CC BY
171
ОРИГИНАЛЬНАЯ СТАТЬЯ
ОС1: 10.21045/1811-0185-2022-6-69-77 УДК: 614.2
ОПЫТ И ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ ЦИФРОВЫХ ДВОЙНИКОВ В ОБЩЕСТВЕННОМ ЗДРАВООХРАНЕНИИ
Ю.А. Зуенкова
ФГАОУ ВО «Российский Университет дружбы народов» (РУДН). https://orcid.org/0000-0002-3660-0476
АННОТАЦИЯ
Цифровизация здравоохранения открывает возможности для применения новых подходов к организации медицинской помощи, повышению ее качества, оптимизации использования ресурсов здравоохранения. Цифровой двойник - один из новых подходов, виртуальная модель физического объекта с динамическими двунаправленными связями между физическим объектом и его соответствующим двойником в цифровой среде. Цифровые близнецы позволяют изучать, создавать и проверять новые гипотезы, а также проводить эксперименты и исследования ¡п silico.
Цель исследования - описать существующий российский и зарубежный опыт практического применения цифровых двойников в сфере здравоохранения. Материалы и методы. Обзор литературы проводился в базах данных РиЬтес1 и ЕЬЬгагу. Исключались публикации, в которых описывались этические и нормативно-правовые аспекты, промышленное, инженерное или логистическое применение. Статьи прошли два раунда рецензирования. Результаты. Цифровые двойники применяются в клинической медицине для тестирования новых методов лечения и реакции на них организма, для моделирования работы органов и тканей. Описано применение технологии для разработки прецизионной терапии в кардиологии, онкологии, эндокринологии, гастроэнтерологии, ортодонтического лечения, реабилитации, интенсивной терапии. Цифровой двойник может использоваться органами здравоохранения для моделирования поведения пациентов, прогнозирование распространения инфекционного процесса, работы медицинского учреждения и его структурных подразделений с целью оптимизации ресурсов. Выводы. В статье представлен обзор основных сфер применения цифровых двойников для персонализированной медицины, общественного здравоохранения и умных здоровых городов. Перспективы использования цифровых двойников лежат в области создания умных «здоровых» городов и регионов.
Ключевые слова: цифровой двойник, имитационное моделирование, большие данные, цифровизация здравоохранения, прецизионная медицина.
Для цитирования: Зуенкова Ю.А. Опыт и перспективы применения цифровых двойников в общественном здравоохранении // Менеджер здравоохранения. 2022; 6: 69-77. DOI: 10.21045/1811-0185-2022-6-69-77.
Развитие технологий трансформировало все отрасли, и медицина не стала исключением. В современной медицинской практике и организации здравоохранения цифровые устройства и сервисы играют важную роль как для поставщиков медицинских услуг, так и пациентов, обеспечивая сбор данных, коммуникации и поддержку принятия решений. Клинические медицинские исследования, которые сосредоточены на изучении способов улучшения диагностики, повышения эффективности лекарственных препаратов и терапии, также нуждаются в анализе данных и моделировании. Технология цифровых двойников, которая ранее использовалась промышленными и инженерными предприятиями, сегодня представляет многообещающий подход, цель которого усовершенствовать как клинические результаты, так и процессы оказания медицинской помощи.
© Зуенкова Ю.А, 2022 г.
Цифровой двойник, или цифровой близнец (digital twin) - это цифровая копия физического объекта, процесса или услуги. Это виртуальная модель (данные и алгоритмы) с особыми функциями, которых нет в традиционных моделях и симуляциях, и которые динамически связывают физический и цифровой миры, используя интеллектуальные сенсорные технологии, анализ данных и искусственный интеллект (ИИ). Конечная цель digital twins состоит в итеративном моделировании, тестировании и оптимизации физического объекта в виртуальном пространстве [1].
Согласно статистике, представленной FDA (Управление по контролю за продуктами и лекарствами США) в 2013 году [2] доля пациентов, у которых лекарственная терапия оказывается неэффективной, колеблется от 38% до 75%, что связано с различиями между пациентами.
•КС
№ В Manager
2022 ZdrevoochrBnenie ,
'Менеджер
здравоохранения
Персонализированная медицина призвана решить эту проблему путем разработки методов лечения и профилактики, адаптированных к конкретному пациенту. Обладая способностью моделировать отдельных пациентов с их уникальными физиологическими особенностями, цифровые близнецы являются естественным развитием стратегии внедрения персонализированной медицины.
Идея цифровых близнецов впервые была упомянута в книге Дэвида Гелернтера (Gelernter, D.) в начале 1990-х годов [3]. В 2002 году Майкл Гривз (Grievers M.) [4] представил первоначальную концептуальную модель цифровых двойников для управления жизненным циклом продукта на производстве под терминами «Зеркальная пространственная модель» [5], а позже «Информационная зеркальная модель» [6]. В 2010 году Викерс (Vickers) [7] применил термин «цифровой двойник» при попытке создания цифровых симуляций космических аппаратов. Технология цифровых двойников с тех пор набирала обороты как в промышленности, так и в научных исследованиях. Сегодня существуют различные категории цифровых двойников, но сама концептуальная модель состоит из трех компонентов: физического (исходного) продукта в физическом пространстве, цифрового представления физического продукта в виртуальной среде и связей между ними - данные и информация, протекающие между физическими и цифровыми продуктами.
