达索系统：虚拟孪生改写临床试验

寂静回声

让我们先看一组令人赞叹的数字。达索系统旗下Medidata在过去 25 年里，支持了超过 36000 场临床试验。他们每年收集的数据点高达 700 亿个，仅医学影像就积累了超过 10 亿张。这不仅仅是冷冰冰的数字，这是人类生理活动的数字化生存记录。


面对这样规模的数据，任何一个有直觉的科学家都会问：我们能不能用这些数据构建出某种东西？如果我们能为每个病人创建一个“虚拟孪生”，在现实世界的药物进入他们的身体之前，先在数字世界里跑一遍模拟，会发生什么？
这正是Medidata产品管理副总裁安德烈亚·法尔科夫（Andrea Falkoff）和Medidata工程与生物标志物分析副总裁梅丽莎·塞鲁洛（Melissa Ceruolo）在达索系统2025年科学周活动的演讲中探讨的核心命题。作为达索系统旗下Medidata品牌的核心领军人物，她们正在尝试把临床试验从一种“试错游戏”变成一种基于逻辑推演的工程科学。这不仅是技术的跃迁，更是人类对抗疾病范式的彻底重构。



以下是Andrea Falkoff的精彩演讲：
大家好，我是安德烈亚。在医学影像这个行当里，我已经摸爬滚打了 18 年。如果有人问我，这 18 年来最大的变化是什么？我会告诉他，那是一种从“肉眼凡胎”向“数字全知”的进化。这听起来很玄乎，但逻辑其实非常直观。
我想起 2005 年我刚入行的时候。那时候我只是一个影像助理，负责处理临床试验中的片子。你们可能很难想象，在那个数字技术已经起步的年代，我们收到的竟然大多还是厚重的硬拷贝胶片。那是实实在在、摸得着的物理存在。
我当时最核心的一项工作内容，说起来甚至有点滑稽。我得拿着一支蜡笔，在一张张胶片上涂抹。我的任务是划掉片子上所有关于病人的隐私信息。你可以想象那个场景：一个立志改变医疗的年轻人，整天在用蜡笔做物理层面的“脱敏”。


在那之后的 18 年里，我亲眼见证了一场指数级的革命。我们从物理胶片转向了全数字平台，影像的标准化程度突飞猛进。像 PET 扫描这样的新模态不断涌现，让我们能够观察到组织内部的代谢变化。但最让我兴奋的，还是我们终于开始尝试预测未来。
我一直坚信一个朴素的道理：数据将彻底改变我们与病人的交互方式。在医疗危机面前，病人和家属最常问的问题是什么？为什么医生没能早点发现？我的预后会怎样？我的生活质量会变成什么样？这些问题在过去往往只能靠经验去猜。

现在，虚拟孪生给了我们一个确定的答案。通过将海量的历史临床数据与实时的生理数据叠加，我们正在从一种“反应式医疗”转向“主动式医疗”。我们不再是被动地等待疾病发作，而是在数字世界里提前识别出风险的苗头，并切断它的路径。

在 Medidata，我们拥有得天独厚的优势。既然我们已经拥有了收集所有这些数据的管道，那么在这之上叠加虚拟孪生技术，简直就是顺理成章的降维打击。这对于临床试验的发起者和参与的病人来说，都是一场足以改写命运的游戏。
让我们聊聊现在已经落地的例子。最让我自豪的是“合成对照组”。在传统的试验中，你必须招募一批病人进入对照组，给他们吃安慰剂。但在很多癌症晚期试验中，病人是在寻找最后的希望，让他们进入对照组在伦理和心理上都是巨大的负担。


通过虚拟孪生技术，我们可以调用历史试验中的病人数据，构建出一个虚拟的对照组。这意味着我们可以减少、甚至在某些情况下替代真实的对照组病人。这不仅降低了试验成本，更重要的是，它让更多急需救命药的病人能够进入实验组，获得真正的治疗。
昨天帕特里克在他的演讲中展示了虚拟孪生如何影响临床护理。我想补充的是，这些逻辑完全可以无缝平移到临床试验中。预测结果、预测不良事件、预测治疗成功率。如果你能在数字世界里理解一个细胞的反应，你就能在现实中挽救一个生命。



我和尼古拉的团队合作，把肿瘤学的虚拟孪生模型整合进了我们的影像解决方案。现在，当 CT 扫描图上传后，系统会自动识别肿瘤并进行精准测量。这在以前需要耗费放射科医生大量的时间。现在，自动化流程让我们的洞察速度提升了几个量级。
更酷的是 3D 分割技术。我们不仅仅是在看一张二维的图片，更是在处理体积数据。有了体积数据，我们就能应用“放射组学”这种超越肉眼极限的技术。它能捕捉到肿瘤内部那些微小的、人类观察者根本无法察觉的纹理和特征。
放射组学的核心理论是：肿瘤的微观特征与其对治疗的反应和最终的生存率之间存在某种逻辑关联。通过训练算法，我们可以在影像采集的一瞬间，就预判出这个病人的肿瘤是否会缩小，甚至预估他未来的生存期。这才是真正的“实时决策”。
为了让这个模型足够强健，我们投入了巨大的资源。我们先用了美国公共数据集里的 5 万个病灶进行训练。但这还不够，我们又加入了 Medidata 独有的、来自全球各地的 5 万多个样板。这种全球多样性确保了我们的算法在处理不同器官、不同族群时依然精准。



