Propuesta de una Agenda Nacional para la Adopción Progresiva

Fase I: Gestión Clínica de Arritmias Cardíacas e Insuficiencia Cardíaca

1. RESUMEN

Las enfermedades cardiovasculares representan la primera causa de mortalidad en el Perú y en América Latina, donde las arritmias y la insuficiencia cardíaca configuran una carga epidemiológica creciente que el sistema de salud enfrenta con insuficientes herramientas diagnósticas y de gestión clínica. En este contexto, la presente propuesta plantea una Agenda Nacional para la Adopción Progresiva de Gemelos Digitales en el Sector Salud, con una primera fase centrada en la gestión clínica cardiovascular.

Un gemelo digital es una réplica virtual dinámica de un objeto, proceso o sistema real, capaz de simular su comportamiento, anticipar fallas y optimizar decisiones en tiempo real. Aplicado al cuerpo humano, y específicamente al corazón, permite crear modelos computacionales personalizados de cada paciente, integrando datos clínicos, imágenes médicas y registros de dispositivos portátiles para simular, predecir y personalizar tratamientos con una precisión sin precedentes. La convergencia entre gemelos digitales, inteligencia artificial (IA) y computación en la nube está transformando la medicina cardiovascular a escala global. Instituciones como la NASA, la Unión Europea y empresas como Dassault Systèmes han demostrado su viabilidad técnica. El mercado global de gemelos digitales en salud, valorado en USD 2,1 mil millones en 2024, alcanzará los USD 18,4 mil millones en 2030. América Latina se encuentra ante una ventana de oportunidad para posicionarse como región pionera en esta transformación.

El Perú cuenta con un marco normativo favorable y con una institucionalidad en salud que puede catalizar este proceso mediante una estrategia gradual, inclusiva y basada en evidencia. Esta propuesta diseña una ruta de implementación en tres fases que parte del sector salud cardiovascular y escala progresivamente hacia una agenda nacional ampliada de innovación digital.

Los beneficios proyectados son sustanciales: reducción de hospitalizaciones evitables por descompensación cardíaca, disminución de la mortalidad por arritmias no diagnosticadas oportunamente, optimización del uso de camas UCI y quirófanos, y generación de capacidades nacionales en IA aplicada a la salud. El modelo de financiamiento propuesto combina recursos públicos con cooperación internacional del BID, el Banco Mundial y la OPS, junto con alianzas con el sector privado tecnológico.

El llamado a la acción es claro: el Perú tiene la oportunidad histórica de liderar en América Latina la adopción responsable, equitativa y basada en evidencia de una tecnología que puede salvar decenas de miles de vidas. Esta propuesta ofrece el marco estratégico, la hoja de ruta técnica y el modelo de gobernanza para hacerlo posible.

More details in the attached document.

https://doc.uni75paime.org/Propuesta_Politica_Publica_Gemelos_Digitales_Salud_Peru_2026.pdf

2. LA EVOLUCIÓN DE LOS GEMELOS DIGITALES: DE LA VISIÓN DE 1991 A LA REVOLUCIÓN EN SALUD

2.1 El origen de una idea transformadora (1991): el mundo en una caja de zapatos

En 1991, el matemático y científico de la computación David Gelernter publicó un libro que, en su momento, pareció más una utopía literaria que una hoja de ruta tecnológica. Su obra Mirror Worlds: or: The Day Software Puts the Universe in a Shoebox planteaba una idea provocadora y al mismo tiempo profunda: ¿qué pasaría si pudiéramos construir réplicas digitales exactas del mundo real (ciudades, hospitales, sistemas de transporte) dentro de una computadora? Gelernter no hablaba de videojuegos ni de simulaciones rudimentarias. Hablaba de modelos vivos, conectados en tiempo real con la realidad, capaces de reflejar cada cambio del mundo físico y de ayudarnos a comprenderlo mejor, anticiparnos a sus problemas y tomar decisiones más inteligentes. La analogía era tan simple como poderosa: así como un espejo refleja tu imagen en tiempo real, un "mundo espejo" digital reflejaría el estado de un sistema complejo. Si una tubería se rompe en la ciudad, el modelo digital lo mostraría antes de que el problema se hiciera visible en la calle. Si un paciente empieza a desarrollar una arritmia, el modelo de su corazón lo señalaría antes de que llegue a urgencias. En 1991, esta visión carecía de la tecnología necesaria para hacerse realidad. Pero plantó la semilla conceptual de lo que hoy conocemos como gemelos digitales.

2.2 La formalización del concepto (2002): de la filosofía a la ingeniería

Once años después, en 2002, el Dr. Michael Grieves, investigador de la Universidad de Michigan, dio un paso decisivo al traducir la visión filosófica de Gelernter en un concepto técnico preciso. En el contexto de la gestión del ciclo de vida de productos industriales (Product Lifecycle Management, PLM), Grieves propuso formalmente la idea de un "gemelo digital": un modelo virtual completo de un producto físico, que existe en paralelo desde su diseño hasta su retiro. El gemelo digital no era una fotografía estática, sino una representación dinámica que recibía datos continuos del objeto real y los usaba para mejorar su diseño, anticipar fallas y optimizar su desempeño. Grieves identificó tres componentes esenciales que siguen vigentes hasta hoy: el espacio físico (el objeto real), el espacio virtual (su réplica digital) y el flujo de datos que los conecta bidireccionalmente. Esta tríada conceptual, aunque surgida en el mundo industrial, resultaría aplicable (décadas después) al cuerpo humano.

2.3 La adopción industrial (2010s): de la teoría a la práctica en la NASA y GE

Durante la primera década del siglo XXI, el concepto permaneció mayormente en el ámbito académico. Fue la NASA quien comenzó a aplicarlo de manera sistemática en sus programas aeroespaciales, utilizando modelos digitales de naves y componentes para simular condiciones extremas y anticipar fallas en misiones críticas. La agencia espacial norteamericana comprendió que un error en el espacio no tiene solución fácil, y que la capacidad de simular miles de escenarios antes de que ocurran (o de diagnosticar problemas en tiempo real mediante el gemelo digital de una nave en órbita) era invaluable.

Paralelamente, General Electric (GE) comenzó a implementar gemelos digitales en sus motores de turbina y plantas de energía. En lugar de esperar a que una pieza fallara para reemplazarla, los ingenieros podían monitorear su desgaste a través del modelo digital y programar el mantenimiento de manera predictiva, ahorrando millones de dólares y evitando accidentes. Durante esta década, el término "gemelo digital" se consolidó en la manufactura avanzada y la ingeniería industrial, sentando las bases para su expansión posterior a otros sectores, incluyendo la salud.

