Antes del gemelo digital: HCE única, interoperabilidad y datos

Gemelos digitales en salud
Evidencia, aplicaciones y desafíos para la gestión sanitaria
Dr. Carlos Alberto Díaz
Director de la Especialización en Economía y Gestión de la Salud · Universidad ISALUD
saludbydiaz

Septiembre de 2026
Resumen
Los gemelos digitales (GD) son modelos virtuales de un paciente, un órgano o una organización que se actualizan con datos reales y permiten simular decisiones antes de tomarlas. Se los presenta como el próximo paso de la medicina personalizada y de la gestión hospitalaria. Esta revisión narrativa integra siete revisiones publicadas entre 2024 y 2026, estudios primarios seleccionados para verificar las cifras críticas y documentos normativos, y clasifica los ejemplos en cinco niveles de madurez de la evidencia.
Hallazgos principales: la evidencia, abunda en prototipos y validaciones retrospectivas y es escasa en estudios prospectivos y ensayos controlados. En una revisión de 86 estudios, solo 16 (19 %) se probaron en un entorno real. El estudio prospectivo más difundido en cardiología incluyó 10 pacientes, en un centro y sin grupo control concurrente. Las revisiones repiten en buena parte los mismos estudios primarios, de modo que sumarlas no suma evidencia independiente. Para un sanatorio, el requisito previo no es el gemelo sino la infraestructura digital: historia clínica única, interoperabilidad y gobierno del dato. Se propone una escalera de madurez institucional y una hoja de ruta con compuertas de decisión.
Palabras clave: gemelo digital; medicina personalizada; gestión hospitalaria; evidencia clínica; historia clínica electrónica; regulación.

Cinco ideas para llevarse
• Un gemelo digital no es cualquier modelo: representa a un paciente o sistema concreto, se actualiza con sus datos y permite simular alternativas [5, 23].
• La evidencia está dominada por simulaciones y validaciones retrospectivas: solo 16 de 86 estudios (19 %) se probaron en entorno real [7].
• TWIN-VT (NEJM, 2026) es factibilidad, no superioridad: 10 pacientes, un centro, sin control concurrente [3].
• Siete revisiones recientes comparten estudios primarios; leerlas juntas no equivale a replicación.
• Antes de comprar un gemelo, un sanatorio necesita historia clínica única, interoperabilidad y gobierno del dato.

 
Índice

1. Introducción 3
2. Metodología y marco de lectura 3
   2.1 Diseño y fuentes 3
   2.2 Escala de madurez de la evidencia 4
   2.3 Trazabilidad de las cifras 4
3. Fundamentos conceptuales 4
   3.1 Qué es, y qué no es, un gemelo digital 4
   3.2 Escalas de modelado 5
   3.3 Ciclo de vida y arquitectura 6
4. Tecnologías habilitantes 6
   4.1 Tres familias de modelos 6
   4.2 Datos e infraestructura 7
   4.3 Verificación, validación y cuantificación de incertidumbre 7
5. Evidencia por dominio clínico 7
   5.1 Panorama: lo que muestran las revisiones sistemáticas 7
   5.2 Cardiología: el dominio más avanzado 8
   5.3 Diabetes y metabolismo 9
   5.4 Oncología y neurología 9
   5.5 Neonatología 9
   5.6 Farmacoterapia de precisión 9
   5.7 Hígado, pulmón y nivel celular 10
6. Gemelos digitales en la gestión hospitalaria 11
   6.1 Qué dice la evidencia sobre operaciones 11
   6.2 Los seis anillos digitales como sustrato de datos 11
   6.3 Casos de uso priorizados para un sanatorio 12
   6.4 Economía y modelos de pago 12
   6.5 Marco normativo argentino 12
7. Ética, privacidad, equidad y regulación 13
   7.1 Privacidad y consentimiento 13
   7.2 Sesgo y equidad 13
   7.3 Transparencia y supervisión humana 13
   7.4 Regulación y responsabilidad 14
8. Lectura crítica de las fuentes 14
   8.1 Las revisiones no son evidencia independiente 14
   8.2 Alertas específicas 14
   8.3 Cómo leer un “100 % de éxito” 15
9. Escalera de madurez y hoja de ruta institucional 15
   9.1 Agenda de investigación 16
10. Conclusiones 16
    Bibliografía 17
    Anexo A. Glosario 18
    Anexo B. Ejemplos clasificados y trazabilidad 20
11. Introducción
    La medicina intenta desde hace décadas pasar del promedio poblacional a la decisión individual. Los ensayos clínicos informan qué funciona en promedio; el médico decide sobre un paciente concreto, con su anatomía, sus comorbilidades y su forma de responder. Los gemelos digitales prometen cerrar esa brecha: un modelo virtual del paciente, alimentado con sus propios datos, en el que se pueden ensayar decisiones y del que se obtiene una recomendación antes de intervenir [1, 2].
    El concepto nació en la ingeniería —Grieves lo formuló hacia 2002 para la gestión del ciclo de vida de productos— y llegó a la salud en la última década [2, 10]. La literatura creció con rapidez: en 2026 aparecieron revisiones sobre gemelos en general, en neonatología, en farmacoterapia y en cardiología, además de un ensayo prospectivo en el New England Journal of Medicine [3, 23, 24, 25]. Ese crecimiento trae un riesgo que varios autores señalan: la “inflación conceptual”, es decir, llamar gemelo digital a cualquier modelo predictivo [23, 24].
    Para quien gestiona un sanatorio o un sistema de salud, la pregunta útil no es si la tecnología es fascinante, sino qué evidencia existe, en qué escalón está cada aplicación, qué exige la institución para usarla y qué riesgos asume. Este trabajo persigue cuatro objetivos: (1) aclarar qué es y qué no es un gemelo digital; (2) ordenar por madurez de la evidencia las aplicaciones clínicas y de gestión; (3) examinar críticamente las fuentes disponibles; y (4) proponer una escalera de madurez y una hoja de ruta para instituciones de salud.
12. Metodología y marco de lectura
    2.1 Diseño y fuentes
    Se trata de una revisión narrativa con tres grupos de fuentes. El primero son siete revisiones publicadas entre 2024 y 2026 (Tabla 1): cinco se analizaron a texto completo [1, 2, 23, 24, 25] y dos por sus resúmenes y datos publicados [6, 7]. El segundo son estudios primarios y comunicados usados para verificar cifras críticas, como TWIN-VT y el ensayo aleatorizado en diabetes tipo 2. El tercero son documentos normativos y de consenso (National Academies, FDA, ASME y normas argentinas).
    Las búsquedas complementarias se hicieron en septiembre de 2026 en la web abierta y en páginas editoriales. No se aplicó un protocolo sistemático, no se registró y no se evaluó formalmente el riesgo de sesgo. Es una limitación asumida: el documento ordena y evalúa críticamente la evidencia, pero no la reemplaza.
    Tabla 1. Las siete revisiones consideradas
    Revisión Tipo y método Alcance Dato o límite relevante
    Katsoulakis 2024 [6] Revisión de alcance Clínica, investigación y operaciones No valora la calidad de los estudios primarios (según [25])
    Khoshfekr Rudsari 2025 [2] Revisión exhaustiva Órganos y sistemas, celular, transversales Método no detallado en la versión disponible; cifras sin verificar en fuente primaria
    Riahi 2025 [7] Revisión de alcance (PRISMA-ScR) Decisión clínica y operativa 86 de 5.537 trabajos cumplieron criterios; 19 % en entorno real
    Calcaterra 2026 [25] Revisión sistemática, PROSPERO CRD420251120304 Estudios primarios con datos de pacientes, hasta mayo de 2025 26 estudios; inconsistencias internas (sección 8)
    Savvidou 2026 [23] Revisión narrativa Neonatología Más de 20 estudios; sin evaluación de sesgo; incluye preprints
    Jarab 2026 [24] Revisión narrativa Farmacoterapia de precisión PubMed y Google Scholar; declara IA generativa en organización de literatura, edición y figuras
    Mohan Babu y Madhan 2026 [1] Revisión narrativa sistemática Tecnologías, cardiología, oncología, inmunología, ética 35 fuentes; observaciones formales (sección 8)

