Der digitale Patientenzwilling: Wie personalisierte Medizin den individuellen Menschen verstehen könnte
Von genetischen Varianten und Laborwerten bis zu Lebensstil und Verlauf: Eine wissenschaftlich eingeordnete Vision für die Medizin der Zukunft
Zwei Menschen können dieselbe Diagnose erhalten und dennoch sehr unterschiedlich auf dieselbe Behandlung reagieren. Bei der einen Person sinken die Beschwerden, bei der anderen bleibt der erhoffte Effekt aus oder es treten Nebenwirkungen auf. Diese Unterschiede sind kein Widerspruch zur Medizin. Sie zeigen vielmehr, dass eine Diagnose immer eine Gruppe von Menschen mit ähnlichen Merkmalen beschreibt, nicht aber die vollständige biologische Wirklichkeit eines einzelnen Menschen.
Genetische Unterschiede, Begleiterkrankungen, Alter, Geschlecht, Immunstatus, Stoffwechsel, Ernährung, Schlaf, Umweltfaktoren und die gleichzeitige Einnahme anderer Medikamente können beeinflussen, wie ein Körper auf eine Intervention reagiert. Auch der zeitliche Verlauf spielt eine Rolle. Ein Laborwert, der heute unauffällig ist, kann sich in einigen Monaten verändern. Ein Medikament, das zunächst hilft, kann bei veränderter Nierenfunktion, einer neuen Erkrankung oder einer weiteren Verordnung anders wirken. Die Medizin muss deshalb nicht nur fragen, welche Krankheit vorliegt, sondern zunehmend auch, bei welchem Menschen sie vorliegt und in welcher biologischen Situation.
Präzisionsmedizin ist ein Fortschritt, aber noch keine vollständige Individualmedizin
Die moderne Medizin hat die Behandlung von Krankheiten bereits deutlich präziser gemacht. In der Onkologie werden Tumoren nach molekularen Eigenschaften unterschieden. In der Pharmakogenomik wird untersucht, ob bestimmte genetische Varianten den Abbau oder die Wirkung von Arzneimitteln beeinflussen. Bildgebung, Biomarker und kontinuierliche Messungen ermöglichen differenziertere Diagnosen und Verlaufskontrollen. In der Forschung werden immer häufiger Daten aus Genomik, Proteomik, Metabolomik und klinischer Dokumentation zusammengeführt.
Trotzdem beruht ein großer Teil des medizinischen Wissens weiterhin auf Erkenntnissen aus Patientengruppen. Das ist wissenschaftlich notwendig. Klinische Studien brauchen vergleichbare Gruppen, um Wirkungen und Risiken statistisch zu prüfen. Leitlinien übersetzen die Ergebnisse solcher Studien in Handlungsempfehlungen. Doch ein Gruppenmittelwert sagt nicht automatisch voraus, was bei der einzelnen Person geschehen wird. Selbst wenn eine Therapie im Durchschnitt wirksam ist, bleiben individuelle Unterschiede bei Nutzen, Nebenwirkungen und langfristigem Verlauf.
Das bedeutet nicht, dass Gruppenwissen wertlos wäre. Im Gegenteil: Ohne populationsbezogene Forschung gäbe es keine belastbaren Standards. Die offene Frage lautet vielmehr, wie dieses Wissen mit den individuellen Daten einer Person verbunden werden kann, ohne aus Korrelationen vorschnelle Diagnosen oder aus statistischen Wahrscheinlichkeiten persönliche Gewissheiten zu machen. Genau an dieser Schnittstelle beginnt die Vision eines dynamischen digitalen Patientenzwillings.
Ein digitales Modell, das sich mit dem Menschen verändert
Ein digitaler Patientenzwilling wäre weit mehr als eine elektronische Patientenakte. Eine Akte dokumentiert Befunde, Diagnosen, Verordnungen und Ereignisse. Ein digitaler Zwilling wäre dagegen ein fortlaufend aktualisiertes, datenbasiertes Modell, das den individuellen Gesundheitsverlauf abbildet und unter geeigneten Voraussetzungen biologische Zusammenhänge untersuchen könnte. Neue Laborwerte, Bildgebungen, Symptome, Therapieergebnisse und Messungen aus dem Alltag würden das Modell verändern. Zugleich müsste es kenntlich machen, welche Informationen sicher belegt, unsicher, veraltet oder noch nicht vorhanden sind.
