Clinical trials are the bottleneck of drug development—they are expensive ($2.6 billion average cost per approved drug), slow (6-7 years average), and have high failure rates (over 90% of drugs that enter clinical trials never reach approval). Digital twins—computational models that simulate individual patients' responses to treatments—offer a potential way to address all three problems: by predicting which patients will respond to a drug in silico, trials can be smaller, faster, and more likely to succeed.

The Research Landscape

Acceptance and Adoption

Vidovszky and Loukianov (2024), with 37 citations, published in Clinical and Translational Science, examine the most practical question: how to increase acceptance of AI-generated digital twins among clinicians, regulators, and patients. Their analysis reveals that acceptance depends on three factors:

• Transparency: Clinicians need to understand how the digital twin generates its predictions. Black-box models are distrusted even when accurate.
• Validation: Regulatory agencies (FDA, EMA) require evidence that digital twin predictions correlate with actual patient outcomes. This requires prospective validation studies that are themselves expensive and time-consuming.
• Complementarity: Digital twins are most accepted when positioned as complementary to traditional clinical trials rather than replacements. They can reduce control group size (by simulating what would have happened without treatment), identify optimal patient subgroups, and predict adverse events—but they cannot fully replace human data.

Alzheimer's Disease Application

Ren and Cheng (2025), with 21 citations, published in Neurotherapeutics, apply digital twins to one of the most challenging domains: Alzheimer's disease drug discovery. AD has a 99%+ clinical trial failure rate, making it the paradigmatic example of drug development inefficiency.

The digital twin approach integrates:

• Multi-omics data: Genomic, transcriptomic, proteomic, and metabolomic profiles of individual patients.
• Disease progression models: Mathematical models of AD pathology (amyloid accumulation, tau propagation, synaptic loss) that predict how the disease evolves over time.
• Drug response models: Simulations of how specific drug mechanisms interact with individual patients' disease profiles.

The result is a virtual patient who can be "treated" with candidate drugs in silico, predicting which drugs are likely to work for which patients before any actual drug is administered. For AD, where clinical trials take 18-36 months to reveal outcomes, the ability to simulate outcomes in hours represents an enormous potential acceleration.

However, the paper is candid about limitations: AD is a complex, heterogeneous disease with poorly understood pathology. Digital twins for AD are constrained by the incompleteness of current disease models—a limitation that no amount of computational power can overcome.

Comparative Analysis of HDT Architectures

Din and Rahmani (2025) provide a comparative analysis of different human digital twin (HDT) architectures for personalized and predictive medicine. They compare:

• Data-driven HDTs: Built primarily from patient data (EHR, wearables, genomics) using machine learning.
• Mechanistic HDTs: Built from physiological models (organ function, metabolic pathways) using systems biology.
• Hybrid HDTs: Combining data-driven and mechanistic approaches.

The comparison finds that hybrid approaches perform best for prediction accuracy—the mechanistic component provides physiological constraints that prevent data-driven models from making biologically implausible predictions, while the data-driven component captures patient-specific variation that mechanistic models cannot parameterize.

Personalized Clinical Trial Design

Kuppala and Hariharan (2025) propose a digital twin-enabled framework for personalized clinical trials that incorporates data reliability and explainability. Their system uses an "organic synthesis model" that generates synthetic patient data with controlled properties, enabling:

• Synthetic control arms: Instead of randomizing patients to placebo, digital twins simulate the placebo response, allowing all patients to receive the active treatment.
• Adaptive dosing: Digital twins predict individual dose-response curves, enabling personalized dosing from trial start rather than using fixed doses for all patients.
• Risk stratification: Identifying patients at high risk for adverse events before they occur, enabling preemptive monitoring or dose adjustment.

Critical Analysis: Claims and Evidence

<

Claim	Evidence	Verdict
Digital twins can reduce clinical trial sizes by simulating control groups	Vidovszky et al.'s analysis of acceptance factors	⚠️ Uncertain — technically feasible; regulatory acceptance is evolving
Hybrid mechanistic-data-driven twins outperform either alone	Din et al.'s comparative analysis	✅ Supported
Digital twins can accelerate Alzheimer's drug development	Ren et al.'s AD application review	⚠️ Uncertain — potential is clear; limited by incomplete disease models
Clinician acceptance depends on transparency and validation	Vidovszky et al.'s 37-citation analysis	✅ Supported

Open Questions

Regulatory pathway: How should regulatory agencies evaluate drugs where digital twin evidence complements traditional clinical trial data? The FDA's draft guidance on digital twins is still evolving.

Data requirements: Digital twins require extensive individual patient data. What minimum data is needed for a useful twin, and how should data gaps be handled?

