Interscalar medicine / long-form research note / January 2025

Digital Patient Twin in Rehabilitation: A Model of Recovery, Not a Digital Clone

Why rehabilitation is a demanding test case
The operational loop
Practical scenarios
Arguments—and the counterarguments they require
Data and interoperability
Validation, regulation and governance
The central risk: mistaking the model for the person
Conclusion

A digital patient twin is not simply a richer electronic health record, a three-dimensional avatar, or an algorithm that predicts an outcome. In the strict sense, it is an individualized computational model that is repeatedly updated from observations of a real person and can simulate clinically relevant future states under alternative actions. The model’s predictions return to care as decision support; subsequent outcomes are then used to test and update the model.

This distinction matters. A record describes what has been documented. A dashboard visualizes it. A prediction model estimates an outcome. A digital twin adds a synchronized model, explicit uncertainty, and a feedback loop between observation, simulation, decision, action, and reassessment. The general terminology is formalized in ISO/IEC 30173:2023, while a healthcare scoping review proposes three indispensable components: a physical entity, a virtual representation, and a connection between them (DOI 10.1038/s41746-024-01073-0; PMID 38519626).

The name is nevertheless used inconsistently. For example, patent publication US20250006367A1 calls cohort-conditioned synthetic time-series generated by a generative adversarial network a “synthetic digital twin,” although such a construct need not remain synchronized with one physical patient. Patent language is not a scientific definition, but it reveals a practical problem: papers and products should disclose the physical counterpart, update cadence, simulated question, feedback authority and retirement rule instead of relying on the label alone.

Why rehabilitation is a demanding test case

Rehabilitation does not optimize one biomarker. It attempts to improve functioning in a changing person living in a particular environment. Two patients with a similar lesion may follow different trajectories because of pain, fatigue, cognition, motor learning, medication, sleep, fear of falling, family support, housing, access to transport, therapy intensity, and the timing of care.

That is why a useful rehabilitation twin must be interscalar. It should connect at least six layers:

Biology and pathology: lesion, inflammation, healing, comorbidities, medication and physiological reserve.
Body functions and structures: strength, range of motion, tone, balance, cardiorespiratory response, pain and cognition.
Activity and participation: walking, dressing, communicating, working and participating in family or community life.
Behavior and learning: adherence, confidence, fatigue management, preferences, motor practice and response to feedback.
Physical and social environment: home layout, assistive products, caregivers, accessibility, work demands and social support.
Care delivery and economics: appointments, therapist capacity, waiting time, transport, device availability, reimbursement and the patient’s time.

This structure is compatible with the biopsychosocial logic of the WHO’s International Classification of Functioning, Disability and Health (ICF), which treats functioning as contextual and includes environmental factors. The twin should therefore optimize a patient-valued functional goal—not merely a sensor metric. Step count, joint angle, or movement symmetry can be useful intermediate measurements, but the target may be “walk safely to the local shop,” “use the affected hand to prepare a meal,” or “return to work without intolerable fatigue.”

The operational loop

A clinically meaningful twin can be described as a sequence:

goal → observations and events → current-state estimate → alternative-action simulations → uncertainty-aware recommendation → shared decision → intervention → measured outcome → model update

The state estimate may combine mechanistic models (for example, anatomy, tissue loading, muscle dynamics or cardiovascular response) with statistical models learned from cohorts. Precision cardiology has described these as complementary deductive and inductive pillars rather than competing approaches (DOI 10.1093/eurheartj/ehaa159). The same principle applies to rehabilitation: a biomechanical model may estimate what load an exercise produces, while a statistical model may estimate the probability that the person will tolerate and complete it.

Every output should include its time horizon, intended use, confidence or credible interval, important missing inputs, population on which the model was validated, and conditions under which the recommendation should not be used. “The patient will recover” is not an acceptable output. “Given the current measurements and stated assumptions, option A is estimated to have a higher probability of achieving the agreed walking goal by week 8, but uncertainty is high because home activity and pain data are incomplete” is closer to a clinically responsible one.

Practical scenarios

1. Adaptive motor rehabilitation after stroke

Wearable inertial sensors, force measurements, motion capture, therapist assessments and patient-reported fatigue can update a model of gait or upper-limb performance. The twin could compare therapy doses or device settings, detect an unexpected plateau, and recommend a reassessment rather than automatically increasing intensity.

This is plausible but not mature. A 2025 scoping review found 16 empirical digital-twin studies in stroke rehabilitation. One retrospective study included 1,216 patients; the other 15 studies included only 54 patients in total, with a median sample size of one. Clinical integration, cost-effectiveness and several other desirable properties had low or very low adoption (DOI 10.1080/10749357.2025.2584031; PMID 41200887). The finding supports continued research, not claims of established clinical benefit.

Two broader 2026 reviews reinforce that caution. A healthcare-wide systematic review found that simulation-oriented designs dominate while real-world clinical integration and validation remain uncommon (DOI 10.1177/20552076261415934; PMID 42370013). A review focused on sports and rehabilitation analyzed 32 papers: 20 concerned rehabilitation, but most evaluations involved fewer than 20 participants, only two studies reported user participation during design, and descriptions of AI were often thin (DOI 10.1080/0144929X.2026.2660222). Publication counts therefore measure activity, not therapeutic effect; heterogeneous systems should not be pooled as if they were one intervention.

