Virtuelle menschliche Zwillinge (VHTs) für die integrierte klinische Entscheidungsunterstützung in Prävention und Diagnose

Erwartetes Ergebnis:

Dieses Thema zielt darauf ab, Aktivitäten zu unterstützen, die zu einem oder mehreren erwarteten Auswirkungen des Ziels „Entwicklung und Nutzung neuer Werkzeuge, Technologien und digitaler Lösungen für eine gesunde Gesellschaft“ beitragen oder diese ermöglichen. Zu diesem Zweck sollten Vorschläge im Rahmen dieses Themas darauf abzielen, Ergebnisse zu liefern, die auf alle folgenden erwarteten Ergebnisse ausgerichtet sind, auf diese zugeschnitten sind und zu diesen beitragen:

• Medizinisches Fachpersonal hat Zugang zu multiskalaren^[1], multiorganischen Modellen einzelner Patienten, die darauf abzielen, Prävention und Diagnose in Bereichen mit hoher Krankheitslast zu verbessern.
• Gesundheitsfachkräfte profitieren von einem erweiterten Wissen über komplexe Krankheiten und Komorbiditäten durch den Rückgriff auf multiskalare, multiorganische Modelle.
• Patienten mit unterschiedlichen Merkmalen (z. B. jeglichen Geschlechts, Altersgruppe, rassischer oder ethnischer Herkunft^[2]) profitieren von verbesserten, integrierten und personalisierten Präventions- und Diagnosetools.
• Gesundheitsfachkräfte und Patienten profitieren von der Nutzung von „Virtual Human Twin“ (VHT)-Modellen, die die Integration anderer präventiver und diagnostischer Tools und Modalitäten ermöglichen.

Umfang:

VHTs sind digitale Darstellungen und In-silico-Modelle des Gesundheits- und Krankheitszustands eines Individuums auf verschiedenen anatomischen Ebenen. Multiskalare, multiorganische VHT-Lösungen haben ein Potenzial für maßgeschneiderte Prävention und Diagnose, insbesondere in Bereichen mit hoher Krankheitslast, und können die Gesundheit der Bürger und die Effizienz der EU-Gesundheitssysteme erheblich verbessern.

Vorschläge sollten die Arbeit von Projekten berücksichtigen, die im Rahmen des Themas HORIZON-HLTH-2023-TOOL-05-03: „Integrierte, multiskalare Computermodelle der Patientenpathophysiologie ('virtuelle Zwillinge') für ein personalisiertes Krankheitsmanagement“ finanziert wurden, das einen überwiegenden Fokus auf das Krankheitsmanagement hatte, und sich auf hochpotenzielle multidisziplinäre Ansätze mit größerer Komplexität (multiskalar, multiorganisch, longitudinal) konzentrieren, um deren Einsatz in Gesundheit und Pflege zu stärken, einschließlich der Integration in Versorgungspfade und der Verknüpfung mit anderen Entscheidungsunterstützungstools.

Die Vorschläge sollten alle folgenden Aktivitäten umfassen:

• Auswahl klinischer Anwendungsfälle zur Bereitstellung multidisziplinärer, hochwirksamer Lösungen, die multiorganische, multiskalare Ansätze zur Modellierung komplexer Pathophysiologie über die Zeit erfordern, als Grundlage, von der aus die Prävention und Diagnose von Krankheiten mit hoher Morbidität und Mortalität verbessert werden könnten. Vorschläge können Anwendungsfälle in allen Bereichen mit hoher Krankheitslast vorschlagen; Beispiele hierfür sind Komorbiditäten, chronische Herz-Kreislauf-Erkrankungen, Infektionen und (Auto-)Immunität, Entzündungen und Krebs, Diabetes und verwandte Erkrankungen, seltene Krankheiten, degenerative Erkrankungen (einschließlich ihrer Wechselwirkung mit psychischen Erkrankungen), das Exposom und seine Auswirkungen auf die menschliche Gesundheit und Krankheit.
• Aufbauend auf aktuellen Ansätzen, Standards, Datenrepositorien (z. B. Biobanken, Umweltdaten, andere) und Modellierungsressourcen (z. B. die der EDITH CSA^[3] und der Plattform für fortgeschrittene VHT-Modelle^[4]) sowie gegebenenfalls neuen Daten, Entwurf, Entwicklung, Erweiterung und Validierung multiorganischer, multiskalarer, dynamischer Computermodelle, die die Gesundheits- und Krankheitszustände einer Person bei Bedarf genau simulieren.
• Bewertung, Auswahl, Erweiterung und Validierung verschiedener Modellierungsmethoden, die zu integrierten, fortschrittlichen, interoperablen, patientenspezifischen VHT-Modellen führen, die verschiedene Datenquellen und Methoden integrieren können, um die Anforderungen des gewählten klinischen Anwendungsfalls zu erfüllen. Methoden können unter anderem biophysikbasierte Modellierung, künstliche Intelligenz (KI), die interpretierbar sein oder die Erklärbarkeit von Ergebnissen ermöglichen sollte, generative KI und In-silico-Modellierung, agentenbasierte und Netzwerkphysiologieansätze umfassen. Die Bewertung, Auswahl und Erweiterung dieser sollte während der Entwurfsphase dokumentiert werden. Verfügbarkeit und Integration der multimodalen Daten sollten...