2.2 Escala de madurez de la evidencia
Para comparar aplicaciones muy distintas se usa una escala de cinco niveles (E1 a E5), adaptada de las categorías “temprana / moderada / investigación-piloto” de [1] y de los cuatro niveles de preparación clínica propuestos para neonatología [23]. La escala mide la madurez del diseño de estudio, no la calidad de cada trabajo ni la magnitud del beneficio.
Tabla 2. Escala de madurez de la evidencia (E1–E5) y su correspondencia con [23]
Nivel Descripción Diseños típicos Nivel en [23]
E1 Conceptual o prototipo Simulación, arquitectura, datos sintéticos, pacientes virtuales Nivel 1
E2 Validación retrospectiva Datos clínicos históricos; validación con datos reales sin uso asistencial Nivel 2
E3 Piloto o factibilidad prospectiva Pocos pacientes, brazo único, uso observacional en entorno real Nivel 3
E4 Ensayo controlado Aleatorizado o con comparador concurrente Nivel 4 (parcial)
E5 Uso clínico regulado o de rutina Práctica asistencial con vigilancia poscomercialización Nivel 4

2.3 Trazabilidad de las cifras
Las cifras de estudios primarios tomadas de una revisión no se reverificaron, salvo indicación expresa; el Anexo B indica la fuente de cada ejemplo. La revisión de Khoshfekr Rudsari se cita en su versión original en inglés: la traducción al español aportada contiene errores de traducción automática que se detallan en la sección 8.
3. Fundamentos conceptuales
3.1 Qué es, y qué no es, un gemelo digital
El informe de las National Academies (2023) define un gemelo digital como un conjunto de constructos virtuales que imita la estructura, el contexto y el comportamiento de un sistema, se actualiza dinámicamente con datos de su contraparte física, tiene capacidad predictiva e informa decisiones que generan valor; la interacción bidireccional entre lo virtual y lo físico es central [5]. Grieves lo describió como una tríada: sistema físico, representación virtual y flujo de información entre ambos [2, 10]. Para neonatología se proponen tres rasgos operativos: representación individualizada, actualización dinámica y capacidad de simular intervenciones [23].
La taxonomía de Kritzinger distingue tres niveles según el flujo de datos [11]. En un modelo digital el vínculo con el paciente es manual; en una sombra digital el paciente actualiza el modelo automáticamente, pero no hay retorno; en un gemelo digital el flujo es bidireccional. La distinción importa porque buena parte de lo que hoy se llama gemelo en la clínica es un modelo personalizado o una sombra: los modelos anatómicos 3D de cardiopatías congénitas [17, 18] o el gemelo cardíaco construido una vez a partir de una resonancia para guiar una ablación [3]. Una revisión con 86 estudios concluye que los sistemas relevados aún no materializan las capacidades completas de un gemelo [7].

Figura 1. Modelo, sombra y gemelo digital según el flujo de datos entre el paciente y su representación. Elaboración propia sobre [11] y [5].

La Tabla 3 ubica al gemelo respecto de herramientas conocidas. Un punto conceptual fino, planteado en [24]: un sistema no es un gemelo por estimar una dosis individualizada. La dosificación guiada por modelos (MIPD) es una de las bases clínicas más cercanas, pero el gemelo exige además representación más amplia, actualización repetida, incertidumbre comunicada y comparación de escenarios.
Tabla 3. El gemelo digital frente a herramientas conocidas
Herramienta Qué representa Se actualiza con datos del paciente Simula alternativas Ejemplo
Historia clínica electrónica Registro longitudinal Sí (como registro) No HCE del sanatorio
Apoyo por reglas Un protocolo No (reglas fijas) No Alerta de interacción medicamentosa
Modelo predictivo de IA Riesgo aprendido de datos históricos Episódicamente No (predice, no simula) Score de sepsis
Modelo poblacional Promedio poblacional No Sí, sobre promedios Farmacocinética poblacional
Dosificación guiada por modelo (MIPD) Farmacocinética del paciente Sí, con concentraciones Sí, acotada a dosis Vancomicina por AUC bayesiano
Gemelo digital Paciente, órgano o sistema concreto Sí, repetida o continua Sí, alternativas y trayectorias Modelo cardíaco que guía una ablación

Herramienta	Qué representa	Se actualiza con datos del paciente	Simula alternativas	Ejemplo
Historia clínica electrónica	Registro longitudinal	Sí (como registro)	No	HCE del sanatorio
Apoyo por reglas	Un protocolo	No (reglas fijas)	No	Alerta de interacción medicamentosa
Modelo predictivo de IA	Riesgo aprendido de datos históricos	Episódicamente	No (predice, no simula)	Score de sepsis
Modelo poblacional	Promedio poblacional	No	Sí, sobre promedios	Farmacocinética poblacional
Dosificación guiada por modelo (MIPD)	Farmacocinética del paciente	Sí, con concentraciones	Sí, acotada a dosis	Vancomicina por AUC bayesiano
Gemelo digital	Paciente, órgano o sistema concreto	Sí, repetida o continua	Sí, alternativas y trayectorias	Modelo cardíaco que guía una ablación

3.2 Escalas de modelado
Un gemelo puede representar desde una vía molecular hasta un hospital. Cuanto mayor la escala, más difícil la validación y más heterogéneos los datos [2].
Tabla 4. Escalas de los gemelos digitales y madurez típica
Escala Qué modela Ejemplos Madurez típica
Molecular y celular Vías, perturbaciones, farmacocinética celular scGPT, CellBox, hígado en chip E1–E2
Órgano Electrofisiología, mecánica, flujo Corazón, pulmón, hígado E2–E3 (el corazón es el más avanzado)
Paciente Sistema multiórgano y respuesta al tratamiento Metabolismo en diabetes; neonato en UCIN E1–E4
Servicio u hospital Flujo, capacidad, dispositivos Centros de vacunación, incubadoras E1–E2
Población Epidemiología, recursos Poblaciones virtuales, simulación de brotes E1–E2

3.3 Ciclo de vida y arquitectura
Los gemelos siguen un ciclo iterativo: recolección de datos multimodales (genómica, imágenes, sensores, historia clínica), parametrización del modelo, validación y calibración, predicción y simulación, apoyo a la decisión y aprendizaje continuo con retroalimentación [1]. Esa lógica se apoya en una arquitectura de cinco capas: datos, procesamiento, modelos, motor de inferencia e integración clínica (Figura 2).

Figura 2. Ciclo de vida y arquitectura en capas de un gemelo digital. Adaptado de [1].

