Digital twin 醫療：SIMCO 如何模擬早產預防策略？
Digital twin 醫療正在把一個工程概念帶進臨床研究：如果懷孕期間很難進行大規模的探索性藥物試驗，我們能不能先把每個人的免疫系統做成一個「數位分身」，在電腦裡比較不同介入可能把分娩時間往哪個方向推？
2026 年 10 月 21 日，《Science Advances》發表〈Single-cell–level digital twins for preterm birth prevention strategies〉。研究團隊提出 SIMCO（Simulated Immunome Modeling of Clinical Outcomes），把 ex vivo 全血藥物篩選、mass cytometry、single-cell optimal transport 與臨床結果模型串在一起，嘗試建立具有單細胞解析度的早產預防數位分身。
這篇研究很吸引人，但最重要的判斷不是「AI 找到可以預防早產的藥」。比較準確的說法是：SIMCO 建立了一套候選藥物排序與機制假說生成流程，並在既有資料中預測部分介入可能延後分娩；它尚未在孕婦身上證明治療反應、安全性或早產預防效果。
早產預防數位分身為什麼值得做？
早產通常定義為完成 37 週妊娠以前出生。WHO 估計，2020 年全球約有 1,340 萬名早產兒，約占每 10 名活產嬰兒中的 1 名；早產併發症也持續是五歲以下兒童死亡的重要原因。
其中，自發性早產不是單一疾病。感染、子宮頸結構、胎盤、母體慢性疾病、發炎與其他機制都可能參與；很多個案甚至找不到明確原因。懷孕本身又需要一套高度動態的免疫平衡：前期必須維持母胎耐受，接近分娩時則逐漸轉向促發炎狀態。若這個「immune clock」提早或不適當地啟動，就可能和自發性早產有關。
困難在於，孕期介入試驗同時受到安全、倫理、樣本數與成本限制。若能先用血液中的免疫訊號排除不合理的候選策略、辨認可能受益的族群，再決定哪些藥物值得進入動物與前瞻性臨床驗證，確實可能降低研發風險。這正是 SIMCO 想處理的問題。
Digital twin 醫療是什麼？不只是把病人資料數位化
Digital twin 最早來自工程：飛機引擎、製造設備或建築物在現實世界運作時，另一個虛擬模型持續接收感測資料，更新自身狀態，再用來預測故障、比較操作方式或測試尚未真的執行的情境。
搬到醫療領域後，physical twin 是病人或病人的某一個生物系統；digital twin 則是以個人資料建立、可隨新資料更新，並能預測未來狀態或介入反應的虛擬表示。較嚴格的定義通常包含三個核心條件：
Personalized：模型必須反映特定個人，而不只是人口平均。
Dynamically updated：病人的檢驗、影像、omics、穿戴裝置或治療反應改變時，模型也能重新校準。
Predictive and decision-oriented：不只描述現在，還能比較未來風險或不同介入，支援可被驗證的決策。
因此，不是每一個 patient avatar、3D organ model 或 machine-learning risk score 都是 digital twin。
名稱: Electronic health record · 能做什麼: 儲存既有診療資料 · 和真正 digital twin 的差別: 主要記錄過去，不一定能模擬介入
名稱: Static virtual model · 能做什麼: 呈現器官、細胞或疾病結構 · 和真正 digital twin 的差別: 不一定會用個人新資料持續更新
名稱: AI prediction model · 能做什麼: 從人口資料預測風險或分類 · 和真正 digital twin 的差別: 可能只有單向輸入與輸出，沒有和 physical twin 同步
名稱: Digital twin · 能做什麼: 建立個人化狀態、持續更新，並比較「如果做 A 或 B」的結果 · 和真正 digital twin 的差別: 必須依 context of use 驗證預測、更新與決策能力
這個標準其實很高。2025 年一篇 human digital twin scoping review 納入 149 項研究，只有 18 項同時符合個人化、動態更新與可用於臨床決策等完整條件。換句話說，現在很多文獻使用的「digital twin」，實際上仍是 digital model、digital shadow，或一次性的 in silico simulation。
SIMCO 也應放在這個光譜上理解。它能依個別基線免疫資料產生 untreated 與 drug-treated twins，具有個人化與反事實模擬能力；但目前沒有持續接收受試者治療後的新資料，也沒有在臨床流程中反覆校準。因此，稱它為單細胞免疫 digital-twin framework 的 proof of concept，比宣稱已建立完整孕婦數位分身更準確。
有了 AI，digital twin 多了哪些能力？
傳統 digital twin 通常依賴物理方程式、mechanistic model 或事先定義的 biological rules。這類模型可以清楚說明假設，但人體包含跨尺度、非線性而且不完整的生物機制；若要從分子一路計算到器官與臨床結果，往往既慢又缺少足夠參數。
AI 帶來的改變，不是用一個大型語言模型取代所有生物機制，而是讓 digital twin 更有能力處理過去難以整合的資料與狀態：
