Toppbanner CERG

My Medical Digital Twin smacktop

My Medical Digital Twin toppbilde

My Medical Digital Twin

Kan en medisinsk digital tvilling gi deg bedre helse?

Seks institutter ved NTNU samarbeider om å lage en medisinsk digital tvilling som både kan overvåke blodtrykket til hver enkelt og gi individspesifikke behandlingsråd, inkludert trening. CERG-professor Ulrik Wisløff leder den delen av prosjektet som tar for seg trening og hjerte- og karfysiologi.

Digital tvilling: Visjonen
Visjonen med My Medical Digital Twin-prosjektet er å tilby skreddersydd behandling for høyt blodtrykk, basert på matematiske modeller som inkluderer alt fra genetikk til maskinlæring.

Bakgrunn for prosjektet

Over én milliard mennesker i verden har høyt blodtrykk. Hvert år er høyt blodtrykk årsak til nærmere åtte millioner dødsfall, og WHO anser det som den klart viktigste risikofaktoren for tidlig død og alvorlig sykdom. Det gjenspeiles også av at 10 % av verdens helsekostnader er knyttet til høyt blodtrykk.

Det finnes sjelden én enkelt årsak til at man får høyt blodtrykk, og både risikogener, fedme, usunt kosthold og fysisk inaktivitet er blant de vanligste årsakene. Høyt blodtrykk kan behandles effektivt både med medikamenter og livsstilsendringer. Likevel klarer bare én av tre som får påvist høyt blodtrykk, å senke det til anbefalte nivåer, selv om flesteparten av dem får medisiner av legen sin.

Forekomst og byrde av høyt blodtrykk
Høyt blodtrykk uten kjent årsak kalles essensiell hypertensjon og utgjør en stor helsebyrde både for enkeltindivider og samfunnet.

Automatisk overvåkning og oppfølging

My Medical Digital Twin-prosjektet forener NTNUs toppforskere innen trening, høyt blodtrykk, matematisk modellering, maskinlæring, statistikk, biosensorteknologi, genetisk epidemiologi og befolkningsstudier til et omfattende forskningssamarbeid. Ambisjonen er å utvikle en personlig medisinsk digital tvilling som gir deg informasjon om blodtrykket ditt og hva du bør gjøre for å endre det til det bedre.

Vi tror My Medical Digital Twin vil kunne føre til et paradigmeskifte i hvordan vi tilnærmer oss og behandler livsstilssykdommer generelt – ikke bare høyt blodtrykk. Hvis alle har en digital tvilling som gir dem mulighet til å overvåke viktige helsevariabler kontinuerlig, kan vi både oppdage langt flere høyrisikopasienter enn i dag og sørge for at de gis riktig dose og type behandling. En medisinsk digital tvilling vil kunne forbedre helsa til svært mange mennesker og samtidig redusere helsekostnadene for samfunnet formidabelt.

Skreddersydd trening og medisinering

Det eksisterer flere modeller som har som mål å gi individspesifikke behandlingsråd for høyt blodtrykk. Ingen av dem inkluderer god kondisjon og fysisk aktivitet, selv om det finnes en stor mengde forskning som viser at trening kan senke blodtrykket effektivt. My Medical Digital Twin skal bli en levende, digital modell som integrerer data fra store befolkningsundersøkelser, tidligere CERG-studier, maskinlæring og fysisk simulering med datastrøm fra sensorer og aktivitetsmålere.

Den ferdige modellen vil kunne forutsi hvordan hver enkelt pasient vil respondere på en type behandling, noe som gjør det mulig å skreddersy råd om riktig trening og medikamentbruk basert på individuelle pasientprofiler. Anbefalingene kan også justeres automatisk ut fra hvordan pasienten faktisk responderer på behandlingen han får. My Medical Digital Twin vil dessuten gi oss en unik mulighet til å studere om pasienter følger behandlingsopplegget de blir gitt, og hva slags tilbakemeldinger de trenger for å ta medikamentene sine og trene i tråd med anbefalingene.

Digital tvilling versus standardbehandling

Når vi har utviklet My Medical Digital Twin, vil vi i første omgang teste den i små randomiserte kliniske studier som skal legge grunnlag for større studier med samarbeidspartnere også utenfor NTNU. Pasienter med høyt blodtrykk vil fordeles tilfeldig til å få skreddersydde behandlingsråd av en digital tvilling eller til å få vanlige medisiner og treningsråd fra legen sin. Vi vil rekruttere pasienter fra Helseundersøkelsen i Nord-Trøndelag, og hovedformålet er å se hvilken behandlingsmodell som reduserer blodtrykket mest effektivt.

My Medical Digital Twin kan revolusjonere måten vi behandler høyt blodtrykk på. Med dagens behandlingsstrategi får bare et mindretall kontroll på blodtrykket.

Logoer til MyMDT-partnere


Sosiale medier og kontakt

Følg oss i sosiale medier:
  Facebook-logo Twitter-logo Instagram-logo

Send oss en e-post:
cerg-post@mh.ntnu.no

Send oss vanlig post:
NTNU, Fakultet for medisin og helsevitenskap
Institutt for sirkulasjon og bildediagnostikk
Postboks 8905
7491 Trondheim

Besøk oss:
St. Olavs Hospital
Prinsesse Kristinas gt. 3
Akutten og Hjerte-lunge-senteret, 3. etg.
7006 Trondheim

CERG logo

Vitenskapelige publikasjoner MyMDT

Liste over vitenskapelige publikasjoner fra My Medical Digital Twin

2024:

Schjerven, F. E., Ingeström, E. M. L., Steinsland, I., & Lindseth, F. (2024). Development of risk models of incident hypertension using machine learning on the HUNT study dataScientific Reports14(1), 5609.

2023:

Øvretveit, K., Ingeström, E. M., Spitieris, M., Tragante, V., Wade, K. H., Thomas, L., Wolford, B. N., Wisløff, N., Gudbjartsson, D. F., Holm, H., Stefanson, K., Brumpton, B. M., . & Hveem, K. (2023). Polygenic risk scores associate with blood pressure traits across the lifespanEuropean Journal of Preventive Cardiology, zwad365.

Steffensen, T. L., Schjerven, F. E., Flade, H. M., Kirkeby-Garstad, I., Ingeström, E., Solberg, F. S., & Steinert, M. (2023). Wrist ballistocardiography and invasively recorded blood pressure in healthy volunteers during reclining bike exerciseFrontiers in Physiology14, 817.

Bjørdalsbakke, N. L., Sturdy, J., Ingeström, E. M., & Hellevik, L. R. (2023). Monitoring variability in parameter estimates for lumped parameter models of the systemic circulation using longitudinal hemodynamic measurementsBioMedical Engineering OnLine22(1), 34.

Spitieris, M., & Steinsland, I. (2023). Bayesian Calibration of Imperfect Computer Models using Physics-Informed PriorsJournal of Machine Learning Research24(108), 1-39.

2022:

Steffensen, T. L., Auflem, M., Vestad, H. N., & Steinert, M. (2022). Embedded Soft Inductive Sensors to Measure Arterial Expansion of Tubular Diameters in Vascular PhantomsIEEE Sensors Journal22(7), 7240-7247.

2021:

Bjørdalsbakke, N. L., Sturdy, J. T., Hose, D. R., & Hellevik, L. R. (2022). Parameter estimation for closed-loop lumped parameter models of the systemic circulation using synthetic dataMathematical Biosciences343, 108731.