Equity: If digital twins require genomic and multi-omics data, populations without access to such profiling will be excluded. How do we prevent digital twins from exacerbating health inequities?

Validation horizon: For chronic diseases (AD, diabetes), validating digital twin predictions against actual outcomes requires years of follow-up. How do we shorten this validation cycle?

What This Means for Your Research

For pharmaceutical researchers, digital twins offer a practical path to more efficient trials—starting with synthetic control arms and progressing to fully personalized trial designs as the technology matures.

For regulators, the acceptance framework from Vidovszky et al. identifies the transparency and validation requirements that will shape regulatory guidance.

Explore related work through ORAA ResearchBrain.

면책 조항: 이 게시물은 정보 제공을 목적으로 한 연구 동향 개요이다. 특정 연구 결과, 통계, 주장은 학술 연구에서 인용하기 전에 원본 논문을 통해 검증해야 한다.

임상시험을 위한 디지털 트윈: 개인 맞춤 의학과 가상 환자의 만남

임상시험은 신약 개발의 병목 지점이다—승인된 신약 1개당 평균 26억 달러의 비용이 들고, 평균 6~7년이 소요되며, 실패율 또한 높다(임상시험에 진입한 약물의 90% 이상이 승인에 이르지 못한다). 디지털 트윈—개별 환자의 치료 반응을 시뮬레이션하는 계산 모델—은 이 세 가지 문제를 모두 해결할 수 있는 잠재적 방법을 제시한다. 인 실리코(in silico) 방식으로 어떤 환자가 약물에 반응할지를 예측함으로써 임상시험을 더 소규모로, 더 빠르게, 그리고 성공 가능성을 높여 진행할 수 있다.

연구 동향

수용성과 도입

Clinical and Translational Science에 게재된 Vidovszky와 Loukianov(2024)의 연구는 37회 피인용으로, 가장 실질적인 문제인 임상의, 규제 기관, 환자들 사이에서 AI 기반 디지털 트윈의 수용성을 높이는 방법을 다룬다. 이들의 분석에 따르면 수용성은 세 가지 요인에 따라 결정된다.

• 투명성: 임상의는 디지털 트윈이 예측을 생성하는 방식을 이해할 필요가 있다. 블랙박스 모델은 정확하더라도 신뢰를 받지 못한다.
• 검증: 규제 기관(FDA, EMA)은 디지털 트윈 예측이 실제 환자 결과와 상관관계가 있다는 근거를 요구한다. 이를 위해서는 전향적 검증 연구가 필요하며, 그 자체로도 비용과 시간이 많이 소요된다.
• 보완성: 디지털 트윈은 전통적인 임상시험의 대체재가 아닌 보완재로 위치할 때 가장 널리 수용된다. 디지털 트윈은 대조군 규모를 축소하고(치료 없이 진행되었을 경우를 시뮬레이션함으로써), 최적의 환자 하위 집단을 식별하며, 이상 반응을 예측할 수 있다—그러나 인간 데이터를 완전히 대체할 수는 없다.

알츠하이머병 적용

Neurotherapeutics에 게재된 Ren과 Cheng(2025)의 연구는 21회 피인용으로, 가장 도전적인 영역 중 하나인 알츠하이머병(AD) 신약 개발에 디지털 트윈을 적용한다. AD는 임상시험 실패율이 99% 이상으로, 신약 개발 비효율성의 전형적인 사례이다.

디지털 트윈 접근법은 다음을 통합한다.

• 멀티오믹스 데이터: 개별 환자의 유전체, 전사체, 단백질체, 대사체 프로파일.
• 질병 진행 모델: AD 병리(아밀로이드 축적, 타우 전파, 시냅스 손실)의 수학적 모델로, 시간에 따른 질병 진행을 예측한다.
• 약물 반응 모델: 특정 약물 기전이 개별 환자의 질병 프로파일과 어떻게 상호작용하는지에 대한 시뮬레이션.

그 결과 실제 약물이 투여되기 전에 후보 약물로 인 실리코 '치료'를 받을 수 있는 가상 환자가 생성되며, 어떤 약물이 어떤 환자에게 효과적일지를 예측한다. 임상 결과를 확인하는 데 18~36개월이 걸리는 AD의 경우, 몇 시간 내에 결과를 시뮬레이션할 수 있는 능력은 엄청난 가속화 가능성을 나타낸다.

그러나 이 논문은 한계점에 대해서도 솔직하게 기술한다. AD는 병리가 불완전하게 이해된 복잡하고 이질적인 질환이다. AD를 위한 디지털 트윈은 현재 질병 모델의 불완전성에 의해 제약을 받으며, 이는 어떠한 수준의 컴퓨팅 성능으로도 극복할 수 없는 한계이다.

