Digitale Zwillinge: Virtuelle Patienten gestalten die Zukunft der Medizin

Neue Horizonte der Medizin

„Lässt sich eine digitale Kopie des Körpers eines Menschen erstellen, um damit Krankheitsverlauf, Therapieansprechen oder Komplikationen vorherzusehen?“

Die Technologie digitaler Zwillinge (Digital Twin, DT) beantwortet diese Frage mit einem entschlossenen „Ja“. Dieser Ansatz hat bereits Branchen von der Luftfahrt bis zur Automobilindustrie verändert und steht nun vor einem Durchbruch in der Medizin. Er entwickelt sich zu einem Grundbaustein individueller Medizin, früher Diagnose und KI-gestützter klinischer Entscheidungen.

Was ist ein digitaler Zwilling?

Ein digitaler Zwilling ist die digitale Modellierung eines realen physischen Systems, etwa einer Maschine, einer Stadt oder eines menschlichen Organs. Im Gesundheitswesen sollen digitale Zwillinge den gesamten Körper, einzelne Organe wie Herz, Lunge oder Leber, biologische Systeme wie Immun-, Nerven- oder Kreislaufsystem sowie zelluläre Prozesse virtuell nachbilden.

Diese Abbilder sind mehr als bildgebungsbasierte 3D-Modelle. Sie berücksichtigen genetisches Profil, Stoffwechsel, Verhalten, Krankengeschichte, Umwelteinflüsse, soziales Umfeld und Daten tragbarer Geräte. Mithilfe künstlicher Intelligenz und fortgeschrittener Datenanalyse können digitale Zwillinge dynamisch aktualisiert werden und „lernen“.

Wie funktionieren individuelle virtuelle Modelle?

Digitale Zwillinge lassen sich nach ihrer Funktion in 4 Haupttypen einteilen:

1. Beschreibend (Descriptive): Statische Darstellung des aktuellen Gesundheitszustands, beispielsweise 3D-Organmodelle

2. Vorhersagend (Predictive): Simuliert Krankheitsverlauf oder Therapieansprechen

3. Empfehlend (Prescriptive): Schlägt vor, welche Behandlung unter welchen Bedingungen am wirksamsten wäre

4. Generierend (Generative): Schätzt und ergänzt fehlende oder schwer zugängliche Daten

Der Erfolg hängt von Vielfalt und Genauigkeit der verfügbaren Daten ab. Klinische, biologische, physiologische und psychosoziale Daten müssen gemeinsam integriert, modelliert und validiert werden.

Wie entstehen digitale Zwillinge?

Digitale Zwillinge verbinden typischerweise drei zentrale Komponenten:

• Datenebene: Klinische (EPIC, PACS), genomische (NGS), verhaltensbezogene (mHealth), umweltbezogene (soziale Einflussfaktoren) und physiologische Daten (tragbare Geräte)

• Modellierungsebene: Mathematische Modelle, maschinelles Lernen, Systembiologie und physikbasierte Simulationen

• Kommunikationsebene: Schnittstellen für den Datenfluss zwischen digitalem Zwilling und physischem Gegenstück, etwa Sensoren, Anwendungen und Datenleitungen

Die kontinuierliche Rückkopplung zwischen diesen Ebenen ermöglicht Aktualisierungen in Echtzeit.

Die obige Abbildungerläutert einen digitalen Zwilling, der aus lebenslang vom Beginn bis zum Ende des Lebens erhobenen mikroskopischen und makroskopischen Daten entsteht. Patientenangaben, Omik-Daten, Umwelt- und Sozialfaktoren sowie mobile Gesundheitsdaten bleiben fortlaufend mit dem Zwilling verbunden. Dadurch lassen sich Gesundheitsverlauf und optimale Behandlungsstrategien abschätzen und sogar virtuelle klinische Studien durchführen. Das stärkt Modellierung, frühe Intervention und Entscheidungsunterstützung als Grundlage individueller Medizin.

Systematische Zusammenfassung wegweisender Studien zu digitalen Zwillingen

Die folgende Grafikzeigt die jährliche Zunahme wissenschaftlicher Veröffentlichungen zu digitalen Zwillingen. Besonders im Gesundheitsbereich ist nach 2020 ein deutlicher Anstieg zu erkennen.