融合異質資料：machine learning 可同時處理影像、laboratory data、electronic health records、genomics、single-cell data 與 wearable signals，估算病人目前位於哪一種生理狀態。
學習個體差異：representation learning 與 foundation models 可從大量人口資料學到共同結構，再用少量個人資料調整，避免每一個 twin 都從零開始。
模擬反事實情境：生成式模型、causal inference 與 perturbation models 可以比較「不治療、治療 A、治療 B 或不同劑量」的可能結果，而不是只預測一次風險。
隨新資料重新校準：當病人的新檢驗或治療反應出現時，AI 可更新參數、偵測 model drift，讓 twin 不停留在第一次建模的狀態。
把複雜輸出轉成決策：knowledge graph 與語言模型可以協助整理病歷、文獻與模型結果，讓醫師看見支持或反對某項介入的證據；但語言模型本身不等於已驗證的生理模擬器。
最有潛力的架構不是「mechanistic model 或 AI 二選一」，而是 hybrid digital twin：用 physiology、pharmacology 與 biological constraints 限制模型可做的推論，再讓 AI 補足高維資料、未知參數與運算速度。前者提供可解釋的因果結構，後者擅長找出資料中的異質模式；兩者都必須提供 uncertainty estimate，並在明確的 context of use 中驗證。
AI digital twin 現在可以應用在哪裡？
目前較合理的應用，不是打造一個無所不知的「完整人體複製品」，而是針對一個可定義、可量測、可驗證的決策建立 task-specific twin。
應用場景: Drug discovery 與 repurposing · Digital twin 可以回答的問題: 某個介入可能讓哪些細胞、路徑或 organ state 改變？ · 現階段的合理定位: 候選排序、mechanism hypothesis 與 off-target screening
應用場景: Dose／regimen exploration · Digital twin 可以回答的問題: 不同劑量、頻率或組合的 exposure–response 可能如何變化？ · 現階段的合理定位: 支援試驗設計，不能取代 PK、toxicity 與人體 dose escalation
應用場景: Clinical-trial design · Digital twin 可以回答的問題: 哪些病人較可能進展？若作為 placebo，預期 outcome 是什麼？ · 現階段的合理定位: Prognostic covariate、enrichment 或 external/synthetic control 的研究工具；仍需監管機構接受特定用途
應用場景: Organ-specific planning · Digital twin 可以回答的問題: 心臟血流、腫瘤生長或手術路徑在不同介入下如何改變？ · 現階段的合理定位: 特定器官或程序的 simulation，比全身 twin 更接近可驗證用途
應用場景: Chronic-disease monitoring · Digital twin 可以回答的問題: 新的 glucose、activity、sleep 或 laboratory data 是否表示疾病軌跡改變？ · 現階段的合理定位: 動態風險預測與個人化管理，但需要前瞻性 outcome validation
應用場景: Precision obstetrics · Digital twin 可以回答的問題: 某一時間點的免疫狀態，在不同候選介入下可能如何移動？ · 現階段的合理定位: SIMCO 類型的早期候選排序與 biomarker-enriched trial design
FDA 已把 modeling and simulation 視為補充 in vitro、動物與臨床證據的工具；FDA–CTTI 2024 年公開 workshop 的討論材料中，也以利用 AI-generated digital twins 建立個別受試者 placebo outcome、再搭配 prognostic covariate adjustment 提高試驗效率作為案例。這是 workshop 中的審查情境示例，不是 FDA 對某一套 digital-twin 方法的核准公告，也不表示 digital twin 可以任意取代 placebo arm。模型來源、資料代表性、endpoint、預先指定的分析方法、bias、uncertainty 與失敗時的臨床後果，都必須依 intended use 個別審查。
對生成式 AI 也要有相同的克制。它可以協助讀取非結構化病歷、連結跨領域知識、產生待驗證情境或解釋模型輸出；但如果缺少真實生物資料、mechanistic constraints 與 prospective validation，生成得再流暢也只是 plausible narrative，不是可用於病人的 digital twin。
SIMCO 怎麼建立單細胞數位分身？
整個研究可拆成四個層次。
1. 先做一張孕期免疫藥物擾動地圖