Цель исследования - провести обзор литературы о внедрении технологии «digital twin» в практическую медицину и общественное здравоохранение, дать прогноз ее развития.
Материалы и методы
Обзор литературы был проведен в апреле 2022 года в базах данных Pubmed и Elibrary. Статьи должны были быть опубликованы на английском или русском языках, быть общедоступными и пройти рецензирование. Мы исключили публикации, в которых описывались этические аспекты, нормативно-правовая сторона, производство медицинских изделий или фармацевтических препаратов, промышленное, инженерное или логистическое применение. Статьи, выявленные в результате первоначального поиска, и дополнительные статьи из списков литературы прошли два раунда рецензирования: проверка названия, обзор аннотации и полный текстовый обзор.
Результаты
Главной особенностью цифрового двойника является динамическое двунаправленное отображение объекта или процесса, а не просто цифровая тень, снимок или модель объекта. Цифровой двойник в здравоохранении может применяться для моделирования работы органа (печень, сердце), системы органов (пищеварительная, выделительная системы), тканей, а также на клеточном и субклеточном уровнях. Цифровой двойник может моделировать процесс протекания или распространения заболевания, реакции пациента на лечение. Сложные цифровые двойники объединяют два или более из вышеупомянутых типов, в то время как эталонные цифровые близнецы или прото-близнецы служат шаблонами или архетипами для создания более сложных, индивидуальных цифровых близнецов каждого типа.
Цифровые близнецы могут в равной степени охватывать здоровые и больные объекты; например, больная клетка (например, раковая клетка определенного типа), больной орган (например, жировая дистрофия печени при диабете 2 типа) или заболевание или синдром, поражающий все тело или несколько его частей (например, болезнь Пар-кинсона). Учреждения здравоохранения (например, больница) также могут иметь свои соответствующие цифровые двойники медицинских организаций или структурных подразделений для лучшего планирования, мониторинга и оптимизации их работы.
Цифровые двойники могут относиться к различным уровням сложности (или степеням абстракции), которые применяются к обработке данных. Уровень сложности цифрового двойника связан с точностью воспроизведения данных, доступным инструментарием сопряженности, а также встроенной системой обучения и ее автономией (данные и алгоритмы).
Как и во многих отраслях промышленности, Интернет вещей (1оТ) оказал широконаправленное влияние на сектор здравоохранения [8], собирая данные в реальном времени с клинических и медицинских устройств. Это позволило сделать доступными важные данные, передаваемые посредством электронных медицинских карт, с помощью удаленного мониторинга, а также записей, генерируемых пациентами. Другие технологии, которые развиваются параллельно - искусственный интеллект (включая машинное обучение), телемедицина, технологии распределенного реестра (включая блокчейн). Результаты объединения всех этих технологий дают огромный синергетический эффект,
Менеджер
здравоохранения /
Manager № В
ZdrevoochreneniB 2022
обеспечивая актуальной и ценной информацией медицинских работников, пациентов, органы здравоохранения.
Цифровой двойник в ряду этих технологий может внести свой вклад, заменяя дорогостоящие и ресурсоемкие лабораторные эксперименты моделированием т silico [9]. Учитывая сложность и комплексность взаимосвязи различных типов систем в человеческом организме, создание адекватного, полноценного цифрового двойника человека может быть далеким от реальности. Тем не менее, возможность воспроизведения даже небольшой части человеческого организма, например, клеточного рецептора или субклеточной органеллы, может вывести современную медицину на совершенно новый уровень. Фактически, многие исследовательские инициативы заложили основу для создания цифровых человеческих близнецов путем сбора молекулярных, геномных и других больших данных от здоровых людей и пациентов [10].
В настоящее время уже имеется опыт применения технологии «цифровой двойник» в разных сегментах медицины.
Lehrаch и соавт. [11] предложили индивидуальную систему лечения и профилактики заболеваний с использованием «виртуальных близнецов», которые предназначены для моделирования биологии пациентов и их заболеваний с использованием широкого спектра собираемых данных (клинические данные, данные визуализации, данные с медицинских приборов и носимых устройств).
В другом исследовании С1"ю и соавт. [12] продемонстрировали использование цифровых близнецов для ортодонтического лечения корейских женщин. Для учета различий в строении лица корейских пациентов и пациентов европеоидной расы авторы реконструировали 3D-цифрового двойника каждого исследуемого пациента, объединив сканирование его лица и изображение конусно-лучевой компьютерной томографии (КЛКТ), чтобы обеспечить более точные измерения и оценку «сагиттального соотношения» между верхнечелюстными центральными резцами и лбом.
В последнее время наблюдается интерес к цифровым близнецам для лечения рассеянного склероза [13, 14], хронического многомерного заболевания, которое является частой причиной неврологической инвалидности у молодых людей. Создание разнообразных цифровых близнецов пациентов помогло бы оценить эффекты различных стратегий и методов лечения.
