همزادهای دیجیتال: بیماران مجازی که آیندهٔ پزشکی را شکل می‌دهند
در این مقاله
افق تازهٔ پزشکی
«آیا می‌توان نسخه‌ای دیجیتال از بدن بیمار ساخت و با این مدل، سیر بیماری، پاسخ به درمان یا عوارض را از پیش دید؟»
فناوری همزاد دیجیتال (DT) با جسارت به این پرسش پاسخ «بله» می‌دهد. این رویکرد که در صنایع گوناگون، از هوانوردی تا خودروسازی، تحول ایجاد کرده، اکنون آمادهٔ گشودن افقی تازه در پزشکی است. در مسیر تبدیل شدن به یکی از پایه‌های پزشکی شخصی‌سازی‌شده، تشخیص زودهنگام و تصمیم‌های بالینی با پشتیبانی هوش مصنوعی قرار دارد.
همزاد دیجیتال چیست؟
همزاد دیجیتال نام بازنمایی مدل‌سازی‌شدهٔ یک سامانهٔ فیزیکی واقعی، مانند دستگاه، شهر یا اندام انسان، در محیط دیجیتال است. در سلامت، همزادهای دیجیتال با هدف بازآفرینی مجازی کل بدن بیمار، اندام‌های مشخص مانند قلب، ریه و کبد، سامانه‌های زیستی مانند دستگاه ایمنی، عصبی و گردش خون، یا فرایندهای سلولی ساخته می‌شوند.
این بازنمایی‌های مجازی تنها مدل‌های 3 بعدی مبتنی بر تصویربرداری نیستند. ویژگی‌های ژنتیکی، سوخت‌وساز، الگوهای رفتاری، سوابق سلامت، مواجهه‌های محیطی، شرایط اجتماعی و داده‌های دستگاه‌های پوشیدنی بیمار را نیز در بر می‌گیرند. از این رو، همزاد دیجیتال ساختاری است که با هوش مصنوعی و تحلیل پیشرفتهٔ داده به‌صورت پویا به‌روزرسانی می‌شود و می‌تواند «یاد بگیرد».
مدل‌های مجازی شخصی‌سازی‌شده چگونه کار می‌کنند؟
مدل‌های همزاد دیجیتال اساساً به 4 نوع اصلی عملکردی تقسیم می‌شوند:
-
توصیفی: وضعیت کنونی سلامت بیمار را به‌صورت ثابت بازتاب می‌دهد؛ برای مثال مدل‌های 3 بعدی اندام.
-
پیش‌بین: سیر بیماری یا پاسخ به درمان را شبیه‌سازی می‌کند
-
تجویزی: پیشنهاد می‌دهد کدام درمان در چه شرایطی مؤثرتر خواهد بود
-
مولد: داده‌های مفقود یا دشوار برای دسترسی را برآورد و تکمیل می‌کند
موفقیت این عملکردها به تنوع و درستی داده‌های همزاد دیجیتال بستگی دارد. ادغام، مدل‌سازی و اعتبارسنجی داده‌های بالینی، زیستی، فیزیولوژیک و روانی‌اجتماعی با یکدیگر ضروری است.
همزادهای دیجیتال چگونه ساخته می‌شوند؟
همزادهای دیجیتال معمولاً با ترکیب سه جزء اصلی شکل می‌گیرند:
-
لایهٔ داده: داده‌های بالینی (EPIC، PACS)، ژنومی (NGS)، رفتاری (mHealth)، محیطی و تعیین‌کننده‌های اجتماعی، و فیزیولوژیک از دستگاه‌های پوشیدنی
-
لایهٔ مدل‌سازی: مدل‌های ریاضی، یادگیری ماشین، رویکردهای زیست‌شناسی سامانه‌ها و شبیه‌سازی‌های مبتنی بر فیزیک
-
لایهٔ ارتباط: رابط‌هایی مانند حسگرها، برنامه‌ها و مسیرهای انتقال داده که جریان اطلاعات بین همزاد دیجیتال و موجودیت فیزیکی را فراهم می‌کنند
چرخهٔ بازخورد مداوم میان این لایه‌ها، به‌روزرسانی همزاد دیجیتال را در زمان واقعی امکان‌پذیر می‌کند.