Die folgende Tabellevergleicht aktuelle Anwendungen und Forschungsergebnisse digitaler Zwillinge in Medizin und Onkologie. Sie fasst Aufbau, Erkrankungsgruppen, Datenquellen und wichtigste Ergebnisse von fünf einflussreichen Studien übersichtlich zusammen. Damit soll ihr Potenzial für klinische Entscheidungsunterstützung, individuelle Therapie und Integration ins Gesundheitssystem besser verständlich werden.

Anwendungsgebiete

Digitale Zwillinge können Behandlungseffekte simulieren, natürliche Krankheitsverläufe modellieren und langfristige Versorgung planen helfen. Noch vor ersten Symptomen, insbesondere bei Risikofaktoren für Erbkrankheiten, können sie die Entstehung von Erkrankungen vorhersagen helfen.

Diese Modelle können datenbasierte Argumente liefern, die die Teilnahme an vorbeugender Versorgung fördern.

Digitale Zwillinge ermöglichen die Behandlung bestehender Erkrankungen und können außerdem Krankheiten vor ihrem Auftreten vorhersagen, Prävention unterstützen und Lebensstilempfehlungen individualisieren.

Integration mit Medizinprodukten

Ein Vorteil digitaler Zwillinge ist ihre Verknüpfung mit Medizinprodukten wie tragbaren Technologien. Diese liefern laufend oder regelmäßig Gesundheitsdaten und ermöglichen so die kontinuierliche Aktualisierung des Zwillings.

Ebenso lassen sich digitale Zwillinge bei der Entwicklung von Medizinprodukten und der Optimierung von Implantatpositionen einsetzen. Simulationen der Integration in den Körper und der physiologischen Auswirkungen ermöglichen präzisere, individuellere Eingriffe.

Entwicklung digitaler Zwillinge: 4 Stufen

Die Studie unterscheidet vier Entwicklungsstufen und erläutert, welche in der Medizin verwendet werden:

Unterstützung klinischer Entscheidungen

Digitale Zwillinge vereinfachen komplexe klinische Daten und verringern die geistige Belastung bei medizinischen Entscheidungen. Simulationen und klare Visualisierungen ermöglichen bei unsicheren Situationen schnellere und zuverlässigere Entscheidungen.

Anwendungsgebiete und regulatorische Fragen

Digitale Zwillinge sind in Neurologie, Kardiologie und Onkologie vielversprechend. In Spanien werden sie beispielsweise zur Untersuchung der Erholung bei Psychosen und zur Unterstützung der Arrhythmiediagnostik genutzt. Trotz rascher Entwicklung steht die Technologie noch am Anfang; regulatorische und technische Herausforderungen bleiben. Langfristig bietet sie großes Potenzial für sichere virtuelle Experimente und den Vergleich mehrerer Behandlungen.

Beispiele wichtiger Anwendungen

• SIMULIA Living Heart: Zugelassener digitaler Zwilling zur Modellierung der Herzfunktion, entwickelt in Zusammenarbeit von FDA und Dassault.

• FEops HEARTguide: KI-gestützter digitaler Zwilling zur Planung von Herzeingriffen wie TAVI (in EU und USA zugelassen).

• Project BreathEasy: Digitaler Lungenzwilling zur Vorhersage des Atemunterstützungsbedarfs bei COVID-19.

• MindBank Ai und Babylon: Wellness-Anwendungen zur Erfassung von Lebensstil und Stress.

Digitale Zwillinge verändern klinische Studien

In-silico-Studien bewerten Medikamente und Behandlungen vorab mit digitalen Simulationen anstelle realer Personen. Mit Unterstützung von FDA und EMA wurden Anwendungsgebiete von Medikamenten wie Palbociclib und Alectinib durch zwillingsbasierte Studien erweitert. VICTRE prüfte Mammografiegeräte erfolgreich anhand synthetischer Brustbilder vor.

