A precíziós onkológia új dimenziója: a digitális ikrek szerepe

A daganatos betegségek kezelésének egyik legnagyobb kihívását a tumorok nagyfokú biológiai heterogenitása jelenti. Az azonos diagnózissal rendelkező betegek daganatai eltérő molekuláris jellemzőkkel, különböző terápiás válaszokkal és változó klinikai lefolyással rendelkezhetnek (1). Ez a sokféleség jelentősen megnehezíti a kezelési stratégiák optimalizálását, mivel ugyanaz a terápiás megközelítés nem minden beteg esetében eredményez azonos hatékonyságot. E felismerés nyomán a hagyományos, minden beteg számára hasonló kezelési stratégiákat fokozatosan váltotta fel a precíziós onkológia szemlélete, amelynek célja, hogy a diagnosztikai és terápiás döntések az egyes betegek egyedi biológiai sajátosságain alapuljanak. A molekuláris diagnosztika, a genomikai vizsgálatok és az egyre komplexebb multiomikai elemzések jelentősen hozzájárultak a daganatok biológiai hátterének jobb megértéséhez (2). Ugyanakkor ezek az új technológiák hatalmas mennyiségű és összetett adatot eredményeznek, amelyek klinikailag értelmezhető információvá alakítása továbbra is jelentős kihívás.

A jelenlegi prediktív modellek fontos szerepet töltenek be a betegség kimenetelének és a terápiás válasz valószínűségének becslésében, azonban ezek többsége statikus megközelítést alkalmaz (3). Egy adott időpontban rendelkezésre álló adatok alapján próbálják előre jelezni a jövőbeli eseményeket, miközben a daganatok folyamatosan változó biológiai rendszerek. A tumor növekedése, a genetikai változások, a tumor mikrokörnyezetének átalakulása és a terápiás nyomás egyaránt befolyásolják a betegség lefolyását. 

A digitális iker jelentősége az orvostudományban

A digitális iker (digital twin) fogalmát Michael Grieves professzor vezette be 2003-ban a Michigani Egyetemen, a termékéletciklus-menedzsmenttel kapcsolatos kutatások során. Az eredeti koncepció szerint a digitális iker egy valós fizikai objektum vagy rendszer virtuális reprezentációja, amely képes annak állapotát, működését és változásait követni. A technológia kezdetben elsősorban az ipari alkalmazásokban terjedt el, ahol összetett rendszerek monitorozására, működésük előrejelzésére és a lehetséges meghibásodások megelőzésére használták (4).

A digitális iker alapvető jellemzője, hogy nem a fizikai rendszer egyszerű, statikus másolata, hanem olyan dinamikus modell, amely a valós rendszerből származó adatok alapján folyamatosan frissíthető. A hagyományos digitális modellekkel szemben képes követni az adott rendszer időbeli változásait, és lehetőséget biztosít a különböző jövőbeli állapotok szimulációjára (4). A digitális ikrek működésében a mesterséges intelligencián alapuló módszerek kulcsszerepet játszanak. A gépi tanulási algoritmusok képesek nagy mennyiségű, heterogén adat együttes feldolgozására és integrálására, valamint a különböző adatforrások közötti komplex összefüggések és a hagyományos módszerekkel nehezen észlelhető mintázatok azonosítására (5).

Az említett tulajdonságok révén a digitális iker koncepciója fokozatosan az egészségügyben is megjelent, ahol az egyes betegek dinamikusan változó virtuális reprezentációjának létrehozása került a középpontba. A technológia integrálhatja a különböző forrásokból származó klinikai, képalkotó és molekuláris adatokat, lehetőséget teremtve ezzel a betegség lefolyásának és a terápiákra adott válaszoknak a modellezésére.

A digitális ikrek különösen ígéretesek az onkológiában, mivel lehetővé teszik a daganatok terápiás beavatkozásokra adott várható válaszának modellezését, támogatva ezzel a személyre szabott döntéshozatalt (5). 