研究團隊收集 8 名未懷孕與 11 名懷孕 20 至 27 週受試者的全血。每份樣本以 96 孔 ex vivo 實驗設計，組合 8 種免疫狀態（7 種刺激加上 1 個未刺激條件）、9 種候選介入策略與實驗對照。候選策略包括 8 個單一藥物 chlorthalidone、maprotiline、metformin、lansoprazole、pravastatin、rifabutin、salicylic acid（SA，aspirin 的主要代謝物）、5-methyltetrahydrofolate（THF，folate 的活性型態），以及 SA 加 lansoprazole 的組合（SALPZ）。
團隊以 mass cytometry 觀察 28 種免疫細胞族群、12 種 phospho-protein 與 8 種 activation markers，最後得到涵蓋約 2.18 億個白血球、80 種 perturbation scenarios 的單細胞圖譜。
2. 讓 CellOT 學習「未處理細胞會如何被擾動」
單細胞實驗通常無法把同一顆細胞在治療前後各量一次，因為測量本身會消耗細胞。CellOT 使用 neural optimal transport，從未處理與處理後的細胞分布學習最可能的轉換規則，再把這套規則套到未見過的基線樣本。
這裡的 digital twin 不是完整複製一名孕婦，也不是模擬胎盤、子宮頸與胎兒。它比較像是某一時間點周邊血液免疫狀態的計算分身：同一份基線樣本可以產生 untreated twin 與不同 candidate drug–treated twins。
3. 把模型投射到獨立的縱向妊娠資料
接著，SIMCO 使用另一個研究的 177 份血液樣本，共來自 63 名孕婦；其中足月組為 153 份樣本、58 人，早產組只有 14 份樣本、5 人。這些樣本分布在分娩前 120 天內，每人有 1 至 3 個時間點；研究的主要結果是距離自發性臨產開始還有多久（time to spontaneous labor onset）。
模型從每份未刺激樣本模擬不同刺激與候選藥物反應，再用 Stabl 選出較穩定、可解釋的免疫特徵，建立「距離分娩還有多久」的預測模型。
4. 比較 treated twin 與 untreated twin
對每名受試者而言，藥物效果不是直接觀察到的結果，而是 treated twin 與 untreated twin 的預測時間差。這個設計可以降低兩個分身共享的模型誤差，但仍然是 in silico comparison，不是 randomized clinical trial 的 treatment effect。
研究得到哪些主要結果？
在 untreated digital twins 中，模型對 time to spontaneous labor onset 的預測達到 Pearson R = 0.64，RMSE 為 24.1 天。把採樣時間與預測的 time to labor 合併後，用來區分足月與早產樣本的 AUROC 為 0.75（95% CI 0.59–0.88）；但 AUPRC 只有 0.29（95% CI 0.12–0.54），而且獨立資料中只有 14 份早產樣本、來自 5 名受試者。這組表現支持方法可行性，還不足以作為臨床風險工具。
模擬藥物介入後，三個數值最高的 gestational-length proxy effects 是：
候選策略: THF · 預測延後分娩的中位 proxy effect: 24.7 天（IQR 11.4–45.9） · 預測可延長妊娠的受試者比例: 90.5% · 解讀: 數值最高，但不是人體試驗中的實際延長天數
候選策略: Maprotiline · 預測延後分娩的中位 proxy effect: 18.8 天（IQR 8.6–27.5） · 預測可延長妊娠的受試者比例: 82.5% · 解讀: 模型排名高，但藥物已停用且副作用降低臨床吸引力
候選策略: SA + lansoprazole（SALPZ） · 預測延後分娩的中位 proxy effect: 17.3 天（IQR 3.5–33.8） · 預測可延長妊娠的受試者比例: 87.3% · 解讀: 具 repurposing rationale，但尚無孕婦療效證據
SA 單獨使用時，模型只預測約 46% 的受試者可能受益。SALPZ 的整體 perturbation profile 與兩個單藥都不同；在全部特徵中，79% 被分類為 additive、3% 為 synergistic、18% 為 antagonistic。換句話說，這不是一個可以概括成「兩藥全面協同」的結果。
論文摘要最後把 THF 與 SALPZ 列為最重要的候選策略，而正文的數值前三名還包括 maprotiline。這個差異不是資料矛盾，而是轉譯判斷：maprotiline 雖在模型中表現不差，但疲倦、體重增加、anticholinergic effects 與孕期 antidepressant 使用爭議，使它不容易成為預防性策略。
模型指出哪些免疫機制？
SIMCO 的 time-to-labor 模型使用 21 個關鍵免疫特徵。前 10 個特徵中有 5 個來自 CD4-positive T-cell signaling；隨著分娩接近，部分刺激條件下的 pSTAT3 反應增加。另一方面，granulocyte 的 pS6 訊號呈現隨孕期進展而下降的趨勢。
THF 與 SALPZ 在模擬中，較一致地降低 naïve CD4-positive T cells 的 pSTAT3，並提高 granulocytes 的 pS6。作者據此提出兩條可能路徑：