有趣的是，在拥抱虚拟孪生这件事上，医疗器械行业其实走在了制药行业的前面。在我们的影像试验中，约 70% 是与器械相关的。心脏病学和肿瘤学也是大头，但器械厂商对模拟技术的依赖程度高得惊人。这大概是因为器械更接近“物理实体”。
在设计一款心脏支架或人工瓣膜时，工程师们已经习惯了先在软件里跑成千上万次模拟。他们可以通过虚拟测试来评估器械的性能，预测疲劳寿命，甚至直接观察它在模拟血流中的表现。这种方式极大地减少了物理测试的次数，缩短了研发周期。


我们还看到，医生们开始利用虚拟孪生进行手术预演。在面对一个复杂的解剖结构时，医生可以在真实的切口落下之前，在虚拟模型上反复练习。这种“构建事物以理解事物”的思维，正是器械行业能够快速迭代的秘诀。
由于生物化学反应的变量远多于机械结构，制药行业的情况更为复杂，但逻辑是相通的。我们正在把器械行业的这种“模拟先行”的思维引入到药物研发中。在未来的 10 到 15 年里，这种方式将成为整个医疗行业的标准配置。
虚拟孪生的本质是数据。除了影像，我们还要整合临床信息、实验室数据、传感器数据。在不远的将来，基因组学、生活方式数据甚至社交习惯，都会被纳入这个模型。当这些维度汇聚在一起时，虚拟孪生就变成了一个活生生的、会呼吸的数字生命。

这种多维度的聚合将彻底解决“病人匹配”的问题。我们会基于每个人的独特背景，找到最适合他的治疗方案。这可能是一种已经上市的药，也可能是一个正在进行的试验。虚拟孪生将成为一个导航仪，引导每个生命走向成功率最高的那条路。
在接下来的这部分中，我们将由梅丽莎（Melissa）接棒，深入探讨传感器如何捕捉“活生生”的生理数据，以及支撑这一切的底层工程架构。
谢谢你，安德烈亚。在 Medidata，如果说安德烈亚是负责“看透人体”的影像专家，那我就是那个整天和数字信号打交道的“传感器女孩”。我研究可穿戴技术已经很多年了。影像揭示的是静态的、断点式的真相，而传感器捕捉的则是流动的、持续的生命律动。


请大家低头看看自己的手腕，现在有多少人正戴着智能手表或健康监测设备？我敢打赌比例惊人。这种现象在今天已经变得稀松平常。我们通过这些小玩意儿收集运动数据、心率数据、血氧数据。但在我看来，这些海量的信息在临床生态系统中，大部分仍处于未被开发的状态。
这简直是巨大的浪费。通过分析这些信号，我们可以在你最舒适的家中，通过短短几天的数据，洞察你的功能能力、情绪波动甚至行为模式。这不需要你每隔几周跑一次医院。这种来自真实世界的证据，比医院里那几分钟的检测要真实得多。

制药公司常问我：病人得戴多久？一定要戴一年吗？数据告诉我们，这完全取决于你想要解决什么问题。在亨廷顿舞蹈症的研究中，我们发现仅仅三天的连续数据，就足以捕捉到病人在运动模式上的变异。这种高价值的信息，本身就是一种强大的预测信号。

这让我想起 15 年前在麻省理工学院（MIT）做硕士论文的日子。那时候我们就在研究“自适应许可”。我的核心课题是如何将系统工程原理应用到医学实践中。软件工程里有“瀑布式”和“敏捷开发”的区别，但在我看来，现有的临床试验流程太“瀑布”了。
我们花十年时间、砸数亿美金，走完一期二期三期，最后才看到结果。这不仅低效，而且不可持续。我们现在坐拥如此强大的模拟工具和实时数据，为什么还要死守那套过时的、线性的开发逻辑？我们有责任利用这些工具，去重塑药物审批的规则。


作为一个工程师，我不能只谈远景，不谈地基。要支撑安德烈亚提到的那些惊人的预测能力，我们需要一套极其强悍的基础架构。在软件工程里，我们常说“Ilities”——可扩展性、互操作性、性能、灵活性、可预测性。这是任何复杂系统的脊梁。