2.4 El salto al sector salud (2010s–2020s): cuando el corazón se convierte en código

El paso de la ingeniería industrial a la medicina fue, en retrospectiva, lógico pero revolucionario. Si se podía crear un gemelo digital de un motor de avión para predecir cuándo fallaría, ¿por qué no crear uno del corazón humano para predecir un infarto o una arritmia fatal? Esta pregunta motivó los primeros experimentos con gemelos digitales en salud.

El hito más emblemático de esta transición fue el Living Heart Project (Proyecto Corazón Vivo), lanzado por la empresa francesa Dassault Systèmes. Este proyecto, considerado uno de los más ambiciosos de la medicina digital, desarrolló un modelo computacional de alta fidelidad del corazón humano, capaz de simular con precisión su funcionamiento eléctrico y mecánico. Gracias a este gemelo digital del corazón, los investigadores pudieron simular enfermedades cardíacas, probar dispositivos médicos como marcapasos y desfibriladores en entornos virtuales antes de implantarlos en pacientes reales, y diseñar estrategias de ablación para el tratamiento de arritmias. En 2025, Dassault Systèmes integró capacidades de inteligencia artificial a este modelo, marcando un nuevo hito en la precisión de la medicina cardiovascular.

En paralelo, la Unión Europea impulsó iniciativas de mayor escala a través del programa Horizon, financiando proyectos como el SMASH-HCM, orientado a crear gemelos digitales para la miocardiopatía hipertrófica, una de las causas más frecuentes de muerte súbita cardíaca en jóvenes. Estos esfuerzos colectivos configuraron un campo emergente que comenzaba a demostrar resultados clínicos tangibles.

2.5 La convergencia con la inteligencia artificial (2020s): del modelo estático al sistema inteligente

Si la primera generación de gemelos digitales en salud eran modelos sofisticados, pero relativamente estáticos, la década de 2020 los transformó en sistemas adaptativos y predictivos, gracias a la convergencia con tres tecnologías catalizadoras: la inteligencia artificial (IA), el Internet de las Cosas (IoT) y la computación en la nube.

La inteligencia artificial permitió que el gemelo digital "aprendiera" del paciente. En lugar de un modelo genérico del corazón humano, ahora era posible construir un modelo personalizado que se actualizaba continuamente con los datos del paciente: resultados de electrocardiogramas, ecocardiogramas, registros de monitores Holter portátiles, parámetros de laboratorio e historias clínicas electrónicas. Cuantos más datos recibía, más preciso se volvía el gemelo para predecir eventos adversos, sugerir ajustes de medicación o recomendar el momento óptimo para una intervención.

El IoT, a través de dispositivos portátiles (wearables) como relojes inteligentes, parches cardíacos y monitores implantables, comenzó a alimentar estos gemelos con datos en tiempo real, cerrando el ciclo entre el paciente real y su réplica digital. La nube, por su parte, resolvió los desafíos computacionales, permitiendo procesar modelos de alta complejidad sin necesidad de infraestructura local costosa.

2.6 El presente (2024–2025): la consolidación y el momento de actuar

En 2024 y 2025, los gemelos digitales en salud cardiovascular han dejado de ser prototipos experimentales para convertirse en herramientas con aplicación clínica verificable. Publicaciones en Nature npj Digital Medicine (Iqbal et al., 2025), JMIR Cardiology (Sarani Rad et al., 2026) y Frontiers in Digital Health (Khoshfekr Rudsari et al., 2025) documentan sus aplicaciones en el diagnóstico de arritmias, la estratificación de riesgo en insuficiencia cardíaca y la planificación de procedimientos de ablación cardíaca.

El mercado global de gemelos digitales en salud alcanzó una valoración de USD 2,1 mil millones en 2024 y se proyecta que superará los USD 18,4 mil millones en 2030 (DelveInsight, 2025; Mordor Intelligence, 2025). América Latina, según BNamericas (2025), se encuentra en la siguiente ola de adopción regional, con proyectos piloto emergentes en Brasil, México y Colombia. El Perú tiene la oportunidad de no quedar rezagado, sino de liderar esta transformación con una política pública visionaria, responsable y orientada a la equidad.

3. DIAGNÓSTICO Y JUSTIFICACIÓN

3.1 Enfermedades cardiovasculares en el Perú y América Latina

Las enfermedades cardiovasculares constituyen la primera causa de mortalidad en América Latina y representan aproximadamente el 30% de todas las muertes en la región, según la Organización Panamericana de la Salud (OPS). En el Perú, las enfermedades del sistema circulatorio figuran consistentemente entre las principales causas de años de vida perdidos ajustados por discapacidad (AVISA), con un impacto desproporcionado en poblaciones adultas mayores, personas con diabetes, hipertensión arterial y factores de riesgo asociados a la urbanización y el sedentarismo.

Las arritmias cardíacas (perturbaciones del ritmo eléctrico del corazón) afectan a millones de personas en todo el mundo. La fibrilación auricular, la arritmia sostenida más frecuente, tiene una prevalencia global de aproximadamente 1-2% en la población adulta, con tasas que se duplican o triplican en mayores de 65 años. Esta condición multiplica por cinco el riesgo de accidente cerebrovascular y está asociada a una mortalidad significativa cuando no es diagnosticada y tratada oportunamente.

La insuficiencia cardíaca, por su parte, afecta a entre 1% y 2% de la población adulta en países de ingresos medios, con prevalencias que superan el 10% en personas mayores de 70 años. En América Latina, las tasas de rehospitalización a 30 días por descompensación de insuficiencia cardíaca oscilan entre el 20% y el 30%, una cifra que refleja las limitaciones del modelo de atención reactiva actualmente predominante.

3.2 Brechas críticas en el sistema de salud peruano

El sistema de salud peruano enfrenta brechas estructurales en la gestión clínica de las enfermedades cardiovasculares que se manifiestan en múltiples dimensiones:

•       Diagnóstico tardío y fragmentado: la fibrilación auricular paroxística y otras arritmias intermitentes frecuentemente escapan al diagnóstico convencional basado en electrocardiogramas de reposo de corta duración. Los sistemas de monitoreo ambulatorio prolongado (Holter de 24-48 horas) son insuficientes en número y distribución geográfica.

•       Seguimiento ambulatorio deficiente: los pacientes con insuficiencia cardíaca, una vez dados de alta, no cuentan con sistemas de monitoreo remoto que permitan detectar señales tempranas de descompensación, generando ciclos de hospitalización recurrente evitable.