2. Safer human–robot interaction

A neuromusculoskeletal twin may estimate joint load, muscle contribution and cardiovascular demand while an exoskeleton or rehabilitation robot is operating. Prototype studies have demonstrated real-time virtual–physical interaction and patient-specific gait control, including a self-balancing lower-limb exoskeleton (DOI 10.3233/THC-220087; PMID 35754239) and an ankle rehabilitation robot (DOI 10.1177/09287329251337237; PMID 40370054). These are engineering and feasibility results; they do not yet establish better long-term functional outcomes.

3. Musculoskeletal and postoperative recovery

Imaging-informed anatomy, range of motion, load, pain, patient-reported outcomes, activity and treatment events could be combined to compare rehabilitation pathways after a fracture, joint replacement or tendon injury. A proposed framework for precision neuromusculoskeletal care maps digital-twin concepts to Achilles tendon mechanobiology and neurorehabilitation interfaces, while explicitly calling for accepted measurement and modeling standards (DOI 10.1123/jab.2023-0114; PMID 37567581).

A 2025 knee study used quantitative MRI and machine learning in Osteoarthritis Initiative data to identify interpretable imaging features associated with incident osteoarthritis and knee replacement. Its authors accurately describe the pipeline as a foundation for a future knee-joint twin; longitudinal state updating, treatment-response simulation and prospective clinical utility still require validation (DOI 10.1038/s41746-025-01507-3; PMID 39984725). This is a useful boundary case: a strong patient representation can be an enabling component without yet being a complete twin.

More directly clinical evidence now exists, but it also exposes definitional ambiguity. In a single-site open-label randomized trial of 201 people with knee osteoarthritis considering total knee arthroplasty, an AI-enabled decision aid combining education, preference elicitation and individualized benefit–risk predictions improved decision quality, decision conflict, treatment concordance, later regret and knee-specific health compared with education alone; several other outcomes, including shared-decision-making scores, satisfaction, visit duration and arthroplasty rates, were similar (DOI 10.1016/j.eclinm.2025.103545; PMID 41112505; NCT04805554). This supports the whole decision-support package, not the claim that a continuously synchronized rehabilitation twin caused the benefit: the intervention had multiple inseparable components and used “digital twin” more broadly than the strict definition adopted here.

4. Rehabilitation between visits

A home-based twin could combine exercise performance, symptoms, sleep, medication, activity and contextual events. Its value would not be constant surveillance. It would be selective detection of clinically meaningful divergence: worsening pain after a dose change, declining activity after a transport disruption, or repeated failure of an exercise because the home environment makes it impractical. The proper response may be a call, a new assessment, an environmental modification or a simpler plan—not an automated warning to “improve adherence.”

Evidence from outside rehabilitation illustrates a feasible operating pattern without establishing rehabilitation effectiveness. A 2026 single-center randomized proof-of-concept in type 2 diabetes used an iteratively updated predictive model to generate daily messages, all reviewed by a human interventionist. The ancillary sample was only 19 participants, so the reported weight difference is exploratory, and the authors explicitly distinguish their predictive approximation from a fully realized, mechanistic, bidirectionally coupled twin (DOI 10.1038/s44401-026-00118-8). The transferable lesson is the combination of frequent updating, narrow outputs and human review—not the clinical result itself.

5. Resource-aware care planning

The clinically best intervention is not effective if it is unavailable or impossible for the patient to attend. A pathway twin could simulate not only physiological response but also waiting time, therapist capacity, travel burden and cost. This makes organizational and economic constraints part of the model rather than unexplained noise. However, a scarcity-aware model must not normalize poor access or quietly optimize lower-quality care for disadvantaged groups.

Arguments—and the counterarguments they require

More data should produce a better twin. Not necessarily. More variables can increase missingness, measurement error, spurious correlations and operational burden. Data should be collected because they alter a specified decision, improve calibration, or reveal a safety condition.

Continuous sensors are more objective than clinical assessment. Sensors are consistent only within their validated conditions. Placement, battery state, firmware, skin tone, assistive-device use, atypical movement and changes in the home can alter measurements. A precise signal can still be an invalid proxy for functioning.

An individualized model is inherently more accurate. Personalization can overfit sparse observations. A safe twin must show how much of an estimate comes from the individual, from a reference population, and from assumptions. It must be tested across sites and subgroups.

A closed feedback loop automatically improves care. A feedback loop can amplify a biased measurement or unsafe recommendation. High-risk changes require human authorization, conservative limits, rollback, and an independent way to observe harm.

Accurate prediction identifies the best intervention. Prognosis and treatment effect are different questions. A model that predicts poor recovery may be excellent at identifying risk but unable to say whether more therapy, a different device, or a social intervention will change that risk. Counterfactual recommendations require randomized evidence or defensible causal assumptions; high predictive accuracy alone does not establish clinical utility (DOI 10.1186/s12911-024-02513-3).