تصویر بالامدل همزاد دیجیتالی را توضیح می‌دهد که با داده‌های جمع‌آوری‌شده در سطوح میکروسکوپی و ماکروسکوپی در سراسر زندگی فرد، از تولد تا مرگ، ساخته می‌شود. اطلاعات موجودیت فیزیکی، مانند گزارش بیمار، داده‌های اُمیکس، عوامل محیطی و اجتماعی و سلامت همراه، به‌طور مداوم با همزاد دیجیتال در ارتباط‌اند. بدین ترتیب می‌توان روند سلامت را پیش‌بینی کرد، مناسب‌ترین راهبردهای درمان را تعیین کرد و حتی کارآزمایی بالینی مجازی انجام داد. این ساختار با تقویت مدل‌سازی، مداخلهٔ زودهنگام و پشتیبانی تصمیم، پایه‌ای برای پزشکی شخصی‌سازی‌شده می‌سازد.
خلاصهٔ نظام‌مند مطالعات پیشگام دربارهٔ همزاد دیجیتال
نمودار زیرافزایش تعداد انتشارات علمی دربارهٔ همزاد دیجیتال را در گذر سال‌ها نشان می‌دهد. به‌ویژه پس از سال 2020، افزایش چشمگیری در انتشارات حوزهٔ سلامت دیده می‌شود.
جدول زیرکاربردهای کنونی فناوری همزاد دیجیتال در سلامت و سرطان‌شناسی و نتایج پژوهش‌ها را به‌صورت مقایسه‌ای خلاصه می‌کند. طراحی، گروه‌های بیماری هدف، منابع داده و یافته‌های اصلی پنج مطالعهٔ اثرگذار به‌سادگی ارائه شده‌اند. هدف این مرور، درک بهتر ظرفیت همزادهای دیجیتال در پشتیبانی تصمیم بالینی، درمان شخصی‌سازی‌شده و ادغام در نظام سلامت است.
| مطالعه | طراحی و شرکت‌کنندگان | حوزهٔ کاربرد | روش | یافته‌های اصلی |
|---|---|---|---|---|
| 213P (ESMO 2024) | مطالعهٔ آینده‌نگر برنامه‌ریزی‌شده برای 300 بیمار؛ N=30 تکمیل شده است | سرطان پیشرفتهٔ پستان، ریه و کولون | گردآوری داده‌های چندبعدی: بالینی، اُمیکس، روانی‌اجتماعی و دادهٔ دستگاه‌های پوشیدنی | میزان تکمیل داده >%80؛ زیرساخت همزاد دیجیتال امکان‌پذیر ارزیابی شد |
| npj Digital Medicine (2024) | مرور نظام‌مند، شامل 12 مطالعه | بیماری‌های گوناگون: دیابت نوع DM2، ام‌اس، نارسایی قلبی و سرطان | کدگذاری محتوا همراه با ارزیابی کیفیت مؤسسهٔ Joanna Briggs | %80 پیامد سلامت مثبت؛ مدیریت شخصی‌سازی‌شدهٔ سلامت |
| PATTERNS (Elsevier، 2024) | مرور | خدمات عمومی سلامت | مفاهیم پایه، حوزه‌های کاربرد و موانع فنی | 5 اصل اساسی پیشنهاد شد؛ به محدودیت‌های فنی و اخلاقی توجه داده شد |
| J. Transl. Med. (2025) | تحلیل کتاب‌سنجی و ارزیابی منابع علمی | تشخیص، درمان و پیش‌آگهی سرطان | ادغام هوش مصنوعی، چند اُمیکس و تصویربرداری | ایالات متحده، چین و آلمان کشورهای پیشگام‌اند؛ استانداردسازی داده ناکافی است |
| J. Clin. Med. (2025) | مرور، شامل 17 مطالعه | سرطان‌شناسی | مدل‌سازی پویا با پشتیبانی هوش مصنوعی | بهبود تصمیم‌های بالینی، مقرون‌به‌صرفه بودن و چالش‌های اخلاقی |
حوزه‌های کاربرد
همزادهای دیجیتال علاوه بر شبیه‌سازی اثر درمان، می‌توانند سیر طبیعی بیماری‌ها را مدل‌سازی و از برنامه‌ریزی مراقبت بلندمدت پشتیبانی کنند. پیش از ظهور علائم، به‌ویژه هنگامی که عوامل خطر بیماری‌های ارثی وجود دارند،می‌توانند به پیش‌بینی بروز بیماری کمک کنند.