•       Inequidad geográfica: la concentración de cardiólogos, electrofisiólogos y equipos de diagnóstico avanzado en Lima Metropolitana deja a las poblaciones de regiones con cobertura insuficiente, amplificando las desigualdades en salud.

•       Limitada capacidad predictiva: las decisiones clínicas se basan predominantemente en datos estáticos y evaluaciones periódicas, sin herramientas que permitan anticipar crisis agudas o personalizar tratamientos en función del perfil individual del paciente.

•       Subutilización de datos clínicos: los sistemas de historia clínica electrónica existentes generan grandes volúmenes de datos que, en la práctica, no son analizados ni utilizados para apoyar la toma de decisiones clínicas en tiempo real.

3.3 La oportunidad que representan los gemelos digitales

Frente a este diagnóstico, los gemelos digitales en salud cardiovascular ofrecen una respuesta tecnológica que aborda simultáneamente las múltiples dimensiones de la brecha identificada. Al crear modelos digitales personalizados de cada paciente, integrar datos clínicos heterogéneos y aplicar inteligencia artificial para generar predicciones y recomendaciones, esta tecnología tiene el potencial de transformar el paradigma de atención: de un modelo reactivo y episódico a uno proactivo, continuo y personalizado.

No se trata de reemplazar al médico, sino de dotarlo de una herramienta sin precedentes para comprender mejor a cada paciente, anticiparse a las crisis y tomar decisiones basadas en evidencia individualizada. Para un sistema de salud con recursos limitados como el peruano, esto equivale también a una mayor eficiencia: hacer más con los mismos recursos, dirigiéndolos con mayor precisión hacia quienes más los necesitan.

4. MARCO CONCEPTUAL

4.1 ¿Qué es un gemelo digital? Definición técnica y accesible

El Digital Twin Consortium (2022) define un gemelo digital como "una representación virtual de activos, procesos, personas, lugares, sistemas y dispositivos del mundo real, diseñada para detectar, predecir, optimizar y prescribir" con el propósito de lograr resultados de negocio mejorados. En términos más accesibles, un gemelo digital es una copia virtual dinámica de algo real (un motor, un edificio, un órgano o un paciente) que recibe datos continuamente del objeto real, los procesa mediante algoritmos de inteligencia artificial y es capaz de simular comportamientos futuros, anticipar problemas y recomendar acciones.

La diferencia fundamental respecto a un modelo matemático tradicional o una simulación estática es precisamente esta: el gemelo digital está vivo en el sentido informático. Se actualiza en tiempo real con nuevos datos, aprende de ellos y mejora sus predicciones de manera continua. No es una fotografía del sistema real; es un espejo dinámico que evoluciona con él.

4.2 Componentes esenciales de un gemelo digital

Todo gemelo digital funcional integra tres componentes indisociables, descritos originalmente por Grieves y Vickers (2017) y ampliamente validados por la literatura posterior (Barricelli et al., 2019; Tao et al., 2018; Fuller et al., 2022):

•       El espacio físico: el objeto o sistema real del que se deriva el gemelo. En el contexto de esta propuesta, el paciente cardiovascular, su corazón o el sistema de salud que lo atiende.

•       El espacio virtual: la representación computacional del objeto real, construida a partir de modelos biofísicos, datos históricos y algoritmos de aprendizaje automático.

•       El canal de conexión de datos: los mecanismos técnicos que permiten el flujo bidireccional de información entre el objeto real y su réplica digital. Esto incluye redes de comunicaciones, sensores, dispositivos portátiles, historias clínicas electrónicas e interfaces de programación de aplicaciones (APIs).

4.3 Tipos de gemelos digitales en el sector salud

Tabla 1. La literatura especializada (Zhang et al., 2024; Pellegrino et al., 2025; Khoshfekr Rudsari et al., 2025) distingue tres niveles de gemelos digitales con relevancia clínica directa:

4.4 Diferenciación respecto a otras tecnologías de salud digital

Tabla 2. Es importante distinguir los gemelos digitales de otras tecnologías de salud digital con las que frecuentemente se les confunde o compara:

5. INTELIGENCIA ARTIFICIAL Y GEMELOS DIGITALES: UNA SINERGIA TRANSFORMADORA

5.1 El papel de la IA dentro de un gemelo digital

Para comprender por qué la inteligencia artificial es el motor de los gemelos digitales, conviene partir de una analogía simple: si el gemelo digital es el cuerpo, la inteligencia artificial es el cerebro. Sin IA, un gemelo digital sería un modelo estático (sofisticado, pero inerte). Con IA, se convierte en un sistema que aprende, predice, simula y recomienda.

Concretamente, la inteligencia artificial realiza cuatro funciones críticas dentro de un gemelo digital cardiovascular:

•       Aprender: los algoritmos de aprendizaje automático (machine learning) analizan los datos históricos del paciente (sus electrocardiogramas, análisis de laboratorio, respuestas previas a medicamentos) para identificar patrones que el ojo clínico humano difícilmente podría detectar entre miles de variables simultáneas.

•       Predecir: mediante modelos predictivos entrenados con grandes bases de datos de pacientes similares, el gemelo digital puede anticipar con días o semanas de anticipación eventos adversos como una descompensación de insuficiencia cardíaca o un episodio de fibrilación ventricular.

•       Simular: la IA permite ejecutar miles de simulaciones del comportamiento del corazón digital bajo distintos escenarios terapéuticos, respondiendo preguntas como: ¿qué ocurrirá si se ajusta la dosis de betabloqueante?, ¿cómo responderá el corazón a la implantación de un dispositivo de resincronización?

•       Recomendar: integrando el aprendizaje, las predicciones y las simulaciones, el sistema genera recomendaciones clínicas personalizadas que el médico puede evaluar, validar e implementar con apoyo en evidencia individualizada.

5.2 Diferencia entre IA tradicional e IA aplicada a gemelos digitales

La inteligencia artificial tradicional en salud opera sobre conjuntos de datos estáticos: analiza una radiografía, clasifica una señal de ECG o predice el riesgo de readmisión hospitalaria basándose en variables conocidas en un momento dado. Es valiosa, pero limitada en su capacidad de integrar la dimensión temporal y la complejidad sistémica del paciente.