Еще одной важной областью приложения цифрового двойника является прецизионная кардиология [15]. Одно исследование описывает создание цифрового близнеца человека для определения тяжести стенозов сонных артерий по вибрации головы [16]. Другое исследование описывает методы для оценки ключевых свойств активации желудочков у отдельных субъектов путем использования синергии между неинвазивной электрокардиографией, магнитно-резонансной томографией сердца и имитационным моделированием [17]. В недавнем исследовательском проекте был предложен рабочий процесс для автоматизации генерации цифрового двойника сердца, в котором приоритет отдавался точности реплицируемой модели и эффективности ее построения [18].
Ряд исследований посвящен применению цифрового двойника для лечения сахарного диабета [19-21], в них изучалось влияние программ ну-тритивной терапии (Twin Precision Nutrition (TPN), поддерживаемой технологией, на показатели гемоглобина A1c (HbA1c) [19] и другие показатели профиля глюкозы [20-21].
В колопроктологии цифровой двойник применялся для моделирования гидродинамических условий восходящей части толстой кишки [22]. В интенсивной терапии была создана цифровая модель пациента для прогнозирования специфического ответа на лечение в течение первых 24 часов после сепсиса [23]. Описан опыт применения цифровых двойников в онкологии для выбора оптимального метода лечения при плоскоклеточном раке ротоглотки [24], в лечении болевого синдрома для прогнозирования трансдермальной доставки фентани-ла [25], в реабилитации [26].
Цифровой двойник
в общественном здравоохранении
Цифровые двойники человека в персонализированной медицине создаются для конструирования органов, тканей или микроструктур тела. Однако в организации здравоохранения и общественном здравоохранении области применения цифровых двойников также обширны и позволяют моделировать влияние внешних факторов на здоровье человека, социальные взаимодействия, а также оптимизировать ресурсы для органов здравоохранения.
Уроки, извлеченные из пандемии COVID-19, показали возможности применения технологии «цифровой двойник» для прогнозирования распространения эпидемического процесса [27]
С
#хс
№ В Manager
2022 Zdravoochranania
/Менеджер
здравоохранения
и комплексного мониторинга состояния здоровья в популяции [28]. Цифровой двойник позволяет создать виртуальную систему для отслеживания вспышек заболеваний и управления ими, чтобы органы здравоохранения могли быть лучше подготовлены к эпидемии.
Описан опыт применения цифровых двойников для управления маршрутизацией пациентов на уровне региона [29], а также управление потоками пациентов в медицинском учреждении или его структурном подразделении [30]. Цифровые двойники используются для управления распределением ресурсов и прогнозирования загруженности клиники [31].
Цифровые двойники
для умных здоровых городов
(Smart healthy cities)
Основываясь на опыте борьбы с пандемией COVID-19 в Китае, Deren L. et al. [32] предложили использовать цифровой двойник как интегрированный компонент «умного города». Их многокомпонентная модель включает пространственно-временную базу данных пациентов, заполняемую из нескольких источников, платформы облачных вычислений и технологию определения местоположения с помощью искусственного интеллекта - все из которых работают совместно для эффективного реагирования на вспышку инфекционного заболевания. Система способна обеспечить отслеживание заболеваний с помощью анализа близости базы данных пациентов, а также быстро идентифицировать лица, которые имели тесный контакт с инфицированными.
EL Azzaoui et al. [33] продемонстрировали структуру для управления пандемией COVID-19 на уровне города с использованием цифровых двойников, интегрированных с технологией блокчейн. Последняя представляет собой децентрализованную систему, которая позволяет вносить данные в свою общую базу данных, в то же время делая очень трудным или невозможным вмешательство в уже записанные данные.
Помимо вышеупомянутых примеров применения COVID-19 в масштабах всего города, технология цифровых двойников в сочетании с географическими информационными системами (ГИС) может обеспечить столь желаемую интеллектуальную функциональность поддержки принятия решений для специалистов по планированию городского и общественного здравоохранения в широком
спектре приложений, от управления дорожным движением для служб мониторинга наводнений и ликвидации последствий наводнений в контексте «здоровых городов».
Эти городские близнецы выходят за рамки традиционных 3D-моделей городов, позволяющих «умным городам» динамически интегрировать ключевые факторы, такие как время и поведение людей, для лучшего мониторинга условий, тестирования различных сценариев вмешательства и прогнозирования того, как городская система будет реагировать на изменения, а также то, как это повлияет на население и общественное здоровье.
Schwartz et al. описывают важные конструктивные соображения для внедрения цифровых двойников в медицину и здравоохранение, включая, среди прочего, четкую визуализацию данных, простоту доступа, добавления и удаления источников данных и интеграцию в клинический рабочий процесс [34].
Консорциумы цифровых двойников, объединяющие представителей промышленности, правительства, научных кругов и практиков со всего мира, в ближайшие годы будут играть все более важную роль в стандартизации методов цифровых двойников и протоколов взаимодействия. Примерами таких консорциумов являются шведские компании, специализирующиеся на медицине и здравоохранении. Есть надежда, что в будущем станет широко доступным специальный универсальный набор для разработки программного обеспечения для цифровых двойников и более широкого применения их в медицине.