One comprehensive whole-person twin is the destination. A modular federation may be safer and more achievable: a validated gait model, a medication model, a scheduling model and a shared event/provenance layer. Each module can then have a defined purpose, evidence boundary, owner and retirement rule.

Data and interoperability

Interoperability is more than moving fields between systems. The receiver must know what was measured, by which device or person, under what protocol, at what time, with what unit and quality, and whether the value was observed, inferred, corrected or simulated.

A practical implementation can reuse existing standards:

HL7 FHIR R5 for exchange and resources such as Observation, Goal, CarePlan, Device, Consent, Provenance and AuditEvent;
DICOM / ISO 12052 for medical images and related information;
ISO/IEEE 11073-20601:2022 for interoperable personal health-device communication;
WHO ICF for functioning and environmental context, and WHO ICHI for interventions.

These standards do not create a twin by themselves. They make its inputs, goals, interventions and provenance less ambiguous. The model version, code, parameters, training data lineage, device firmware, overrides and generated recommendation should be traceable. Without provenance, retrospective audit and reproducibility are impossible.

Validation, regulation and governance

Validation should proceed in gates:

verify sensor and data-pipeline accuracy;
verify the software and mathematical implementation;
assess calibration, discrimination and uncertainty;
perform temporal, geographic and subgroup validation;
run in silent mode without influencing care;
evaluate usability, workflow, automation bias and failure recovery;
compare patient outcomes and harms against current care;
evaluate workload, access, cost-effectiveness and opportunity cost;
monitor drift, incidents and inequitable performance after deployment.

When software provides information used for diagnosis or treatment, its intended purpose may bring it within software-as-a-medical-device regulation. The IMDRF clinical-evaluation framework N41 separates valid clinical association, analytical/technical validation and clinical validation. AI components should follow total-product-lifecycle principles such as the 2025 IMDRF Good Machine Learning Practice. Early live evaluation can be reported with DECIDE-AI, predictive models with TRIPOD+AI, and randomized trials with CONSORT-AI.

No single medical-device standard certifies a digital twin as safe. If its intended purpose makes it a medical device, however, established lifecycle controls are directly relevant: ISO 14971:2019 for risk management, IEC 62304:2006 with Amendment 1:2015 for medical-device software lifecycle processes, and IEC 81001-5-1:2021 for secure health-software lifecycle activities. Conformity with a process standard is not evidence of clinical benefit; it is part of the assurance case that must accompany clinical evidence.

Governance must also address consent over time, secondary uses, cybersecurity, access control, patient correction of erroneous data, data portability, model retirement, responsibility for overrides and liability when model and clinician disagree. Because rehabilitation often involves cognitively or physically vulnerable people and long periods of home monitoring, refusal must remain meaningful: declining a twin should not automatically mean losing access to ordinary care.

A 2026 thematic review of ethical, legal and social issues found a persistent gap between proposed value and empirical validation and mapped adoption barriers to the NASSS framework (DOI 10.1007/s00146-025-02833-6). Its implication is organizational as much as ethical: trustworthy deployment requires named capabilities and responsibilities for patients, clinicians, developers, providers and regulators, not a generic ethics statement appended after development.

The central risk: mistaking the model for the person

The twin will always be incomplete. Pain, motivation, dignity, relationships and the meaning of recovery cannot be reduced without loss. Treating the model as the patient invites automation bias, coercive adherence monitoring and unjust resource allocation. Ethical analysis has warned that digital twins can both broaden access and intensify inequality, segmentation and discrimination (DOI 10.3389/fgene.2018.00031).

The correct design principle is therefore epistemic humility: show what the model knows, how it knows it, what it does not know, and who remains accountable for acting on it.

Conclusion

The most valuable digital patient twin in rehabilitation will not be the most visually realistic or the one with the largest data lake. It will be the smallest model that can answer a defined clinical question, update when the patient changes, quantify uncertainty, expose its evidence and assumptions, and improve a functional outcome that matters to the patient.

The purpose of the twin is not to replace clinical judgment or to manufacture certainty. It is to make recovery trajectories more observable, alternative actions more testable, and decisions more explicit—while keeping the real person, not the simulation, as the source of goals and the final measure of success.

Интерскалярная медицина / полноформатная исследовательская статья / январь 2025

Цифровой двойник пациента в реабилитации: модель восстановления, а не цифровой клон

Почему реабилитация — сложный испытательный полигон
Рабочий контур
Практические сценарии
Аргументы и необходимые контраргументы
Данные и интероперабельность
Валидация, регулирование и управление
Главный риск — принять модель за человека
Вывод

Цифровой двойник пациента — это не просто расширенная электронная медицинская карта, трёхмерный аватар или алгоритм прогноза. В строгом смысле это индивидуализированная вычислительная модель, которая регулярно обновляется по данным реального человека и позволяет моделировать клинически значимые будущие состояния при разных вариантах действий. Прогнозы модели возвращаются в контур помощи как поддержка решения, а последующие результаты используются для проверки и обновления самой модели.

