Digital Twin

Was ist eigentlich ein digitaler Patient*innen-Zwilling?

Der digitale Zwilling wird für bestimmte Organe wie Herz und Leber erforscht und entwickelt. Aber was ist eigentlich ein digitaler Patient*innen-Zwilling? Schauen wir uns an, was das sein könnte und welche Anwendungen zum Konzept beitragen.

10 min

Peter Aulbach

Veröffentlicht am March 21, 2023

Es gibt mehrere Konzepte von digitalen Zwillingen in der Gesundheitswirtschaft und in der Gesundheitsversorgung. Ein zentraler Ansatz ist der digitale Patient*innen-Zwilling. Mit ihrer Hilfe werden Ärzt*innen immer besser vorhersagen können, wie ein Mensch altert, wann sich Erkrankungen abzeichnen, welchen Verlauf sie nehmen, und was die effektivste Behandlung für genau diesen Menschen ist.

Könnte ein digitaler Patient*innen-Zwilling kranken Menschen dabei helfen, so schnell wie möglich wieder ein normales Leben zu führen? Oder idealerweise verhindern, dass sie überhaupt erst krank werden? Das klingt aus heutiger Sicht wie ein großer Traum. Unser Film zeigt, wie es tatsächlich funktionieren könnte:

Diese Simulationen vom Gesundheitszustand der Patient*innen basieren auf biophysiologischen Datenmodellen, die mithilfe von Algorithmen erstellt werden. Im Prinzip verarbeitet der digitale Patient*innen-Zwilling alle erfassbaren Daten aus den unterschiedlichsten Quellen, ohne sie an einem einzigen Ort abspeichern zu müssen – und dass idealerweise ein Leben lang.

Der digitale Patient*innen-Zwilling verbindet die vorhandenen individuellen Gesundheitsinformationen in Echtzeit miteinander und gleicht sie fortwährend mit Ergebnissen aus Populationsstudien, Daten spezifischer Krankheitsbilder sowie individuellen Krankheitsverläufen, Medikationen, Diagnostiken oder Therapien anderer Betroffener ab.

Unter Berücksichtigung von Evidenzen, gepaart mit klinischen Leitlinien und gesundheitsökonomischer Aspekte ermöglicht er Mediziner*innen so ein ganzheitliches, individuelles, übergreifendes Vorsorge- oder Behandlungsregime.

Es gibt vier wesentliche Voraussetzungen für die praktische Umsetzung:

Das Krankenhaus muss ausreichend digital vernetzt sein.
Die Daten müssen strukturiert und annotiert vorliegen.
Die Patienten müssen zu jeder Zeit über die Nutzung ihrer Daten entscheiden können.
Das medizinische Fachpersonal muss Zugriff auf die im digitalen Patient*innen-Zwilling aufbereiteten Informationen haben und diese digitale Oberfläche auch im klinischen Alltag anwenden können.

Es ist noch ein langer Weg, den digitalen Patient*innen-Zwilling im Gesundheitswesen umfassend und übergreifend zu realisieren. Aber diese Technologie ist keine Science-Fiction mehr. Es sind bereits leistungsfähige KI-basierte Anwendungen im Einsatz, die auf das Konzept des digitalen Patient*innen-Zwilling einzahlen:

: Mit Hilfe künstlicher Intelligenz lassen sich Routineprozesse in der Radiologie automatisieren. So können Bildfehler reduziert werden. Über zusätzliche Sensoren (Bsp. BioMatrix MR, Fast3D Cam CT) und Algorithmen können die Körper- und Organbewegungen ausgewertet werden. Die Aufnahme des Computertomographen kann automatisch geplant werden, um optimale Einstellungen für die bestmögliche Bildqualität sicher zu stellen. Das ist besonders hilfreich, um etwa Lungenkrebs oder koronare Herzkrankheit sicher zu diagnostizieren und das Fortschreiten dieser Erkrankung präzise und standardisiert nachzuverfolgen.
Darüber hinaus unterstützt künstliche Intelligenz die Radiolog*innen bei der Auswertung großer Mengen von Bilddaten. Über Algorithmen ist es möglich, Bilder in hoher Fallzahl zu systematisieren. So werden Anatomien automatisch beschriftet, die Ergebnisse mit Referenzwerten verglichen und Auffälligkeiten besonders hervorgehoben (Bsp. Syngo Carbon²). Damit lassen sich die “Imaging Biomarker” automatisch extrahieren und beispielsweise gutartige von bösartigen Strukturen unterscheiden. Die künstliche Intelligenz kann radiologische Auffälligkeiten routinemäßig erkennen, die dem menschlichen Auge teils schwer oder gar nicht zugänglich sind, und assistieren.
: Auch in der Strahlentherapievorbereitung kann der digitale Patient*innen-Zwilling die Mediziner*innen bereits unterstützen. Mit Hilfe der künstlichen Intelligenz können Tumorkontraste, -grenzen und -volumen sowie Gewebeveränderungen automatisiert bestimmt werden. Dadurch lässt sich bei der Konturierung der Risikoorgane von bis zu einer Stunde pro Patient*innen Zeit sparen. Wobei die besten KI-basierten Konturierungsergebnisse auf speziell ausgeleiteten Rohdaten des CT-Gerätes beruhen, die nicht für die Befundung durch das menschliche Auge optimiert sind (Bsp. ADMIRE CT, MR Deep Resolve).
Über Datenmodelle kann berechnet werden, ob und wie Patient*innen auf eine Bestrahlung ansprechen werden. Dadurch lassen sich die Dauer, Dosis und Häufigkeit der einzelnen Einheiten individuell optimieren. Das macht die Behandlung von Tumoren noch effizienter und effektiver. In einer klinischen Studie, die 2019 im Fachjournal Lancet veröffentlicht wurde, konnte das für die Strahlentherapie von Lungenkrebs nachgewiesen werden. Demnach erzielt diese Methode ein bis zu 45 Prozent besseres Behandlungsergebnis als eine Standardbestrahlung (Lou et al. 2019).
KI- und robotergestützte Neurointerventionen, basierend auf digitalen Patient*innen-Zwillingen, eröffnen neue Dimensionen im Bereich der zerebrovaskulären Therapeutik (Bsp. Artis icono und Corindus Roboter). Bei der Notfallbehandlung des Schlaganfalls kann in Zukunft eine katheterbasierte Therapie, wie bei Thrombektomie oder Coiling, aus der Ferne, durchgeführt werden, um die Dauer von den ersten Anzeichen bis zum therapeutischen Eingriff so minimal wie nur möglich zu gestalten.
: Die Übersetzung und Visualisierung von Daten in verständliche Befunde ist eine bedeutende Fähigkeit der digitalen Patient*innen-Zwillinge im Zusammenspiel mit künstlicher Intelligenz. Über Cinematic Rendering lässt sich der Gesundheitszustand von Patient*innen wirklichkeitsnah darstellen und die Behandlung anhand von 3D-Organmodellen besser vorbereiten und durchführen.
Dank Virtueller Realität (VR) und Augmented Reality (AR) lassen sich die vorhandenen klinischen Daten interaktiv einsehen, verwenden und bearbeiten. So arbeiten Chirurg*innen bereits mit 3D- Brillen. Forscher*innen fanden heraus, dass mit Hilfe von Cinematic Rendering übersetzte CT-Bilder ein schnelleres und genaueres Verständnis der Patient*innen-Anatomie ermöglichen. Die Chirurg*innen konnten die Aufgabe mit höherer Genauigkeit in etwa der Hälfte der Zeit bewältigen, und sie vermuten, dass die Technik auch der chirurgischen Planung und Entscheidungsfindung zugutekommt.

Der Mehrwert digitaler Patient*innen-Zwillinge

Grundlage für die Anwendung des digitalen Patient*innen-Zwillings ist eine digitale Infrastruktur. Obwohl die Technologie vorhanden ist, wird die Umsetzung dieser Konzepte in der klinischen Anwendung noch viele Jahre in Anspruch nehmen. Daher ist es wichtig, die Voraussetzungen in den Krankenhäusern schon heute zu schaffen, und kontinuierlich die jeweils verfügbaren Teillösungen zu implementieren.

Der Mehrwert des Konzeptes des digitalen Patient*innen-Zwillings für ein Krankenhaus ergibt sich aus der Vielzahl der möglichen Anwendungen in der Medizin und in der Verwaltung, die eine optimierte Steuerung der Gesundheitsversorgung ermöglichen. Diese Technologie wird unerlässlich in der klinischen Routine sein, um die wachsenden Datenmengen in entscheidungsrelevantes Wissen zu übersetzen. Damit wird das Betreuungskontinuum vor, während und nach der klinischen Behandlung noch individueller und präziser werden können. Der digitale Patient*innen-Zwilling wird es ermöglichen, die vorhandenen Ressourcen bewusster im Sinne der Patient*innen, Kliniken und Gesundheitssysteme einzusetzen.

Mehr über digitale Patient*innen-Zwillinge erfahren

Portrait of Chloé Audigier

Digital Twin

Wie erstellt man ein Computermodell der menschlichen Leber?

Digital Twin

Wenn ein Patient Twin Johns Herz beschützt

Digital Twin

„Für die Präzisionsmedizin werden digitale Zwillinge unerlässlich sein“

Digital Twin

Wie mein digitaler Zwilling mir half, den Krebs zu überleben

#Futureshaper

Shikhas Weg zum "Patient Twin"

Digital Twin

Die Geburtsstunde des digitalen Zwillings

Quellen: Lou B, Doken S, Zhuang T, Wingerter D, Gidwani M, Mistry N, Ladic L, Kamen A, Abazeed ME (2019) An image-based deep learning framework for individualising radiotherapy dose: a retrospective analysis of outcome prediction. The Lancet Digital Health 1, 136-147.

Von Peter Aulbach

Die hier erwähnten Produkte/Merkmale sind nicht in allen Ländern kommerziell verfügbar. Ihre zukünftige Verfügbarkeit kann nicht garantiert werden.

Syngo Carbon besteht aus mehreren Produkten, bei denen es sich um eigenständige (medizinische) Geräte handelt. Einige Produkte befinden sich in der Entwicklung und sind nicht im Handel erhältlich. Die zukünftige Verfügbarkeit kann nicht gewährleistet werden.