Заключение
Цифровые двойники, объединяющие данные, знания и алгоритмы, призваны произвести революцию в медицине и общественном здравоохранении. Впервые разработанные НАСА в 2010 году на основе концепции, предложенной Гривсом, цифровые двойники сегодня все чаще используются в различных отраслях промышленности. В отличие от аналогичного моделирования в промышленности, создание цифрового двойника в здравоохранении отличает повышенная сложность. Создание цифровых двойников требует моделирования биофизических систем и белковой структуры человеческого тела, что позволит исследовать вопросы лекарственного взаимодействия, эффективности и безопасности лечения. Используя электронные медицинские записи об отдельных пациентах и данные реальной клинической практики, технология
Менеджер
здравоохранения /
Maneger № В
ZdrevoochreneniB 2022
digital twin позволит расширить возможности персонализированных медицинских исследований. Их применение в медицине и общественном здравоохранении позволит приблизить необходимую
радикальную трансформацию традиционных электронных медицинских записей, чтобы подготовить их к новой эре прецизионной медицины и общественного здравоохранения.
1. Kamel Boulos M.N., Zhang P. Digital Twins: From Personalised Medicine to Precision Public Health. J Pers Med. 2021 Jul 29;11(8):745. DOI: 10.3390/jpm11080745. PMID: 34442389; PMCID: PMC8401029
2. U.S. FDA. Paving the Way for Personalized Medicine-Fda's Role in a New Era of Medical Product Development; U.S. Food and Drug Administration: Silver Spring, MD, USA, 2013. Available online: htt ps://www.f da news.com/ext/resources/files/10/10-28-13-Personalized-Medicine.pdf
3. Gelernter D. Mirror Worlds: Or the Day Software Puts the Universe in A Shoebox. How It Will Happen and What It Will Mean; Oxford University Press: Oxford, UK, 1993.
4. Grieves M. (2019)'Virtually intelligent product systems: Digital and physical twins. In: complex systems engineering: theory and practice. American Institute of Aeronautics and Astronautics, P. 175-200.
5. Grieves M. Product Lifecycle Management: Driving the Next Generation of Lean Thinking: Driving the Next Generation of Lean Thinking: Driving the Next Generation of Lean Thinking; McGraw Hill Education: New York, NY, USA, 2005.
6. Grieves M.W. Product lifecycle management: The new paradigm for enterprises. Int. J. Prod. Dev. 2005, 2, 71-84.
7. Piascik R, Vickers J, Lowry D. et al (2010)'Technology area 12: materials, structures, mechanical systems, and manufacturing road map.
8. Boulos K.M.N., Al-Shorbaji N.M. On the internet of things, smart cities and the WHO healthy cities. Int. J. Health Geogr. 2014, 13, 10.
9. Piplani S, Singh P.K., Winkler D.A., Petrovsky N. In silico comparison of SARS-CoV-2 spike protein-ACE2 binding affinities across species and implications for virus origin. Sci. Rep. 2021, 11, 13063.
10. Telenti A., Pierce L.C.T, Biggs W.H, di lulio J, Wong E.H.M., Fabani M.M, Kirkness E.F., Moustafa A., Shah N, Xie C. et al. Deep sequencing of 10,000 human genomes. Proc. Natl. Acad. Sci. USA 2016, 113, 11901-11906.
11. Lehrach H, lonescu A., Benhabiles N. The Future of Health Care: Deep Data, Smart Sensors, Virtual Patients and the Internet-of-Humans (White Paper-2016). Available online: https://docs. wixstatic.com/ugd/2b9f87_40d29af47a9742498cbbbd484e0174e0.pdf (Accessed on 2 May 2022).
12. Cho S.W., Byun S.H., Yi S, Jang WS., Kim J.C., Park I.Y., Yang B.E. Sagittal relationship between the maxillary central incisors and the forehead in digital twins of korean adult females. J. Pers. Med. 2021, 11, 203.
13. Voigt I., Inojosa H, Dillenseger A., Haase R, Akgun K, Ziemssen T. Digital twins for multiple sclerosis. Front. Immunol. 2021, 12, 669811.
14. Walsh J.R., Smith A.M., Pouliot Y, Li-Bland D, Loukianov A., Fisher C.K. Generating digital twins with multiple sclerosis using probabilistic neural networks. arXiv 2020, arXiv:2002.02779. Available online: https://arxiv.org/abs/2002.02779 (Accessed on 2 May 2022).
15. Corral-Acero J, Margara F, Marciniak M, Rodero C, Loncaric F, Feng Y, Gilbert A., Fernandes J.F., Bukhari H.A., Wajdan A. et al. The 'Digital Twin' to enable the vision of precision cardiology. Eur. Heart J. 2020, 41, 4556-4564.
16. Chakshu N.K., Carson J., Sazonov I., Nithiarasu P. A semi-active human digital twin model for detecting severity of carotid stenoses from head vibration-A coupled computational mechanics and computer vision method. Int J Numer Method Biomed Eng. 2019 May; 35(5): e3180. DOI: 10.1002/cnm.3180. Epub 2019 Feb 20. PMID: 30648344; PMCID: PMC6593817.
17. Camps J., Lawson B., Drovandi C., Minchole A, Wang Z.J., Grau V, Burrage K., Rodriguez B. Inference of ventricular activation properties from non-invasive electrocardiography. Med Image Anal. 2021 Oct; 73:102143. DOI: 10.1016/j.media.2021.102143. Epub 2021 Jun 23. PMID: 34271532; PMCID: PMC8505755.
