建立数字孪生社区，解决健康差距难题

解决健康差距并改善病患的诊疗效果，已经成为实现健康公平的关键所在。但解决这些难题，要求卫生系统深入了解社群需求并制定能够满足这些需求的针对性策略。

消除因缺乏健康公平性而造成差距的方法，往往需要侧重于涉及健康的社会决定因素（SDOH），即可能影响个人健康的各类非医疗因素，包括居住环境和工作地点等。

研究表明，克服这些问题需要采取基于实际地区的人口健康方法，借此改善社区条件以提振健康结果。正如2020年《美国医学会》（JAMA）杂志发表的文章所述，基于地区的健康改善方法包含多种途径，而其中一种极具前途的方案就是将卫生系统的人口健康工作重点，更多投入至高风险社区当中。

最近，克利夫兰诊所与MetroHealth的研究人员共同获得美国国立卫生研究院（NIH）的314万美元拨款，用于开发基于数字孪生、以社区为中心的模型，希望减少不同病患社群间的差距。

为了讨论这项工作及其在改善病患诊疗效果方面的作用，Health IT Analytics专门采访了克利夫兰诊所人口健康研究中心主任、此项目的领导者之一Jarrod Dalton博士。

使用数字孪生观测健康不平等问题

麦肯锡公司对数字孪生做出的定义，是“根据实体环境对物理对象、人或流程建立数字版表示”，帮助组织模拟现实场景中的潜在结果并指导决策流程。

Dalton表示，在医疗保健领域，数字孪生能够表达基因组数据，例如临床表型及核糖核酸（RNA）表达。

而此次数字孪生社区（Digital Twin Neighborhoods）项目的重点，在于从电子健康记录（EHR）中提取去身份化的健康信息，为克利夫兰诊所及MetroHealth所服务的真实社区建立数字副本。

虚拟社区副本将整合生物、社会及地理信息（包括社会决定因素数据），以期更好地了解相应社群中基于地区的健康状况与差距。

Dalton解释道，“克利夫兰诊所的关注重点，至少在这个初步项目中的重点，是应用数字孪生概念来理解社群差距与健康不平等现状，特别是涉及种族、民族和社会经济地位的真实情况。我们已经开展了大量研究，以各种方式记录了俄亥俄州东北部健康统计结果中个人及地区间的平等性失调。”

以这项工作为基础，Dalton及其团队得以在研究中记录不同社群间的健康差距，并研究这些差距背后的形成机制以及该如何解决这些差距。

他补充道，“我们相信，通过数字孪生进行模拟应该是解决问题的一种可行思路。例如，假设以特定方式改变这些社区周边的医疗环境，结果会如何；能否改善健康不平等问题等等。”

但在研究人员找出问题的答案之前，我们首先需要建立起相应的数字孪生基础设施。

建立数字孪生社区

Dalton指出，“我们将数字孪生社区，定义为居住在当前社区中的人口随时间变化的健康状况副本。”

他还强调称，数字孪生大多用于城市设计和市政规划，即模拟物理基础设施和环境。这样将帮助相关各方把握决策思路，例如建设新的道路将如何影响社区内的交通模式。

数字孪生社区项目也采用类似的方法，只是将关注重点放在社区健康状况身上，并模拟不同的干预措施将如何随时间推移影响社区内的健康状况和诊疗效果。

Dalton解释称，为了达成这个目标，每套数字孪生社区副本都是由算法生成的合成社群，其特征同现实世界中对应社群的特征密切匹配。

在此基础之上，研究团队会将各种医疗保健数据及其他信息源引入数字孪生社区当中，用以表示直接接触、慢性病蔓延风险、接触与疾病蔓延或者病情恶化之间的关联，以及这些疾病如何从起源一步步引发死亡风险增加和预期寿命降低。

数字孪生还使用基于地点的信息，希望解析这些因素怎样在社区健康中发挥重要作用。

Dalton表示，“我们认为社区环境其实是多种环境要素的组合。”其中包括社会环境、市政资源和毗邻地位等多个层面；化学环境，即人们接触到的污染物与社区气候模式；建筑环境，包括交通和其他基础设施的使用；经济环境，描述社区成员的工作概况、收入和住房状况等。通过数字孪生解析这些环境，将帮助研究人员更好地了解当前所研究社区的真实需求。