این مدل‌ها می‌توانند دلایل قدرتمند مبتنی بر داده برای افزایش پایبندی بیمار به خدمات پیشگیرانهٔ سلامت ارائه دهند.
همزادهای دیجیتال علاوه بر درمان بیماری‌های موجود، پیش‌بینی و پیشگیری از بیماری پیش از بروز و شخصی‌سازی توصیه‌های سبک زندگی را نیز ممکن می‌کنند.
ادغام با دستگاه‌های پزشکی
یکی از مزایای همزادهای دیجیتال، ادغام با دستگاه‌های پزشکی مانند فناوری‌های پوشیدنی است. این دستگاه‌ها با ارائهٔ داده‌های سلامت در زمان واقعی یا به‌صورت دوره‌ای، به‌روزرسانی مداوم همزاد دیجیتال را ممکن می‌کنند.
همچنین می‌توان از همزادهای دیجیتال در طراحی دستگاه‌های پزشکی و بهینه‌سازی جای‌گذاری ایمپلنت استفاده کرد؛ با شبیه‌سازی پیشاپیشِ ادغام مداخله با بدن و اثرات فیزیولوژیک آن، اقدامات دقیق‌تر و شخصی‌سازی‌شده‌تر امکان‌پذیر می‌شوند.
تکامل همزادهای دیجیتال: رشد در 4 مرحله
مطالعه همزادهای دیجیتال را در چهار مرحله طبقه‌بندی و سطح‌های مورد استفاده در پزشکی را توضیح می‌دهد:
| 🔍 نوع | 🧠 تعریف | 📌 نمونه‌های کاربرد |
|---|---|---|
| همزاد ایستا یا همزاد ثابت |
فقط اطلاعات ساختاری را در بر می‌گیرد و رفتار را شبیه‌سازی نمی‌کند |
مدل‌های 3 بعدی اندام |
| همزاد آینه‌ای یا همزاد بازتابی |
علاوه بر ویژگی‌های همزاد ایستا، توانایی شبیه‌سازی پویا دارد |
برنامه‌ریزی جراحی |
| همزاد سایه‌ای یا همزاد سایه |
با داده‌های زمان واقعی، قابل‌به‌روزرسانی است |
همگام‌سازی با دستگاه‌های پوشیدنی |
| همزاد هوشمند یا همزاد دارای هوش |
همزادی که با هوش مصنوعی یاد می‌گیرد و می‌تواند پیش‌بینی و پیشنهاد کند |
پیشنهاد درمان فردی، پشتیبانی خودکار تصمیم |
پشتیبانی از تصمیم‌های بالینی
همزادهای دیجیتال با ساده‌سازی داده‌های پیچیدهٔ بالینی، بار شناختی پزشکان را هنگام تصمیم‌گیری کاهش می‌دهند. با شبیه‌سازی و نمایش روشن اطلاعات، تصمیم‌گیری مطمئن‌تر و سریع‌تر را در شرایط بالینی نامطمئن امکان‌پذیر می‌کنند.
حوزه‌های کاربرد و ملاحظات نظارتی
فناوری‌های همزاد دیجیتال در رشته‌هایی مانند مغز و اعصاب، قلب و سرطان‌شناسی امیدبخش‌اند. برای مثال، در اسپانیا برای بررسی فرایند بهبود روان‌پریشی و پشتیبانی تشخیص آریتمی قلبی از آن‌ها استفاده می‌شود. با وجود رشد سریع، این فناوری هنوز در مراحل اولیه است و با چالش‌های نظارتی و فنی روبه‌روست. با این حال، در بلندمدت ظرفیت بالایی برای آزمایش‌های مجازی ایمن و ارزیابی گزینه‌های متعدد درمان دارد.
کاربردهای برجستهٔ همزاد دیجیتال
-
SIMULIA Living Heart: همزاد دیجیتال تأییدشده‌ای برای مدل‌سازی عملکرد قلب که با مشارکت FDA و Dassault توسعه یافته است.
-
FEops HEARTguide: همزاد دیجیتال با پشتیبانی هوش مصنوعی برای برنامه‌ریزی اقدامات قلبی مانند TAVI، دارای تأیید در اتحادیهٔ اروپا و ایالات متحده.