Это различие принципиально. Медицинская карта описывает зафиксированное прошлое. Панель показателей визуализирует данные. Предиктивная модель оценивает вероятность исхода. Цифровой двойник добавляет синхронизированную модель, явную оценку неопределённости и обратную связь между наблюдением, симуляцией, решением, действием и повторной оценкой. Общая терминология закреплена в ISO/IEC 30173:2023, а обзор для здравоохранения выделяет три обязательных компонента: физический объект, виртуальное представление и связь между ними (DOI 10.1038/s41746-024-01073-0; PMID 38519626).

Однако термин используется непоследовательно. Например, патентная публикация US20250006367A1 называет «синтетическим цифровым двойником» временные ряды, которые генеративно-состязательная сеть создаёт для пациента с опорой на данные когорты, хотя такая конструкция не обязана оставаться синхронизированной с одним физическим человеком. Патентная формулировка не является научным определением, но показывает практическую проблему: в статье или продукте следует указывать физический прототип, частоту обновления, вопрос симуляции, полномочия обратной связи и правило вывода модели из эксплуатации, а не полагаться на одно название.

Почему реабилитация — сложный испытательный полигон

Реабилитация не оптимизирует один биомаркер. Её цель — улучшить функционирование меняющегося человека в конкретной среде. Два пациента со сходным поражением могут двигаться по разным траекториям из-за боли, утомляемости, когнитивных нарушений, особенностей моторного обучения, лекарств, сна, страха падения, поддержки семьи, устройства жилья, доступности транспорта, интенсивности терапии и своевременности помощи.

Поэтому полезный цифровой двойник в реабилитации должен быть интерскалярным и связывать как минимум шесть уровней:

Биология и патология: очаг поражения, воспаление, заживление, сопутствующие заболевания, лекарства и физиологический резерв.
Функции и структуры организма: сила, объём движений, тонус, равновесие, кардиореспираторная реакция, боль и когнитивные функции.
Активность и участие: ходьба, одевание, коммуникация, труд, семейная и общественная жизнь.
Поведение и обучение: выполнение программы, уверенность, управление утомляемостью, предпочтения, двигательная практика и реакция на обратную связь.
Физическая и социальная среда: устройство дома, технические средства реабилитации, близкие и ухаживающие, доступность среды, требования работы и социальная поддержка.
Организация помощи и экономика: визиты, загрузка специалистов, ожидание, транспорт, наличие оборудования, финансирование и время пациента.

Такая структура соответствует биопсихосоциальной логике Международной классификации функционирования, ограничений жизнедеятельности и здоровья ВОЗ (МКФ), где функционирование рассматривается в контексте и учитываются факторы среды. Следовательно, двойник должен оптимизировать значимую для пациента функциональную цель, а не только показатель датчика. Число шагов, угол в суставе или симметрия движения могут быть промежуточными метриками, но реальной целью может быть «безопасно дойти до магазина», «готовить еду с участием поражённой руки» или «вернуться к работе без непереносимой усталости».

Рабочий контур

Клинически осмысленный двойник можно представить как последовательность:

цель → наблюдения и события → оценка текущего состояния → симуляция альтернативных действий → рекомендация с оценкой неопределённости → совместное решение → вмешательство → измеренный результат → обновление модели

Оценка состояния может объединять механистические модели — например, анатомии, нагрузки на ткани, мышечной динамики или кардиореспираторной реакции — со статистическими моделями, обученными на данных групп пациентов. В точной кардиологии эти подходы описаны как взаимодополняющие дедуктивный и индуктивный компоненты (DOI 10.1093/eurheartj/ehaa159). В реабилитации действует тот же принцип: биомеханическая модель может оценить нагрузку при упражнении, а статистическая — вероятность того, что конкретный человек перенесёт и выполнит его.

Каждый вывод должен содержать горизонт прогноза, назначение, доверительный или байесовский интервал, важные недостающие данные, описание популяции валидации и условия, при которых рекомендацию нельзя применять. Фраза «пациент восстановится» неприемлема. Формулировка «при текущих измерениях и указанных предположениях вариант A имеет более высокую оценочную вероятность достижения согласованной цели ходьбы к восьмой неделе, однако неопределённость велика из-за неполных данных о домашней активности и боли» гораздо ближе к ответственному клиническому выводу.

Практические сценарии

1. Адаптивная двигательная реабилитация после инсульта

Инерциальные датчики, силовые измерения, захват движений, оценки специалиста и сообщения пациента об утомляемости могут обновлять модель ходьбы или функции верхней конечности. Двойник способен сравнивать дозы терапии и настройки устройства, обнаруживать неожиданный выход на плато и предлагать повторную оценку, а не автоматически повышать интенсивность.

Сценарий правдоподобен, но технология пока не зрелая. В обзор 2025 года вошли 16 эмпирических исследований цифровых двойников в реабилитации после инсульта. В одной ретроспективной работе было 1216 пациентов; в остальных 15 работах — суммарно лишь 54 пациента, медиана размера выборки равнялась одному. Клиническая интеграция, экономическая эффективность и ряд других желательных свойств оценивались редко (DOI 10.1080/10749357.2025.2584031; PMID 41200887). Это основание продолжать исследования, а не утверждать доказанную клиническую пользу.