Anwendungen in der individuellen Onkologie

• Oropharynxkarzinom: Ein digitales Patienten-Arzt-Zwillingsmodellverglich mittels Deep-Q-Learning und Simulation, welche Radiochemotherapie beim oropharyngealen Plattenepithelkarzinom wirksamer ist: sequenziell oder gleichzeitig. Die Untersuchung mit etwa 536 Personen und 87 % Genauigkeit zeigte, dass beide Strategien mithilfe digitaler Zwillinge hinsichtlich Überleben und Toxizität optimiert werden konnten.

• Triple-negativer Brustkrebs (TNBC): Nature npj Digital Medicine (2025) beschreibt ein biologisch-mathematisches Modell aus MRT-Daten von 105 TNBC-Patientinnen der ARTEMIS-Studie. Digitale Zwillinge sagten die pathologische Komplettremission (pCR) mit einer AUC von 0.82 % voraus. Durch individuelle Optimierung neoadjuvanter Chemotherapie unter 128 Dosis-Häufigkeits-Kombinationen erhöhten sie die pCR-Rate um etwa 21–25 %.

• Nichtkleinzelliges Lungenkarzinom (NSCLC): Große Datensätze mit über 25.000 Läsionen und prädiktive Modelle wurden zur Therapieoptimierung beim nichtkleinzelligen Lungenkarzinom (NSCLC) verwendet. Simulationen verglichen besonders die Wirksamkeit von Pembrolizumab und Chemotherapieoptionen. Wissenschaftliche Arbeiten hierzu werden etwa in der umfassenden Übersicht „From virtual to reality: innovative practices of digital twins in tumor therapy“ unterstützt.

Ein fortgeschrittenes Anwendungsbeispiel aus Spanien

Das Projekt des spanischen Nationalen Krebsforschungszentrums (CNIO) „Hochauflösende Onkologie bei Frauenkrebserkrankungen“ nutzt digitale Zwillinge bei Frauen mit fortgeschrittenem metastasiertem Krebs. Umfangreiche Daten zu Tumorstoffwechsel, Gen- und Proteinexpression, physiologischen Parametern und psychischem Zustand werden zu individuellen Modellen integriert. Eine wichtige Neuerung ist die Schätzung des biologischen Alters. So soll beurteilt werden, ob die Erkrankung das biologische Altern beschleunigt oder verlangsamt, um Behandlungsintensität und Kombinationen anzupassen.

Klinische Validierung und Dateninfrastruktur

Die klinische Validierung erfordert den Vergleich mit Versorgungsdaten und den Nachweis eines Zusatznutzens gegenüber bestehenden Verfahren. Für weltweite Anwendungen sind länderübergreifend abgestimmte und interoperable Dateninfrastrukturen entscheidend.

Regulatorischer und ethischer Rahmen

Für Datenhoheit, Validierung des klinischen Nutzens und Datengerechtigkeit fehlt noch ein klarer regulatorischer Rahmen. Trotz EU-DSGVO (GDPR) und US-HIPAA befinden sich umfassende spezielle Regelungen für digitale Zwillinge noch in Entwicklung.

Internationale Konsortien

• SDTC (Schweden): Individuelles Wirkstoffscreening mittels Einzelzell-RNA-Sequenzierung.

• DIGIPREDICT (EU): Forschung zur frühen Intervention bei Herz-Kreislauf-Erkrankungen.

• DT4H.org: Interdisziplinäre Kooperationsplattform für Erkrankungen wie Sepsis, Diabetes und Lungenkrebs.

Zukunftsperspektiven

• Echtzeit-Zwillinge des gesamten Körpers mithilfe von Exascale-Rechnen.

• Digitale Zwillinge in VR-gestützter klinischer Ausbildung.

• Sichere Plattformen zum Datenaustausch mit Blockchain-Technologie.

Fazit

Digitale Zwillinge könnten individuelle Medizin und klinische Entscheidungsunterstützung grundlegend verändern. Durch dynamische Datenintegration verbessern sie Versorgungsergebnisse und Leistungsfähigkeit des Gesundheitswesens, erhöhen die Genauigkeit medizinischer Entscheidungen und verändern die Gesundheitsökonomie.