4. Tecnologías habilitantes
4.1 Tres familias de modelos
Las revisiones coinciden en que los enfoques híbridos, que combinan modelos mecanicistas con aprendizaje automático, son los más adecuados para la clínica porque equilibran interpretabilidad y ajuste a los datos [1, 2, 23]. La Tabla 5 resume las tres familias.
Tabla 5. Familias de modelos usadas en gemelos digitales
Familia Fortalezas Limitaciones Marco de validación
Mecanicista (ecuaciones diferenciales, elementos finitos, PBPK/QSP) Interpretable; extrapola fuera de los datos Costo computacional; exige parámetros bien estimados La guía de la FDA de 2023 y ASME V&V 40 aplican [8, 9]
Aprendizaje automático (redes profundas, conjuntos de árboles, modelos de lenguaje) Capta patrones no lineales; escala con los datos Caja negra; sesgo; requiere muchos datos La guía de la FDA de 2023 no cubre modelos de IA aislados [8]
Híbrido Combina interpretabilidad y ajuste a datos Validación más compleja; error que se propaga entre módulos Criterio aún en desarrollo; se propone núcleo bloqueado más capa de actualización controlada [23]

Los modelos de lenguaje ya aparecen en la literatura (TWIN-GPT, ClinicalGAN) para simular ensayos y predecir abandono, pero son aplicaciones tempranas [2].
4.2 Datos e infraestructura
Un gemelo depende de integrar genómica, imágenes, laboratorio, notas clínicas y sensores. Los estándares de interoperabilidad (HL7 FHIR) y las terminologías compartidas son la condición técnica [2]. La computación en el borde ayuda a limpiar artefactos y extraer variables cuando el ancho de banda es limitado, y el aprendizaje federado permite entrenar entre instituciones sin compartir datos crudos, aunque exige infraestructura y gobernanza [1, 27]. En la revisión sistemática de [25], solo 6 de 26 estudios (23 %) describieron cómo se comunicaban el mundo físico y el digital, y casi ninguno abordó latencia o sincronización. En neonatología se propone un “mínimo de datos viable” (signos vitales, oxigenación, parámetros del ventilador, laboratorio clave) que permita actualizar de manera incremental [23].
4.3 Verificación, validación y cuantificación de incertidumbre
El informe de las National Academies pone en el centro la verificación, validación y cuantificación de incertidumbre (VVUQ) y el criterio de que el modelo debe ser adecuado para su uso previsto [5]. La FDA publicó en noviembre de 2023 una guía basada en riesgo para la credibilidad de modelos computacionales en presentaciones de dispositivos, derivada del estándar ASME V&V 40, aplicable a modelos físicos o mecanicistas y no a modelos de aprendizaje automático por sí solos [8, 9]. Para gemelos adaptativos, que cambian con los datos, [23] propone un núcleo clínico bloqueado con una capa de actualización controlada y planes de cambio predefinidos, además de cuatro pruebas mínimas antes de usar datos sintéticos: verificación técnica, fidelidad fisiológica, concordancia clínica y confiabilidad del impacto en la decisión.
5. Evidencia por dominio clínico
5.1 Panorama: lo que muestran las revisiones sistemáticas
Dos revisiones con métodos explícitos ofrecen el mejor retrato de conjunto. Riahi et al. partieron de 5.537 trabajos y solo 86 (1,55 %) cumplieron criterios de inclusión; el 87 % apoyaba decisiones clínicas y apenas 16 (19 %) se probaron en un entorno real, el resto en simulación [7]. Calcaterra et al., limitándose a estudios primarios con datos de pacientes, incluyeron 26: 42,3 % eran modelados por simulación, 23,1 % desarrollos de prototipos, 15,4 % estudios retrospectivos u observacionales y una minoría ensayos aleatorizados o casos clínicos; solo 11 (42,3 %) informaron métricas de desempeño, con exactitudes de 84,25 % a 98,9 % [25].

Figura 3. Distribución de los 86 estudios incluidos en la revisión de alcance de Riahi et al. [7].

Figura 4. Diseños de los 26 estudios de la revisión sistemática de Calcaterra et al. [25], con dos discrepancias internas señaladas en la sección 8.

El mensaje conjunto es coherente: alto desempeño técnico en entornos simulados, con integración real escasa. Y una advertencia metodológica: una exactitud elevada mide qué tan bien predice el modelo, no si el paciente mejora; los criterios de valoración sustitutos no deben confundirse con beneficio clínico [24].
5.2 Cardiología: el dominio más avanzado
TWIN-VT. El estudio publicado en el New England Journal of Medicine en 2026 incluyó a 10 pacientes con taquicardia ventricular isquémica, autorizado por la FDA como dispositivo en investigación y limitado a un centro [3]. A cada paciente se le construyó un gemelo a partir de una resonancia con contraste; se “ablacionó” virtualmente hasta volver el modelo no inducible y los blancos se importaron al sistema de mapeo para guiar la ablación real. Tras la ablación, la taquicardia fue no inducible en todos; según el resumen del NEJM, a los 13 meses de seguimiento medio 8 pacientes estaban libres de recurrencia [3]. El comunicado institucional habla de 10 de 10 libres de arritmia, con dos episodios breves durante la cicatrización, y compara con un ~60 % histórico de la ablación convencional [4]. Es un estudio de factibilidad de brazo único: sustenta seguridad y plausibilidad, no superioridad.
Antecedentes y matices.