HDT 아키텍처의 비교 분석

Din과 Rahmani(2025)는 개인 맞춤 예측 의학을 위한 다양한 인간 디지털 트윈(HDT) 아키텍처에 대한 비교 분석을 제공한다. 이들은 다음을 비교한다.

• 데이터 기반 HDT: 머신러닝을 활용하여 주로 환자 데이터(EHR, 웨어러블, 유전체학)로 구축된다.
• 기계론적 HDT: 시스템 생물학을 활용하여 생리적 모델(장기 기능, 대사 경로)로 구축된다.
• 하이브리드 HDT: 데이터 기반 접근법과 기계론적 접근법을 결합한다.

비교 분석 결과, 예측 정확도 측면에서 하이브리드 접근법이 가장 우수한 성능을 보인다—기계론적 구성 요소는 데이터 기반 모델이 생물학적으로 타당하지 않은 예측을 하지 못하도록 방지하는 생리적 제약을 제공하는 반면, 데이터 기반 구성 요소는 기계론적 모델이 매개변수화할 수 없는 환자 특이적 변이를 포착한다.

개인 맞춤형 임상시험 설계

Kuppala와 Hariharan(2025)은 데이터 신뢰성과 설명 가능성을 통합한 개인 맞춤형 임상시험을 위한 디지털 트윈 기반 프레임워크를 제안한다. 이 시스템은 제어된 속성을 가진 합성 환자 데이터를 생성하는 "유기적 합성 모델(organic synthesis model)"을 사용하여 다음을 가능하게 한다:

• 합성 대조군: 환자를 위약군에 무작위 배정하는 대신, 디지털 트윈이 위약 반응을 시뮬레이션하여 모든 환자가 활성 치료를 받을 수 있도록 한다.
• 적응적 투약: 디지털 트윈이 개별 용량-반응 곡선을 예측하여, 모든 환자에게 고정 용량을 사용하는 대신 시험 시작부터 개인 맞춤형 투약이 가능하다.
• 위험 계층화: 이상 반응 위험이 높은 환자를 사전에 파악하여, 선제적 모니터링 또는 용량 조정이 가능하다.

비판적 분석: 주장과 근거

<

주장	근거	판정
디지털 트윈은 대조군을 시뮬레이션하여 임상시험 규모를 줄일 수 있다	Vidovszky 등의 수용 요인 분석	⚠️ 불확실 — 기술적으로 실현 가능하나, 규제 수용은 발전 중
하이브리드 기계론적-데이터 기반 트윈은 어느 하나만 사용하는 것보다 우수하다	Din 등의 비교 분석	✅ 지지됨
디지털 트윈은 알츠하이머 신약 개발을 가속화할 수 있다	Ren 등의 AD 적용 검토	⚠️ 불확실 — 잠재력은 명확하나, 불완전한 질병 모델에 의해 제한됨
임상의의 수용은 투명성과 검증에 달려 있다	Vidovszky 등의 37개 문헌 인용 분석	✅ 지지됨

미해결 과제

규제 경로: 디지털 트윈 근거가 전통적인 임상시험 데이터를 보완하는 경우, 규제 기관은 해당 약물을 어떻게 평가해야 하는가? FDA의 디지털 트윈 관련 초안 가이던스는 아직 발전 중이다.

데이터 요건: 디지털 트윈은 광범위한 개별 환자 데이터를 필요로 한다. 유용한 트윈을 구성하기 위한 최소 데이터는 무엇이며, 데이터 공백은 어떻게 처리해야 하는가?

형평성: 디지털 트윈이 유전체 및 멀티오믹스(multi-omics) 데이터를 요구한다면, 이러한 프로파일링에 접근하지 못하는 집단은 배제될 것이다. 디지털 트윈이 건강 불평등을 심화시키지 않도록 하려면 어떻게 해야 하는가?

검증 기간: 만성 질환(AD, 당뇨병)의 경우, 디지털 트윈 예측을 실제 결과와 대조하여 검증하는 데 수년간의 추적 관찰이 필요하다. 이 검증 주기를 어떻게 단축할 것인가?

연구에 대한 시사점

제약 연구자에게 있어 디지털 트윈은 보다 효율적인 임상시험으로 나아가는 실질적인 경로를 제공한다—합성 대조군으로 시작하여 기술이 성숙해짐에 따라 완전한 개인 맞춤형 시험 설계로 발전할 수 있다.

규제 당국에게 있어 Vidovszky 등의 수용 프레임워크는 규제 가이던스를 형성할 투명성 및 검증 요건을 제시한다.

관련 연구는 ORAA ResearchBrain을 통해 탐색할 수 있다.