Digitale Zwillingsgeneratoren für die Krankheitsmodellierung

Der digitale Zwilling eines Patienten ist ein computergestütztes Modell, das die Entwicklung seiner Gesundheit über die Zeit beschreibt. Digitale Zwillinge haben das Potenzial, die Medizin zu revolutionieren, indem sie individuelle Computersimulationen der menschlichen Gesundheit ermöglichen, die zur Durchführung effizienterer klinischer Studien oder zur Empfehlung personalisierter Behandlungsoptionen genutzt werden können. Aufgrund der überwältigenden Komplexität der menschlichen Biologie sind maschinelle Lernansätze, die große Datensätze historischer longitudinaler Gesundheitsberichte von Patienten nutzen, um digitale Zwillinge von Patienten zu generieren, praktikabler als potenzielle mechanistische Modelle. In diesem Manuskript beschreiben wir eine Architektur für neuronale Netzwerke, die bedingte generative Modelle klinischer Verläufe lernen kann, die wir Digitale Zwillingsgeneratoren (DTGs) nennen, und die digitale Zwillinge einzelner Patienten erstellen kann. Wir zeigen, dass dieselbe Architektur von neuronalen Netzwerken trainiert werden kann, um genaue digitale Zwillinge für Patienten über 13 verschiedene Indikationen hinweg zu generieren, indem einfach der Trainingsdatensatz geändert und Hyperparameter abgestimmt werden. Durch die Einführung einer universellen Architektur wollen wir die Fähigkeit freischalten, maschinelle Lernansätze auf größere Datensätze und über mehr Indikationen hinweg zu skalieren, sodass ein digitaler Zwilling für jeden Patienten auf der Welt erstellt werden kann.