人工智能 （AI）、增强现实 （AR）/虚拟现实 （VR） 和云计算 （CC） 等领域的进步为基础（Zhang 等人，2022 年），有可能更准确地捕捉和表示物理世界。将数字孪生的概念应用于癌症护理有可能以多种方式更好地支持患者和临床医生，并有可能改善当前大多数（如果不是全部）挑战;即，为临床医生提供增强的实时临床决策支持，并使患者能够更好地了解他们的治疗方案和可能的影响，协助对治疗过程产生更现实的期望和欣赏，并帮助患者与临床医生进行更明智的讨论（Rivera 等人，2019 年).鉴于迫切需要解决这些医疗保健挑战，我们提供数字孪生与人工智能相结合的概念化，以提供增强的诊断和治疗决策支持，以及更加个性化和以患者为中心的重点;也就是说，精度和个性化之间的平衡。

目前癌症诊断后治疗建议的做法是基于医学和科学文献中发表的研究，随机对照试验（RCTs;Luthringer & Marziale， N.D.）。然后，肿瘤学专业学会采用这些科学发现来生成临床实践指南，供临床医生应用于患者治疗计划和监测（Querleu等人，2017）。RCT是目前用于确定诊断和治疗效果的标准科学实践，但仅限于在特定决策点对患者疾病进展队列进行横断面分析，而纵向分析（即从一段时间内从患者队列收集的观察中收集的数据）也很重要，并捕获了疾病和/或治疗进展的其他维度（Querleu等人， 最近，关于单个癌症的数据的快速和大量积累，包括大型临床和基因组数据集，以及它们对真实世界证据诊断和治疗的更大预后和预测价值的赞赏，意味着积累有关治疗效果的证据的传统方法被认为是次优的，并且倾向于忽略关键考虑因素（Marnitz等人， 2020年;帕莱里等人，2021 年）。

在本文中，我们认为，随着使用从多种来源捕获的数据开发和部署个体的数字孪生，再加上人工智能，将有可能更好地支持临床医生在癌症诊断、预后和治疗选择方面做出更合适的决策。这将通过为他们提供与当前可用的其他决策支持解决方案相比，与个人相关的实时数据、信息和知识的更丰富、更相关的组合来实现。

2 将医疗保健领域的数字孪生概念化

数字孪生是一个相对新生的概念，它已经从工程学科中出现，并且已经扩展到制造业、城市规划和一系列其他应用（Bjornsson 等人，2019 年）。数字孪生是现实世界对象或过程的虚拟副本，可以是有生命的或非生命的实体（Barricelli等人，2019），例如机器，过程，人类，医院甚至整个城市的虚拟表示。此外，它通常包含三个主要组成部分（同上）：

• 现实世界（物理世界）对象或过程的虚拟或数字表示。

• 描述其特征的真实世界对象的数字模型

• 物理世界和数字世界之间用于共享数据的连接，称为数字线程。

制造业中的数字孪生越来越多地用于改善故障管理（例如，机器状况的实时预测监控），提高生产率（例如，减少产品质量问题）和降低成本（例如，流程优化）（同上）。另一方面，迄今为止，医疗保健在接受数字孪生概念方面进展缓慢（Fuller 等人，2020 年;肖等人，2019;维克拉马辛哈等人，2021 年）。我们认为，通过使用数字孪生，制造业和智慧城市中同样有益的结果可以在医疗保健领域带来同样有益的结果。虽然数字孪生在医疗保健领域的发展和采用的好处可能是深远的，但与其他领域相比，医疗保健是独一无二的，由高度复杂的生物系统组成，因此在概念化数字孪生方面提出了一些挑战。为了帮助理解这些，我们介绍并将数字孪生概念从制造业的用例映射到医疗保健的典型场景;即，在癌症护理中。在此过程中，我们注意到，与制造业不同，医疗保健显然侧重于已知复杂、独特和混乱的人类或生物系统，这些挑战将在第 5 节中探讨。如图1所示，我们描述了一个数字孪生示例，用于预测汽车电池组的寿命（即在制造领域），以及如何将类似的概念应用于癌症护理（即，在医疗保健领域）以支持临床决策以改善患者预后。