Die begleitende Grafik stellt diese Vision als fünfstufigen Prozess dar. Zunächst werden individuelle Informationen wie genetische Daten, Laborwerte, Bildgebung, Mikrobiom, Medikamentenhistorie, Schlaf, Aktivität, Ernährung und Lebensstil zusammengeführt. Anschließend werden sie in einem dynamischen Modell organisiert. In der dritten Stufe prüfen spezialisierte medizinische Perspektiven mögliche Zusammenhänge. Danach könnten unter wissenschaftlich validierten Voraussetzungen verschiedene Therapieoptionen verglichen werden. Die letzte Stufe beschreibt ein lernendes System, in dem reale Behandlungsergebnisse die Einschätzungen im Verlauf verbessern. Die Darstellung ist ausdrücklich ein Zukunftsmodell und kein Hinweis darauf, dass heute bereits ein solches Gesamtsystem verfügbar wäre.
Welche Informationen ein solcher Zwilling zusammenführen könnte
Zum möglichen Datenraum gehören das Genom und klinisch relevante genetische Varianten, Blutwerte und andere Laborbefunde, Informationen zu Stoffwechsel und Mikrobiom, medizinische Bildgebung sowie neurologische und kardiologische Untersuchungen. Ergänzend wären die Medikamentenhistorie, bisherige Therapieergebnisse, Schlaf, Bewegung, Ernährung und andere Lebensstilfaktoren relevant. Wearables könnten je nach Messqualität Hinweise zu Aktivität, Herzfrequenz oder Schlafrhythmus liefern. Wiederholte Messungen wären besonders wichtig, weil sie Veränderungen sichtbar machen, die ein einzelner Zeitpunkt nicht erfassen kann.
Die bloße Menge an Daten wäre allerdings kein Qualitätsmerkmal. Ein unvollständiger Datensatz bleibt unvollständig, auch wenn er in einer aufwendigen Oberfläche dargestellt wird. Der Zwilling müsste Herkunft, Messmethode, Zeitpunkt, Unsicherheit und klinische Bedeutung jeder Information berücksichtigen. Ein Wearable-Signal kann einen Hinweis liefern, ersetzt aber nicht automatisch eine medizinische Untersuchung. Eine genetische Variante kann relevant, unklar oder ohne nachgewiesene Bedeutung sein. Gute personalisierte Medizin beginnt deshalb nicht mit maximaler Datensammlung, sondern mit der Frage, welche Information für eine konkrete Entscheidung tatsächlich hilfreich und verlässlich ist.
Vier hypothetische Szenarien für eine individuellere Medizin
Die folgenden Beispiele sind ausdrücklich hypothetisch. Sie beschreiben keine realen Personen, keine heute verfügbare Komplettlösung und keine garantierten Therapieergebnisse. Sie zeigen, welche Fragen ein digitaler Patientenzwilling künftig unterstützen könnte, wenn Datenqualität, Datenschutz, wissenschaftliche Validierung und klinische Verantwortung gewährleistet wären.
Fall eins: Depression ist nicht bei allen Menschen dieselbe Erkrankung
Zwei hypothetische Patienten, Lena und Martin, erfüllen beide Kriterien für eine depressive Episode. Beide berichten über Antriebsminderung, Interessenverlust und Konzentrationsprobleme. Dennoch unterscheiden sich ihre Ausgangslagen deutlich. Lena schläft kaum, nimmt bereits ein Medikament gegen Migräne und ein hormonelles Präparat ein und hat eine Vorgeschichte mit Schilddrüsenfunktionsstörungen. Martin schläft ungewöhnlich lange, trinkt regelmäßig Alkohol, hat eine chronische Schmerzerkrankung und spricht auf eine frühere Behandlung nur teilweise an. Bei beiden wäre die Diagnose ernst zu nehmen, doch die medizinische Ausgangssituation ist nicht identisch.
Ein hypothetisches multidisziplinäres System könnte die Symptomverläufe, Schlafmuster, Laborwerte, Begleiterkrankungen, bisherige Medikamente und dokumentierten Behandlungsergebnisse in einer zeitlichen Übersicht zusammenführen. Eine psychiatrische Perspektive würde die depressive Symptomatik und Suizidalität bewerten. Endokrinologische und internistische Prüfungen könnten relevante körperliche Mitursachen oder Verstärker berücksichtigen. Ein pharmakologisches Modul könnte bekannte Wechselwirkungen und pharmakogenomische Hinweise dort einbeziehen, wo sie für ein konkretes Arzneimittel klinisch belastbar sind.