La IA aplicada a gemelos digitales opera de manera fundamentalmente diferente. No trabaja con instantáneas, sino con trayectorias completas: integra datos longitudinales del paciente, los combina con modelos biofísicos del corazón y utiliza técnicas de aprendizaje profundo (deep learning) para construir representaciones dinámicas que evolucionan con el paciente. Esto permite no solo analizar el estado actual, sino modelar trayectorias futuras con un nivel de personalización sin precedentes (Sharon et al., 2025; Tasmurzayev et al., 2025).

Adicionalmente, investigaciones recientes han explorado el uso de IA generativa (GenAI) para enriquecer los gemelos digitales cardiovasculares, permitiendo generar escenarios clínicos hipotéticos y datos sintéticos para el entrenamiento de modelos en contextos donde los datos reales son escasos (Pothireddy, 2024).

5.3 Aplicaciones concretas en arritmias e insuficiencia cardíaca

Las aplicaciones documentadas en la literatura científica más reciente incluyen las siguientes:

•       Predicción de arritmias: el gemelo digital cardiovascular puede identificar patrones eléctricos anómalos en el modelo digital del corazón antes de que se manifiesten clínicamente, permitiendo intervenciones preventivas (Sarani Rad et al., 2026; Corral-Acero et al., 2020).

•       Planificación de ablación cardíaca: mediante la simulación del sustrato arritmogénico en el gemelo digital del paciente, el electrofisiólogo puede planificar con mayor precisión el sitio óptimo de ablación, reduciendo el tiempo de procedimiento y la tasa de recurrencia.

•       Monitoreo predictivo postquirúrgico: la integración de datos de dispositivos portátiles con el gemelo digital del paciente cardíaco post operado permite detectar señales tempranas de complicaciones, según demuestran Adetunji y Odili (2024).

•       Optimización de tratamiento farmacológico: el gemelo digital puede simular la respuesta individual del paciente a distintos regímenes terapéuticos, reduciendo el proceso de prueba y error en la titulación de fármacos antiarrítmicos.

•       Estratificación de riesgo en insuficiencia cardíaca: la combinación de datos de wearables y modelos de IA integrados al gemelo digital permite identificar con antelación a los pacientes con mayor riesgo de descompensación aguda (Adetunji & Odili, 2024).

5.4 Por qué esta sinergia es clave para el financiamiento internacional

La convergencia entre inteligencia artificial y gemelos digitales no solo tiene valor clínico; tiene valor estratégico para la atracción de financiamiento internacional, por tres razones fundamentales:

Primera, alineación con agendas globales de IA responsable. La Resolución A/78/L.49 de la Asamblea General de las Naciones Unidas (2024) sobre inteligencia artificial segura, fiable y ética establece un marco global que posiciona la IA en salud como prioridad del desarrollo sostenible. El programa AI for Good de la ONU identifica explícitamente los gemelos digitales en salud como una de las aplicaciones con mayor potencial de impacto en los Objetivos de Desarrollo Sostenible (ODS), especialmente el ODS 3 (Salud y Bienestar) y el ODS 10 (Reducción de Desigualdades). Una propuesta nacional que adopte estos principios se alinea directamente con los criterios de elegibilidad de las principales fuentes de financiamiento multilateral.

Segunda, demanda activa de los organismos multilaterales. El BID, el Banco Mundial y la OPS han identificado la transformación digital de los sistemas de salud como eje estratégico de sus carteras de préstamo e inversión para América Latina 2025-2030. El Reporte de Tecnología sobre Gemelos Digitales del BID (2021) anticipa esta demanda y establece un marco de referencia que una política pública nacional puede aprovechar directamente.

Tercera, diferenciación competitiva regional. En un contexto donde múltiples países de la región aspiran a captar recursos de cooperación técnica para innovación en salud, una propuesta de política pública estructurada, con indicadores claros, marco de gobernanza y enfoque de equidad, posicionaría al Perú como receptor preferente de asistencia técnica y financiamiento.

6. PROPUESTA DE POLÍTICA PÚBLICA

6.1 Objetivo general

Establecer las bases normativas, institucionales, tecnológicas y de gobernanza para la adopción progresiva y sostenible de la tecnología de gemelos digitales en el sistema de salud peruano, comenzando por la gestión clínica de las enfermedades cardiovasculares, con una visión de expansión sectorial a largo plazo que contribuya a la equidad en salud, la eficiencia del sistema y el posicionamiento del Perú como referente regional en innovación en salud digital.

6.2 Objetivos específicos

1.    Desarrollar y aprobar un marco normativo y de gobernanza específico para el uso de gemelos digitales en el sector salud, articulado con la legislación vigente en materia de inteligencia artificial (Ley N.º 31814) y protección de datos personales (Ley N.º 29733).

2.    Implementar una primera fase piloto de gemelos digitales cardiovasculares en hospitales de alta complejidad del sistema público, con énfasis en la gestión de arritmias e insuficiencia cardíaca.

3.    Desarrollar capacidades nacionales en inteligencia artificial aplicada a salud, incluyendo la formación de talento humano especializado en instituciones académicas y de servicio.

4.    Establecer la infraestructura de datos e interoperabilidad necesaria para la implementación de gemelos digitales, incluyendo estándares HL7 FHIR y mecanismos de integración con la historia clínica electrónica nacional.

5.    Generar evidencia científica nacional sobre la efectividad clínica y el impacto en equidad de los gemelos digitales en salud cardiovascular, publicable en revistas indexadas de alcance internacional.

6.    Diseñar un modelo de escalamiento progresivo hacia otras áreas del sistema de salud y otros sectores del Estado.

6.3 Enfoque de adopción gradual

Tabla 3. La propuesta adopta un modelo de implementación por fases, inspirado en los marcos de escalamiento de innovaciones en salud recomendados por la OMS (NASSS Framework, citado en Winter & Chico, 2023) y adaptado al contexto institucional peruano:

6.4 Actores institucionales clave

La implementación exitosa de esta agenda requiere la coordinación efectiva de un ecosistema amplio de actores:

•       Ministerio de Salud (MINSA): ente rector y promotor de la política pública; responsable de la normativa y la articulación intersectorial.

•       EsSalud: actor estratégico por su cobertura poblacional y su capacidad de implementar programas de innovación a escala.

•       Ministerio de Economía y Finanzas (MEF): aprobación de recursos presupuestales; mecanismos de inversión pública en tecnología.

•       Consejo Nacional de Ciencia, Tecnología e Innovación (CONCYTEC): financiamiento de investigación aplicada; fomento del ecosistema de innovación.

•       Congreso de la República: eventual desarrollo de legislación específica complementaria.

•       Entes reguladores: DIGEMID y organismos equivalentes, para la regulación de dispositivos médicos digitales.