Два более широких обзора 2026 года усиливают эту осторожность. Систематический обзор по здравоохранению показал преобладание симуляционных архитектур при редкой интеграции и валидации в реальной клинике (DOI 10.1177/20552076261415934; PMID 42370013). В обзоре спорта и реабилитации проанализированы 32 публикации, из них 20 относились к реабилитации; при этом в большинстве оценок участвовало менее 20 человек, только в двух работах пользователи привлекались к проектированию, а описание ИИ часто было недостаточным (DOI 10.1080/0144929X.2026.2660222). Поэтому число публикаций отражает активность области, но не лечебный эффект; неоднородные системы нельзя считать одним вмешательством.

2. Более безопасное взаимодействие человека и робота

Нейромышечно-скелетный двойник может оценивать нагрузку на суставы и ткани, вклад мышц и сердечно-сосудистую нагрузку во время работы экзоскелета или реабилитационного робота. В прототипах уже показаны обмен между физической и виртуальной системами в реальном времени и управление индивидуальной траекторией шага: для самобалансирующегося экзоскелета нижних конечностей (DOI 10.3233/THC-220087; PMID 35754239) и робота для голеностопного сустава (DOI 10.1177/09287329251337237; PMID 40370054). Это инженерные результаты и проверка осуществимости, но ещё не доказательство улучшения долгосрочных функциональных исходов.

3. Восстановление после травм и ортопедических операций

Персонализированную анатомию по изображениям, объём движений, нагрузку, боль, исходы по оценке пациента, активность и события лечения можно объединить для сравнения программ после перелома, эндопротезирования или повреждения сухожилия. Предложенная архитектура точной нейромышечно-скелетной помощи связывает концепцию двойника с механобиологией ахиллова сухожилия и интерфейсами нейрореабилитации, одновременно указывая на необходимость общепринятых стандартов измерения и моделирования (DOI 10.1123/jab.2023-0114; PMID 37567581).

В работе 2025 года количественная МРТ и машинное обучение применены к данным Osteoarthritis Initiative для выявления интерпретируемых признаков, связанных с возникновением остеоартрита и эндопротезированием колена. Авторы точно называют этот конвейер основой будущего двойника коленного сустава: продольное обновление состояния, симуляция ответа на лечение и проспективная клиническая полезность ещё требуют проверки (DOI 10.1038/s41746-025-01507-3; PMID 39984725). Это важный пограничный случай: качественное представление пациента может быть компонентом двойника, не являясь завершённым двойником.

Появилось и более прямое клиническое доказательство, одновременно обнаруживающее неоднозначность определения. В одноцентровом открытом рандомизированном исследовании с 201 участником, имевшим остеоартрит колена и рассматривавшим тотальное эндопротезирование, система поддержки решения с ИИ сочетала обучение, выявление предпочтений и индивидуальные прогнозы пользы и риска. По сравнению только с обучающим материалом она улучшила качество решения, уменьшила конфликт, повысила соответствие лечения выбору пациента и улучшила более поздние показатели сожаления о решении и состояния колена; ряд других исходов — включая оценки совместного решения, удовлетворённость, длительность визита и частоту операции — не различался (DOI 10.1016/j.eclinm.2025.103545; PMID 41112505; NCT04805554). Результат поддерживает весь комплекс поддержки решения, но не доказывает, что эффект вызван непрерывно синхронизированным реабилитационным двойником: вмешательство состояло из неразделимых компонентов и использовало термин шире строгого определения этой статьи.

4. Реабилитация между визитами

Домашний двойник может объединять выполнение упражнений, симптомы, сон, приём лекарств, активность и контекстные события. Его ценность не в постоянном наблюдении, а в выборочном обнаружении клинически значимых отклонений: усиление боли после изменения нагрузки, снижение активности из-за транспортной проблемы или повторяющийся срыв упражнения, которое невозможно выполнить в конкретном доме. Ответом может быть звонок, новая оценка, изменение среды или упрощение программы, а не автоматическое требование «повысить приверженность».

Исследование вне реабилитации показывает реализуемую схему работы, но не доказывает её эффективность в реабилитации. В одноцентровом рандомизированном пилотном исследовании 2026 года при диабете 2-го типа итеративно обновляемая предиктивная модель формировала ежедневные сообщения, каждое из которых проверял специалист. В дополнительной выборке было всего 19 участников, поэтому различие массы тела следует считать поисковым результатом; сами авторы отделяют свою предиктивную аппроксимацию от полноценного механистического двойника с двусторонней связью (DOI 10.1038/s44401-026-00118-8). Для реабилитации переносимы частое обновление, узкий набор выводов и проверка человеком, но не сам клинический эффект.

