你的代谢,数字化

想象你的身体代谢有一个虚拟副本在计算机上运行,它可以预测在吃特定食物后你的血糖会如何飙升,你的睡眠模式如何影响你的胰岛素敏感性,或者哪些食物正在秘密地破坏你的健康目标。这就是Silicon Valley初创公司Twin Health背后的承诺,该公司开发了可能是消费者医疗中数字孪生技术最复杂的应用。

最近宣布了5,300万美元融资轮的这家公司,通过汇总来自多个可穿戴传感器的数据,为每个患者的代谢系统创建了AI驱动的数字副本。这些数字孪生每天处理数千个数据点,以生成高度个性化的营养、运动和生活方式建议,远远超越了通用饮食建议。

传感器生态系统

当患者注册Twin Health项目时,他们会收到一个包含四个关键设备的工具包:一个实时跟踪血糖水平的连续血糖监测仪、一个用于定期心血管检查的血压袖带、一个测量体重和身体成分指标的智能秤,以及一个监测身体活动、睡眠质量和压力指标的健身追踪器。

这些设备每天一共收集大约3,000个数据点。连续血糖监测仪本身每隔几分钟提供一次读数,创建了一幅详细的图景,展示血糖如何随时间对进食、运动、压力和睡眠做出反应。这种细粒度的数据收集将数字孪生方法与传统糖尿病管理区分开来,后者通常依赖于定期血液测试和偶尔的血糖读数。

所有传感器数据都流入一个单一的移动应用程序,其中AI系统处理这些数据以构建并持续改进患者的数字孪生。虚拟模型学习每个个体代谢的独特模式和反应,使得能够进行预测和建议,其特异性水平远超人口级的饮食指南所能实现的。

数字孪生如何提供指导

数字孪生的实际输出是通过Twin Health应用程序提供的个性化建议流。用户通过扫描食品标签、拍摄他们盘子的照片或通过语音记录餐食描述,整天记录他们的食物。AI分析营养内容并使用简单的信号灯系统对食物进行分类:绿色食物对特定患者的代谢是最优的,黄色食物应该适度食用,红色食物可能会引起有问题的代谢反应。

使这个系统特别强大的是它的个性化。一个对一个患者来说可能被分类为绿色的食物,对另一个患者来说可能是黄色或红色,这取决于他们个体的代谢反应模式。白米可能会使一个人的血糖急剧上升,而对另一个人可能只有中等影响。数字孪生学习这些个体差异并相应地调整其建议。

  • 系统每天处理来自连续血糖监测仪、血压袖带、智能秤和健身追踪器的3,000个数据点
  • AI根据每个患者独特的代谢反应模式将食物分类为绿色、黄色或红色
  • 临床试验显示2型糖尿病参与者的HbA1c平均降低1.8%
  • 在为期一年的研究中,89%的参与者实现了HbA1c水平低于7%,这是糖尿病管理的关键阈值
  • 该项目旨在帮助患者减少或消除包括Ozempic等昂贵GLP-1药物在内的药物

临床证据

Twin Health的方法得到了引起医学界关注的临床数据支持。在Scientific Reports期刊上发表的一项回顾性真实世界研究追踪了参与者一年的结果。结果令人瞩目:参与者表现出HbA1c的显著降低,即长期血糖控制的关键指标,平均变化为负1.8%。所研究的参与者中89%实现了HbA1c水平低于7%,美国糖尿病协会认为这是充分的血糖控制阈值。

这些结果特别重要,因为它们是在许多参与者同时减少糖尿病药物的情况下实现的。数字孪生方法不是简单地将另一种药物添加到已经复杂的药物方案中,而是旨在通过生活方式优化来解决根本的代谢功能障碍,可能随着时间的推移减少对药物干预的需要。

该公司还宣布其数字孪生AI可以支持可持续的体重减轻和消除GLP-1受体激动剂药物,这类药物包括Ozempic和Wegovy。鉴于与这些药物相关的巨大成本,在没有保险的情况下每月可能超过一千美元,一种技术驱动的替代方案可以帮助患者在没有持续药物治疗的情况下维持减肥,代表了显著的潜在成本节省。

医疗保健之外的数字孪生概念

数字孪生是物理系统的虚拟复制品,持续用真实世界的数据进行更新,已被工程和制造业使用了几十年。航空航天公司使用它们来监测喷气发动机,市政当局使用它们来模拟交通模式和基础设施压力。Twin Health的创新在于将这一概念应用于人体,创建对个人代谢的持续更新的计算模型。

医疗保健应用特别引人注目,因为2型糖尿病和肥胖症等代谢状况在其原因和进展方面高度个体化。两个诊断相同的患者可能对相同的饮食、运动方案或药物做出非常不同的反应。传统医学通过试错解决这个问题,医生根据定期实验室结果调整治疗。数字孪生方法将这个反馈循环从数周或数月加速到数小时,允许对治疗策略进行快速优化。

挑战和考虑事项

尽管有充满希望的临床数据,数字孪生代谢健康管理方法面临着多个挑战。多个可穿戴设备的要求造成了并非所有患者都会长期维持的合规性负担。连续血糖监测仪虽然越来越受欢迎,但仍然需要定期传感器更换,对某些用户可能不舒适。

数据隐私是另一个考虑因素。系统收集的健康数据量,包括连续血糖读数、体重测量、血压数据和详细的饮食日志,代表了患者日常生活的极其私密的写照。确保这些数据的安全并保持患者对其使用方式的信任,随着公司规模的扩大将变得至关重要。

还有可访问性的问题。虽然该技术展示了令人印象深刻的结果,但其当前的部署模式涉及一个基于订阅的计划,对于所有代谢状况的患者来说可能在经济上不可行。通过保险覆盖和雇主健康计划扩大访问权限,将对实现该技术解决人口层面糖尿病和肥胖症流行病的潜力至关重要。

不过,Twin Health呈现了一个引人注目的愿景,当连续传感器数据、人工智能和行为科学结合用于慢性病管理时,个性化医学会是什么样子。随着数字孪生模型的成熟和可穿戴传感器成本的继续下降,这种方法可能会从根本上改变数百万人管理代谢健康的方式。

本文基于Wired的报道。阅读原文.