•       Universidad Peruana Cayetano Heredia, UPCH; Universidad Nacional Mayor de San Marcos, UNMSM; Pontificia Universidad Católica del Perú, PUCP; Universidad Nacional de Ingeniería, UNI; y otras universidades con programas de ingeniería biomédica e informática en salud.

•       Sector privado tecnológico: empresas nacionales e internacionales con capacidad de provisión de plataformas de gemelos digitales y computación en la nube.

•       Cooperación internacional: OPS/OMS, BID, Banco Mundial, USAID, cooperación técnica bilateral, Organismo Andino de Salud Convenio Hipólito Unanue.

6.5 Marco normativo y de gobernanza recomendado

La implementación de gemelos digitales en salud requiere un marco de gobernanza robusto que aborde simultáneamente las dimensiones técnicas, ética, legal y regulatoria. Se recomienda:

•       Decreto Supremo de aprobación de la Política Nacional de Gemelos Digitales en Salud, articulado con la Ley N.º 31814 de Inteligencia Artificial.

•       Creación de una Comisión Multisectorial Permanente presidida por el MINSA, con participación de los actores identificados en la sección 6.4.

•       Desarrollo de una guía técnica nacional sobre uso de datos clínicos en sistemas de IA, complementaria a la Ley N.º 29733 de Protección de Datos Personales.

•       Establecimiento de un Comité Nacional de Ética para la IA en Salud, con representación de la sociedad civil, comunidad académica y colegios profesionales.

•       Adopción del estándar HL7 FHIR para la interoperabilidad de datos clínicos, en concordancia con las recomendaciones de la OPS para la región.

7. PLAN DE IMPLEMENTACIÓN - FASE I: SALUD CARDIOVASCULAR

7.1 Alcance de la Fase I

La primera fase se centrará en la implementación de gemelos digitales para la gestión clínica de arritmias cardíacas e insuficiencia cardíaca en un grupo inicial de instituciones de alta complejidad del sistema público de salud peruano. Los criterios de selección de los centros piloto priorizarán: disponibilidad de historia clínica electrónica funcional, presencia de servicio de cardiología y electrofisiología, infraestructura de conectividad, y liderazgo institucional comprometido con la innovación.

7.2 Actividades principales

1.    Constitución de la Unidad de Coordinación del Proyecto, incluyendo un gerente de proyecto, un líder técnico en IA y gemelos digitales, un responsable de asuntos regulatorios y un coordinador de formación.

2.    Diagnóstico de infraestructura tecnológica en los centros piloto: evaluación de sistemas HCE existentes, conectividad, capacidad de almacenamiento y seguridad de datos.

3.    Diseño e implementación de la arquitectura de interoperabilidad basada en estándar HL7 FHIR, permitiendo la integración de datos de HCE, dispositivos de monitoreo e imágenes diagnósticas.

4.    Adquisición o desarrollo de la plataforma de gemelos digitales cardiovasculares, mediante licitación pública con criterios de innovación, o a través de convenio con empresa tecnológica calificada.

5.    Formación del talento humano: programa intensivo de capacitación para cardiólogos, electrofisiólogos, enfermeras especializadas e ingenieros biomédicos de los centros piloto.

6.    Implementación clínica progresiva con evaluación continua, comenzando con casos de insuficiencia cardíaca avanzada y arritmias complejas.

7.    Generación de evidencia y publicación de resultados en revistas científicas indexadas.

8.    Evaluación de impacto y preparación del informe para la Fase II.

7.3 Cronograma indicativo

Tabla 4. Actividades de salud cardiovascular de la fase I en 36 meses.

7.4 Infraestructura tecnológica requerida

•       Plataforma de gemelos digitales cardiovasculares: software con capacidad de modelado biofísico del corazón, integración de datos multimodales e IA predictiva.

•       Infraestructura de nube segura: entorno de computación en la nube con cifrado de datos en reposo y en tránsito, cumplimiento de normativas de privacidad y capacidad de escalamiento.

•       Capa de interoperabilidad HL7 FHIR: APIs y motores de integración que conecten los sistemas HCE existentes con la plataforma de gemelos digitales.

•       Dispositivos de monitoreo remoto (wearables): parches de ECG, monitores de presión arterial ambulatoria y oxímetros de pulso inteligentes para alimentar el gemelo digital con datos en tiempo real.

•       Infraestructura de ciberseguridad: protocolos de anonimización, acceso controlado por roles y auditoría de accesos, conforme a las mejores prácticas internacionales (El Mouhsine et al., 2025).

7.5 Estrategia de gestión del cambio y formación de talento humano

La experiencia internacional demuestra que las principales barreras para la adopción de gemelos digitales en salud no son tecnológicas, sino culturales y organizacionales (Winter & Chico, 2023). Una estrategia robusta de gestión del cambio es, por lo tanto, tan importante como la plataforma tecnológica misma.

Los componentes de esta estrategia incluyen: comunicación transparente con los equipos clínicos sobre los objetivos y beneficios de la tecnología; participación activa de los médicos líderes como campeones del cambio; diseño de interfaces de usuario intuitivas que no interrumpan los flujos de trabajo clínico existentes; y un programa de formación modular y acreditado que combine componentes presenciales y virtuales.

En el desarrollo del proyecto se deberán identificar universidades o programas de posgrado existentes que puedan asociarse al componente de formación, incluyendo potenciales convenios.

8. ANÁLISIS DE VIABILIDAD Y RIESGOS

8.1 Viabilidad técnica

La viabilidad técnica de esta propuesta está sustentada por una evidencia creciente de implementaciones exitosas en contextos comparables al peruano. Las revisiones sistemáticas más recientes (Khoshfekr Rudsari et al., 2025; Pellegrino et al., 2025; Zhang et al., 2024) documentan decenas de implementaciones clínicas de gemelos digitales cardiovasculares en hospitales de países de ingresos medios y altos. La disponibilidad de plataformas comerciales con certificación regulatoria y la emergencia de soluciones de código abierto reducen significativamente la barrera de entrada técnica.

El principal desafío técnico en el contexto peruano es la madurez variable de los sistemas de historia clínica electrónica en los hospitales públicos. Este desafío es abordable mediante la implementación de capas de interoperabilidad basadas en el estándar HL7 FHIR, que permiten integrar datos de sistemas heterogéneos sin requerir su reemplazo completo.

