Новая стратегия цифровых двойников для оценки того, как результаты рандомизированных клинических испытаний применимы к реальным популяциям

Почему это важно для обычных пациентов

Когда врачи читают результаты крупного клинического исследования, всегда остаётся один назойливый вопрос: действительно ли эти результаты будут справедливы для пациентов, сидящих передо мной? В этом исследовании предлагается новый способ ответить на этот вопрос с помощью «цифровых двойников» клинических испытаний — компьютерных копий реальных исследований, которые можно проигрывать в разных популяциях пациентов, в том числе взятых из электронных медицинских записей. Работа сосредоточена на испытаниях, связанных с артериальным давлением, но подход со временем может помочь адаптировать доказательства практически любого испытания к людям, которые действительно приходят в клиники и больницы.

Проблема универсальных испытаний «для всех сразу»

Рандомизированные клинические испытания — золотой стандарт для определения эффективности лечения, но они обычно проводятся в тщательно отобранных группах пациентов. Многие обычные пациенты — пожилые люди, люди с множественными заболеваниями или представители недостаточно представленных сообществ — могут не походить на тех, кто добровольно участвовал в исходных исследованиях. В результате врачам часто приходится догадываться, насколько можно доверять результатам испытаний для своих пациентов. Эта проблема становится особенно серьёзной, когда разные исследования по, казалось бы, одной и той же терапии приходят к противоречивым выводам, оставляя клиницистов и авторов руководств в неопределённости относительно рекомендаций.

Загадочное несоответствие между двумя исследованиями по давлению

Исследователи сосредоточились на хорошо известной загадке. Одно крупное исследование, SPRINT, показало, что агрессивное снижение систолического давления (цель ниже 120 мм рт. ст.) явно снижало риск серьёзных сердечно-сосудистых осложнений по сравнению со стандартной терапией (цель ниже 140 мм рт. ст.). Другое исследование, ACCORD, проверяло ту же агрессивную стратегию у людей с сахарным диабетом 2-го типа и не выявило явной пользы. Предлагались разные объяснения — включая отличия в составе набора участников и частоте событий — но не было строгого способа «перенести» результат одного исследования на популяцию другого и увидеть, изменится ли исход.

Построение цифрового двойника испытания

Чтобы решить эту проблему, команда создала RCT-Twin-GAN — фреймворк на базе глубокого обучения, который строит цифровой двойник рандомизированного исследования. Метод использует тип генеративной модели, которая учится тому, как различные характеристики пациентов — такие как возраст, функция почек, частота сердечных сокращений, наличие ранее перенесенных сердечных заболеваний и прием лекарств — взаимосвязаны между собой и с исходами испытания. Клинико-экспертные знания заложены через направленную карту причинно-следственных связей, которая направляет модель на связи, имеющие медицинский смысл, и помогает избегать случайных закономерностей. После обучения на исходном исследовании модель можно «условить» на другую популяцию: она принимает профиль этой новой группы и генерирует синтетическую версию исследования так, как если бы оно было проведено в этих пациентах, при этом сохраняя рандомизацию между группами лечения и контроля.

Проигрывание испытаний в новых популяциях пациентов

Авторы сначала проверили, что их цифровой двойник достоверно воспроизводит исходные исследования SPRINT и ACCORD. Синтетические версии тесно совпадали с реальными испытаниями по базовым характеристикам, взаимосвязям между переменными и, что важно, по величине эффекта лечения — или отсутствию такового — в каждом исследовании. Затем они провели мысленный эксперимент: обучили модель на SPRINT, но условили её на популяцию ACCORD, и наоборот. Когда SPRINT был проигран в популяции ACCORD, цифровой двойник не показал явного преимущества интенсивного контроля артериального давления, что соответствовало реальному результату ACCORD. Когда ACCORD был проигран в популяции, похожей на SPRINT, цифровой двойник продемонстрировал значительную пользу, повторяя выводы SPRINT. Наконец, они условили модель на реальных пациентах из электронных медицинских записей крупной системы здравоохранения, создав «двойники» испытаний, отражающие локальные профили пациентов, и оценили, чего могли бы достичь вмешательства SPRINT и ACCORD в этих более широких группах.

Что это значит для помощи пациентам и будущих исследований

Основной вывод для неспециалиста в том, что противоречивые результаты SPRINT и ACCORD, вероятно, более связаны с отличиями в изучаемых популяциях, чем с самой стратегией снижения давления. Одна и та же терапия может выглядеть полезной в одном составе пациентов и нейтральной в другом. RCT-Twin-GAN даёт способ количественно исследовать такие «что если» сценарии без повторного проведения дорогостоящих и длительных испытаний. Хотя оценки для популяций из электронных медицинских записей ещё не готовы служить руководством при принятии решений для отдельных пациентов, они показывают, где результаты испытаний могут или не могут обобщаться. Со временем подобные подходы могут помочь системам здравоохранения и регуляторам предсказывать, как новые лечения будут работать в реальных пациентах, и проектировать будущие исследования так, чтобы они лучше соответствовали людям, которым нужны ответы в первую очередь.

Цитирование: Thangaraj, P.M., Shankar, S.V., Huang, S. et al. A novel digital twin strategy to examine the implications of randomized clinical trials for real-world populations. npj Digit. Med. 9, 329 (2026). https://doi.org/10.1038/s41746-026-02464-1

Ключевые слова: цифровые двойники, клинические испытания, артериальное давление, электронные медицинские записи, генеративный ИИ