18. Gillette K., Gsell M.A.F., Prassl A.J., Karabelas E, Reiter U., Reiter G., Grandits T., Payer C., Stern D., Urschler M. et al. A framework for the generation of digital twins of cardiac electrophysiology from clinical 12-leads ECGs. Med. Image Anal. 2021, 71, 102080.
•КС
№ В Manager
2022 Zdravoochranenia
/Менеджер
здравоохранения
19. Shamanna P., Saboo B., Damodharan S., Mohammed J, Mohamed M, Poon Т., Kleinman N, Thajudeen M. Reducing HbAlc in Type 2 Diabetes Using Digital Twin Technology-Enabled Precision Nutrition: A Retrospective Analysis. Diabetes Ther. 2020 Nov; 11(11 ):2703—2714. DOI: 10.1007/ s13300-020-00931-w. Epub 2020 Sep 25. PMID: 32975712; PMCID: PMC7547935.
20. Shamanna P., Dharmalingam M, Sahay R, Mohammed J, Mohamed M., Poon T, Kleinman N, Thajudeen M. Retrospective study of glycemic variability, BMI, and blood pressure in diabetes patients in the Digital Twin Precision Treatment Program. Sci Rep. 2021 Jul 21;11(1):14892. DOI: 10.1038/ s41598-021 -94339-6. PMID: 34290310; PMCID: PMC8295289.
21. Shamanna P., Joshi S, Shah L, Dharmalingam M, Saboo B, Mohammed J., Mohamed M, Poon Т., Kleinman N, Thajudeen M, Keshavamurthy A. Type 2 diabetes reversal with digital twin technology-enabled precision nutrition and staging of reversal: a retrospective cohort study. Clin Diabetes Endocrinol. 2021 Nov 15;7(1):21. DOI: 10.1186/s40842-021-00134-7. PMID: 34776010; PMCID: PMC8591797.
22. Schtitt M, O'Farrell C, Stamatopoulos K, Hoad C.L., Marciani L, Sulaiman S, Simmons M.J.H., Batchelor H.K., Alexiadis A. Simulating the Hydrodynamic Conditions of the Human Ascending Colon: A Digital Twin of the Dynamic Colon Model. Pharmaceutics. 2022 Jan 13;14(1):184. DOI: 10.3390/ pharmaceutics14010184. PMID: 35057077; PMCID: PMC8778200.
23. Lai A., Li G, Cubro E, Chalmers S, Li H, Herasevich V,, Dong Y, Pickering B. W, Kilickaya O, Gajic O. Development and Verification of a Digital Twin Patient Model to Predict Specific Treatment Response During the First 24 Hours of Sepsis. Crit Care Explor. 2020 Nov 16;2(11): e0249. DOI: 10.1097/CCE.0000000000000249. PMID: 33225302; PMCID: PMC7671877.
24. Tardini E, Zhang X., Canahuate G, Wentzel A., Mohamed A.S.R., Van Dijk L, Fuller C.D., Marai G.E. Optimal Treatment Selection in Sequential Systemic and Locoregional Therapy of Oropharyngeal Squamous Carcinomas: Deep Q-Learning With a Patient-Physician Digital Twin Dyad. J Med Internet Res. 2022 Apr 20;24(4): e29455. DOI: 10.2196/29455. PMID: 35442211; PMCID: PMC9069283.
25. Bahrami F., Rossi R.M., Defraeye T. Predicting transdermal fentanyl delivery using physics-based simulations for tailored therapy based on the age. Drug Deliv. 2022 Dec;29(1):950-969. DOI: 10.108 0/10717544.2022.2050846. PMID: 35319323; PMCID: PMC8956318.
26. Digital Twin: an Option for the Integrated Design of Upper Limb Robotic Exoskeletons for rehabilitation Tasks / J. A.C. Armero, M.T. Quezada, L.B. V6zquez [et al.] // ARPN Journal of Engineering and Applied Sciences. - 2021. - Vol. 16. - No 6. - P. 686-697. - EDN VHOVQN.
27. BarbieroP. Graph Representation Forecasting of Patient's Medical Conditions: Toward a Digital Twin / P. Barbiero, R. Vicas Tornfi, P. Liy // Frontiers in genetics. - 2021. - Vol. 12. - No FEB. - P. 652907. -DOI: 10.3389/fgene.2021.652907. - EDN ZZCHPL.
28. A Digital Twin approach based on nonparametric Bayesian network for complex system health monitoring / J. Yu, Y. Song, D. Tang, J. Dai // Journal of Manufacturing Systems. - 2020. -DOI: 10.1016/j.jmsy.2020.07.005. - EDN QZUYHF.
29. Евдаков В.А., Олейник Б.А., Плечев В.В., Меркушин И.Л. Оценка влияния межрегиональной маршрутизации пациентов с острым коронарным синдромом с подъемом сегмента ST на снижение смертности от острого инфаркта миокарда на модели цифрового двойника Курганской области / В.А. Евдаков, Б.А. Олейник, В.В. Плечев, И.Л. Меркушин // Менеджер здравоохранения. -2022. - № 2. - С. 49-56. - DOI: 10.21045/1811-0185-2022-2-49-56. - EDN FXMHVA.
30. Пальмов С.В. Моделирование работы офтальмологической клиники средствами AnyLogic / С.В. Пальмов, Д.Г. Белякова // Глобальный научный потенциал. - 2019. - № 3(96). - С. 163-169. -EDN JUPPEV.