下面讨论了图 1 中用于概念化数字孪生的组件：

• （a） 和 （e） 物理世界 - 物理世界由物理实体、相关流程和代表这些实体的数据组成。在制造业中，汽车是物理世界实体（a）的表示，该实体具有来自不同传感器的各种数据。同样，对于（e）中的医疗保健，我们将患者视为物理世界实体。然而，人体远比制造的汽车复杂得多。对于（a），数据是在更受控的环境中捕获的，并通过固定传感器连续获得，而在（e）中，广泛的患者相关数据（例如，临床，基因组，实验室测试）是在癌症管理的不同点根据需要并根据治疗临床医生的要求获得的。为了开发癌症患者的数字孪生，拥有数字模型来预测临床结果（如总体生存率）需要考虑从物理世界中的个体患者获得的数据的独特性。

• （b） 和 （f） 测量和报告的数据——这是将从物理世界收集的数据发送到数字世界的过程，也称为数字线程（Barricelli 等人，2019 年;维克拉马辛哈等人，2021 年）。对于（b），为了开发一个数字模型来估计电池组的寿命，可以在数字世界中使用与电池相关的测量和报告数据，例如电池的充电频率、电池最常用的部分和电池的温度。相反，对于（f），为了开发一个数字模型来预测癌症患者的总体生存率，需要在数字世界中获取的数据必须与特定的癌症相关联，并且通常包括临床数据，医学扫描，患者的人口统计和患者报告的结果测量（PROM）。其中一些数据可以从大型数据存储库和疾病登记处访问，这些数据库和疾病登记处通常是为了促进对疾病和临床护理模式的研究，因此是开发数字模型的丰富来源。

• （c） 和 （g） 数字世界 - 数字世界包含物理世界实体或过程的数字孪生，它是在测量和报告的数据以及该对象或过程的历史数据的帮助下开发的。数字模型，例如（c）中的电池寿命预测和（g）中的总体生存预测，用于为领域专家（例如，医疗保健领域的临床医生或制造业的机械师）提供决策支持。应用于电池性能数据源的人工智能技术可以帮助开发制造数字模型。然而，对于医疗保健（g），开发数字模型并不像制造业（c）那么简单。在（c）的情况下，可以为特定的汽车品牌和型号（例如，丰田凯美瑞）开发一个通用的数字模型，以预测电池寿命，而不管颜色（例如，白色，蓝色）或其他特征（例如，轮胎品牌）。然而，对于（g），由于每个患者及其癌症病程都是独一无二的，因此预测生存率的数字模型也需要基于个性化数据。患有相同类型癌症、相同年龄和性别的患者仍然与其他患者有着根本的不同，考虑这种独特性对于开发合适的数字孪生以在癌症护理中提供增强的决策支持至关重要。

• （d） 和 （g） 领域专家 - 在使用数字孪生的决策支持系统中，领域专家使用从数字世界获得的建议做出最终决策，以解决物理世界实体或流程。在（d）中，领域专家代表一名机械师，他可以使用类似汽车的数字孪生体观察到的信息来建议何时更换电池。在（g）中，领域专家是医疗保健专业人员（例如，肿瘤学家），他可以利用从数字孪生中获得的结果来推荐合适的治疗方案，以适应其护理中患者的独特特征，以及该患者的特定癌症。在这里，医疗保健专业人员的任务比机械师的任务复杂得多，需要根据他们的经验进行判断，再加上患者独特的个性化情况以及通过数字孪生识别的类似信息。

