利用数字孪生优化代谢健康：开启个性化健康管理新征程

《npj Aging》：Optimizing metabolic health with digital twins

为解决心血管代谢疾病（CMDs）管理和预防难题，研究人员开展数字孪生优化代谢健康研究，发现该技术可助力健康管理，意义重大。

　　《利用数字孪生优化代谢健康：开启个性化健康管理新征程》

在当今快节奏的生活中，人们的健康正面临着诸多挑战，心血管代谢疾病（CMDs）便是其中一大 “劲敌”。老龄化进程的加快、不健康的饮食习惯以及久坐不动的生活方式，使得 CMDs 的患病率不断攀升。像代谢综合征（MetS），它集合了肥胖、高血压、血糖血脂升高等一系列代谢紊乱问题，如果得不到有效控制，就可能进一步发展为 2 型糖尿病（T2DM）和心血管疾病（CVDs） 。据统计，2021 年 CVDs 导致了全球约 2050 万人死亡，占全球总死亡人数的近三分之一。而且，不仅成年人深受其害，近年来青年肥胖和青年发病的 T2DM 也显著增加，这背后是高热量食物摄入增多、运动量减少、结构性种族主义等多种因素在作祟。

早期代谢紊乱往往可以通过生活方式的改变和药物治疗来逆转，但目前疾病管理和预防面临着重重困难。一方面，人们很难长期坚持健康的生活方式；另一方面，无症状的代谢异常也难以被及时发现。在这样的背景下，新加坡国立大学数字医学研究所（WisDM）等机构的研究人员开展了一项关于利用数字孪生优化代谢健康的研究，相关成果发表在《npj Aging》上。

研究人员在这项研究中，主要运用了数字孪生技术、人工智能（AI）分析技术以及生物标志物监测技术。在生物标志物监测方面，通过监测血液葡萄糖和酮体（KBs）等指标来评估代谢灵活性；数字孪生技术则用于构建个人代谢模型；AI 分析技术被用于处理和分析大量的健康数据，从而预测长期健康结果。

下面来看看具体的研究结果：

• 基于代谢灵活性的数字孪生模型：代谢灵活性是指身体根据能量需求和底物可用性在葡萄糖和脂肪之间切换供能的能力，它是代谢健康的关键指标。专业运动员的代谢灵活性通常高于普通人，而 MetS 患者的代谢灵活性则较低。研究人员提出了一种基于代谢灵活性的数字孪生模型，该模型包含两个关键模块。
• 游戏化模块促进健康行为依从性：第一个模块是游戏化模块，它通过监测燃料转换来促进人们坚持健康的行为。传统上，代谢灵活性通过测量呼吸商（RQ）来确定，但研究人员采用了一种新方法，即跟踪健康干预期间血液葡萄糖和 KBs 的动态变化。在糖原耗尽状态下，脂肪组织会释放脂肪酸并转化为 KBs 作为能量底物。研究发现，在健身和饮食干预 1 - 5 天后，会出现特定的葡萄糖和 KBs 轨迹，表明发生了燃料转换（即酮症） 。基于此，该模块会根据燃料转换的速度计算代谢灵活性得分（MFS）。如果燃料转换快速发生（如第 2 天） ，MFS 可达 90% ，鼓励人们继续坚持当前的健康方案；若转换延迟（如第 10 天） ，MFS 为 60% ，建议继续坚持并持续监测；若 14 天内未发生燃料转换，则提示可能存在代谢紊乱风险，需要调整健康方案。不过，获取 KBs 测量值存在一定困难，目前的金标准方法是手指采血测试条，虽然有一些微创或无创的测量方法，但准确性和可靠性有待验证。此外，研究人员还探讨了利用连续葡萄糖监测（CGM）数据来估计 KB 水平或燃料转换发生的可能性。
• 利用 AI 预测长期健康结果：数字孪生模型的另一个重要模块是利用 AI 预测长期健康结果。在持续的燃料转换过程中，研究人员会收集多项数据，如体重、BMI、血压、体脂成分等自我可追踪的测量指标，以及载脂蛋白 A（ApoA）、载脂蛋白 B（ApoB）、糖化血红蛋白（HbA1C）、白细胞介素 - 6（IL - 6）、C 反应蛋白（CRP）和血脂等代谢健康和衰老生物标志物。然后，通过 AI 模型来映射燃料转换发生、MFS 的纵向趋势与这些健康指标和生物标志物变化之间的关系。生成式 AI（GenAI）模型在这一过程中展现出巨大潜力，它不仅可以加速数字孪生模型的开发，提高预测准确性，还能生成合成数据减少侵入性检测的需求，并且通过基于大语言模型（LLMs）的对话式 GenAI 工具为用户提供实时指导和激励反馈。但同时，GenAI 也面临着数据隐私和安全、可信度和可解释性以及偏差等问题，需要通过制定相关协议和指标来加以解决。

研究结论和讨论部分强调了这项研究的重要意义。在代谢疾病发生之前，早期检测和管理代谢衰退至关重要，而代谢灵活性可以作为区分传统定义的健康个体代谢健康状况的因素，并指导个人层面的健康优化。数字孪生模型有望为每个人制定个性化的干预措施，引导其代谢健康朝着更有利的方向发展。这种参与式的健康方法能够让人们积极主动地学习如何改善健康，培养个人责任感并促进明智的健康决策。此外，研究还指出，在实施数字孪生等先进医疗技术时，需要考虑更广泛的生态系统因素，如数字健康工具的可及性、营养教育、健康差异和性别差异等。公共卫生举措与数字健康技术的结合，将有助于应对这些挑战，加速实现代谢健康优化和健康老龄化的目标。