31. Филиппова К.А., Крылова Ю.И., Красильников И.А., Курапеев Д.И. Создание имитационной модели для проектирования реконструкции приемного отделения // Десятая всероссийская научно-практическая конференция по имитационному моделированию и его применению в науке и промышленности «Имитационное моделирование. Теория и практика» (ИММ0Д-2021): Труды конференции (Электронное издание), Санкт-Петербург, 20-22 октября 2021 года / Редакторы Плотников А.М., Долматов М.А., Смирнова Е.П. - Санкт-Петербург: АО «Центр технологии судостроения и судоремонта», 2021. - С. 421-424. - EDN WMPIDG.
32. Deren L., Wenbo Y, Zhenfeng S. Smart city based on digital twins. Comput. Urban Sci. 2021, 1, 4.
33. EL Azzaoui A, Kim T.W., Loia V, Park J.H. Blockchain-based secure digital twin framework for smart healthy city. Adv. Multimed. Ubiquitous Eng. 2021, 716, 107-113. Available online: https://www. ncbi.nlm.nih.gov/pmc/articles/PMC7981409/(Accessed on 2 July 2021).
34. Schwartz S.M., Wildenhaus K., Bucher A., Byrd B. Digital twins and the emerging science of self: Implications for digital health experience design and "small" data. Front. Comput. Sci. 2020, 2, 31.
Менеджер
здравоохранения /
Meneger № 6
ZdrevoochreneniB 2022
ORIGINAL PAPER
EXPERIENCE AND PROSPECTS OF DIGITAL TWINS APPLICATION IN PUBLIC HEALTHCARE
Yu.A. Zuenkova
FGAOU VO Peoples' Friendship University of Russia, RUDN University, Moscow, Russia.
https://orcid.org/0000-0002-3660-0476
ABSTRACT
Digitalization of healthcare opens up opportunities for applying new approaches to the organization of medical care, improving its quality, optimizing the use of healthcare resources. Digital twin is one of the new approaches, a virtual model of a physical object with dynamic bidirectional connections between a physical object and its corresponding twin in a digital environment. Digital twins allow to study, create and test new hypotheses, conduct experiments and research in silico. The aim of the study is to describe the existing Russian and foreign experience in the practical application of digital twins in the field of healthcare. Materials and methods. The literature review was conducted in Pubmed and Elibrary databases. Publications describing ethical and regulatory aspects, industrial, engineering or logistics applications were excluded. The articles have passed two rounds of peer review. Results. Digital twins are used in clinical medicine to test new methods of treatment and the body's response to them, to simulate the work of organs and tissues. The application of the technology for the development of precision therapy in cardiology, oncology, endocrinology, gastroenterology, orthodontic treatment, rehabilitation, intensive care is described. The digital twin can be used by health authorities to model patient behavior, predict the spread of the infectious process, the work of a medical institution and its structural units in order to optimize resources. Conclusions. The article provides an overview of technology and the main areas of application of digital twins for personalized medicine, public health and smart healthy cities. The prospects for using digital twins lie in the field of creating smart "healthy" cities and regions. Keywords: digital twin, imitation modelling, big data, digital healthcare, precision medicine.
For citation: Zuenkova Yu.A. Experience and prospects of digital twins application in public healthcare // Manager Zdravoohranenia. 2022; 6: 69-77. DOI: 10.21045/1811-0185-2022-6-69-77.
REFERENCES
1. Kamel Boulos M.N., Zhang P. Digital Twins: From Personalised Medicine to Precision Public Health. J Pers Med. 2021 Jul 29;11(8):745. DOI: 10.3390/jpm11080745. PMID: 34442389; PMCID: PMC8401029
2. U.S. FDA. Paving the Way for Personalized Medicine-Fda's Role in a New Era of Medical Product Development; U.S. Food and Drug Administration: Silver Spring, MD, USA, 2013. Available online: https://www.fdanews.com/ ext/resources/files/10/10-28-13-Personalized-Medicine.pdf
3. Gelernter D. Mirror Worlds: Or the Day Software Puts the Universe in A Shoebox. How It Will Happen and What It Will Mean; Oxford University Press: Oxford, UK, 1993.
4. Grieves M. (2019)'Virtually intelligent product systems: Digital and physical twins. In: complex systems engineering: theory and practice. American Institute of Aeronautics and Astronautics, P. 175-200.
5. Grieves M. Product Lifecycle Management: Driving the Next Generation of Lean Thinking: Driving the Next Generation of Lean Thinking: Driving the Next Generation of Lean Thinking; McGraw Hill Education: New York, NY, USA, 2005.
6. Grieves M.W. Product lifecycle management: The new paradigm for enterprises. Int. J. Prod. Dev. 2005, 2, 71-84.
7. Piascik R., Vickers J., Lowry D. et al (2010)'Technology area 12: materials, structures, mechanical systems, and manufacturing road map.
8. Boulos K.M.N., Al-Shorbaji N.M. On the internet of things, smart cities and the WHO healthy cities. Int. J. Health Geogr. 2014, 13, 10.
9. Piplani S., Singh P.K., Winkler D.A., Petrovsky N. In silico comparison of SARS-CoV-2 spike protein-ACE2 binding affinities across species and implications for virus origin. Sci. Rep. 2021, 11, 13063.