Dalton提到，“我们希望使用模拟模型对社区中真实人群的接触情况、健康水平和诊疗效果做出代表性描述。不过大家不必担心，我们的模型是由合成或者人工生成的个体数据构建而成。”

利用这些数字孪生社区，研究团队正进一步开展多个项目，希望回答关于人口健康的关键问题、指导数字孪生的进一步发展。

基于数字孪生社区的更多项目

Dalton指出，“目前，数字孪生社区项目的重点是建立起用于生成这些合成或数字孪生社群的方法、计算流程和基础设施。”

当然，研究人员也提出了与之相关的初步后续项目，可用于确定模型开发思路并解决部分最紧迫的人口健康问题。

第一个项目就是评估社区层面的区域心理健康状况，特别是各类因素对抑郁症的影响。

Dalton强调称，“美国的医疗保健更注重个性化护理，虽然大部分疗法都很适当，但最终效果仍取决于患者的具体情况以及规定干预措施在不同人群中同等有效的简单假设。这不仅会受到病患个体的影响，医疗保健系统本身在执行干预措施时也往往无法统一，导致最终疗效浮动过大。”

他进一步解释称，在克利夫兰，社区间的差异、或者说差距往往相当严重。特别是在俄亥俄州东北部社会经济地位较低、且以黑人人口为主的地区往往健康状况较差，医疗保健系统也更难在这里推行既定的健康干预措施。

他指出，“在这个以抑郁症为重点的研究项目中，我们提出的问题是考虑到该社区的干预措施可行性，那么在医疗保健系统长期依赖的面对面诊疗、改善性药物和心理疏导等难以落地的服务之外，还有哪些有益于这部分服务严重不足社区的心理健康状况、为其提供帮助的选项和机会？”

第二个项目的重点则是评估引入新服务能否改善社区内心脏病发病率，即通过减少有害心血管健康的危险因素从根源上解决问题。

Dalton表示，“克利夫兰诊所及其他研究机构的调查表明，心脏代谢疾病存在显著的社区差异。对心血管健康状况危害最大的因素之一就是血压，而俄亥俄州东北部低收入社区普遍存在严重的高血压问题。”

为了帮助解决这个问题，研究团队将使用数字孪生社区建立起心血管健康状况的动态模型，这将有助于清晰描绘社区居民在其一生中的病情变化趋势。以此为基础，研究人员可以模拟出干预措施的潜在效果，据此改善对心血管疾病的预防策略。

这些项目极为复杂，所带来的高昂成本、实现难度和大规模资源占用导致其很难在现实世界中具体开展。但数字孪生将帮助研究人员克服其中的相当一部分障碍。

数字孪生社区帮助Dalton及其团队得以模拟多种结果，并观察这些结果随时间推移在病患群体中的集体变化方向。

他解释道，“我们使用由电子健康记录训练而成的动态概率模型，并以着眼于生命历程中不同特定条件和节点的方式建立起数百个模型，希望能够涵盖整个过程中的各类风险结果。”

之后，研究人员使用这些模型来模拟特定合成社群的生命历程结果。Dalton表示，研究人员可能需要运行30到1000轮这样的模拟。

在此基础之上，研究团队会评估已知条件下的模型准确性，例如直接接触和社区现有资源，以确定这些工具能否重现在社群电子健康记录中观察到的真实结果。

Dalton总结道，“我们希望以此为切入点探索背后的真实机制，指导后续如何通过进一步调整让模型准确重现我们在病患群体中观察到的现象。而一旦研究人员对影响因素有了系统性的理解，就能据此回溯医疗保健系统、保险公司和各利益相关方，最终提炼出有助于在社区层面改善人口健康干预措施的信息。”

未来，Dalton带领的研究团队还希望公开数字孪生社区数据库，以便更多研究人员能够以此为基础做出探索、分享发现，共同为人口健康的整体改善做出贡献。