5. Планирование с учётом ресурсов

Даже клинически оптимальное вмешательство не работает, если оно недоступно или пациент не может его посещать. Двойник маршрута может моделировать не только физиологическую реакцию, но и очередь, загрузку специалистов, время в пути и стоимость. Организационные и экономические ограничения тогда становятся частью модели, а не необъяснимым шумом. Однако учёт дефицита не должен превращаться в нормализацию плохого доступа или скрытую оптимизацию помощи более низкого качества для уязвимых групп.

Аргументы и необходимые контраргументы

Чем больше данных, тем лучше двойник. Не обязательно. Рост числа переменных увеличивает пропуски, ошибки измерения, ложные связи и нагрузку на пациента и персонал. Данные следует собирать, если они меняют определённое решение, улучшают калибровку или выявляют условие безопасности.

Непрерывные датчики объективнее клинической оценки. Датчик стабилен только в валидированных условиях. На результат влияют размещение, заряд, прошивка, цвет кожи, использование трости или ортеза, атипичное движение и изменения домашней среды. Точный сигнал может оставаться невалидным заместителем функционирования.

Индивидуализированная модель по определению точнее. Персонализация способна переобучиться на немногочисленных наблюдениях. Безопасный двойник должен показывать, какая часть оценки получена из данных человека, какая — из референтной популяции, а какая — из предположений. Нужна проверка на других площадках и в разных подгруппах.

Замкнутая обратная связь автоматически улучшает помощь. Она также может усиливать ошибочное измерение или небезопасную рекомендацию. Для изменений высокого риска нужны авторизация человеком, консервативные пределы, возможность отката и независимый канал регистрации вреда.

Точный прогноз указывает лучшее вмешательство. Прогноз исхода и эффект вмешательства — разные вопросы. Модель может хорошо выявлять риск неблагоприятного восстановления, но не знать, снизят ли этот риск дополнительная терапия, другое устройство или социальная поддержка. Для контрфактической рекомендации нужны рандомизированные данные либо обоснованные причинные допущения; одной высокой точности прогноза недостаточно для доказательства клинической полезности (DOI 10.1186/s12911-024-02513-3).

Конечная цель — единый всеобъемлющий двойник человека. Безопаснее и реалистичнее может быть федерация модулей: валидированная модель ходьбы, лекарственная модель, модель расписания и общий слой событий и происхождения данных. Тогда у каждого модуля есть определённое назначение, граница доказательств, владелец и правило вывода из эксплуатации.

Данные и интероперабельность

Интероперабельность — это не только передача полей между системами. Получатель должен понимать, что было измерено, каким устройством или специалистом, по какому протоколу, в какое время, в каких единицах и с каким качеством, а также является ли значение наблюдением, выводом алгоритма, исправлением или симуляцией.

Практическая реализация может использовать существующие стандарты:

HL7 FHIR R5 для обмена и ресурсов Observation, Goal, CarePlan, Device, Consent, Provenance и AuditEvent;
DICOM / ISO 12052 для медицинских изображений и связанной информации;
ISO/IEEE 11073-20601:2022 для интероперабельного обмена с персональными медицинскими устройствами;
МКФ ВОЗ для функционирования и факторов среды и ICHI ВОЗ для вмешательств.

Эти стандарты сами по себе не создают цифровой двойник, но уменьшают неоднозначность его входных данных, целей, вмешательств и происхождения информации. Версия модели, код, параметры, происхождение обучающих данных, прошивка устройства, ручные изменения и сформированная рекомендация должны прослеживаться. Без этого невозможны ретроспективный аудит и воспроизводимость.

Валидация, регулирование и управление

Проверка должна проходить поэтапно:

точность датчиков и конвейера данных;
корректность программной и математической реализации;
калибровка, различительная способность и неопределённость;
временная, географическая и подгрупповая валидация;
«теневой» режим без влияния на помощь;
удобство, рабочий процесс, риск автоматического доверия и восстановление после отказа;
сравнительная оценка пользы и вреда для пациента относительно обычной помощи;
нагрузка на персонал и пациента, доступность, экономическая эффективность и альтернативные издержки;
мониторинг дрейфа, инцидентов и неравной эффективности после внедрения.

Если программа выдаёт информацию для диагностики или лечения, её заявленное назначение может отнести её к программному обеспечению как медицинскому изделию. Документ IMDRF N41 по клинической оценке SaMD разделяет обоснованную клиническую связь, аналитическую/техническую валидацию и клиническую валидацию. Для компонентов ИИ применимы принципы полного жизненного цикла, включая документ IMDRF 2025 года о надлежащей практике машинного обучения. Раннюю проверку в реальной клинике можно описывать по DECIDE-AI, предиктивные модели — по TRIPOD+AI, рандомизированные исследования — по CONSORT-AI.

Ни один стандарт медицинских изделий сам по себе не удостоверяет безопасность цифрового двойника. Однако если назначение превращает его в медицинское изделие, применимы уже существующие процессы жизненного цикла: ISO 14971:2019 для управления рисками, IEC 62304:2006 с поправкой 1:2015 для жизненного цикла программного обеспечения медицинских изделий и IEC 81001-5-1:2021 для безопасного с точки зрения киберугроз жизненного цикла медицинского ПО. Соответствие процессному стандарту не доказывает клиническую пользу; это часть комплекса гарантий, который должен сопровождать клинические данные.