10. Telenti A., Pierce L.C.T., Biggs W.H., di lulio J., Wong E.H.M., Fabani M.M., Kirkness E.F., Moustafa A., Shah N., Xie C. et al. Deep sequencing of 10,000 human genomes. Proc. Natl. Acad. Sci. USA 2016, 113, 11901-11906.
11. Lehrach H., lonescu A, Benhabiles N. The Future of Health Care: Deep Data, Smart Sensors, Virtual Patients and the Internet-of-Humans (White Paper-2016). Available online: https://docs.wixstatic.com/ugd/2b9f87_40d29af 47a9742498cbbbd484e0174e0.pdf (Accessed on 2 May 2022).
8l
•КС
№ В Manager
2022 Zdravoochranenia
/Менеджер
здравоохранения
12. Cho S.W., Byun S.H., YiS., Jang W.S., Kim J.C., Park I.Y., Yang B.E. Sagittal relationship between the maxillary central incisors and the forehead in digital twins of korean adult females. J. Pers. Med. 2021, 11, 203.
13. Voigt I., Inojosa H., Dillenseger A., Haase R, Akgün K, Ziemssen T. Digital twins for multiple sclerosis. Front. Immunol. 2021, 12, 669811.
14. Walsh J.R., Smith A.M., Pouliot Y, Li-Bland D, Loukianov A., Fisher C.K. Generating digital twins with multiple sclerosis using probabilistic neural networks. arXiv 2020, arXiv:2002.02779. Available online: https://arxiv.org/ abs/2002.02779 (Accessed on 2 May 2022).
15. Corral-Acero J, Margara F., Marciniak M, Rodero C, Loncaric F., Feng Y, Gilbert A., Fernandes J.F., Bukhari H.A., Wajdan A. et al. The 'Digital Twin' to enable the vision of precision cardiology. Eur. Heart J. 2020, 41, 4556-4564.
16. Chakshu N.K., Carson J., Sazonov I., Nithiarasu P. A semi-active human digital twin model for detecting severity of carotid stenoses from head vibration-A coupled computational mechanics and computer vision method. Int J Numer Method Biomed Eng. 2019 May; 35(5): e3180. DOI: 10.1002/cnm.3180. Epub 2019 Feb 20. PMID: 30648344; PMCID: PMC6593817.
17. Camps J., Lawson B., Drovandi C., Minchole A., Wang Z.J., Grau V, Burrage K., Rodriguez B. Inference of ventricular activation properties from non-invasive electrocardiography. Med Image Anal. 2021 Oct; 73:102143. DOI: 10.1016/j.media.2021.102143. Epub 2021 Jun 23. PMID: 34271532; PMCID: PMC8505755.
18. Gillette K., Gsell M.A.F., Prassl A.J, Karabelas E, Reiter U., Reiter G, Grandits T, Payer C., Stern D., Urschler M. et al. A framework for the generation of digital twins of cardiac electrophysiology from clinical 12-leads ECGs. Med. Image Anal. 2021, 71, 102080.
19. Shamanna P., Saboo B., Damodharan S., Mohammed J, Mohamed M., Poon T., Kleinman N., Thajudeen M. Reducing HbA1c in Type 2 Diabetes Using Digital Twin Technology-Enabled Precision Nutrition: A Retrospective Analysis. Diabetes Ther. 2020 Nov; 11(11):2703-2714. DOI: 10.1007/s13300-020-00931-w. Epub 2020 Sep 25. PMID: 32975712; PMCID: PMC7547935.
20. Shamanna P., Dharmalingam M, Sahay R., Mohammed J., Mohamed M., Poon T., Kleinman N., Thajudeen M. Retrospective study of glycemic variability, BMI, and blood pressure in diabetes patients in the Digital Twin Precision Treatment Program. Sci Rep. 2021 Jul 21; 11(1):14892. DOI: 10.1038/s41598-021 -94339-6. PMID: 34290310; PMCID: PMC8295289.
21. Shamanna P., Joshi S., Shah L., Dharmalingam M, Saboo B., Mohammed J., Mohamed M, Poon T., Kleinman N., Thajudeen M., Keshavamurthy A. Type 2 diabetes reversal with digital twin technology-enabled precision nutrition and staging of reversal: a retrospective cohort study. Clin Diabetes Endocrinol. 2021 Nov 15;7(1):21. DOI: 10.1186/s40842-021-00134-7. PMID: 34776010; PMCID: PMC8591797.
22. Schütt M., O'Farrell C., Stamatopoulos K., Hoad C.L., Marciani L., Sulaiman S., Simmons M.J.H., Batchelor H.K., Alexiadis A. Simulating the Hydrodynamic Conditions of the Human Ascending Colon: A Digital Twin of the Dynamic Colon Model. Pharmaceutics. 2022 Jan 13; 14(1):184. DOI: 10.3390/pharmaceutics14010184. PMID: 35057077; PMCID: PMC8778200.
23. Lal A., Li G., Cubro E, Chalmers S., Li H., Herasevich V., Dong Y, Pickering B.W., Kilickaya O., Gajic O. Development and Verification of a Digital Twin Patient Model to Predict Specific Treatment Response During the First 24 Hours of Sepsis. Crit Care Explor. 2020 Nov 16; 2(11): e0249. DOI: 10.1097/CCE.0000000000000249. PMID: 33225302; PMCID: PMC7671877.