从源数据到最终分析的每一环，我们都要像设计精密仪器一样去构建。我们要保证架构足够灵活，能够吞下多模态的数据。Medidata 已经钻研了很多年，去对接不同厂商的云平台，把散落在各处的数据汇聚到一个中心化的云端，这是第一步。
接下来是标准化。如果数据之间无法对话，那它们就是一堆毫无意义的电子垃圾。我们必须利用开放标准，为数据增加一层“互操作性”。而在我们团队内部，目前最核心的工作是应用“知识图谱”。它能为数据集注入语义本体，这相当于为 AI 预读了课文。
有了知识图谱，大语言模型和预测模型才能真正理解它们在处理什么。这不仅是为了速度，更是为了准确。我们需要专门针对医疗信息学训练的智能体。这些智能体不是只会闲聊的机器人，它们必须读懂复杂的临床逻辑。这才是生成式经济在医疗领域的真正落地。


我最痴迷的还是系统的预测性。在数字医学协会的一份报告中，研究者分析了数千个使用数字生物标志物的临床试验。结果非常清晰：这种方式不仅缩短了试验周期，还显著提高了投资回报率。当你能更早地获得精准信号，你就能更早地做出决策。
这就是数据的力量：数据越精密、体量越大，你需要的样本量反而越少。你不需要成千上万个病人跑一年，你只需要精准地监测一部分人一段时间。这种“以质取胜”的逻辑，将彻底改变临床试验的成本结构，让更多创新的疗法能够以前所未有的速度问世。

让我们看一张非常有启发性的图。在传统的、反应式的医疗模式中，我们总是等到症状出现、甚至身体已经严重受损时才去介入。在某些国家，每年在医疗上耗费数万亿美金，但这钱花得并不高效。这种模式不仅让财政不堪重负，更让病人的福祉大打折扣。
但在我们的愿景里，通过虚拟孪生和全天候的传感器监测，我们可以在风险分数偏离基线的瞬间就采取行动。我们不再等待症状演化，而是提前拦截。这就是从“反应式”到“主动式、个性化、预防性”的跃迁。这不仅是医疗，这是对生命尊严的重塑。
这也正是达索系统 3D UNIV+RSES 的核心逻辑。我们正在构建一个数字化的生命 UNIV+RSES，每一个虚拟孪生都是这个 UNIV+RSES中的一个节点。在这个生成式经济体系中，信息不是单向消耗的，而是在模拟、反馈和现实交互中不断产生价值，循环往复。
这种理念不仅适用于临床试验，它将冲击整个医疗保障系统。想象一下，未来的医生不再是给你开药的药剂师，而是一个操作着你虚拟孪生的系统分析师。他会告诉你，基于你现在的生理状态和环境干扰，哪种路径能让你获得最长久的健康增益。


观众 A：非常精彩。我注意到你们提到了环境监测。我们生活在空气、水、土壤构成的复杂环境中，这些环境因素像药物一样有副作用。我们什么时候才能把这些环境数据也纳入虚拟孪生的监测范围？
梅丽莎：这是一个非常深刻的问题。坦白说，我们目前确实有点“盲视”。我们往往只盯着生物数据，却忽略了环境对疾病的诱发作用。在德国，有些研究已经开始关注建筑生物学。我认为未来我们必须更具全局思维，将环境数据整合进生态系统，虽然现在还处于早期阶段。



观众 B：关于你们预测病人入组的逻辑，我有个疑问。你们如何定义“响应”？有时候病人只是部分响应，但从病人角度看，即使只有部分改善，他们也想要治疗。你们的预测模型会不会因为追求完美的试验数据而把这些病人排除在外？
安德烈亚：这触及了临床试验的核心伦理。目前的模型大多还是用于信息参考，而不是决策依据。我完全同意你，定义必须极其谨慎。随着模型变得越来越高级，我们希望这种预测不仅是为了筛选病人，更是为了告诉病人：即使是部分响应，你可能面临的风险和收益对比究竟是怎样的。


我们在这场演讲中感受到了一种久违的、属于工程师的浪漫。安德烈亚和梅丽莎并不是在贩卖某种虚无缥缈的科幻概念，她们是在用数据、传感器和复杂的架构，去尝试解构那个人类文明中最复杂的系统——生命。
通过构建虚拟孪生来理解真实的人体，这完美契合了费曼那句“我不能创造的东西，我就不理解”。在 3DEXPERIENCE 的语境下，这种创造不再是实体的堆砌，而是逻辑的模拟。当我们在虚拟世界中失败一万次，现实世界中的那个病人，就多了一万分活下去的机会。


生成式经济的本质是价值的持续转化。在医疗领域，这意味着我们将从“消耗昂贵药物来换取短期生存”，转向“利用低成本数据来换取长效健康”，这是理念的革新和范式的转移。在这个过程中，达索系统的 3D UNIV+RSES 不仅仅是一个平台，它更像是一个孵化器，孵化着人类对抗病魔的新武器。
我们正在见证一个时代的终结，那个依靠蜡笔、胶片和盲目试错的时代正在远去。取而代之的，是一个由代码、传感器和智慧共同织就的未来。在这个未来里，每一个人都不再是统计学意义上的一个点，而是一个独特的、被理解的、被温柔守护的数字人体3D UNIV+RSES。