Управление должно охватывать согласие во времени, вторичное использование, кибербезопасность, контроль доступа, право пациента исправить ошибочные данные, переносимость, вывод модели из эксплуатации, ответственность за ручное изменение рекомендации и ситуацию разногласия модели с врачом. Реабилитация часто включает длительный домашний мониторинг и людей с когнитивной или физической уязвимостью, поэтому отказ должен оставаться реальным: нежелание использовать двойник не должно автоматически закрывать доступ к обычной помощи.

Тематический обзор этических, правовых и социальных вопросов 2026 года обнаружил устойчивый разрыв между заявленной ценностью и её эмпирической проверкой и сопоставил препятствия внедрению с моделью NASSS (DOI 10.1007/s00146-025-02833-6). Следствие не только этическое, но и организационное: для надёжного внедрения нужны конкретные полномочия и ответственность пациентов, врачей, разработчиков, медицинских организаций и регуляторов, а не общая декларация об этике после завершения разработки.

Главный риск — принять модель за человека

Двойник всегда неполон. Боль, мотивация, достоинство, отношения и личный смысл восстановления невозможно свести к данным без потерь. Если обращаться с моделью как с пациентом, возникают автоматическое доверие, принуждение к «правильному» поведению и несправедливое распределение ресурсов. Этический анализ предупреждает, что цифровые двойники способны как расширять доступ, так и усиливать неравенство, сегментацию и дискриминацию (DOI 10.3389/fgene.2018.00031).

Поэтому основной принцип проектирования — эпистемическая скромность: показывать, что модель знает, откуда это известно, чего она не знает и кто несёт ответственность за действие.

Вывод

Самым ценным цифровым двойником в реабилитации будет не наиболее зрелищный аватар и не система с крупнейшим хранилищем данных. Им станет минимальная модель, способная ответить на определённый клинический вопрос, обновиться вслед за изменением пациента, количественно выразить неопределённость, раскрыть доказательства и допущения и улучшить функциональный исход, значимый для самого человека.

Задача двойника не в замене клинического мышления и не в создании иллюзии определённости. Его задача — сделать траекторию восстановления более наблюдаемой, альтернативные действия более проверяемыми, а решения более явными, сохраняя реального человека, а не симуляцию, источником целей и окончательной мерой успеха.

References / Список литературы

All sources below were verified against publisher, bibliographic-database, standards-body, regulator or patent records. They are new relative to the current short article, which has no citations.

Peer-reviewed publications and methodological guidance

Katsoulakis E, et al. “Digital twins for health: a scoping review.” npj Digital Medicine 2024;7:77. DOI 10.1038/s41746-024-01073-0. PMID 38519626.
Corral-Acero J, et al. “The ‘Digital Twin’ to enable the vision of precision cardiology.” European Heart Journal 2020;41:4556–4564. DOI 10.1093/eurheartj/ehaa159.
Niederer SA, Sacks MS, Girolami M, Willcox K. “Scaling digital twins from the artisanal to the industrial.” Nature Computational Science 2021;1:313–320. DOI 10.1038/s43588-021-00072-5.
Laubenbacher R, Mehrad B, Shmulevich I, Trayanova N. “Digital twins in medicine.” Nature Computational Science 2024;4:184–191. DOI 10.1038/s43588-024-00607-6.
García-Rudolph A, et al. “Digital twins in stroke rehabilitation: a scoping review of objectives, data sources, mechanisms, outcomes, and desirable properties.” Topics in Stroke Rehabilitation 2025. DOI 10.1080/10749357.2025.2584031. PMID 41200887.
Saxby DJ, Pizzolato C, Diamond LE. “A Digital Twin Framework for Precision Neuromusculoskeletal Health Care: Extension Upon Industrial Standards.” Journal of Applied Biomechanics 2023;39:347–354. DOI 10.1123/jab.2023-0114. PMID 37567581.
Wang W, et al. “Digital twin rehabilitation system based on self-balancing lower limb exoskeleton.” Technology and Health Care 2023;31:103–115. DOI 10.3233/THC-220087. PMID 35754239.
Xie S, Zhan M, Li Y, Xi F. “The virtual-real interaction system design and interaction characteristics research of an ankle rehabilitation robot based on digital twin.” Technology and Health Care 2025;33:2279–2304. DOI 10.1177/09287329251337237. PMID 40370054.
Bruynseels K, Santoni de Sio F, van den Hoven J. “Digital Twins in Health Care: Ethical Implications of an Emerging Engineering Paradigm.” Frontiers in Genetics 2018;9:31. DOI 10.3389/fgene.2018.00031.
Iqbal JD, et al. “A consensus statement on the use of digital twins in medicine.” npj Digital Medicine 2025;8:484. DOI 10.1038/s41746-025-01897-4.
van Amsterdam WAC, de Jong PA, Verhoeff JJC, Leiner T, Ranganath R. “From algorithms to action: improving patient care requires causality.” BMC Medical Informatics and Decision Making 2024;24:111. DOI 10.1186/s12911-024-02513-3. PMCID PMC11046962.
Vasey B, et al. “Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI.” Nature Medicine 2022;28:924–933. DOI 10.1038/s41591-022-01772-9. PMID 35585198.
Collins GS, et al. “TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods.” BMJ 2024;385:e078378. DOI 10.1136/bmj-2023-078378. PMID 38636956.
Liu X, et al. “Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension.” Nature Medicine 2020;26:1364–1374. DOI 10.1038/s41591-020-1034-x.
Calcaterra V, Guardamagna L, Gatti A, et al. “Digital twins in healthcare: A systematic review of current applications, frameworks, and future directions.” Digital Health 2026;12:20552076261415934. DOI 10.1177/20552076261415934. PMID 42370013; PMCID PMC13305746.
Barricelli BR, Cerutti F, Morzenti S. “Human digital twins in sports and rehabilitation: a systematic review.” Behaviour & Information Technology 2026. DOI 10.1080/0144929X.2026.2660222.
Hoyer G, Gao KT, Gassert FG, et al. “Foundations of a knee joint digital twin from qMRI biomarkers for osteoarthritis and knee replacement.” npj Digital Medicine 2025;8:118. DOI 10.1038/s41746-025-01507-3. PMID 39984725; PMCID PMC11845592.
Jayakumar P, Rathouz PJ, Lin E, et al. “Shared decision making using digital twins in knee osteoarthritis care: a randomized clinical trial of an AI-enabled decision aid versus education alone on decision quality, physical function, and user experience.” EClinicalMedicine 2025;89:103545. DOI 10.1016/j.eclinm.2025.103545. PMID 41112505; PMCID PMC12528923; trial registration NCT04805554.
Wang J, Faruqui SHA, Alaeddini A, et al. “Human-in-the-loop AI predictive digital twin to extend virtual precision diabetes care between visits.” npj Health Systems 2026;3:59. DOI 10.1038/s44401-026-00118-8.
Burr CD, Qian S, Winter P, et al. “Realising the digital twin: a thematic review and analysis of the ethical, legal, and social issues for digital twins in healthcare.” AI & Society 2026;41:5243–5267. DOI 10.1007/s00146-025-02833-6.