El grupo de Johns Hopkins publicó antes la tecnología de corazón virtual para guiar ablaciones [13, 14]. Un estudio en 18 pacientes comparó los circuitos predichos con los mapeados de forma invasiva: sensibilidad de 81,3 %, especificidad de 83,8 %, valor predictivo positivo de 21,7 % y negativo de 98,8 %, con 60,1 % de las lesiones dentro de 5 mm de un blanco predicho [15]. Dicho de otro modo, el gemelo es mejor descartando que localizando. En fibrilación auricular, el ensayo OPTIMA (67 pacientes, comparación con el aislamiento de venas pulmonares) tiene seguimiento a dos años en curso; lo disponible proviene de una entrevista con la investigadora principal, no de una publicación [22]. A escala poblacional, se construyó una cohorte de 3.461 gemelos cardíacos del Biobanco del Reino Unido para estudiar diferencias por sexo en la electrofisiología [2].
Cardiopatías congénitas. El Children’s Hospital of Philadelphia modela de rutina defectos septales ventriculares complejos con herramientas de código abierto (SlicerHeart, MONAI) y reduce la segmentación de imágenes de cerca de cuatro horas a segundos [17, 18]. Son modelos anatómicos personalizados —no gemelos bidireccionales— pero con uso asistencial real: su valor es operativo (tiempo, planificación). La cifra de “más de 500 casos al año” en Boston Children’s que circula en una nota divulgativa no pudo verificarse [19]. En América Latina, el grupo iHEALTH (Chile) reconstruye la red de Purkinje a partir de un electrocardiograma estándar [16].
5.3 Diabetes y metabolismo
El ensayo aleatorizado más citado es el de Joshi et al.: un año, adultos con diabetes tipo 2 y enfermedad hepática grasa, 319 aleatorizados (266 analizados), nutrición personalizada guiada por un gemelo frente a atención habitual. La HbA1c bajó 2,9 puntos contra 0,3, el peso 7,4 kg y 72,7 % alcanzó remisión [20, 25]. El resultado es llamativo, pero conviene leerlo con dos reservas. Primero, el financiamiento y la autoría provienen de la empresa que desarrolla la plataforma (declarado en el resumen de la presentación intermedia [21]). Segundo, el gemelo se administra junto con monitoreo continuo y apoyo de coaches: el diseño no permite aislar cuánto del efecto se debe al gemelo y cuánto a la intensidad del acompañamiento. Falta replicación independiente. Un estudio observacional de 15 adultos mayores con guía de insulina por gemelo informó tiempo en rango de 86–97 % [25, 38].
5.4 Oncología y neurología
Ambos dominios concentran estudios de E1–E2. En glioma de alto grado, un gemelo predictivo redujo en 16,7 % la dosis de radioterapia con control tumoral equivalente, pero en 100 pacientes virtuales [2, 25]. En cáncer orofaríngeo, un sistema con díada paciente-médico entrenado con 536 pacientes informó mejoras de 3,73 % en supervivencia y 0,75 % en disfagia, también en simulación [2]. En neurología, se estimó que la atrofia en esclerosis múltiple comienza 5 a 6 años antes de los síntomas [2]. Son hallazgos que generan hipótesis y ninguno demostró todavía beneficio en pacientes.
5.5 Neonatología
La revisión de Savvidou et al. es la más estricta con la definición: excluye los modelos predictivos retrospectivos sin componente mecanicista o de actualización dinámica [23]. Los gemelos respiratorios son los más maduros: modelos mecanicistas de prematuros ventilados con errores menores de 6 % en variables respiratorias clave, aunque la fuente principal es un preprint [30]. En cardiovascular, modelos identificables de la circulación neonatal mostraron aumentos tempranos de la resistencia vascular en prematuros tardíos [32]. Un gemelo generativo del microbioma permitió simulaciones contrafactuales con efectos heterogéneos según el niño [31]. En sepsis, la mayoría de los modelos son clasificadores retrospectivos o de UCI de adultos: por su propia definición no serían gemelos. Su marco de cuatro niveles de preparación concluye que la mayoría de las aplicaciones está en los niveles 1–2, con pilotos raros en el 3 y ninguna en el 4 [23]. Las barreras propias de la UCIN son cohortes pequeñas, cambio fisiológico rápido y datos asincrónicos, lo que lleva a recomendar gemelos modulares y validados por órgano.
5.6 Farmacoterapia de precisión
Jarab et al. sostienen que el gemelo debe verse como una extensión de la monitorización de concentraciones y de la dosificación guiada por modelos, no como un paradigma separado [24]. Los casos más realistas son los fármacos de margen terapéutico estrecho (vancomicina, aminoglucósidos, tacrolimus, busulfán, voriconazol, fenitoína, digoxina). La guía de vancomicina recomienda dosificar por AUC, preferentemente con estimación bayesiana [35], y en oncología una revisión identificó 16 fármacos con estudios prospectivos de validación o implementación de MIPD [36]. Las herramientas disponibles (NONMEM, Monolix, PK-Sim, InsightRx, DoseMeRx, MWPharm, TDMx) se consideran bloques de construcción, no gemelos completos [24]. El farmacéutico clínico verifica los datos de entrada, juzga si el paciente está representado por el modelo, interpreta la incertidumbre y documenta la recomendación. Es el frente más maduro para una institución, porque la infraestructura de monitoreo terapéutico ya existe.
5.7 Hígado, pulmón y nivel celular
Un estudio de prueba de concepto en 47 pacientes usó un gemelo para estimar el riesgo de hipertensión portal tras una hepatectomía [34]. Se describen además redes neuronales de grafos con restricciones termodinámicas que simulan tejido hepático en 1,65 milisegundos, un modelo de hígado en chip que predijo la depuración de 32 fármacos y modelos multiescala del pulmón [2]. A nivel celular, los modelos de perturbación (scGPT, CellBox) buscan predecir respuestas a fármacos o intervenciones genéticas, y un análisis in silico informó 89 % de exactitud contra 75 % de los modelos animales en cardiotoxicidad proarrítmica [2]. Todos están entre E1 y E3.

Figura 5. Madurez de la evidencia por dominio: 43 ejemplos analizados clasificados de E1 a E5. Clasificación propia; detalle en el Anexo B.

Figura 6. Tres resultados publicados con diseños de estudio de distinto peso: simulación (glioma [2, 25]), factibilidad de brazo único (TWIN-VT [3]) y ensayo aleatorizado (diabetes tipo 2 [20, 25]).

6. Gemelos digitales en la gestión hospitalaria
6.1 Qué dice la evidencia sobre operaciones
Los gemelos para decisiones operativas están menos estudiados que los clínicos: solo 11 de 86 estudios (13 %) en [7]. En [25], los de nivel sistema (efecto de la disposición de centros de vacunación sobre el flujo, propagación de infecciones respiratorias en espacios cerrados, telecirugía con calidad de red variable) se evaluaron con indicadores logísticos y en su mayoría no se validaron con datos reales [39]. Otras cifras que circulan —reducción de 60 % de los códigos azules con alerta temprana, disminución de hasta 25 % de reingresos— provienen de [2] y no pudieron verificarse en las fuentes primarias: deben tratarse como hipótesis. La simulación de eventos discretos para capacidad hospitalaria tiene larga tradición; lo nuevo es la actualización continua con datos reales, y esa continuidad depende de la infraestructura digital de la institución.
6.2 Los seis anillos digitales como sustrato de datos
El modelo de seis anillos digitales del hospital del futuro [29] permite pensar qué datos alimentaría cada tipo de gemelo (Figura 7 y Tabla 6). La historia clínica electrónica (HCE) es la condición previa: sin datos longitudinales, estructurados y codificados no hay gemelo de paciente que se pueda alimentar ni validar, y la trazabilidad en el punto de atención aporta el dato en tiempo real.

Figura 7. Los seis anillos digitales del hospital como fuentes de datos para gemelos de paciente, servicio y hospital. Elaboración propia sobre [29].

Tabla 6. Seis anillos digitales, datos y gemelos posibles

Anillo	Dato que aporta	Gemelo posible	Prerrequisito
HCE (EHR)	Historia longitudinal, indicaciones, laboratorio	Paciente: riesgo, trayectoria, farmacoterapia	HCE única, estructurada y codificada
HIS	Admisiones, camas, turnos	Flujo de pacientes y capacidad	Registro de movimientos en tiempo real
MIS	Indicadores y productividad	Escenarios de gestión	Definiciones e indicadores estables
RIS / PACS	Imágenes diagnósticas	Anatomía personalizada	Integración de imágenes con la HCE
CFIS	Costos y facturación	Valor económico de cada escenario	Costeo por proceso
BMS	Energía, climatización, accesos	Edificio y mantenimiento predictivo	Sensores integrados al BMS

Anillo Dato que aporta Gemelo posible Prerrequisito
HCE (EHR) Historia longitudinal, indicaciones, laboratorio Paciente: riesgo, trayectoria, farmacoterapia HCE única, estructurada y codificada
HIS Admisiones, camas, turnos Flujo de pacientes y capacidad Registro de movimientos en tiempo real
MIS Indicadores y productividad Escenarios de gestión Definiciones e indicadores estables
RIS / PACS Imágenes diagnósticas Anatomía personalizada Integración de imágenes con la HCE
CFIS Costos y facturación Valor económico de cada escenario Costeo por proceso
BMS Energía, climatización, accesos Edificio y mantenimiento predictivo Sensores integrados al BMS

