En ny strategi med digitala tvillingar för att undersöka vad randomiserade kliniska prövningar betyder för verkliga populationer

Varför detta är viktigt för vanliga patienter

När läkare läser resultaten från en stor klinisk prövning finns alltid en gnagande fråga kvar: gäller dessa resultat verkligen för patienterna som sitter framför mig? I denna studie presenteras ett nytt sätt att besvara den frågan med hjälp av "digitala tvillingar" av kliniska prövningar—datorgenererade kopior av verkliga studier som kan spelas upp i olika patientpopulationer, inklusive sådana hämtade från elektroniska patientjournaler. Arbetet fokuserar på blodtrycksprövningar, men metoden skulle så småningom kunna hjälpa till att anpassa bevis från nästan vilken prövning som helst till de människor som faktiskt dyker upp i vården.

Problemet med en universell lösning

Randomiserade kliniska prövningar är guldkällan för att avgöra om en behandling fungerar, men de genomförs vanligtvis i noggrant utvalda patientgrupper. Många vardagspatienter—äldre vuxna, personer med flera sjukdomar eller de från underrepresenterade grupper—liknar kanske inte de som anmälde sig till de ursprungliga prövningarna. Som en följd måste läkare ofta gissa hur mycket de ska lita på prövningsresultat för sina egna patienter. Problemet blir särskilt oroande när olika prövningar av vad som verkar vara samma behandling kommer till motsägelsefulla slutsatser, vilket lämnar kliniker och riktlinjeskrivare osäkra på vad de ska rekommendera.

En förbryllande oenighet mellan två blodtrycksprövningar

Forskarna fokuserar på ett välkänt mysterium. En stor prövning, SPRINT, visade att en aggressiv sänkning av systoliskt blodtryck (mål under 120 mmHg) tydligt minskade större hjärt- och kärlhändelser jämfört med standardvård (mål under 140 mmHg). En annan prövning, ACCORD, testade samma aggressiva strategi men hos personer med typ 2-diabetes och fann ingen tydlig nytta. Många förklaringar har föreslagits, inklusive skillnader i vilka som rekryterades och hur ofta händelser inträffade, men det har saknats ett rigoröst sätt att "transportera" resultatet från en prövnings population till en annan och se om utfallet skulle förändras.

Att bygga en digital tvilling av en prövning

För att ta itu med detta skapade teamet RCT-Twin-GAN, ett djupinlärningsramverk som bygger en digital tvilling av en randomiserad prövning. Metoden använder en typ av generativ modell som lär sig hur många olika patientegenskaper—såsom ålder, njurfunktion, hjärtfrekvens, tidigare hjärtsjukdom och läkemedelsanvändning—förhåller sig till varandra och till prövningsutfall. Klinisk expertis är inbyggd via en riktad karta av orsak-och-verkan-relationer, som vägleder modellen att fokusera på samband som är medicinskt meningsfulla och undvika slumpmässiga mönster. När modellen tränats på en ursprunglig prövning kan den sedan "villkoras" på en andra population: den tar in profilen för den nya gruppen och genererar en syntetisk version av prövningen som om den hade genomförts i dessa patienter, samtidigt som randomiseringen mellan behandlings- och kontrollarmarna bevaras.

Spela upp prövningar i nya patientpopulationer

Författarna kontrollerade först att deras digitala tvilling troget kunde återskapa de ursprungliga SPRINT- och ACCORD-prövningarna. De syntetiska versionerna stämde väl överens med de verkliga prövningarna i baslinjeegenskaper, samband mellan variabler och, vilket är avgörande, i behandlingens effektstorlek—eller avsaknad av effekt—som observerades i varje studie. De genomförde sedan ett tankeexperiment: de tränade modellen på SPRINT men villkorade den på ACCORD-populationen, och vice versa. När SPRINT spelades upp inom ACCORD-populationen visade den digitala tvillingen ingen tydlig fördel med intensiv blodtryckskontroll, vilket speglade ACCORD:s faktiska resultat. När ACCORD spelades upp i en SPRINT-liknande population visade den digitala tvillingen en betydande nytta, vilket ekade SPRINT. Slutligen villkorade de modellen på verkliga patienter från en stor vårdgivares elektroniska patientjournaler, skapade prövningstvillingar som speglade lokala patientprofiler och uppskattade vad SPRINT- och ACCORD-interventionerna kunde ha åstadkommit i dessa bredare grupper.

Vad detta betyder för vård och framtida prövningar

För en lekman är slutsatsen att de motsägelsefulla resultaten från SPRINT och ACCORD sannolikt beror mer på skillnader i vilka som studerades än på blodtrycksstrategin i sig. Samma behandling kan se hjälpsam ut i en blandning av patienter och neutral i en annan. RCT-Twin-GAN erbjuder ett sätt att kvantitativt utforska dessa "tänk om"-scenarier utan att köra om dyra och tidskrävande prövningar. Även om uppskattningarna som genereras för populationer i elektroniska patientjournaler inte är redo att styra individuell vård, belyser de var prövningsfynd kan generaliseras och var de kanske inte gäller. Med tiden kan metoder som denna hjälpa vårdsystem och reglerande myndigheter att förutse hur nya behandlingar kommer att fungera i verkliga patienter och utforma framtida prövningar som bättre matchar de människor som mest behöver svar.

Citering: 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

Nyckelord: digitala tvillingar, kliniska prövningar, blodtryck, elektroniska patientjournaler, generativ AI