24. Tardini E, Zhang X., Canahuate G., Wentzel A., Mohamed A.S.R., Van Dijk L.., Fuller C.D., Marai G.E. Optimal Treatment Selection in Sequential Systemic and Locoregional Therapy of Oropharyngeal Squamous Carcinomas: Deep Q-Learning With a Patient-Physician Digital Twin Dyad. J Med Internet Res. 2022 Apr 20; 24(4): e29455. DOI: 10.2196/29455. PMID: 35442211; PMCID: PMC9069283.
25. Bahrami F., Rossi R.M., Defraeye T. Predicting transdermal fentanyl delivery using physics-based simulations for tailored therapy based on the age. Drug Deliv. 2022 Dec; 29(1):950-969. DOI: 10.1080/10717544.2022.2050846. PMID: 35319323; PMCID: PMC8956318.
26. Digital Twin: an Option for the Integrated Design of Upper Limb Robotic Exoskeletons for rehabilitation Tasks / J. A.C. Armero, M.T. Quezada, L.B. V6zquez [et al.] // ARPN Journal of Engineering and Applied Sciences. -2021. - Vol. 16. - No 6. - P. 686-697. - EDN VHOVQN.
27. Barbiero P. Graph Representation Forecasting of Patient's Medical Conditions: Toward a Digital Twin / P. Barbiero, R. Vicas Torné, P. Liy // Frontiers in genetics. - 2021. - Vol. 12. - No FEB. - P . 652907. -DOI: 10.3389/fgene.2021.652907. - EDN ZZCHPL.
28. A Digital Twin approach based on nonparametric Bayesian network for complex system health monitoring / J. Yu, Y. Song, D. Tang, J. Dai // Journal of Manufacturing Systems. - 2020. - DOI: 10.1016/j.jmsy.2020.07.005. -EDN QZUYHF.
29. Evdakov V.A., Oleinik B.A., Plechev V.V., Merkushin I.L. Evaluation of the effect of interregional routing of patients with acute coronary syndrome with ST segment elevation on reducing mortality from acute myocardial infarction on the digital twin model of the Kurgan region /V.A. Evdakov,B.A. Oleinik,V.V. Plechev,I.L. Merkushin // Health care manager. - 2022. - No. 2. - P. 49-56. - DOI: 10.21045/1811 0185 2022 2 49-56. - EDN FXMHVA.
Менеджер
здравоохранения /
Meneger № 6
ZdrevoochreneniB 2022
30. Palmov S.V. Modeling the work of an ophthalmological clinic by means of AnyLogic / S.V. Palmov, D.G. Belyakova // Global scientific potential. - 2019. - № 3(96). - P. 163-169. - EDN JUPPEV.
31. Filippova K.A., Krylova Yu.I, Krasilnikov I.A., Kurapeev D.I. Creation of a simulation model for designing the reconstruction of the reception department // The tenth All-Russian Scientific and practical conference on simulation modeling and its application in science and industry "Simulation modeling. Theory and Practice" (IMMOD2021): Proceedings of the conference (Electronic edition), St. Petersburg, October 20-22, 2021 / Editors Plotnikov A.M., Dolmatov M.A., Smirnova E.P. - St. Petersburg: JSC "Center for Shipbuilding and Ship Repair Technology", 2021. - P. 421-424. - EDN WMPIDG.
32. Deren L, Wenbo Y, Zhenfeng S. Smart city based on digital twins. Comput. Urban Sci. 2021, 1, 4.
33. EL Azzaoui A., Kim T.W, Loia V, Park J.H. Blockchain-based secure digital twin framework for smart healthy city. Adv. Multimed. Ubiquitous Eng. 2021, 716, 107-113. Available online: https://www.ncbi.nlm.nih.gov/pmc/ articles/PMC7981409/(Accessed on 2 July 2021).
34. Schwartz S.M., Wildenhaus K, Bucher A., Byrd B. Digital twins and the emerging science of self: Implications for digital health experience design and "small" data. Front. Comput. Sci. 2020, 2, 31.
Информация о финансировании. Финансирование данной работы не проводилось. Funding. Funding for this work was not carried out.
Конфликт интересов. Все авторы сообщают об отсутствии конфликтов интересов. Conflict of interest. All authors report no conflicts of Interest.
ИНФОРМАЦИЯ ОБ АВТОРАХ / ABOUT THE AUTHORS
Зуенкова Юлия Александровна — д-р делового администрирования, член Совета Гильдии маркетологов, преподаватель кафедры организации здравоохранения, лекарственного обеспечения, медицинских технологий и гигиены ФНМО Медицинского института ФГАОУ ВО «Российский университет дружбы народов», г. Москва, Россия.
Yulia A. Zuenkova - doctor of business administration, Marketing Guild Union member, faculty teacher at FNMO, Medical Institute, Peoples' Friendship University of Russia, Moscow, Russia.
E-mail: [email protected] Scopus ID: 57223995388. ORCID: https://orcid.org/0000-0002-3660-0476
№ 6 Manager
2022 Zdravoochranenia
/Менеджер
здравоохранения