Das System könnte dadurch helfen, unterschiedliche diagnostische und therapeutische Fragen zu formulieren. Es dürfte jedoch nicht behaupten, aus Schlafdaten oder einer Mikrobiomanalyse zuverlässig die individuell beste Depressionstherapie abzuleiten. Für viele solcher Zusammenhänge ist die Forschung noch nicht weit genug. Der mögliche Nutzen läge zunächst darin, relevante Unterschiede sichtbar zu machen, Warnzeichen nicht zu übersehen und die ärztliche Entscheidung besser mit Verlauf, Begleitmedikation und gesicherter Evidenz zu verbinden.
Fall zwei: Ein Tumor ist nicht nur eine Diagnose, sondern ein Verlauf
Die hypothetische Patientin Sofia erhält die Diagnose eines fortgeschrittenen Tumors. Für die Therapieentscheidung sind nicht nur das betroffene Organ und das Stadium relevant. Auch genetische und molekulare Eigenschaften des Tumors, Bildgebung, Blutwerte, Allgemeinzustand, Begleiterkrankungen und die Reaktion auf vorangegangene Therapien können eine Rolle spielen. Im Verlauf verändern sich Tumor und Körper zudem. Ein Modell, das nur den ursprünglichen Befund betrachtet, kann diese Dynamik nicht vollständig abbilden.
Ein digitaler Zwilling könnte in diesem Szenario molekulare Tumormerkmale, radiologische Befunde, Laborverläufe und dokumentierte Therapieeffekte zusammenführen. Klinisch validierte Modelle könnten das Tumorboard dabei unterstützen, für bestimmte Entscheidungen mehrere Optionen zu vergleichen. Denkbar wäre etwa die strukturierte Gegenüberstellung, welche Evidenz für eine Therapie spricht, welche Risiken bei den individuellen Begleiterkrankungen bestehen und welche Kontrolluntersuchungen notwendig wären.
Auch hier wäre die Grenze entscheidend. Ein solcher Zwilling könnte keine Therapiegarantie geben und klinische Studien nicht ersetzen. Tumorbiologie ist komplex, Messungen sind fehlerbehaftet und Modelle können relevante Faktoren nicht kennen. Die Verantwortung bliebe beim interdisziplinären Behandlungsteam, das die wissenschaftliche Evidenz, die Situation der Patientin und ihre persönlichen Ziele gemeinsam abwägen müsste.
Fall drei: Wenn mehrere chronische Erkrankungen dieselbe Person betreffen
Der hypothetische Patient Herr Weber ist 78 Jahre alt und lebt mit Diabetes, einer Herz-Kreislauf-Erkrankung und eingeschränkter Nierenfunktion. Zusätzlich nimmt er mehrere Medikamente ein, bewegt sich wegen Atemnot wenig und vergisst gelegentlich Einnahmezeiten. Eine Behandlung, die einen einzelnen Laborwert verbessert, kann unter Umständen andere Risiken erhöhen. Für Herrn Weber zählt zudem nicht nur die maximale Lebensverlängerung, sondern auch, ob er selbstständig bleibt, Stürze vermeidet und seinen Alltag bewältigen kann.
Ein digitaler Zwilling könnte Medikamentenverordnungen, Nierenwerte, Blutzucker, Blutdruck, Gewicht, Symptome und Krankenhausaufenthalte in einer Verlaufsperspektive verbinden. Ein pharmakologisches Modell könnte potenzielle Interaktionen prüfen. Nephrologie, Kardiologie, Diabetologie und Geriatrie könnten unterschiedliche Zielkonflikte sichtbar machen. Eine Simulation müsste dabei nicht nur fragen, welche Option einen Messwert verbessert, sondern auch, wie sich mögliche Nebenwirkungen, Einnahmeaufwand und die persönlichen Behandlungsziele zueinander verhalten.
Der Wert läge in einer besser vorbereiteten gemeinsamen Entscheidung. Das System dürfte keine Medikamente selbstständig absetzen, keine Zielwerte ohne Kontext festlegen und nicht aus einem einzelnen Wearable-Signal eine Verschlechterung diagnostizieren. Es könnte aber helfen, Veränderungen frühzeitig zu strukturieren und das Gespräch zwischen den beteiligten Fachrichtungen zu verbessern.