Official standards and regulatory documents

ISO/IEC. ISO/IEC 30173:2023 — Digital twin — Concepts and terminology.
WHO. International Classification of Functioning, Disability and Health (ICF), endorsed by WHA resolution 54.21.
WHO. International Classification of Health Interventions (ICHI).
HL7. FHIR Release 5 specification, including Observation, Goal, CarePlan and Provenance.
DICOM Standards Committee. DICOM overview; recognized as ISO 12052.
ISO/IEEE. ISO/IEEE 11073-20601:2022 — Personal health device communication.
IMDRF. IMDRF/SaMD WG/N41FINAL:2017 — Software as a Medical Device: Clinical Evaluation.
IMDRF/FDA. Good Machine Learning Practice for Medical Device Development: Guiding Principles, final IMDRF principles published in 2025.
ISO. ISO 14971:2019 — Medical devices — Application of risk management to medical devices; confirmed current in 2025.
IEC. IEC 62304:2006 — Medical device software — Software life cycle processes, with Amendment 1:2015; confirmed current in 2021 and under systematic review at the research date.
IEC. IEC 81001-5-1:2021 — Health software and health IT systems safety, effectiveness and security — Part 5-1: Security — Activities in the product life cycle; published standard scheduled for revision at the research date.

Patent publications: evidence of the design space, not clinical efficacy

US20190005200A1 / WO2019005184A1 — “Methods and systems for generating a patient digital twin”. Combines records, imaging, genetics and history for query, simulation and rule-based recommendations.
WO2020243781A1 — “Biospine: a digital twin neurorehabilitation system”. Describes biosensor-informed control of electrical stimulation and motor assistance with load and cardiovascular constraints.
US20220375621A1 — “Digital twin”. Describes a physical-therapy platform that updates a patient twin from captured exercise performance, with a scoliosis-specific embodiment.
US20230064408A1 — “Digital twin systems, devices, and methods for treatment of the musculoskeletal system”. Covers a musculoskeletal treatment journey, PROMs/PREMs, wearables, treatment scenarios and rehabilitation monitoring.
CN115670870A — “A lower limb rehabilitation exoskeleton system based on digital twin”. Describes individualized gait fitting, wearable sensing, safety limits and adaptive adjustment.
EP3992978A1 — “Knee arthroplasty functional digital twin”. Describes a patient-specific knee model built from imaging and sensor data for simulated motion and preoperative testing of surgical changes; published application, pending status shown in the linked record at the research date.
US20250006367A1 — “Synthetic digital twin for a patient”. Describes GAN-generated disease-specific synthetic time-series conditioned on episodic patient metadata; published application, pending status shown in the linked record at the research date.

Patent note: publication or grant status does not demonstrate novelty in every jurisdiction, freedom to operate, technical feasibility, safety, regulatory clearance, or clinical benefit. Legal status must be checked in the relevant patent office before any product or intellectual-property conclusion is drawn.