降低 JAK–STAT3 反應，可能減少促發炎 T-cell differentiation，延長母胎免疫耐受。
提高 mTOR–pS6 訊號，可能讓 innate immune cells 維持較偏抗發炎的狀態。
這些都是具有生物學合理性的機制假說，但不能倒過來說 pSTAT3 或 pS6 已被證明是早產的因果開關。周邊血液訊號可能是胎盤或母胎介面變化的下游反映，而不是疾病的上游 driver。
這項研究和既有證據如何接起來？
SIMCO 並不是從零開始選藥。這九個候選策略來自研究團隊 2020 年在《JCI Insight》發表的 computational drug-repurposing pipeline。當時的分析以早產相關 gene-expression signature 尋找可能反轉疾病訊號的藥物，並在 LPS-induced fetal-wastage mouse model 中看到 lansoprazole 提高 fetal viability。那是動物發炎模型，不是孕婦早產預防試驗。
低劑量 aspirin 已有孕期使用經驗，但現行 USPSTF 建議是針對高風險 preeclampsia 的孕婦，自妊娠 12 週後使用 81 mg/day；不能把這項建議直接改寫成所有孕婦的自發性早產預防處方。
Folic acid 的標準公共衛生目的則是預防 neural tube defects。USPSTF 建議一般備孕或可能懷孕者每日補充 0.4 至 0.8 mg。這篇論文在 Table 2 把 folic acid reference dose 列為 800 μg，但 Discussion 又寫到 THF 採用 4 mg 的 high-dose assumption；這個劑量敘述需要作者進一步釐清。無論如何，SIMCO 的模型訊號不等於現行 guideline 已建議用高劑量 folate 預防早產，也不應被用來鼓勵自行加量。
另一個值得指出的細節是，論文把候選藥描述為 FDA pregnancy category A/B。FDA 自 2015 年起已以 Pregnancy and Lactation Labeling Rule（PLLR）逐步取代 A、B、C、D、X 字母分類；現在應以每個藥物標籤中的 risk summary、clinical considerations 與 data 個別評估。把歷史字母分類寫成「目前 FDA 認定低風險」會過度簡化孕期用藥決策。
這篇研究還沒有證明什麼？
1. 樣本數很小，尤其早產個案只有 5 人
Perturbation atlas 只有 11 名懷孕者，而且都是沒有已知妊娠併發症、第一次懷孕、單胎的第二孕期受試者。臨床參考資料雖有 63 人，早產者只有 5 人。模型能否泛化到不同族群、感染相關早產、胎盤疾病、不同 gestational windows 或多胎妊娠，仍不知道。
2. 這是短時間 ex vivo 訊號，不是體內長期反應
全血先接觸藥物 1 小時，再接受 2 小時刺激。這可捕捉 acute phospho-signaling 與部分 secondary signaling，卻無法重現肝臟代謝、胎盤運輸、組織分布、長期給藥、感染防禦或胎兒暴露。
3. 「延後 24.7 天」不是臨床療效估計
論文把同一受試者最多三個採樣時間點的預測效果加總，作為 repeated dosing 的近似。作者也明確表示，SIMCO 比較適合做候選策略比較與機制推論，而不是精準定量預測。因此，這些天數不能直接寫成「服藥可讓懷孕多維持幾天」。
4. 周邊血液不是母胎介面
真正驅動分娩的免疫事件可能發生在 decidua、placenta、fetal membranes、cervix 或 amniotic compartment。血液訊號具有 scalable、minimally invasive 的優勢，卻也可能漏掉組織特異機制。
5. 沒有 prospective treatment-response validation
研究沒有讓孕婦接受 THF、SALPZ 或其他候選藥，再比較模型預測與真實反應。下一步至少需要跨孕期外部 cohort、適當動物模型、prospective clinical study，以及感染風險、胎兒安全與長期結果評估。
6. 研究具有專利與利益揭露
部分作者是 SurgeCare 顧問或主管；Stanford University 已就相關工作提出專利申請。這不代表結果不可信，但在評估後續授權、開發或宣傳敘事時，應保留在 evidence context 中。
真正的突破是「先排序」，不是「先開藥」
對我來說，這篇研究最有價值的地方不是某一個熟悉的藥名突然成為早產解方，而是它示範了一個新的研發順序：
先在少量血液中建立高維度 single-cell perturbation atlas。
學習不同細胞與訊號路徑對介入的異質反應。
將這些規則投射到獨立、有臨床結果的 cohort。
比較每個人的 treated 與 untreated immune twin。
用整體系統效果排序候選策略，再選擇值得做前臨床與人體研究的項目。
這比單純用一個 biomarker 預測早產更接近藥物研發問題，因為它問的不只是「誰可能早產」，而是「哪一種免疫介入可能把這個人的系統推回較早期的孕期狀態」。