Fall vier: Eine seltene Erkrankung braucht verknüpftes Wissen
Im vierten hypothetischen Szenario ist Noah ein Kind mit Entwicklungsbesonderheiten, wiederkehrenden Stoffwechselentgleisungen und einer ungewöhnlichen Kombination neurologischer Symptome. Erste Untersuchungen liefern Hinweise, aber keine eindeutige Diagnose. Eine molekulargenetische Analyse findet mehrere Varianten, deren Bedeutung zunächst unklar ist. Für die Familie entsteht eine lange diagnostische Suche, in der Befunde aus Kinderheilkunde, Neurologie, Stoffwechselmedizin und Humangenetik zusammengeführt werden müssen.
Ein digitaler Zwilling könnte klinische Merkmale, Familienanamnese, Laborzeitreihen und genetische Befunde mit der jeweils aktuellen wissenschaftlichen Evidenz abgleichen. Ein System für seltene Erkrankungen könnte passende Register, Forschungsgruppen oder klinische Studien identifizieren. Entscheidend wäre die Qualität der Einordnung: Eine Variante unklarer Bedeutung dürfte nicht als Krankheitsursache dargestellt werden. Das Modell müsste Unsicherheit ausweisen, alternative Erklärungen offenhalten und die genetische Beratung durch Fachpersonal unterstützen.
Für Noah könnte schon die strukturierte Übergabe einen wichtigen Unterschied machen. Forschungseinrichtungen würden nicht nur einzelne Dokumente, sondern einen nachvollziehbaren Krankheitsverlauf erhalten. Ein negativer Test wäre nicht einfach das Ende der Suche, sondern ein dokumentierter Befund, der die nächsten Fragen verändert. Auch hier wäre das System kein Orakel, sondern ein Werkzeug, das Wissen auffindbar und Entscheidungen prüfbar macht.
Die medizinische Simulation: Was wäre, wenn Therapien zuerst im Modell verglichen werden könnten?
Die weitreichendste Vorstellung eines digitalen Patientenzwillings ist die medizinische Simulation. Ärztinnen und Ärzte könnten unter bestimmten Voraussetzungen mehrere Behandlungsoptionen zunächst an einem wissenschaftlich validierten Modell vergleichen, bevor sie eine reale Intervention auswählen. Eine solche What-if-Frage könnte lauten: Wie verändert sich das erwartete Risiko, wenn ein Medikament durch eine Alternative ersetzt wird? Welche Dosis ist bei veränderter Nierenfunktion plausibel? Wie könnten sich zwei Therapien im Hinblick auf Wirksamkeit, Wechselwirkungen und Belastung unterscheiden?
Pharmakogenomik könnte dabei Hinweise liefern, ob genetische Varianten den Arzneimittelabbau beeinflussen. Arzneimittelinteraktionen könnten systematisch geprüft werden. Risikoabschätzungen könnten neben dem Durchschnittswert auch Alter, Begleiterkrankungen und bisherige Verläufe einbeziehen. Bei chronischen Erkrankungen könnten wiederholte Messungen helfen, die Entwicklung eines Zustands besser zu verstehen. All diese Funktionen wären jedoch nur so gut wie die zugrunde liegenden Daten und Modelle.
Eine Simulation ist keine Vorhersage des Schicksals. Sie berechnet ein Szenario unter bestimmten Annahmen. Wenn ein relevanter Einflussfaktor fehlt, wenn die Daten verzerrt sind oder wenn das Modell in einer anderen Patientengruppe nicht geprüft wurde, kann das Ergebnis irreführend sein. Digitale Simulationen können klinische Studien nicht pauschal ersetzen. Sie können Hypothesen erzeugen, Entscheidungen strukturieren und Forschung effizienter machen, aber sie müssen selbst klinisch validiert und im Versorgungskontext überwacht werden.
Vom einzelnen Modell zur interoperablen Infrastruktur
Damit diese Vision mehr wird als eine Demonstration, braucht es eine Infrastruktur, die Einrichtungen, Fachrichtungen und Forschungsbereiche miteinander verbindet. Gesundheitsdaten liegen heute häufig in unterschiedlichen Systemen, Formaten und Verantwortungsbereichen. Befunde sind nicht immer maschinenlesbar, Zeitangaben können fehlen und dieselben Begriffe werden unterschiedlich verwendet. Ein digitaler Zwilling kann nur dann dynamisch sein, wenn neue Informationen sicher, korrekt und nachvollziehbar in das Modell einfließen.