Forrás: Medical Tribune / AdobeStock

A digitális iker szerepe a tüdőrák kezelésében

Egy dinamikus onkológiai digitális iker létrehozásának alapja a betegre vonatkozó adatforrások integrációja, valamint a modell folyamatos frissítése az újonnan beérkező adatok alapján. Ez a dinamizmus különbözteti meg a hagyományos prediktív modellektől, amelyek általában egyetlen időpont információira épülnek. A rendszer célja egy olyan komplex, virtuális betegmodell kialakítása, amely képes követni a beteg aktuális állapotát és értelmezni annak változásait.

A tüdőrákos betegek digitális ikre többféle információforrás integrálásával építhető fel. Idetartoznak a klinikai és laboratóriumi adatok, az elektronikus egészségügyi dokumentáció, a képalkotó és szövettani leletek, valamint a molekuláris és multiomikai elemzések eredményei. A genomikai, transzkriptomikai és proteomikai adatok lehetővé teszik a daganat egyedi biológiai jellemzőinek feltérképezését. Továbbá olyan molekuláris eltérések (például EGFR-, ALK- vagy KRAS-aberrációk), illetve immunterápiás válaszhoz kapcsolódó biomarkerek (pl. a PD-L1) azonosítását is szolgálják, amelyek meghatározók a terápiás döntéshozatalban. A folyadékbiopsziából származó adatok, mint például a keringő tumor-DNS dinamikája, a betegség folyamatos követését is segítik (6). A képalkotó eljárások (pl. a CT- és a PET-vizsgálat) a tumor anatómiai és funkcionális jellemzőiről, valamint ezek időbeli változásairól szolgáltatnak információt. A radiomikai elemzések emellett további, szabad szemmel nem észlelhető képalkotó mintázatok azonosítását is lehetővé teszik. A személyre szabott onkológiai ellátásban a digitális ikrek a beteg aktuális állapotának tükrében képesek előre jelezni egy adott kezelés várható hatékonyságát, a terápiás rezisztencia kialakulásának valószínűségét és a lehetséges mellékhatások kockázatát, ezáltal időben lehetővé válik a kezelési stratégia finomhangolása (5, 7). 

Virtuális klinikai vizsgálatok digitális ikrekkel

A digitális ikrek egyik legígéretesebb alkalmazási területe a virtuális klinikai vizsgálatok megvalósítása. Számos tanulmány igazolta, hogy megfelelően felépített mechanisztikus modellek és virtuális betegpopulációk segítségével a klinikai vizsgálatok eredményei nagy pontossággal reprodukálhatók. A nem kissejtes tüdőrákban pembrolizumabbal és durvalumabbal végzett in silico vizsgálatok azt mutatták, hogy a modellek képesek előre jelezni a különböző betegcsoportok terápiás válaszát, eredményeik pedig jól egyeznek a valódi klinikai vizsgálatok során megfigyelt adatokkal. A FLAURA2 és a MARIPOSA vizsgálat digitális szimulációi során a virtuális betegek túlélési mutatói és kockázatiarány-értékei szoros összhangot mutattak a klinikai eredményekkel (4, 7). 

Digitális ikrek a gyógyszerfejlesztésben

A digitális ikrek a gyógyszerfejlesztés folyamatát is jelentősen támogatják. Virtuális kontrollkarok alkalmazásával csökkenthető a klinikai vizsgálatokba bevonandó betegek száma, miközben a kezelések hatékonyságának és biztonságosságának értékelése felgyorsulhat. A betegspecifikus modellek lehetőséget biztosítanak a különböző gyógyszer-kombinációk, dózisok vagy kezelési sorrendek előzetes vizsgálatára, csökkentve a szükségtelen betegkockázatot és a fejlesztési költségeket. Ez a technológia különösen előnyös az adaptív klinikai vizsgálatokban, ahol a vizsgálati protokoll a folyamatosan beérkező adatok alapján dinamikusan módosítható (4). 

Jövőbeli kihívások

A digitális ikrek alkalmazása az onkológiában jelentős lehetőségeket kínál, ugyanakkor a technológia számos technikai, klinikai és szabályozási kihívást is felvet.