6.3 Casos de uso priorizados para un sanatorio
Tabla 7. Casos de uso ordenados por riesgo y respaldo de evidencia

Caso de uso	Valor esperado	Nivel de evidencia	Riesgo
Dosificación individualizada de fármacos de margen estrecho (farmacia clínica)	Seguridad; menos eventos adversos	E3–E5 en MIPD [24, 35, 36]	Bajo a medio
Simulación de camas, quirófano y flujo	Menos esperas; mejor uso de la capacidad	E1–E2 [7, 25]	Bajo (no interviene sobre el paciente)
Modelos anatómicos personalizados para planificar cirugía	Tiempo y precisión	E5 (anatómico) [18]	Bajo a medio
Mantenimiento predictivo de equipos críticos	Disponibilidad y seguridad	E1 [40]	Bajo
Formación de residentes con simuladores	Competencias	E3 [2]	Bajo
Seguimiento de crónicos con monitoreo continuo (diabetes)	Control metabólico	E4 con reservas [20]	Medio
Gemelo clínico para decisiones terapéuticas de alto riesgo	Resultados clínicos	E2–E3 [3, 15]	Alto: solo con protocolo de investigación y comité de ética

Caso de uso Valor esperado Nivel de evidencia Riesgo
Dosificación individualizada de fármacos de margen estrecho (farmacia clínica) Seguridad; menos eventos adversos E3–E5 en MIPD [24, 35, 36] Bajo a medio
Simulación de camas, quirófano y flujo Menos esperas; mejor uso de la capacidad E1–E2 [7, 25] Bajo (no interviene sobre el paciente)
Modelos anatómicos personalizados para planificar cirugía Tiempo y precisión E5 (anatómico) [18] Bajo a medio
Mantenimiento predictivo de equipos críticos Disponibilidad y seguridad E1 [40] Bajo
Formación de residentes con simuladores Competencias E3 [2] Bajo
Seguimiento de crónicos con monitoreo continuo (diabetes) Control metabólico E4 con reservas [20] Medio
Gemelo clínico para decisiones terapéuticas de alto riesgo Resultados clínicos E2–E3 [3, 15] Alto: solo con protocolo de investigación y comité de ética

6.4 Economía y modelos de pago
No hay evidencia sólida de costo-efectividad de los gemelos digitales. Las revisiones piden medirla: tiempo hasta el objetivo terapéutico, eventos adversos evitables, hospitalizaciones y costo [24]. Los autores de [2] señalan que la adopción depende del pago y que probablemente requiere esquemas basados en valor que premien mejores resultados sin fomentar la sobreutilización. Es coherente con el enfoque de medicina basada en valor: un gemelo debería financiarse por los resultados que demuestre, no por su sofisticación. Los costos incluyen el modelo, la infraestructura, la validación local y el mantenimiento continuo, que suele subestimarse.
6.5 Marco normativo argentino
El marco vigente no menciona gemelos digitales, pero regula sus insumos [28]: la Ley 25.326 (datos personales), la Ley 26.529 (derechos del paciente, historia clínica y consentimiento), la Ley 27.553 (recetas electrónicas y teleasistencia) y la Ley 27.706, que crea el Programa Federal Único de Informatización y Digitalización de las Historias Clínicas (sancionada el 28/2/2023, reglamentada por el Decreto 393/2023). Implicancias: la HCE única es el cimiento normativo y técnico; el uso secundario de datos para entrenar modelos requiere análisis legal sobre consentimiento y finalidad; y la eventual clasificación de un gemelo como software de producto médico ante la autoridad regulatoria no fue relevada en este trabajo y exige consulta específica. Los textos se consultaron en fuentes secundarias.

7. Ética, privacidad, equidad y regulación

Figura 8. Marco de gobernanza para el despliegue de gemelos digitales. Adaptado de [1], representado como ciclo.

7.1 Privacidad y consentimiento
Un gemelo acumula datos personales durante mucho tiempo y sobrevive a una internación. En pediatría y neonatología aparece una tensión específica: el consentimiento parental suele ser limitado en el tiempo, mientras que el gemelo podría usarse de por vida, con conflictos posibles cuando el niño crezca [23]. Se proponen consentimiento por capas, reconsentimiento dinámico y trazabilidad del ciclo de vida del dato. El aprendizaje federado, los datos sintéticos y la privacidad diferencial ayudan, con un costo entre protección y desempeño [1, 27].
7.2 Sesgo y equidad
Los datos provienen sobre todo de centros académicos de recursos altos y de pocos países [23, 25]. Un modelo calibrado allí puede rendir peor en poblaciones subrepresentadas, y debe validarse en el entorno donde se va a usar. Sin diseño inclusivo, los gemelos podrían ampliar las brechas en lugar de reducirlas [2]. Debe considerarse también la brecha de habilidades digitales entre profesionales y pacientes.
7.3 Transparencia y supervisión humana
Las salidas del gemelo deben comunicarse con su incertidumbre y como insumo de decisión, no como respuesta definitiva; existe un riesgo de sobreconfianza si se las interpreta como deterministas [23]. Se propone un modelo de “copiloto clínico” en el que el gemelo genera escenarios y el clínico conserva la autoridad [23], con verificación de los datos de entrada por un profesional, documentación de supuestos y monitoreo posterior [24].
7.4 Regulación y responsabilidad
Tabla 8. Instrumentos regulatorios y de consenso relevantes

Instrumento	Qué cubre	Límite para los gemelos
Guía de la FDA sobre credibilidad de modelado y simulación (nov 2023) [8]	Marco basado en riesgo para modelos mecanicistas en presentaciones de dispositivos	No aplica a modelos de IA aislados
ASME V&V 40-2018 [9]	Verificación y validación según el riesgo del uso previsto	Pensado para dispositivos; no resuelve la actualización continua
National Academies 2023 [5]	Definición y agenda de investigación (VVUQ)	No es una norma regulatoria
Unión Europea: reglamento de productos médicos y reglamento de IA (2024) [23]	Clasificación como producto médico; requisitos de alto riesgo	No define cuándo un modelo adaptativo exige recertificación
Plan de control de cambios predefinido (FDA, 2023) [23]	Cambios permitidos y cómo se reverifican	No específico de gemelos
Argentina: leyes 25.326, 26.529, 27.706 [28]	Datos personales, historia clínica, HCE única	No específicas de gemelos; clasificación como producto médico sin analizar

Instrumento Qué cubre Límite para los gemelos
Guía de la FDA sobre credibilidad de modelado y simulación (nov 2023) [8] Marco basado en riesgo para modelos mecanicistas en presentaciones de dispositivos No aplica a modelos de IA aislados
ASME V&V 40-2018 [9] Verificación y validación según el riesgo del uso previsto Pensado para dispositivos; no resuelve la actualización continua
National Academies 2023 [5] Definición y agenda de investigación (VVUQ) No es una norma regulatoria
Unión Europea: reglamento de productos médicos y reglamento de IA (2024) [23] Clasificación como producto médico; requisitos de alto riesgo No define cuándo un modelo adaptativo exige recertificación
Plan de control de cambios predefinido (FDA, 2023) [23] Cambios permitidos y cómo se reverifican No específico de gemelos
Argentina: leyes 25.326, 26.529, 27.706 [28] Datos personales, historia clínica, HCE única No específicas de gemelos; clasificación como producto médico sin analizar