Interoperabilität bedeutet dabei nicht, dass alle Daten überall frei zugänglich sein müssen. Sie bedeutet, dass berechtigte Stellen Informationen unter klaren Bedingungen austauschen können. Dafür braucht es technische Standards, einheitliche Bedeutungen, Identitäts- und Zugriffsmanagement, Einwilligungsmodelle, Protokollierung und Regeln für die Korrektur fehlerhafter Daten. Patienten sollten nachvollziehen können, welche Informationen verwendet werden und für welchen Zweck.
Auch die Architektur der Modelle muss offen genug für unabhängige Prüfung sein. Ein Ergebnis sollte mit Quellen, Datenqualität, Unsicherheit und verwendeten Annahmen einhergehen. Wenn ein System eine Therapieoption hervorhebt, muss erkennbar sein, ob die Einschätzung auf einer Leitlinie, einer klinischen Studie, einer Beobachtungsdatenbank oder lediglich auf einer statistischen Ähnlichkeit beruht. Transparenz ist in diesem Zusammenhang keine akademische Zusatzanforderung, sondern eine Voraussetzung für Vertrauen und Patientensicherheit.
Was Patienten, Kliniken und Forschung gewinnen könnten
Für Patienten könnte ein gut entwickelter digitaler Zwilling bedeuten, dass ihr Verlauf nicht bei jedem Facharztbesuch neu erzählt werden muss. Relevante Veränderungen könnten früher auffallen, unnötige Wiederholungen ließen sich möglicherweise reduzieren und Therapieentscheidungen könnten stärker an individuellen Zielen ausgerichtet werden. Das setzt voraus, dass die Technologie nicht zusätzliche Pflichten auf die Betroffenen abwälzt und dass Menschen ohne moderne Smartphones, stabile Internetverbindung oder umfassende Gesundheitskompetenz nicht ausgeschlossen werden.
Krankenhäuser könnten komplexe Fälle besser über Fachgrenzen hinweg koordinieren. Forschungseinrichtungen könnten präzisere Hypothesen zu Krankheitsverläufen und Therapieantworten entwickeln. Gesundheitssysteme könnten Ressourcen gezielter einsetzen, wenn sich unnötige Diagnostik, vermeidbare Wechselwirkungen oder verspätete Interventionen tatsächlich reduzieren lassen. Diese möglichen Vorteile sind jedoch keine automatisch eintretenden Folgen der Digitalisierung. Sie müssen in kontrollierten Studien und im Versorgungsalltag nachgewiesen werden.
Die Grenzen: Biologie bleibt komplex und Gesellschaft bleibt verantwortlich
Ein digitaler Zwilling könnte den Eindruck erwecken, Gesundheit lasse sich vollständig berechnen. Das wäre ein gefährliches Missverständnis. Viele biologische Prozesse sind noch unzureichend verstanden. Lebensumstände ändern sich, Messungen bleiben fehlerbehaftet und Menschen reagieren nicht immer so, wie es ein statistisches Modell erwarten lässt. Außerdem sind medizinische Entscheidungen nicht nur technische Optimierungsprobleme. Sie betreffen Lebensqualität, Autonomie, Belastungen, familiäre Situationen und persönliche Werte.
Hinzu kommen Fragen der Gerechtigkeit. Wenn Modelle vor allem mit Daten bestimmter Bevölkerungsgruppen trainiert werden, können sie andere Menschen schlechter unterstützen. Wenn personalisierte Medizin nur in spezialisierten Zentren verfügbar ist, wächst die Versorgungslücke. Wenn Versicherungen, Arbeitgeber oder andere Akteure Gesundheitsmodelle für eigene Interessen nutzen, entsteht ein erhebliches Missbrauchsrisiko. Deshalb müssen Datenschutz, Diskriminierungsschutz, Zugangsgerechtigkeit und Haftung von Anfang an mitgedacht werden.
Ein Forschungsprogramm für die Medizin der nächsten Jahrzehnte
Die Entwicklung digitaler Patientenzwillinge sollte nicht mit der Suche nach dem spektakulärsten Modell beginnen. Sie sollte mit überprüfbaren klinischen Fragen beginnen. Bei welcher Erkrankung verbessert die Zusammenführung bestimmter Daten tatsächlich eine Entscheidung? Welche Messungen sind robust genug für den Alltag? Wie lässt sich der Nutzen in unterschiedlichen Bevölkerungsgruppen prüfen? Welche Fehler sind akzeptabel, welche nicht? Und wie kann ein Patient verstehen, warum ein System eine bestimmte Option unterstützt?