总而言之，在图 1 中，癌症护理概念图列出了与数字孪生制造领域的类似组件、关系和行动，同时考虑了医疗保健的独特方面，尤其是个体患者，以及我们如何设想数字孪生在癌症护理中的决策支持作用。显然，这是一个简化，因为患者与医生的关系比汽车修理工在汽车电池上工作要复杂得多，但它有助于我们将数字孪生的概念转化为肿瘤学临床环境。

3 人工智能在医疗保健领域发展数字孪生的作用

数字孪生的最新发展主要是由于物联网、人工智能、增强现实/虚拟现实、CC 和数字健康技术领域的进步（Armendia 等人，2019 年;科拉尔-阿塞罗等人，2020 年;皮利亚尼迪斯等人，2021 年;维克拉马辛哈等人，2021 年;张等人，2022 年）。这些领域构成了未来数字孪生研究和开发的关键推动因素，特别是在医疗保健领域（Rivera 等人，2019 年）。本文的重点是人工智能的那些方面，这些方面对于成功支持医疗保健中数字孪生的开发和再开发至关重要。数字孪生与人工智能相结合，可以为每个人提供个性化建议。Bjornsson等人（2019）正在开发一种解决方案，使用数字孪生在个性化医疗中为患者找到最佳药物。Angulo等人（2020）提议使用数字孪生来监测肺癌患者的疾病行为，以帮助生成个性化建议。将数字孪生与人工智能结合使用，为制定最适合患者真实世界情况的个性化但精确的建议提供了机会，然后临床医生可以使用这些建议做出更准确、个性化和有效的决策（Angulo 等人，2020 年;比约恩森等人，2019 年;卡迈尔·布洛斯和张，2021;梅拉格尼等人，2021 年;里维拉等人，2019 年）。在医疗保健领域，与前面提到的汽车电池示例不同，每个患者都是独一无二的，因此对特定治疗过程（例如，放疗或化疗）的反应可能显着变化。因此，利用患者数据做出决策的需要需要捕获和评估多种形式的数据，包括个人数据（可能包括基因组数据），以帮助更深入地了解个人的具体情况。此外，这些决定需要在典型的15分钟患者临床咨询的短时间内做出。提供的数字孪生与人工智能相结合可以在这种情况下提供帮助，因为它可以实现实时场景模拟，以帮助根据基于医学证据的预定因素为呈现的患者确定最佳治疗方案。人工智能已应用于制造业、农业和医疗保健等不同行业，以提高流程性能、减少机器停机时间并提高可预测性（Lee 等人，2019 年;穆尼拉蒂南，2020 年）。人工智能方法和技术使机器能够以类似于人类的推理做出决策（Jayaraman 等人，2020 年）。正如所提供的，数字孪生与人工智能相结合，提供了利用人工智能优势的潜力，同时还开发了患者的数字副本来执行场景模拟，以方便临床医生确定最佳的临床路径。

基于人工智能的技术的广泛采用以及从物联网设备、可穿戴设备、传感器和其他测量设备等多个来源捕获的真实世界数据量的增加（Muthu 等人，2020 年）有助于开发可以增强临床决策的数据驱动模型。这种数据驱动的模型与人工智能相结合，可用于开发用于医疗保健的数字孪生，尤其是癌症护理（Kaur 等人，2020 年）。人工智能算法已被证明可以在决策支持方面为肿瘤学家提供帮助（Li等人，2019）。有用的人工智能技术包括启发式、数学、高级统计、机器学习 （ML） 和深度学习算法，并广泛用于趋势和模式的概念化（Madni 等人，2019 年）。在癌症护理的情况下，识别这种模式有可能加速个性化癌症管理的药物发现的发展（Vamathevan等人，2019）。最后，目前有超过 64 种人工智能驱动的算法和医疗设备被美国联邦药物管理局 （FDA） 批准用于临床使用（Benjamens 等人，2020 年）。

因此，我们认为，鉴于能够提供重要的场景模拟，数字孪生与人工智能相结合，可用于支持更快、更准确的临床决策。此外，这也使得能够包括一个时间维度，这在评估疾病进展和预测癌症患者的生存率时很重要。