8.2 Viabilidad financiera

La viabilidad financiera se apoya en tres pilares: (1) la disponibilidad de mecanismos de financiamiento multilateral con tasas concesionales, tales como el BID y el Banco Mundial; (2) la factibilidad de alianzas público-privadas con empresas tecnológicas que ofrecen modelos de pago por uso (SaaS) que reducen la inversión de capital inicial; y (3) el retorno de inversión proyectado a través de la reducción de rehospitalizaciones evitables, cuyo costo en el sistema público puede modelarse con datos existentes.

8.3 Viabilidad normativa

El Perú cuenta con un marco normativo favorable para esta iniciativa. El MINSA publicó en 2025 siete compendios de Normativa en Salud Digital, los cuales establecen bases para un ecosistema moderno y seguro, centrado en datos clínicos, interoperabilidad y protección de información personal. Estos compendios abordan gobernanza, gestión de datos, sistemas de información y telesalud, aplicables al MINSA y a los establecimientos de salud nacionales.

Dicho marco normativo está conformado por la Ley General de Salud N.º 26842; la Ley de Firmas y Certificados Digitales N.º 27269; la Ley de Productos Farmacéuticos, Dispositivos Médicos y Productos Sanitarios (que Incluye disposiciones sobre dispositivos médicos digitales); la Ley del Registro Nacional de Historias Clínicas Electrónicas N.º 30024; la Ley Marco de Telesalud N.º 30421; y la Ley sobre Redes Integradas de Salud (RIS) N.º 30885.

Asimismo, están establecidas dos leyes que complementan beneficiosamente el marco normativo mencionado: la Ley N.º 31814, que establece principios de promoción, regulación y uso responsable de la IA, que son directamente aplicables a los gemelos digitales; la Ley N.º 29733 de Protección de Datos Personales, que provee el marco para el manejo ético de datos clínicos.

La clasificación regulatoria de los dispositivos médicos y del software (que se considera como dispositivo médico, SaMD) se encuentra establecida en el “Reglamento que define las Reglas de Clasificación y los Principios Esenciales de Seguridad y Desempeño de los Dispositivos Médicos”, aprobado mediante el Decreto Supremo N.º 003-2020-SA.

8.4 Matriz de riesgos

Tabla 5. Evaluación de posibles riesgos versus las estrategias de mitigación.

9. MODELO DE FINANCIAMIENTO

9.1 Estructura de financiamiento mixto

La propuesta adopta un modelo de financiamiento mixto que combina fuentes públicas, cooperación internacional y alianzas con el sector privado, reduciendo la dependencia de cualquier fuente individual y maximizando la sostenibilidad financiera del programa:

9.2 Financiamiento público nacional

El núcleo del financiamiento de la Fase I debe provenir del presupuesto público, a través de una asignación presupuestal específica en el Marco Multianual de Inversiones del Ministerio de Salud. Se recomienda la formulación de un Proyecto de Inversión Pública (PIP) bajo el Sistema Nacional de Programación Multianual y Gestión de Inversiones (Invierte.pe), que permita la asignación de recursos del Tesoro Público para la inversión inicial en infraestructura, plataforma y formación de talento humano.

9.3 Cooperación internacional y financiamiento multilateral

•       Banco Interamericano de Desarrollo (BID): el BID cuenta con líneas de financiamiento concesional para proyectos de transformación digital en salud. Su Reporte de Tecnología sobre Gemelos Digitales (2021) posiciona al banco como un socio natural para esta iniciativa. Se recomienda iniciar conversaciones con la representación del BID en Lima para explorar modalidades de préstamo o cooperación técnica no reembolsable.

•       Banco Mundial: a través del Proyecto de Mejoramiento de los Servicios de Salud en Perú y sus sucesoras, el Banco Mundial ha demostrado interés en financiar innovaciones en la gestión del sistema de salud peruano. Los gemelos digitales se alinean con su agenda de cobertura universal en salud y sistemas resilientes.

•       OPS/OMS: la cooperación técnica de la OPS en materia de salud digital, incluyendo el desarrollo de estándares y la asistencia técnica para la implementación, puede complementar el financiamiento financiero de otras fuentes.

•       Fondos de cooperación bilateral: agencias de cooperación como GIZ (Cooperación Alemana) y la Cooperación Suiza han financiado proyectos de innovación en salud en el Perú. La dimensión de equidad y acceso universal de esta propuesta la hace elegible para sus líneas de financiamiento.

9.4 Alianzas público-privadas (APP)

El sector tecnológico privado puede aportar tanto financiamiento como conocimiento técnico bajo modalidades de alianza que preserven la rectoría pública del sistema de salud:

•       Modelos de pago por uso (SaaS): empresas proveedoras de plataformas de gemelos digitales ofrecen modelos de suscripción que eliminan la inversión de capital inicial y trasladan el riesgo tecnológico al proveedor.

•       Proyectos de demostración tecnológica: grandes empresas tecnológicas con presencia en la región (incluyendo empresas de computación en la nube y de software médico) están dispuestas a cofinanciar proyectos piloto que les permitan demostrar sus capacidades en un nuevo mercado.

•       Fondos de inversión de impacto: vehículos de inversión orientados a impacto social en salud digital están emergiendo en América Latina y pueden ser una fuente complementaria de financiamiento para las fases de escalamiento.

10. INDICADORES DE ÉXITO Y EVALUACIÓN

10.1 Marco de evaluación

Tabla 6. El sistema de evaluación de esta política pública adopta una estructura de indicadores multinivel que mide el progreso en tres dimensiones complementarias: impacto clínico (resultados en salud de los pacientes), desempeño tecnológico (funcionamiento de la infraestructura digital) e institucionalización (sostenibilidad y escalabilidad de la política).

1/ https://sopecard.org/wp-content/uploads/2023/01/6.-Gargurevich.pdf

2/ https://www.lifescience.net/publications/131679/hospital-mortality-from-myocardial-infarction-in-l/

3/ https://www.revespcardiol.org/es-carga-de-enfermedad-de-la-insuficiencia--articulo-S0300893216302469

4/ https://diariocorreo.pe/salud/insuficiencia-cardiaca-en-peru-sintomas-causas-y-advertencias-medicas-noticia/

10.2 Mecanismos de evaluación

•       Evaluación interna trimestral por la Unidad de Coordinación del Proyecto, con reporte al MINSA.

•       Evaluación externa independiente al finalizar el año 2 de la Fase I, a cargo de una institución académica nacional o internacional de reconocido prestigio.

•       Evaluación de impacto al finalizar la Fase I, utilizando diseño cuasi-experimental con grupo de control para estimar la causalidad de los efectos observados.