Queda sin resolver la responsabilidad: si un gemelo contribuye a una decisión dañina, puede ser difícil atribuirla al clínico, a la institución o al desarrollador [23, 25]. Por eso se propone un enfoque de ética por diseño, con clínicos, familias, especialistas en ética, científicos de datos y reguladores desde el inicio [23, 26].
8. Lectura crítica de las fuentes
8.1 Las revisiones no son evidencia independiente
Varias revisiones recientes reciclan los mismos estudios primarios. El gemelo para radioterapia de glioma con 100 pacientes virtuales, la díada paciente-médico en cáncer orofaríngeo (536 pacientes) y el modelo de atrofia en esclerosis múltiple figuran tanto en [2] como en [25]; Jarab cita a Khoshfekr Rudsari, Katsoulakis y Riahi [24]; Calcaterra discute a Katsoulakis y a Ringeval [25]. Contar “siete revisiones” como siete confirmaciones sería un error: son una misma base primaria releída, con distintos filtros.
8.2 Alertas específicas
La Tabla 9 reúne observaciones formales que surgieron al leer las fuentes. No cuestionan la utilidad de cada trabajo; indican para qué usar cada uno y qué cifras conviene no citar sin verificar.
Tabla 9. Observaciones sobre las fuentes

Fuente	Observación	Implicancia
Mohan Babu y Madhan 2026 [1]	Resumen con sintaxis irregular. Los porcentajes de la Figura 3 (32 %, 24 %, 15 %…) figuran como “% de la literatura publicada” sin base explícita y no pueden corresponder a 35 fuentes (32 % de 35 = 11,2). La referencia 30, atribuida a Corral-Acero, corresponde a Katsoulakis et al. El DOI de la referencia 14 corresponde a una revista distinta de la indicada. La hoja de ruta comienza en 2025 en un artículo publicado en 2026. Las secciones 7.2 y 7.3 repiten un párrafo.	Útil como mapa conceptual; no como fuente de cifras
Khoshfekr Rudsari 2025 [2], versión española aportada	La traducción automática convierte “DT” en “árboles de decisión”, “terapias digitales” o “tecnologías de diagnóstico”. Las cifras económicas (−25 % de reingresos, −60 % de códigos azules) no se verificaron en fuente primaria.	Citar el original en inglés; verificar antes de usar cifras
Calcaterra 2026 [25]	Fortalezas: registro PROSPERO, PRISMA y solo estudios primarios. Discrepancias: el texto informa 1.420 registros y la figura suma 1.410; se excluyen artículos de opinión, pero 10 de 26 estudios se valoraron con la lista para textos de opinión (incluido un estudio clínico de 47 pacientes); el texto cuenta 3 ensayos aleatorizados y 2 casos y la Tabla 2 muestra 1 y 1; la numeración de referencias en el texto no coincide con la lista (Joshi figura como 41 y en la lista es 52); la Figura 7 presenta como métricas agregadas los valores de un solo estudio; todos los estudios puntuaron alto en la lista JBI (≥ 6).	Buen diseño con errores de ejecución; usar sus proporciones con cautela
Savvidou 2026 [23]	Revisión narrativa sin evaluación formal de sesgo, con “más de 20” estudios y preprints; la evidencia respiratoria central es un preprint; la sección de sepsis se apoya en modelos que, por la definición de los propios autores, no serían gemelos.	Muy valiosa por su definición y sus niveles; cifras provisionales
Jarab 2026 [24]	Búsqueda en dos fuentes; declara el uso de IA generativa para organizar literatura, editar y crear figuras; los casos de uso son propuestas, no resultados.	Tomar su distinción entre base y gemelo
Nota sobre CHOP y NVIDIA [18, 19]	Basada en un blog de la empresa; presenta como “estándar de cuidado” modelos anatómicos que no son gemelos bidireccionales; “500 casos al año” y “de 3 horas a 30 minutos” no se hallaron en fuentes primarias.	Sirve como ilustración; no citar cifras

Fuente Observación Implicancia
Mohan Babu y Madhan 2026 [1] Resumen con sintaxis irregular. Los porcentajes de la Figura 3 (32 %, 24 %, 15 %…) figuran como “% de la literatura publicada” sin base explícita y no pueden corresponder a 35 fuentes (32 % de 35 = 11,2). La referencia 30, atribuida a Corral-Acero, corresponde a Katsoulakis et al. El DOI de la referencia 14 corresponde a una revista distinta de la indicada. La hoja de ruta comienza en 2025 en un artículo publicado en 2026. Las secciones 7.2 y 7.3 repiten un párrafo. Útil como mapa conceptual; no como fuente de cifras
Khoshfekr Rudsari 2025 [2], versión española aportada La traducción automática convierte “DT” en “árboles de decisión”, “terapias digitales” o “tecnologías de diagnóstico”. Las cifras económicas (−25 % de reingresos, −60 % de códigos azules) no se verificaron en fuente primaria. Citar el original en inglés; verificar antes de usar cifras
Calcaterra 2026 [25] Fortalezas: registro PROSPERO, PRISMA y solo estudios primarios. Discrepancias: el texto informa 1.420 registros y la figura suma 1.410; se excluyen artículos de opinión, pero 10 de 26 estudios se valoraron con la lista para textos de opinión (incluido un estudio clínico de 47 pacientes); el texto cuenta 3 ensayos aleatorizados y 2 casos y la Tabla 2 muestra 1 y 1; la numeración de referencias en el texto no coincide con la lista (Joshi figura como 41 y en la lista es 52); la Figura 7 presenta como métricas agregadas los valores de un solo estudio; todos los estudios puntuaron alto en la lista JBI (≥ 6). Buen diseño con errores de ejecución; usar sus proporciones con cautela
Savvidou 2026 [23] Revisión narrativa sin evaluación formal de sesgo, con “más de 20” estudios y preprints; la evidencia respiratoria central es un preprint; la sección de sepsis se apoya en modelos que, por la definición de los propios autores, no serían gemelos. Muy valiosa por su definición y sus niveles; cifras provisionales
Jarab 2026 [24] Búsqueda en dos fuentes; declara el uso de IA generativa para organizar literatura, editar y crear figuras; los casos de uso son propuestas, no resultados. Tomar su distinción entre base y gemelo
Nota sobre CHOP y NVIDIA [18, 19] Basada en un blog de la empresa; presenta como “estándar de cuidado” modelos anatómicos que no son gemelos bidireccionales; “500 casos al año” y “de 3 horas a 30 minutos” no se hallaron en fuentes primarias. Sirve como ilustración; no citar cifras

8.3 Cómo leer un “100 % de éxito”
Cinco preguntas ante una cifra espectacular

1. ¿Cuántos pacientes? TWIN-VT incluyó 10 en un solo centro [3].
2. ¿Con qué se compara? El ~60 % de referencia es un dato histórico externo, no un grupo concurrente [4].
3. ¿Qué se midió y cuándo? No inducibilidad al final del procedimiento no es lo mismo que ausencia de recurrencia; el resumen del NEJM informa 8 de 10 libres de recurrencia a los 13 meses de seguimiento medio [3].
4. ¿Quién financia y quién firma? Una coautora está afiliada a un fabricante de dispositivos [4]; el ensayo de diabetes fue financiado por la empresa [21].
5. ¿Se replicó? Ni TWIN-VT ni el ensayo de diabetes tienen aún replicación independiente publicada.
6. Escalera de madurez y hoja de ruta institucional
   La secuencia práctica se resume en cinco escalones, cada uno condición del siguiente (Figura 9). Saltearlos produce modelos que no se pueden alimentar ni validar; coincide con lo señalado por [25], que identifica privacidad, validación, interoperabilidad e infraestructura como requisitos previos del gemelo.

