Digitale Zwillinge bei Seltenen Erkrankungen (CSBJ)
📋Auf einen Blick
- •Digitale Zwillinge (DTs) sind virtuelle Abbilder von Patienten zur Simulation von Krankheitsverläufen und Therapieantworten.
- •Seltene Erkrankungen profitieren von DTs durch In-silico-Studien, die kleine Patientenpopulationen und fehlende Daten kompensieren.
- •Pharmakometrische Modelle (PBPK, PopPK, QSP) bilden die Grundlage für die Entwicklung von DTs.
- •Aktuelle Modelle in der Forschung erfüllen oft noch nicht alle Kriterien eines echten DTs, da meist die Echtzeit-Datenaktualisierung fehlt.
- •Ein vielversprechender Anwendungsfall für DTs ist die Epidermolysis bullosa zur individualisierten Therapieplanung.
Hintergrund
Das Konzept der Digitalen Zwillinge (Digital Twins, DTs) stammt ursprünglich aus der Raumfahrt und Industrie, gewinnt aber in der Medizin zunehmend an Bedeutung. Ein Digitaler Zwilling ist ein virtuelles, datenbasiertes Abbild eines individuellen Patienten. Durch die Integration von molekularen, physiologischen und Lebensstil-Daten sowie den Einsatz von maschinellem Lernen (ML) und künstlicher Intelligenz (KI) können Krankheitsverläufe und Therapieantworten simuliert und vorhergesagt werden.
Herausforderungen bei Seltenen Erkrankungen
Seltene Erkrankungen (Rare Diseases, RDs) sind meist genetisch bedingt, chronisch und lebensbedrohlich. Die Entwicklung von Therapien (Orphan Drugs) ist mit spezifischen Hürden verbunden:
| Herausforderung | Beschreibung |
|---|---|
| Diagnose | Oft stark verzögert (6 Monate bis 20 Jahre) |
| Population | Sehr kleine, geografisch verstreute Patientengruppen |
| Pathophysiologie | Häufig unzureichend verstanden |
| Studien | Eingeschränkte Finanzierung, schwierige Rekrutierung, fehlende Vergleichsdaten |
Digitale Zwillinge können diese Hürden adressieren, indem sie als virtuelle Kontrollgruppen in klinischen Studien dienen oder die Extrapolation von präklinischen Daten auf den Menschen ermöglichen.
Modellierungsansätze für Digitale Zwillinge
Die Entwicklung von DTs stützt sich auf verschiedene etablierte pharmakometrische und mathematische Modelle:
| Modell | Bedeutung | Fokus |
|---|---|---|
| PBPK | Physiologically based pharmacokinetic | Mechanistische Untersuchung auf Organ- und Zellebene (LADME-Prozesse) |
| PopPK | Population pharmacokinetic | Empirische Modelle zur Erfassung von Populations-Trends und interindividueller Variabilität |
| QSP | Quantitative systems pharmacology | Mechanistische Erfassung von Medikamenten-Biomarker-Interaktionen und biologischen Netzwerken |
| Physiome | Physiome modeling | Ganzkörper- und Multiorgan-Physiologie (biophysikalischer Ansatz) |
Diese Modelle ermöglichen unter anderem die Skalierung von Tierdaten auf die Erstdosierung beim Menschen (First-in-Human) sowie die Skalierung von Erwachsenen- auf Kinderdosierungen.
Arzneimittelinteraktionen (DDI) bei Polypharmazie
Patienten mit Seltenen Erkrankungen benötigen oft eine Polypharmazie, was das Risiko für Arzneimittelinteraktionen (Drug-Drug Interactions, DDI) erhöht. Da klinische DDI-Studien für Orphan Drugs oft fehlen, können PBPK-Modelle genutzt werden, um Interaktionen virtuell zu simulieren. So konnte beispielsweise das DDI-Risiko für Vatiquinon (eingesetzt bei Friedreich-Ataxie) mit CYP3A4-Inhibitoren und -Induktoren erfolgreich in silico abgeschätzt werden.
Kriterien eines "echten" Digitalen Zwillings
Obwohl die genannten Modelle hochkomplex sind, erfüllen sie laut dem aktuellen Review oft noch nicht alle Kriterien eines echten Digitalen Zwillings. Ein echter DT erfordert drei Kernkomponenten:
| Kriterium | Erfüllungsgrad in aktueller RD-Forschung |
|---|---|
| Individuelle Repräsentation | Teilweise erfüllt (z.B. durch patientenspezifische Parameter-Anpassung) |
| Datenfusion | Teilweise erfüllt (Integration heterogener Datenquellen) |
| Echtzeit-Aktualisierung | Nicht erfüllt (bisher keine iterativen Updates durch kontinuierlichen Datenfluss) |
Die fehlende Echtzeit-Aktualisierung (z.B. durch Wearables oder regelmäßige Biomarker-Erfassung) bleibt die größte Hürde bei der Implementierung in der RD-Forschung.
Use Case: Epidermolysis bullosa (EB)
Ein konkretes Anwendungsbeispiel für DTs ist die Epidermolysis bullosa ("Schmetterlingskrankheit"). Diese seltene Hauterkrankung ist durch extreme Hautfragilität und Blasenbildung gekennzeichnet. Aufgrund der hohen Heterogenität der genetischen Mutationen und der Schweregrade ist eine individualisierte Therapieplanung essenziell.
Ein Digitaler Zwilling für EB-Patienten sollte demografische Daten, Entzündungsmarker (CRP, TNF-α), hämatologische Parameter und klinische Scores integrieren. Durch die Kombination von PBPK- und PopPK-Modellen könnten so Krankheitsverläufe (z.B. Vernarbungen, Risiko für Plattenepithelkarzinome) vorhergesagt und Dosierungen von Begleitmedikamenten optimiert werden.
💡Praxis-Tipp
Nutzen Sie pharmakometrische Modelle (wie PBPK-Simulationen aus der Literatur), um bei Patienten mit Seltenen Erkrankungen und Polypharmazie das Risiko für Arzneimittelinteraktionen (DDI) vorab abzuschätzen, auch wenn spezifische klinische Studien für das Orphan Drug fehlen.