Az egyik legfontosabb követelmény a megfelelő minőségű és kellő mennyiségű betegadat rendelkezésre állása. A digitális iker pontossága alapvetően a felhasznált adatok teljességétől, minőségétől és reprezentativitásától függ, ezért elengedhetetlen a különböző egészségügyi adatforrások szabványosított integrációja és a modellek folyamatos validálása (3, 5).

A mesterséges intelligencián alapuló komplex algoritmusok működése gyakran nehezen értelmezhető, ami csökkentheti a klinikusok bizalmát, és megnehezíti a modellek rutinszerű alkalmazását. Emellett fennáll a torzított előrejelzések veszélye is, amennyiben a fejlesztéshez felhasznált adatok nem megfelelően reprezentálják az adott betegpopulációt. Ez különösen kritikus a daganatos betegségek esetében, ahol a genetikai, etnikai és környezeti tényezők érdemben befolyásolják a betegség lefolyását és a terápiás válaszokat (5).

A klinikai alkalmazás további feltétele az adatvédelem és a szabályozási környezet megfelelő kialakítása. A betegspecifikus modellek fejlesztése ugyanis nagy mennyiségű érzékeny egészségügyi adat felhasználását igényli. A széles körű klinikai bevezetéshez elengedhetetlen olyan szabályozási keretrendszerek megalkotása, amelyek garantálják a digitális ikrek megbízhatóságát, átláthatóságát és biztonságos működését (3).

Bár a digitális ikrek fejlesztése még viszonylag korai szakaszban jár, az eddigi eredmények alapján várhatóan egyre fontosabb szerepet töltenek majd be a daganatos betegségek diagnosztikájában, a gyógyszerfejlesztésben és a személyre szabott kezelésben. A klinikai bevezetés sikeréhez multidiszciplináris együttműködésre, nagy méretű prospektív validációs vizsgálatokra, valamint egységes szakmai és szabályozási irányelvek kidolgozására van szükség (7).

Összefoglalás

A jövőben a digitális ikrek szerepe várhatóan túlmutat majd a terápiás döntések támogatásán. A különböző adatforrások és mesterséges intelligencián alapuló modellek integrációja lehetőséget teremt a beteg teljes betegségútjának szimulációjára, amely a diagnózistól kezdve a kezelésen és utánkövetésen át egészen a hosszú távú prognózis becsléséig segítheti a klinikai döntéshozatalt. Bár a technológia jelenleg elsősorban kutatási környezetben érhető el, az eddigi eredmények arra utalnak, hogy a digitális ikrek a precíziós onkológia egyik meghatározó eszközévé válhatnak a következő években.

IRODALOM

1. MacDonald WJ, Purcell C, Pinho-Schwermann M, Stubbs NM, Srinivasan PR, El-Deiry WS. Heterogeneity in cancer. Cancers 2025;17(3):441.
2. Jamalinia M, Weiskirchen R. Advances in personalized medicine: Translating genomic insights into targeted therapies for cancer treatment. Annals of translational medicine 2025;13(2):18.
3. Karaman I, Sebin B. From data-driven cities to data-driven tumors: dynamic digital twins for adaptive oncology. Frontiers in Artificial Intelligence 2025;8:1624877. 
4. Attaran M, Celik BG. Digital Twin: Benefits, use cases, challenges, and opportunities. Decision analytics journal 2023;6:100165. 
5. Olawade DB, Oisakede EO, Bello OJ, Analikwu CC, Egbon E, Ojo A. Digital twins in oncology: From predictive modelling to personalised treatment strategies. Critical Reviews in Oncology/Hematology 2026;105171. 
6. Bu F, Ling ZQ. Digital Biomarkers for Precision Early Detection of Lung Cancer: Integrating AI‐Driven Multi‐Omics Into Clinical Pathways. Cancer medicine 2026;15(2):e71578.
7. Bouriga R, Bailleux C, Gal J, Chamorey E, Mograbi B, Hannoun-Levi JM, Milano G. Advances and critical aspects in cancer treatment development using digital twins. Briefings in Bioinformatics 2025;26:bbaf237.