从预测到干预：用于个性化临床决策支持的因果数字孪生技术

《Journal of Translational Medicine》：From prediction to intervention: causal digital twins for personalized clinical decision support

提出整合结构因果模型、潜在结果框架与强化学习的统一框架，实现个体化反事实推理与动态治疗优化，推动精准医疗中的伦理决策支持。

　　

摘要

目标

本研究提出了一个统一的因果数字孪生框架，整合了结构因果模型（SCMs）、潜在结果框架和强化学习。其目标是实现个性化的反事实推理和动态治疗策略优化，从而超越预测，提供可操作、符合伦理且具有适应性的决策支持。

材料与方法

本研究通过将因果推理原理嵌入数字架构中，对每位患者的观察结果和反事实结果进行建模，从而形式化因果数字孪生的概念。通过因果建模估计个体化治疗效果（ITE），并利用强化学习技术优化序列决策过程。这项工作在方法论和概念层面做出了贡献。我们提出了一个用于构建和评估临床数字孪生的统一框架，并提供了一份涵盖验证、安全和伦理要求的实用检查清单。本研究没有引入新的数据集或算法基准。

结果

本文讨论了在现实临床环境中部署因果数字孪生所需的方法学要求、学习目标、评估策略和伦理考量。所提出的框架能够准确估计反事实结果，实现个性化治疗效果建模，并支持随时间变化的动态策略学习。

讨论

通过这种整合，数字孪生从静态预测工具演变为个性化的干预手段，为精准医疗提供了新的范式。因果数字孪生通过结合因果推理与动态模拟，实现了个性化、基于反事实的临床决策支持，是对现有数字孪生技术的革新性扩展。

结论

本研究为在未来基于人工智能的医疗系统中实现因果数字孪生奠定了方法论基础，对伦理医学、个性化医疗和适应性医疗具有深远影响。