但也正因如此，必須守住證據界線。SIMCO 目前是一個 proof-of-concept digital-twin framework，不是臨床 decision-support device；THF 與 SALPZ 是值得驗證的 candidate strategies，不是已被證實的早產預防療法。
結論：數位分身可以縮小搜尋空間，不能跳過臨床驗證
孕期藥物研究最困難的地方，不是缺少可能的候選分子，而是安全地判斷哪些候選值得往下一步走。SIMCO 把單細胞免疫 profiling、optimal transport 與 clinical outcome modeling 接在一起，提供了一套比「平均免疫反應」更細緻的排序方法。
如果未來能在更大、更多元、跨孕期的 cohort 中重現，並以 prospective treatment-response data 驗證，它可能成為 precision obstetrics 的早期研發工具：幫助團隊設計 biomarker-enriched trial、辨認 off-target immune effects，並減少不值得進入孕婦試驗的候選策略。
現在最合理的結論仍然很克制：這篇研究證明單細胞免疫數位分身可以生成可檢驗的早產預防假說；它還沒有證明任何一種模擬候選藥能在臨床上安全、有效地預防早產。
References
Einhaus J, et al. Single-cell–level digital twins for preterm birth prevention strategies. *Science Advances*. 2026;12:eaed2741. DOI: 10.1126/sciadv.aed2741.
World Health Organization. Preterm birth. 2023.
Bunne C, et al. Learning single-cell perturbation responses using neural optimal transport. *Nature Methods*. 2023;20:1759–1768.
Le BL, et al. Computational discovery of therapeutic candidates for preventing preterm birth. *JCI Insight*. 2020;5:e133761.
U.S. Food and Drug Administration. Pregnancy and Lactation Labeling Resources.
U.S. Preventive Services Task Force. Aspirin Use to Prevent Preeclampsia and Related Morbidity and Mortality. 2021.
U.S. Preventive Services Task Force. Folic Acid Supplementation to Prevent Neural Tube Defects. 2023.
SIMCO authors. SIMCO source code. GitHub; accessed 2026-10-22.
Tudor BH, et al. A scoping review of human digital twins in healthcare applications and usage patterns. *npj Digital Medicine*. 2025;8:587.
De Domenico M, et al. Challenges and opportunities for digital twins in precision medicine from a complex systems perspective. *npj Digital Medicine*. 2025;8:37.
Coveney P, et al. Digital twins and Big AI: the future of truly individualised healthcare. *npj Digital Medicine*. 2025;8:494.
Venkatesh KP, et al. Health digital twins as tools for precision medicine: Considerations for computation, implementation, and regulation. *npj Digital Medicine*. 2022;5:150.
U.S. Food and Drug Administration. Modeling & Simulation at FDA. Accessed 2026-10-22.
U.S. Food and Drug Administration. Artificial Intelligence/Machine Learning: The New Frontier of Drug Development & Regulation. FDA–CTTI public workshop material; 2024.
資料查核截至 2026 年 10 月 22 日（America/New_York）。本文為科學研究解讀，不構成醫療建議。孕期用藥、folate 劑量或 aspirin 使用應由產科或母胎醫學專業人員依個別風險判斷。
留言