Ein umfassender Review fasst den aktuellen Stand von Human Digital Twins (HDTs) zusammen – virtuellen, kontinuierlich aktualisierten Abbildern einzelner Patienten, die Echtzeitdaten mit computergestützten Modellen verbinden. Die Technologie soll künftig Behandlungsverläufe vorhersagen, Therapien optimieren und die Planung klinischer Studien verbessern. Die Übersichtsarbeit identifiziert sowohl das Potenzial als auch zentrale technische, regulatorische und ethische Hürden auf dem Weg in die klinische Praxis.
Contexto
Die personalisierte Medizin erfordert Modelle, die individuelle biologische, genetische und klinische Merkmale berücksichtigen. Bisherige computergestützte Ansätze arbeiten meist mit populationsbasierten Durchschnittswerten oder statischen Simulationen. Human Digital Twins gehen darüber hinaus: Sie schaffen dynamische virtuelle Patientenmodelle, die durch kontinuierliche Datenzufuhr (Genomik, Bildgebung, Wearables, Laborwerte) laufend aktualisiert werden und prädiktive Simulationen ermöglichen.
Base tecnológica
HDTs beruhen auf einer mehrschichtigen Architektur. Auf der Datenebene werden genomische, bildgebende, sensorische und klinische Informationen zusammengeführt. Machine-Learning-Verfahren, insbesondere Deep-Learning- und Transformer-Modelle, erfassen komplexe nichtlineare Zusammenhänge. Diese werden durch mechanistische physiologische Modelle ergänzt, die auf Differentialgleichungen für Blutfluss, elektrische Erregung oder Medikamentenwirkung basieren.
Federated Learning ermöglicht das Training über mehrere Kliniken hinweg, ohne dass sensible Rohdaten ausgetauscht werden müssen. Cloud-Infrastrukturen stellen die erforderliche Rechenleistung bereit. Die Modelle werden über Feedback-Schleifen kontinuierlich mit neuen Patientendaten aktualisiert.
Aplicações clínicas
Am weitesten fortgeschritten sind Anwendungen in der Kardiologie. Patientenspezifische Herzmodelle können Arrhythmierisiken abschätzen, die Implantation von Geräten optimieren und Therapieantworten simulieren. In der Onkologie werden genomische und bildgebende Daten genutzt, um das Ansprechen auf zielgerichtete Therapien oder Immuntherapien vorherzusagen. Im Bereich Immunologie dienen HDTs der Abschätzung von Impfreaktionen und dem Risiko schwerer Infektionsverläufe.
Virtuelle Patientenkohorten – also Gruppen simulierter individueller Zwillinge – sollen künftig helfen, klinische Studien effizienter zu gestalten und Patientengruppen mit hohem Nutzen- oder Risikopotenzial frühzeitig zu identifizieren.
Herausforderungen und offene Fragen
Trotz des Potenzials bestehen erhebliche Hürden. Es fehlen einheitliche Standards zur Validierung der Modelle hinsichtlich prädiktiver Genauigkeit und klinischer Relevanz. Die Interoperabilität zwischen unterschiedlichen Datensystemen und Institutionen ist unzureichend. Ethische und regulatorische Rahmenbedingungen – insbesondere zu Datenschutz, algorithmischer Verzerrung und Haftungsfragen – sind noch nicht ausreichend entwickelt.
Die meisten Anwendungen befinden sich derzeit noch im Forschungs- oder Pilotstadium. Prospektive klinische Studien, die einen klaren Nutzen von HDT-gestützten Entscheidungen belegen, fehlen weitgehend.
Perspectiva
Die Autoren skizzieren eine dreiphasige Forschungsroadmap bis 2035. In der ersten Phase stehen standardisierte Validierungsrahmen, Interoperabilitätsprotokolle und ethische Governance-Strukturen im Vordergrund. Später sollen regulatorische Wege geklärt und Pilotprojekte in der klinischen Routine umgesetzt werden.
Human Digital Twins gelten als vielversprechende Technologie für den Übergang von reaktiver zu proaktiver, personalisierter Medizin – vorausgesetzt, die technischen, regulatorischen und ethischen Herausforderungen werden systematisch gelöst.
FAQ
Was sind Human Digital Twins?
Dynamische, kontinuierlich aktualisierte virtuelle Modelle einzelner Patienten, die physiologische Prozesse, Krankheitsverläufe und Therapieantworten simulieren.
In welchen Bereichen sind sie am weitesten entwickelt?
Am weitesten fortgeschritten sind Anwendungen in der Kardiologie. Pilotprojekte gibt es in der Onkologie und Immunologie.
Welche Vorteile bieten sie?
Sie ermöglichen individualisierte Vorhersagen statt populationsbasierter Durchschnittswerte und die Erstellung virtueller Patientenkohorten für Studienplanung.
Was sind die größten Hindernisse?
Fehlende einheitliche Validierungsstandards, unzureichende Interoperabilität sowie noch unklare ethische und regulatorische Rahmenbedingungen.
Wann ist mit breitem klinischen Einsatz zu rechnen?
Nach Einschätzung der Autoren frühestens in der zweiten Hälfte der 2020er-Jahre, wenn Validierungs- und Governance-Fragen gelöst sind.
Quelle:
Mohan Babu A, Madhan ES. Human digital twins in personalized and predictive healthcare: a comprehensive review of technologies, applications, and future directions. Frontiers in Digital Health. 2026;8:1827007. doi:10.3389/fdgth.2026.1827007
