持续更新患者与肿瘤的计算模型
2025 年，Uzma Saddia Asghar 与 Caroline Chung 在 Nature Reviews Cancer 发表评论，讨论数字孪生在个体化肿瘤治疗和药物开发中的应用。数字孪生可以描述癌细胞、肿瘤、患者或患者群体，并随着真实对象产生的新资料持续更新。
这种模型把数据采集、校准和治疗预测连成一个循环：临床检查更新模型，模型模拟不同方案的可能结果，后续治疗与检查又产生新的数据。作者将其与单个标志物匹配单种药物的常见做法相比较，提出同时预测多种药物反应的目标。
结合复发后的新资料调整治疗预测
在个体化治疗方面，作者设想用患者自身资料预测不同药物或联合用药方案的反应，帮助处理胰腺癌、三阴性乳腺癌等治疗选择困难的情况。模型的评价目标应与预期用途对应，例如预测某一治疗的效果或后续生存情况。
文章以肿瘤复发为例说明更新过程：从转移灶活检或液体活检获得的新分子资料，可以用于重新校准患者模型。两次活检之间积累的血液检测和影像资料，也能结合最新的肿瘤生物学信息重新分析，使后续预测反映疾病随时间发生的变化。
用虚拟队列比较药物与试验终点
在药物开发中，患者数字孪生可以组成虚拟队列，用于模拟单臂试验或多臂随机对照试验。作者提出比较新药单用、不同联合用药方案及标准治疗的效果，以更快评估候选试验设计。
文章还提出，随着技术成熟，虚拟队列可能补充对真实试验覆盖不足人群的认识，例如男性乳腺癌患者，以及部分黑人和亚洲患者群体。这是作者对后续应用的设想。
模拟终点可以从治疗反应扩展至总生存期。对于主要采用生存替代终点的试验，数字孪生的生存预测有望提供补充资料。
临床验证需要关注准确度和错误预测
评论写作时，作者介绍的肿瘤数字孪生技术仍用于研究，临床验证尚在进行，相关数据也未发表。作者建议，监管评价所要求的证据可以参考基因组标志物平台的审查要求，并结合肿瘤分子资料和计算算法的特点加以考虑。
技术难点包括模型过拟合、训练数据不足或异质性过大，以及如何量化预测不确定性。报告准确度有助于判断可靠性，但采用哪些指标、达到什么阈值，当时仍未形成清晰标准。
作者特别强调假阴性预测：如果模型错误判断患者不会对某种治疗产生反应，就可能使有效的治疗选择被忽略。验证因而还需要考察具体错误会怎样影响患者，而不能只关注一个总体准确率。
数据基础、计算费用与支付安排
能够常规获得肿瘤测序资料的医疗机构，更有条件应用这类技术；其余机构则需要先解决数据与基础设施问题。计算分析的新增成本由患者、医疗机构、医疗体系还是药企承担，也会影响实际推广。
作者提出，可将技术费用与改善肿瘤控制、减少无效化疗及相关就医所节省的成本一起评价。实施还涉及人工智能的伦理问题、监管审批路径和法律框架。文章因此呼吁临床与科研团队共同开展严格测试，用实际证据支持技术采用。