Figura 9. Escalera de madurez digital institucional. Elaboración propia a partir de [5, 23, 25].

La hoja de ruta propuesta tiene tres fases con compuertas de decisión explícitas: continuar, corregir o detener (Figura 10). La propuesta de [1] para el campo (2025–2035, con pilotos en 5 a 10 sitios y escala a 50–100 sistemas hospitalarios) es un horizonte de referencia, no un compromiso.

Figura 10. Hoja de ruta institucional en tres fases con compuertas de decisión.

Elaboración propia.
Recomendaciones para gestores

1. Empezar por la HCE única y el gobierno del dato: sin ellos no hay gemelo que valga.
2. Exigir a cada proveedor que declare el nivel de evidencia (E1–E5), el uso previsto y si el sistema se actualiza con datos del paciente.
3. Pedir validación local prospectiva antes de escalar: el buen desempeño en otro centro no garantiza el propio [23].
4. Elegir primero casos de bajo riesgo y alto valor: farmacia clínica (MIPD), flujo de camas y quirófano, mantenimiento de equipos.
5. Reservar los gemelos que apoyan decisiones terapéuticas de alto riesgo para protocolos de investigación con comité de ética.
6. Medir resultados que importan (eventos adversos, reingresos, tiempo hasta la decisión, costo) y no solo exactitud predictiva [24].
7. Definir responsabilidades: quién verifica los datos de entrada, quién decide, quién audita y cómo se documenta [24].
8. Incluir consentimiento informado y una política de reuso de datos, con revisión jurídica local.

9.1 Agenda de investigación
• Validación estandarizada (VVUQ) y criterios de aceptación regulatoria para modelos adaptativos [1, 5, 23].
• Ensayos pragmáticos con resultados centrados en el paciente y en el proceso, incluidos costo y carga de trabajo [24, 25].
• Aprendizaje federado y gobernanza de datos entre instituciones [1, 27].
• IA explicable integrada a modelos mecanicistas [1, 23].
• Integración multiómica, evaluación de equidad y participación de pacientes [1, 25].
10. Conclusiones