Für Forschende, medizinische Entscheidungsträger, Gesundheitspolitiker und Investoren ergibt sich daraus eine gemeinsame Aufgabe. Es braucht langfristige Finanzierung für interoperable Datenräume, unabhängige Validierung, offene Qualitätsstandards und klinische Studien. Es braucht Anreize, die nicht nur die Menge verarbeiteter Daten belohnen, sondern nachweisbare Verbesserungen bei Diagnosequalität, Patientensicherheit und Lebensqualität. Und es braucht eine Kultur, in der eine vorsichtige, gut begründete Unsicherheit höher bewertet wird als ein selbstsicheres, aber nicht belegtes Versprechen.
Die wissenschaftliche Grundlage dieser Vision entsteht aus mehreren Forschungsfeldern: Präzisionsmedizin, Pharmakogenomik, Systembiologie, klinische Entscheidungsunterstützung, digitale Zwillinge, kausale Inferenz, interoperable Gesundheitsdaten und verantwortungsvolle künstliche Intelligenz. Keine dieser Disziplinen kann allein den individuellen Menschen vollständig erklären. Ihre Verbindung könnte jedoch neue Fragen ermöglichen, die heute an Daten- und Zuständigkeitsgrenzen scheitern.
Der Mensch ist mehr als die Summe seiner Befunde
Die Zukunft der personalisierten Medizin wird nicht dadurch entstehen, dass jeder Mensch möglichst viele Daten produziert. Sie entsteht, wenn relevante Daten in ihrem zeitlichen, biologischen und persönlichen Zusammenhang verstanden werden. Ein digitaler Patientenzwilling könnte dabei helfen, die Lücke zwischen allgemeinem Gruppenwissen und individueller Behandlung kleiner zu machen. Er könnte Therapieoptionen vergleichbarer, Unsicherheiten sichtbarer und interdisziplinäre Entscheidungen nachvollziehbarer machen.
Ob diese Vision Wirklichkeit wird, hängt nicht nur von Rechenleistung oder künstlicher Intelligenz ab. Entscheidend sind wissenschaftliche Validierung, sichere Infrastruktur, faire Zugänge, verantwortungsvolle Regulierung und die Bereitschaft, klinische Expertise nicht durch Technik zu verdrängen, sondern durch sie zu stärken. Der digitale Zwilling wäre dann kein zweiter Mensch im Computer, sondern ein vorsichtiges, lernendes und überprüfbares Modell, das Ärztinnen und Ärzte bei einer anspruchsvollen Aufgabe unterstützt: den individuellen Verlauf eines Menschen besser zu verstehen.
Was würde sich verändern, wenn die Medizin nicht nur die Krankheit kennt, sondern den individuellen Menschen in seiner gesamten biologischen Entwicklung verstehen könnte?
Wissenschaftliche Einordnung und Quellen
Die Argumentation knüpft an etablierte Forschungsfelder und Leitlinien an, darunter die Präzisionsmedizin, Pharmakogenomik, klinische Entscheidungsunterstützung, digitale Zwillinge in der Medizin und die Empfehlungen der Weltgesundheitsorganisation zur Ethik und Governance künstlicher Intelligenz im Gesundheitswesen. Für die Einordnung von Medikamenten und genetischen Varianten sind jeweils die aktuelle Fachinformation, anerkannte pharmakogenomische Leitlinien und die individuelle klinische Situation maßgeblich. Arbeiten zu Multimorbidität, interoperablen Gesundheitsdaten, kausaler Modellierung und algorithmischer Fairness zeigen zugleich, dass technische Möglichkeiten nicht automatisch klinischen Nutzen bedeuten.
Dieser Beitrag beschreibt eine wissenschaftlich-technologische Zukunftsvision. Ein verlässlicher digitaler Patientenzwilling, der individuelle Krankheitsverläufe und sämtliche Therapieeffekte sicher vorhersagt, existiert heute nicht. Jede Anwendung müsste deshalb schrittweise, transparent, klinisch validiert und unter Einbeziehung von Patienten sowie medizinischem Fachpersonal entwickelt werden.