•       Publicación anual de un Informe de Progreso de acceso público, que incluya datos de impacto, lecciones aprendidas y recomendaciones para la siguiente fase.

11. HOJA DE RUTA HACIA UNA AGENDA NACIONAL AMPLIADA

11.1 Visión de largo plazo

La presente propuesta es el punto de partida de una visión transformadora de mayor alcance: la consolidación del Perú como un Estado que utiliza tecnologías de gemelos digitales no solo en salud cardiovascular, sino a lo largo de todo el sistema de salud y, progresivamente, en otros sectores críticos del Estado. Esta visión de largo plazo es coherente con la tendencia global que documenta el BID (2021), BNamericas (2025) y la literatura especializada (Lyu, 2024; Fitzgerald & Gomes, 2024): los gemelos digitales están convergiendo hacia la construcción de "gemelos digitales nacionales", representaciones virtuales integrales de un país que permiten simular el impacto de políticas públicas antes de implementarlas.

11.2 Expansión en el sector salud (Fases II y III)

Sobre la base de los aprendizajes y la infraestructura construida en la Fase I, la expansión del programa de gemelos digitales en salud contempla las siguientes áreas prioritarias:

•       Oncología: creación de gemelos digitales de pacientes con cáncer para personalizar protocolos de quimioterapia y radioterapia. Iniciativas como el proyecto de gemelos digitales del CNIO en España (2025) y los experimentos con gemelos digitales en cáncer cervical documentados en la literatura ofrecen evidencia promisoria de aplicabilidad en contextos de recursos limitados.

•       Salud materno-neonatal: gemelos digitales para el monitoreo de embarazos de alto riesgo y la predicción de complicaciones perinatales, con especial relevancia para regiones con alta mortalidad materna como la sierra y selva peruana.

•       Salud mental: modelos predictivos de recaída en pacientes con trastornos mentales severos, integrados a sistemas de seguimiento comunitario.

•       Gestión hospitalaria: gemelos digitales del sistema hospitalario para la optimización de flujos de pacientes, gestión de camas, programación quirúrgica y respuesta a emergencias masivas.

•       Epidemiología y salud pública: modelos predictivos de brotes epidémicos y simulación de impacto de intervenciones de salud pública.

11.3 Expansión a otros sectores del Estado

La infraestructura tecnológica, el capital humano formado y el marco de gobernanza desarrollados en el sector salud constituirán una plataforma habilitante para la expansión de los gemelos digitales a otros sectores estratégicos del Estado peruano:

•       Infraestructura y obras públicas: gemelos digitales de obras viales, puentes e infraestructura hidráulica para el monitoreo estructural y la prevención de fallas.

•       Gestión de riesgos y desastres: simulación de inundaciones, terremotos y huaicos para la planificación de respuesta de emergencia, de particular relevancia para un país con alta vulnerabilidad sísmica e hidrometeorológica como el Perú.

•       Educación: modelos de simulación para la planificación de infraestructura educativa y la proyección de necesidades de formación docente.

•       Ambiente y recursos naturales: gemelos digitales de cuencas hidrográficas y ecosistemas para la gestión sostenible de recursos hídricos.

11.4 Posicionamiento internacional del Perú

La implementación exitosa de esta agenda posicionaría al Perú como referente regional en innovación en salud digital, con beneficios concretos: mayor elegibilidad para financiamiento internacional, atracción de inversión tecnológica, generación de conocimiento exportable a otros países de la región y consolidación de alianzas académicas y científicas internacionales. La meta de largo plazo es que el Perú cuente, en un horizonte de diez años, con una Estrategia Nacional de Gemelos Digitales, integrada a su agenda de modernización del Estado y reconocida internacionalmente como modelo de adopción responsable, inclusiva y basada en evidencia.

12. CONCLUSIONES Y LLAMADO A LA ACCIÓN

12.1 Síntesis de argumentos

La presente propuesta ha demostrado, sobre la base de evidencia científica internacional y del análisis del contexto nacional, que la adopción de gemelos digitales en el sistema de salud peruano es al mismo tiempo técnicamente viable, financieramente factible, normativamente posible y estratégicamente conveniente. Lejos de representar una apuesta tecnológica arriesgada, configura una oportunidad histórica que otros países de la región ya están comenzando a aprovechar.

Las enfermedades cardiovasculares (primera causa de muerte en el Perú y en América Latina) representan no solo una tragedia humana y epidemiológica, sino también una ineficiencia sistémica: millones de dólares gastados en hospitalizaciones evitables, en diagnósticos tardíos y en tratamientos no personalizados. Los gemelos digitales, potenciados por la inteligencia artificial, ofrecen la posibilidad de transformar este paradigma con una tecnología que ya tiene evidencia de efectividad clínica en contextos comparables.

Más allá de los beneficios clínicos inmediatos, esta iniciativa tiene el potencial de generar un efecto multiplicador de largo alcance: la construcción de capacidades nacionales en inteligencia artificial aplicada a la salud, el fortalecimiento del ecosistema de innovación peruana, el posicionamiento internacional del país como referente regional y la creación de una infraestructura digital que habilitará futuras innovaciones en múltiples sectores del Estado.

12.2 La dimensión ética y de equidad

Toda esta propuesta está atravesada por un eje transversal que no puede perderse de vista: la equidad en salud. Los gemelos digitales tienen el potencial tanto de reducir como de ampliar las desigualdades existentes, dependiendo de cómo se diseñe e implemente la política pública. Esta propuesta incorpora explícitamente mecanismos para asegurar que los beneficios de esta tecnología lleguen también a las poblaciones más vulnerables y a las regiones con mayor déficit de atención especializada: criterios de selección de hospitales piloto en zonas descentralizadas, indicadores de equidad en el sistema de evaluación, y la habilitación futura de modelos de consulta remota especializada potenciada por gemelos digitales que pueden llevar la expertise cardiológica a nivel nacional.

La advertencia de Fuller et al. (2022) sobre los riesgos éticos de los gemelos digitales (incluyendo sesgos algorítmicos, privacidad de datos y exclusión digital) es tomada en serio en esta propuesta mediante la creación de un Comité Nacional de Ética para la IA en Salud y la incorporación de auditorías de equidad algorítmica como requisito de operación del sistema.

12.3 El llamado a la acción

Los tomadores de decisión que tienen en sus manos esta propuesta se encuentran ante una encrucijada histórica. La tecnología existe y está probada. El marco normativo favorable está en vigencia. Los socios internacionales están disponibles. La evidencia científica es contundente. La pregunta no es si los gemelos digitales llegarán al sistema de salud peruano, la pregunta es si el Perú los adoptará proactivamente, con una política pública que asegure que sus beneficios lleguen a todos, o si lo hará de manera reactiva y fragmentada, perdiendo la ventana de oportunidad para liderar este proceso en la región.