-
Project BreathEasy: همزاد دیجیتال ریه برای پیش‌بینی نیاز به حمایت تنفسی در COVID-19.
-
MindBank Ai و Babylon: برنامه‌های متمرکز بر تندرستی که سبک زندگی و سطح استرس افراد را پیگیری می‌کنند.
انقلاب همزاد دیجیتال در کارآزمایی‌های بالینی
پژوهش‌های بالینی رایانه‌ای می‌توانند با استفاده از شبیه‌سازی دیجیتال به‌جای بیمار واقعی، اثربخشی دارو و درمان را از پیش ارزیابی کنند. با پشتیبانی FDA و EMA، کاربرد داروهایی مانند پالبوسیکلیب و الکتینیب با مطالعات مبتنی بر همزاد دیجیتال گسترش یافته است. مطالعهٔ VICTRE با تصاویر مصنوعی پستان، ارزیابی اولیهٔ دستگاه‌های ماموگرافی را با موفقیت انجام داده است.
کاربردها در سرطان‌شناسی شخصی‌سازی‌شده
-
سرطان اوروفارنکس: یک مدل همزاد دیجیتال بیمار–پزشک،با یادگیری عمیق Q و شبیه‌سازی، اثربخشی راهبردهای شیمی‌پرتودرمانی متوالی یا هم‌زمان را در کارسینوم سلول سنگفرشی اوروفارنکس مقایسه کرد. این مطالعه روی حدود 536 بیمار با دقت %87 نشان داد که مدل‌های متوالی یا هم‌زمانِ پیگیری‌شده با همزاد دیجیتال را می‌توان هم از نظر بقا و هم از نظر سمیت بهینه کرد.
-
سرطان پستان سه‌گانه‌منفی (TNBC): Nature npj Digital Medicine (2025) مقاله‌ای منتشر کرده که بر اساس آن، یک مدل ریاضی زیستی با تکیه بر داده‌های ام‌آر‌آی 105 بیمار TNBC در کارآزمایی ARTEMIS و ساخت همزاد دیجیتال، پاسخ کامل پاتولوژیک (pCR) را پیش‌بینی کرده است. عملکرد مدل %0.82 AUC است. این همزادهای دیجیتال با بهینه‌سازی اختصاصی رژیم شیمی‌درمانی نئوادجوانت در 128 ترکیب متفاوت دوز و فراوانی، میزان pCR را حدود %21–25 افزایش دادند.
-
سرطان ریهٔ سلول غیرکوچک (NSCLC): با مجموعه‌داده‌ای بزرگ شامل داده‌های 25.000+ ضایعه و مدل‌سازی پیش‌بین، درمان سرطان ریهٔ سلول غیرکوچک (NSCLC) بهینه‌سازی شده است. این مطالعات به‌ویژه اثربخشی پمبرولیزوماب و گزینه‌های شیمی‌درمانی را با شبیه‌سازی همزاد دیجیتال مقایسه کرده‌اند. فعالیت‌های علمی این حوزه در مرورهای جامعی مانند «From virtual to reality: innovative practices of digital twins in tumor therapy» نیز پشتیبانی می‌شوند.
نمونه‌ای از کاربرد پیشرفته در اسپانیا
پروژهٔ «سرطان‌شناسی با تفکیک بالا در سرطان‌های زنان» در مرکز ملی پژوهش‌های سرطان اسپانیا (CNIO)، از همزاد دیجیتال در زنان مبتلا به سرطان متاستاتیک پیشرفته استفاده می‌کند. در این پروژه، داده‌های گسترده‌ای شامل متابولیسم تومور، بیان ژن و پروتئین، شاخص‌های فیزیولوژیک و وضعیت روانی ادغام می‌شوند تا مدل‌های همزاد دیجیتال اختصاصی بیمار ساخته شوند. نوآوری مهم دیگر، برآورد سن زیستی بیماران، ارزیابی اثر بیماری بر تند یا کند شدن پیری زیستی و تنظیم شدت و ترکیب درمان‌هاست.
اعتبارسنجی بالینی و زیرساخت داده
اعتبارسنجی بالینی همزادهای دیجیتال مستلزم مقایسه با داده‌های دنیای واقعی و اثبات ارزش افزوده نسبت به روش‌های بالینی موجود است. برای کاربرد جهانی، توسعهٔ زیرساخت‌های دادهٔ هماهنگ و دارای قابلیت تبادل میان کشورها اهمیت حیاتی دارد.
