¿Qué es un gemelo digital de un paciente, cómo se construye y para qué se está usando en medicina?
Simular el efecto de un fármaco sobre un paciente antes de administrarlo. Practicar una ablación cardíaca sobre un modelo computacional del corazón antes de entrar al quirófano. Reducir el número de participantes necesarios en el grupo control de un ensayo clínico.
Estas no son proyecciones futuras: son aplicaciones que ya existen, con nombre propio, financiamiento y respaldo regulatorio.
La tecnología detrás de todo esto se llama gemelo digital de paciente. Es uno de los conceptos más discutidos en medicina de precisión y también uno de los más mal explicados.
Un gemelo digital es un modelo computacional individualizado que representa la biología, la fisiología o la anatomía de una persona específica.
No es una base de datos ni un promedio poblacional: es una réplica virtual de ese paciente en particular, construida a partir de sus propios datos y calibrada para reproducir cómo responde su cuerpo.
La idea central es que ese modelo puede usarse para simular intervenciones, probar tratamientos o predecir evoluciones sin exponer al paciente real a ningún riesgo. Es, en esencia, un entorno de prueba personalizado.
El concepto no es nuevo en ingeniería: la industria aeronáutica y la manufactura llevan décadas usando gemelos digitales de equipos y sistemas para anticipar fallas y optimizar diseños.
Lo que cambió en los últimos años es la disponibilidad de datos clínicos de alta calidad, la capacidad de procesamiento computacional y el desarrollo de modelos de IA capaces de integrar información heterogénea con suficiente precisión como para que el salto a medicina sea viable.
El proceso de construcción varía según el tipo de gemelo y la aplicación clínica, pero sigue una lógica general de tres etapas.
Primero, se recopilan los datos del paciente. Eso puede incluir imagen médica de alta resolución, historial clínico, biomarcadores, datos genómicos, metabolómica y señales de wearables.
La imagen médica ocupa un lugar central en muchas aplicaciones: una RM cardíaca con contraste, por ejemplo, permite reconstruir la anatomía tridimensional del miocardio con detalle suficiente para modelar la conducción eléctrica del corazón.
Segundo, esos datos se integran en un modelo computacional. Los algoritmos de IA combinan la información para construir una representación funcional del órgano o sistema en cuestión: no solo su estructura, sino cómo se comporta ante distintos estímulos.
Esta es la etapa más compleja y la que más varía según el equipo de investigación y la plataforma tecnológica.
Tercero, el modelo se valida y se usa para simular.
Se comprueba que el gemelo reproduce correctamente el comportamiento conocido del paciente real, y luego se realizan las simulaciones de interés clínico: qué pasa si se aplica este fármaco, si se ablaciona esta zona, si se ajusta esta dosis.
La imagen médica no es un insumo secundario en la construcción del gemelo digital: en muchas aplicaciones, es la base sobre la que se construye todo el modelo.
El gemelo digital cardíaco es hoy el ejemplo más avanzado y mejor documentado de esta tecnología en medicina clínica.
El laboratorio de Natalia Trayanova en la Universidad Johns Hopkins lleva más de una década desarrollando modelos computacionales del corazón construidos a partir de RM cardíaca con contraste.
El proceso es preciso: se obtienen imágenes del corazón del paciente una semana antes de una ablación, se reconstruye un modelo tridimensional que muestra las zonas de fibrosis y el tejido dañado, y se simula la propagación de la actividad eléctrica para identificar los circuitos que generan la arritmia.
El médico planifica la ablación sobre el gemelo antes de operar al paciente real.
En abril de 2026, el equipo de Johns Hopkins publicó los resultados del ensayo clínico TWIN-VT, aprobado por la FDA, que aplicó esta metodología en diez pacientes con taquicardia ventricular.
La frase de Jonathan Chrispin, cardiólogo del equipo, resume la lógica del procedimiento: “Tratamos al gemelo antes de tratar al paciente”.
Los resultados de corto plazo fueron positivos, aunque los autores señalan que se necesitan estudios más amplios para establecer conclusiones definitivas.
Una aplicación distinta, pero igualmente concreta, es el uso de gemelos digitales para optimizar el diseño de ensayos clínicos.
La empresa Unlearn.AI desarrolló un método llamado PROCOVA que genera un gemelo digital de cada participante de un ensayo: un modelo probabilístico que predice cómo hubiera evolucionado ese paciente en el grupo control.
Esa predicción se incorpora como covariable en el análisis estadístico del ensayo, lo que permite aumentar la potencia estadística sin necesidad de incluir más participantes en el grupo control.
La Agencia Europea de Medicamentos calificó PROCOVA en 2022 como un enfoque estadístico aceptable para el análisis primario en ensayos de fase 2 y 3 con variables continuas. La FDA también confirmó que la metodología es consistente con su marco regulatorio actual.
Las aplicaciones activas incluyen ensayos en enfermedad de Alzheimer, esclerosis lateral amiotrófica y Parkinson, entre otras patologías.
En algunos análisis, el método permitió reducir el tamaño del grupo control en un 30% o más, con implicancias éticas y económicas relevantes para el desarrollo de nuevos fármacos.
Menos participantes en el grupo control significa menos personas expuestas a placebo en enfermedades graves. Ese es uno de los argumentos más sólidos a favor del gemelo digital en ensayos clínicos.
Una tercera línea de aplicación, menos conocida, es el uso de gemelos digitales a escala institucional. Siemens Healthineers desarrolló modelos digitales de alta fidelidad de instalaciones hospitalarias completas en colaboración con la Universidad Médica de Carolina del Sur.
El objetivo no es simular pacientes sino simular flujos: cómo se mueven las personas, cómo se distribuyen los recursos, cómo responde el servicio ante cambios de demanda o reformas edilicias.
Esta aplicación permite optimizar la planificación de instalaciones, mejorar la eficiencia de los flujos clínicos y evaluar el impacto de cambios antes de ejecutarlos, sin los costos y riesgos de una intervención física real.
- Los obstáculos son reales y no son menores.
- Los datos clínicos de alta calidad siguen siendo escasos, fragmentados y difíciles de integrar entre instituciones.
- La validación clínica de los modelos es costosa y lenta.
- La interoperabilidad entre sistemas de imagen, historia clínica y plataformas de modelado está lejos de estar resuelta.
A eso se suma una pregunta que la tecnología no puede responder sola: quién es el propietario del gemelo digital de un paciente, quién puede acceder a él y bajo qué condiciones.
Es una cuestión ética y legal que los marcos regulatorios actuales apenas están comenzando a abordar.
Los gemelos digitales no van a reemplazar los ensayos clínicos ni el juicio clínico. Pero cuando están bien construidos y validados, ofrecen algo que hasta ahora no existía: un entorno donde probar antes de actuar, con los datos del paciente real y sin exponerlo al riesgo de la prueba.
0 comentarios