1. El gemelo digital es un paradigma legítimo pero inmaduro: su definición exige bidireccionalidad, actualización y simulación, y la mayoría de lo que se publica no cumple los tres criterios [5, 7, 23].
2. La evidencia sigue una pirámide invertida: abundan los prototipos y las validaciones retrospectivas; son raros los estudios prospectivos y casi no hay ensayos controlados independientes ni uso regulado [7, 25].
3. El valor de corto plazo está en las bases: dosificación guiada por modelos, modelado anatómico y simulación operativa.
4. Las revisiones comparten estudios primarios; conviene verificar las cifras críticas en la fuente y distinguir comunicados de publicaciones.
5. Para un sanatorio, el primer paso es la infraestructura (HCE única, interoperabilidad, gobierno del dato) y una política de evidencia que exija declarar nivel, uso previsto y resultados.
6. La ética, la privacidad y la regulación son requisitos de diseño y no trámites finales, en especial en pediatría y neonatología.
   Bibliografía
7. Mohan Babu A, Madhan ES. Human digital twins in personalized and predictive healthcare: a comprehensive review of technologies, applications, and future directions. Front Digit Health. 2026;8:1827007. doi:10.3389/fdgth.2026.1827007
8. Khoshfekr Rudsari H, Tseng B, Zhu H, Song L, Gu C, Roy A, et al. Digital twins in healthcare: a comprehensive review and future directions. Front Digit Health. 2025;7:1633539. doi:10.3389/fdgth.2025.1633539
9. Chrispin J, Prakosa A, Kholmovski E, Kolandaivelu A, Barcelon A, Aronis KN, et al. Digital twin–guided ablation for ventricular tachycardia. N Engl J Med. 2026;394(13):1345-7. doi:10.1056/NEJMc2517822
10. Johns Hopkins University. Digital twin hearts deliver 100% success in arrhythmia trial [comunicado de prensa]. 1 abr 2026. https://hub.jhu.edu/2026/04/01/digital-twin-hearts-arrhythmia-trial/
11. National Academies of Sciences, Engineering, and Medicine. Foundational research gaps and future directions for digital twins. Washington, DC: National Academies Press; 2024 (informe presentado el 15 dic 2023). doi:10.17226/26894
12. Katsoulakis E, Wang Q, Wu H, Shahriyari L, Fletcher R, Liu J, et al. Digital twins for health: a scoping review. npj Digit Med. 2024;7:77. doi:10.1038/s41746-024-01073-0
13. Riahi V, Diouf I, Khanna S, Boyle J, Hassanzadeh H. Digital twins for clinical and operational decision-making: scoping review. J Med Internet Res. 2025;27:e55015. doi:10.2196/55015
14. US Food and Drug Administration. Assessing the credibility of computational modeling and simulation in medical device submissions: guidance for industry and FDA staff. Nov 2023. Docket FDA-2021-D-0980.
15. American Society of Mechanical Engineers. ASME V&V 40-2018. Assessing credibility of computational modeling through verification and validation: application to medical devices. New York: ASME; 2018.
16. Grieves M, Vickers J. Digital twin: mitigating unpredictable, undesirable emergent behavior in complex systems. In: Kahlen FJ, Flumerfelt S, Alves A, editors. Transdisciplinary perspectives on complex systems. Cham: Springer; 2017. p. 85-113.
17. Kritzinger W, Karner M, Traar G, Henjes J, Sihn W. Digital twin in manufacturing: a categorical literature review and classification. IFAC-PapersOnLine. 2018;51(11):1016-22.
18. Corral-Acero J, Margara F, Marciniak M, Rodero C, Loncaric F, Feng Y, et al. The ‘digital twin’ to enable the vision of precision cardiology. Eur Heart J. 2020;41(48):4556-64. doi:10.1093/eurheartj/ehaa159
19. Prakosa A, Arevalo HJ, Deng D, Boyle PM, Nikolov PP, Ashikaga H, et al. Personalized virtual-heart technology for guiding the ablation of infarct-related ventricular tachycardia. Nat Biomed Eng. 2018;2:732-40. doi:10.1038/s41551-018-0282-2
20. Sung E, Prakosa A, Aronis KN, Zhou S, Zimmerman SL, Tandri H, et al. Personalized digital-heart technology for ventricular tachycardia ablation targeting in hearts with infiltrating adiposity. Circ Arrhythm Electrophysiol. 2020;13:e008912. doi:10.1161/CIRCEP.120.008912
21. Heart digital twins predict features of invasive reentrant circuits and ablation lesions in scar-dependent ventricular tachycardia. Circ Arrhythm Electrophysiol. doi:10.1161/CIRCEP.124.013660 (autoría y año a completar en la versión final).
22. Álvarez-Barrientos F, Salinas-Camus M, Pezzuto S, Sahli F. Probabilistic learning of the Purkinje network from the electrocardiogram. Med Image Anal. 2025;101.
23. Lasso A, Herz C, Nam H, Cianciulli A, Pieper S, Drouin S, et al. SlicerHeart: an open-source computing platform for cardiac image analysis and modeling. Front Cardiovasc Med. 2022;9:886549. doi:10.3389/fcvm.2022.886549
24. NVIDIA. Servicio de modelado cardíaco del Children’s Hospital of Philadelphia basado en MONAI [blog corporativo]. Sept 2026; referido por Unite.AI: «CHOP models children’s hearts with open-source NVIDIA AI tools». https://blogs.nvidia.com/
25. Nota divulgativa sin autoría ni referencias: «El código que repara corazones: la era de la cirugía ‘in silico’ ha llegado» (documento aportado).
26. Joshi S, Shamanna P, Dharmalingam M, et al. Digital twin-enabled personalized nutrition improves metabolic dysfunction-associated fatty liver disease in type 2 diabetes: results of a 1-year randomized controlled study. Endocr Pract. 2023;29:960-70.
27. Remission of T2DM by digital twin technology with reduction of cardiovascular risk: interim results of randomised controlled clinical trial [resumen]. Eur Heart J. Financiamiento declarado: Twin Health Inc. https://esc365.escardio.org/journal/1340
28. Cardiovascular Business. Digital twin technology shows ability to personalize ablation planning [entrevista a N. Trayanova sobre el ensayo OPTIMA]. https://cardiovascularbusiness.com/ (consultado sep 2026).
29. Savvidou D, Dermitzaki N, Baltogianni M, Nikolaou A, Giapros V. Digital twins in neonatology: current applications and future directions: a narrative review. Appl Sci. 2026;16(5):2198. doi:10.3390/app16052198
30. Jarab AS, Al-Qerem W, Jarab H, Jrab O, Elsherif R, Al Meslamani AZ, et al. Digital twins in precision pharmacotherapy: emerging applications, challenges, and future directions. Front Digit Health. 2026;8:1881217. doi:10.3389/fdgth.2026.1881217
31. Calcaterra V, Guardamagna L, Gatti A, Rossi V, Patanè P, Marin L, et al. Digital twins in healthcare: a systematic review of current applications, frameworks, and future directions. Digit Health. 2026;12:1-16. doi:10.1177/20552076261415934
32. Bruynseels K, Santoni de Sio F, van den Hoven J. Digital twins in health care: ethical implications of an emerging engineering paradigm. Front Genet. 2018;9:31. doi:10.3389/fgene.2018.00031
33. Rieke N, Hancox J, Li W, Milletarì F, Roth HR, Albarqouni S, et al. The future of digital health with federated learning. npj Digit Med. 2020;3:119. doi:10.1038/s41746-020-00323-1
34. Argentina. Ley 25.326 de Protección de los Datos Personales (2000); Ley 26.529 de Derechos del Paciente, Historia Clínica y Consentimiento Informado (2009); Ley 27.553 de Recetas Electrónicas o Digitales (2020); Ley 27.706, Programa Federal Único de Informatización y Digitalización de las Historias Clínicas (sancionada el 28/2/2023; Decreto 144/2023) y Decreto 393/2023 reglamentario. Consultadas a través de fuentes secundarias; verificar el texto vigente en InfoLEG.
35. Díaz CA. El hospital del futuro: seis anillos digitales. Documento de trabajo. saludbydiaz.com; 2026.
36. Saffaran S, Kwok TC, Sharkey D, Bates DG. Digital twins of mechanically ventilated preterm neonates with respiratory distress syndrome. arXiv. 2025;2509.18999 (preprint).
37. Sizemore N, Oliphant K, Zheng R, Martin CR, Claud EC, Chattopadhyay I. A digital twin of the infant microbiome to predict neurodevelopmental deficits. Sci Adv. 2024;10:eadj0400.
38. May RW, Gentles MTL, Bloomfield FH, Maso Talou G, Safaei S, Argus F. Newborn cardiovascular digital twins: personalised identifiable computational models of the neonatal circulation. Matern Child Health. 2025;1:26-36.
39. Montagna S, Stagni R, Pierucci G, Aceti A, Cordelli DM, Bisi MC. Digital twins for monitoring neuromotor development in preterm infants: conceptual framework and proof-of-concept study. J Med Syst. 2025;49:143.
40. Golse N, Joly F, Combari P, et al. Predicting the risk of post-hepatectomy portal hypertension using a digital twin: a clinical proof of concept. J Hepatol. 2021;74:661-9.
41. Rybak MJ, Le J, Lodise TP, Levine DP, Bradley JS, Liu C, et al. Therapeutic monitoring of vancomycin for serious methicillin-resistant Staphylococcus aureus infections: a revised consensus guideline. Am J Health-Syst Pharm. 2020;77(11):835-64. doi:10.1093/ajhp/zxaa036
42. Agema BC, Koch BCP, Mathijssen RHJ, Koolen SLW. From prospective evaluation to practice: model-informed dose optimization in oncology. Drugs. 2025;85(4):487-503. doi:10.1007/s40265-025-02152-6
43. Woillard JB, Benzekry S, Josse J, White-Koning M, Chatelut E, Comets E, et al. Digital pharmacological twins: bridging multi-scale modelling and artificial intelligence for precision medicine: the DIGPHAT consortium. Therapies. 2026;81:147-58. doi:10.1016/j.therap.2025.09.006
44. Thamotharan P, Srinivasan S, Kesavadev J, et al. Human digital twin for personalized elderly type 2 diabetes management. J Clin Med. 2023;12:2094.
45. Pilati F, Tronconi R, Nollo G, et al. Digital twin of COVID-19 mass vaccination centers. Sustainability. 2021;13:7396.
46. Kabaoğlu H, Duran F, Uçar E. The development of digital twin baby incubators for fault detection and performance analysis. Sak Univ J Comput Inf Sci. 2024;8:301-11.
    Anexo A. Glosario
    Término Significado
    Gemelo digital Modelo virtual de un paciente, órgano o sistema, actualizado con datos reales, con capacidad predictiva y de simulación de alternativas
    Sombra digital Modelo que recibe datos automáticamente del sistema físico, sin retorno hacia él
    In silico Realizado mediante simulación computacional
    MIPD Dosificación de precisión guiada por modelos farmacocinéticos y datos del paciente

PK/PD Farmacocinética y farmacodinamia: cómo el organismo maneja el fármaco y cómo este actúa
PBPK / QSP Modelos fisiológicos de farmacocinética y farmacología de sistemas
VVUQ Verificación, validación y cuantificación de incertidumbre de un modelo
SaMD Software con finalidad médica, considerado producto médico
HL7 FHIR Estándar para el intercambio de datos de salud entre sistemas
Aprendizaje federado Entrenamiento de modelos entre instituciones sin compartir datos crudos
Copiloto clínico Sistema que propone escenarios mientras el clínico conserva la decisión
Control de cambios predefinido (PCCP) Plan documentado de qué puede cambiar en un software adaptativo y cómo se reverifica
TDM Monitoreo terapéutico de concentraciones de fármacos
UCIN Unidad de cuidados intensivos neonatales