چارچوب نظارتی و اخلاقی
موضوع‌های بنیادی مانند مالکیت داده، اعتبارسنجی منفعت بالینی و برابری داده هنوز چارچوب نظارتی روشنی ندارند. اگرچه قوانین GDPR در اتحادیهٔ اروپا و HIPAA در ایالات متحده وجود دارند، مقررات جامع اختصاصی همزادهای دیجیتال هنوز در حال توسعه‌اند.
کنسرسیوم‌های جهانی
-
SDTC، سوئد: توالی‌یابی RNA تک‌سلولی برای غربالگری شخصی‌سازی‌شدهٔ دارو.
-
DIGIPREDICT، اتحادیهٔ اروپا: مطالعه‌ای متمرکز بر مداخلهٔ زودهنگام در بیماری‌های قلبی‌عروقی.
-
DT4H.org: پلتفرم همکاری میان‌رشته‌ای در بیماری‌هایی مانند سپسیس، دیابت و سرطان ریه.
چشم‌اندازهای آینده
-
همزادهای دیجیتال تمام‌بدن در زمان واقعی با محاسبات اگزامقیاس.
-
کاربرد همزاد دیجیتال در آموزش بالینی مبتنی بر واقعیت مجازی.
-
پلتفرم‌های اشتراک‌گذاری ایمن داده با فناوری زنجیرهٔ بلوکی.
نتیجه‌گیری
همزادهای دیجیتال فناوری‌ای هستند که ظرفیت تغییر الگو در پزشکی شخصی‌سازی‌شده و پشتیبانی تصمیم بالینی را دارند. با ادغام پویای داده و بهبود نتایج دنیای واقعی، کارایی خدمات سلامت و دقت تصمیم‌های بالینی را افزایش می‌دهند و اقتصاد سلامت را متحول می‌کنند.
منابع
2. Zhang K, Zhou HY, Baptista-Hon DT, Gao Y, Liu X, Oermann E, Xu S, Jin S, Zhang J, Sun Z, Yin Y, Razmi RM, Loupy A, Beck S, Qu J, Wu J; International Consortium of Digital Twins in Medicine. Concepts and applications of digital twins in healthcare and medicine. Patterns (N Y). 2024 Aug 9;5(8):101028. doi: 10.1016/j.patter.2024.101028. PMID: 39233690; PMCID: PMC11368703.
3. Digital Twins: Medicine’s New Crystal Ball? - Medscape - July 03, 2025.
4. Giansanti D, Morelli S. Exploring the Potential of Digital Twins in Cancer Treatment: A Narrative Review of Reviews. J Clin Med. 2025 May 20;14(10):3574. doi: 10.3390/jcm14103574. PMID: 40429568; PMCID: PMC12111985.
5. Shen S, Qi W, Liu X, Zeng J, Li S, Zhu X, Dong C, Wang B, Shi Y, Yao J, Wang B, Jing L, Cao S, Liang G. From virtual to reality: innovative practices of digital twins in tumor therapy. J Transl Med. 2025 Mar 19;23(1):348. doi: 10.1186/s12967-025-06371-z. PMID: 40108714; PMCID: PMC11921680.
6. Zhang K, Zhou HY, Baptista-Hon DT, Gao Y, Liu X, Oermann E, Xu S, Jin S, Zhang J, Sun Z, Yin Y, Razmi RM, Loupy A, Beck S, Qu J, Wu J; International Consortium of Digital Twins in Medicine. Concepts and applications of digital twins in healthcare and medicine. Patterns (N Y). 2024 Aug 9;5(8):101028. doi: 10.1016/j.patter.2024.101028. PMID: 39233690; PMCID: PMC11368703.
آیا این مقاله برای شما مفید بود؟
بازخورد شما به بهبود محتوای ما کمک می‌کند.
نظرهای خوانندگان
نظر خود را بنویسید
نام و دیدگاه شما فقط پس از تأیید مدیر منتشر می‌شود. نشانی ایمیل شما هرگز به بازدیدکنندگان نمایش داده نمی‌شود.
اولین نظر را شما بنویسید.