La decisión de avanzar con esta agenda no es una decisión puramente técnica o presupuestal. Es una decisión de valores: el valor que el Estado peruano asigna a la vida de sus ciudadanos, a la equidad en el acceso a la mejor medicina disponible, y a la voluntad de construir un país que mira hacia el futuro con audacia y responsabilidad.

El momento de actuar es ahora. Esta propuesta ofrece el mapa. La decisión de emprender el camino es de quienes tienen el mandato y la responsabilidad de hacerlo.

REFERENCIAS BIBLIOGRÁFICAS

Adetunji O, Odili OA. Advanced digital-twin modelling for predictive monitoring of postoperative cardiac patients using wearables and EHR data. GSC Biol Pharm Sci. 2024 Apr;27(1):295–314. doi:10.30574/gscbps.2024.27.1.0174.

Aquino Robles J. Los gemelos digitales, la última frontera de la Ingeniería Mecatrónica [Internet]. ResearchGate; 2021.

Banco Interamericano de Desarrollo. Reporte de tecnología: gemelos digitales. Washington, DC: BID; 2021.

Barricelli BR, Casiraghi E, Fogli D. A Survey on Digital Twin: Definitions, Characteristics, Applications, and Design Implications. IEEE Access. 2019;7:167653–167671.

BNamericas. The next wave of digital twins in Latin America. Santiago de Chile: BNamericas; 2025 Mar 14.

Corral-Acero J, et al. The 'Digital Twin' to enable the vision of precision cardiology. Eur Heart J. 2020;41(48):4556–4564.

DataM Intelligence. Digital twins in healthcare: inside the most expensive projects launched in 2025. Hyderabad: DataM Intelligence; 2025.

DelveInsight Business Research LLP. Global digital twins in healthcare market size, forecast. Delaware: DelveInsight; 2025.

Digital Twin Consortium. The DTC Glossary. Boston (MA): Digital Twin Consortium; 2022.

El Mouhsine H, Saidi R, Cherif W. Federated learning-driven digital twin: a privacy-preserving AI approach for crisis logistics. Eng Proc. 2025;112(1):44. doi:10.3390/engproc2025112044.

Fitzgerald J, Gomes C. The engineering of digital twins. 1st ed. Cham: Springer Nature Switzerland; 2024. doi:10.1007/978-3-031-66719-0.

Fuller A, Fan Z, Day C, Barlow C. Digital twins: potentials, ethical issues, and limitations. arXiv preprint arXiv:2208.04289. 2022 Aug 9.

Gaur L, Jhanjhi NZ, editors. Digital twins and healthcare: trends, techniques, and challenges. Hershey (PA): IGI Global; 2023.

Gelernter D. Mirror worlds: or: the day software puts the universe in a shoebox. New York: Oxford University Press; 1991. doi:10.1093/oso/9780195068122.001.0001.

Grieves M, Vickers J. Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex systems. 2017.

Iqbal JD, Krauthammer M, Witt CM, et al. A consensus statement on the use of digital twins in medicine. npj Digit Med. 2025;8:484. doi:10.1038/s41746-025-01897-4.

Khoshfekr Rudsari H, et al. Digital twins in healthcare: a comprehensive review and future directions. Front Digit Health. 2025;7:1633539. doi:10.3389/fdgth.2025.1633539.

Levine SM. How Your Virtual Twin Could One Day Save Your Life (Living Heart Project). IEEE Spectrum. 2026 Mar 19.

Lyu Z, editor. Handbook of digital twins. Boca Raton (FL): CRC Press; 2024. doi:10.1201/9781003425724.

Mordor Intelligence. Digital twins in healthcare market size, growth drivers & research report 2031. Hyderabad: Mordor Intelligence; 2025.

Nachez S. Precision Medicine: Dassault Systems Integrates AI with 'Living Heart' Virtual Twins. ActuIA. 2025 Apr 19.

Niederer SA, et al. Scaling digital twins from the artisanal to the industrial. Nat Comput Sci. 2021.

Pellegrino G, Gervasi M, Angelelli M, Corallo A. A conceptual framework for digital twin in healthcare. Inf Syst Front. 2025;27:7–32. doi:10.1007/s10796-024-10536-4.

Perú. Congreso de la República. Ley Nº 31814, Ley que promueve el uso de la inteligencia artificial en favor del desarrollo económico y social del país. Lima: Diario Oficial El Peruano; 2023 Jul 5.

Perú. Congreso de la República. Ley Nº 29733, Ley de Protección de Datos Personales. Lima: Congreso de la República; 2011 Jul 3.

Pothireddy NK Reddy. GENAI powered digital twin for cardiovascular disease simulation. J Emerg Technol Innov Res. 2024 Feb;11(2):g920–g934.

Rasheed A, et al. Digital twin: Values, challenges and enablers from a modeling perspective. IEEE Access. 2020;8:21980–22012.

Sarani Rad F, Bitaraf E, Jafarpour M, Li J. Technologies, clinical applications, and implementation barriers of digital twins in precision cardiology: systematic review. JMIR Cardio. 2026 Jan 8;10:e78499. doi:10.2196/78499.

Sharon John A, et al. Impact of artificial intelligence and digital twin technology on cardiovascular disease diagnosis and management. World Acad Sci J. 2025;7:75. doi:10.3892/wasj.2025.363.

SMASH-HCM Project. SMASH-HCM. Brussels (BE): European Union; 2026.

Strategic Market Research. Healthcare digital twins market report 2024–2030. Dallas (TX): Strategic Market Research; 2025.

Tao F, et al. Digital twin-driven product design, manufacturing and service. Int J Adv Manuf Technol. 2018;103:3765–3781.

Tasmurzayev N, et al. Digital cardiovascular twins, AI agents, and sensor data: a narrative review. Sensors (Basel). 2025;25(17):5272. doi:10.3390/s25175272.

Winter PD, Chico TJA. Using the NASSS framework to identify barriers and facilitators for digital twins in cardiovascular medicine. Sensors (Basel). 2023 Jul 12;23(14):6333. doi:10.3390/s23146333.

Zhang K, et al. Concepts and applications of digital twins in healthcare and medicine. Patterns. 2024 Aug 9;5(8):101028. doi:10.1016/j.patter.2024.101028