Digital Twins for Hypertension Prediction: A proof-of-concept implementation

Abstract

Innen persontilpasset medisin brukes detaljert informasjon om enkeltpersoner til å bestemme helsestatus og avvik fra den gjennomsnittlige befolkningen. Digitale Tvillinger innen ingeniørfag er en praksis der individuelle fysiske gjenstander er parret med digitale kopier som fungerer som virtuelle representasjoner av disse gjenstandene. Ved å sende sensordata fra den fysiske gjenstanden til dens Digitale Tvilling, kan man analysere gjenstandens status og bestemme et handlingsforløp. Kombinasjonen av persontilpasset medisin og Digitale Tvillinger er et nytt felt innen teknologi og medisin. Digitale Tvillinger har potensiale til å representere individer og reflektere deres molekylære og fysiologiske status, samt livsstil over tid. Arbeidet vårt kombinerer Digitale Tvillinger med maskinlæring for å forutsi risikoen for at personer utvikler høyt blodtrykk. Vi jobber videre med utviklingen av et prosjekt startet av Professor Frank Lindseth. Vi bruker maskinlæring trent på populasjonsdata kombinert med brukerens helsedata for å beregne og visualisere en prediksjon. Spesielt har vi utviklet og evaluert backend-arkitekturen for å støtte et slikt system. Denne artikkelen forklarer våre beslutninger og diskuterer fordelene og ulempene ved de forskjellige teknologiene vi har brukt. Frontend-en er også oppdatert for å vise mer informasjon enn i forrige versjon.

In personalized medicine, fine-grained information about individuals is used in determining health status and deviations from the average population. Digital Twins in engineering is a practice where individual physical artifacts are paired with digital copies functioning as virtual representations of those artifacts. By sending sensor data from the physical artifact to its Digital Twin, one can assess its status and determine a course of action. The combination of personalized medicine and Digital Twins is an emerging technological and medical paradigm. Digital Twins have the potential to represent individuals that reflect dynamically their molecular and physiological status as well as lifestyle over time. Our work combines Digital Twins with machine learning to predict the risk of individuals developing hypertension. We are continuing the development of a project started by Professor Frank Lindseth. Our continuation utilizes machine learning trained on population data combined with the user's health data to calculate and display a prediction. Specifically, we have developed and evaluated the back-end architecture to support such a system. This paper will explain our architectural decisions and discuss the benefits of the different technologies we used. The front-end has also been updated to display more information than the previous version.