《COMPUTERS IN INDUSTRY》：Human digital twins in healthcare and occupational well-being: Enabling techniques, applications, datasets and future trends
编辑推荐：
本文系统综述人类数字双胞胎（HDT）在医疗健康与职业福祉中的应用，提出整合AI、IoT和区块链技术的统一框架，解决数据孤岛与隐私安全难题，并探索开源数据集与工业应用场景，为未来研究提供实践指南。
柳书慧|林肯德里克·杨宏|陈春贤|卡马尔·尤塞夫-图米|杨杰西
南洋理工大学机械与航空航天工程学院，新加坡639798
摘要
随着慢性疾病、职业健康问题以及人口老龄化的加剧，传统的医疗服务被动模式日益显得不足，这导致了数据管理碎片化、资源分配不均以及个性化服务有限。人类数字孪生（HDT）作为一种变革性解决方案应运而生，它能够通过捕捉生理、心理、认知和行为状态来动态模拟、监测和分析人类健康。虽然HDT可以实现医疗保健从“碎片化的应急响应”向“系统性的生态管理”转变，但目前仍存在概念边界不明确、框架不标准化以及对职业健康作为整体健康重要组成部分的关注不足等问题。为了解决这些问题，本研究进行了一项前沿的综述，系统地探讨了HDT在全球健康领域的挑战、关键技术及其应用潜力。本文提出了一个统一的HDT框架，整合了人工智能（AI）、物联网（IoT）和区块链技术，以克服高保真人体建模、数据隐私以及人机物融合方面的技术瓶颈。此外，该综述还探讨了工业应用和开源数据集，以增强未来研究的可行性和可扩展性，并为推动HDT在医疗保健和职业健康领域的应用与发展提供了实用指导。
引言
全球医疗体系正面临日益严峻的挑战，尤其是在人口老龄化方面。根据世界卫生组织（WHO）的数据，预计到2050年，60岁及以上的人口将达到21亿，几乎是2020年的两倍（WHO，2024年）。这一人口结构变化加剧了糖尿病和心血管疾病等慢性病的流行。与此同时，由于经济和地理差异，医疗保健不平等问题依然十分突出。疫情和不断上涨的医疗成本进一步加剧了这些问题，凸显了全球医疗改革以确保公平获得高质量医疗服务的紧迫性。
与此同时，职业健康和福祉越来越受到重视。国际劳工组织（ILO）估计，每年有278万人死于与工作相关的疾病（WHO/ILO，2021年），主要原因是工作条件恶劣、安全法规不完善、工作时间过长以及压力水平过高。心理健康问题，如抑郁症和焦虑症也在增加，目前全球已有近十亿人受到影响（WHO，2022年）。应对这些相互关联的挑战需要改变医疗服务提供的方式。
近年来，人工智能（AI）已成为智能医疗转型的关键驱动力。包括机器学习（ML）、自然语言处理（NLP）和计算机视觉（CV）在内的技术推动了疾病预测、医学图像分析和临床决策支持的进步（Acosta等人，2022年；Wang等人，2022年）。当这些技术与可穿戴设备和移动应用程序结合时，AI显著简化了医疗流程并提高了诊断准确性。然而，这些基于AI的系统在可扩展性、效率和个性化方面仍存在局限。医疗服务仍然严重依赖于碎片化的数据存储库，形成了数据孤岛，阻碍了数据整合和实时访问，可能导致诊断和治疗的延迟。此外，大多数医疗干预措施都是反应性的，即仅在健康问题出现后才实施，从而延误了早期发现，并增加了治疗的复杂性和成本。传统的AI模型也难以捕捉人体生理和行为的动态特性，限制了它们提供主动和适应性护理的能力。
数字孪生（DT）技术作为工业4.0的基石，提供了潜在的突破。通过实时数据同步和多物理建模构建物理实体的动态虚拟副本，DT实现了复杂系统的生命周期监测、模拟、预测和优化（Lim等人，2020年）。这一范式现已扩展到医疗保健和职业健康领域。Market and Markets（2025年）预测，全球医疗DT市场将从2023年的16亿美元增长到2028年的211亿美元，复合年增长率为67%。DT最初专注于机械系统的镜像，现已发展为以人为中心的应用，能够捕捉器官系统、生理过程和行为模式。这一演变催生了人类数字孪生（HDT），旨在解决复杂的人类健康问题（Shengli，2021年）。继承了DT的核心属性，HDT能够实现无限的“假设”场景，支持健康风险预测、疾病传播建模和治疗评估，同时不会对个人造成伤害（Fontes等人，2024年；Laubenbacher等人，2022年）。这一范式转变为实现以人为中心的工业5.0铺平了道路。
尽管取得了这些进展，但在HDT的概念边界、实施框架和关键技术方面仍缺乏标准化，同时在网络物理连接性、数据采集和隐私方面也存在技术挑战。表1总结了现有的HDT研究及其目标领域，反映出对临床医疗的关注，而忽视了职业健康和福祉作为整体健康的重要维度。为了解决这些局限性，本研究旨在：
- (1)
在提出的通用框架内确定HDT的关键技术推动因素。
- (2)
明确HDT在工业和商业中的应用，重点关注开源数据集。
- (3)
突出未来在医疗保健和职业健康领域推进HDT的研究趋势和机会。
本文的其余部分组织如下：第2节概述了研究选择过程、概念和主要趋势。第3节讨论了行业采用的关键挑战，并提出了一个通用的HDT框架。第4节介绍了工业和商业应用。第5节回顾了开源数据集。第6节分析了当前的局限性和研究机会，第7节总结了本研究。
研究方法
研究选择的方法论
为了进行系统的文献综述，采用了三步搜索方法（Reim等人，2015年），以确保纳入高质量的文章，如图1所示。
步骤1 确定
首先在Web of Science数据库中进行了初步搜索，以获取最近的同行评审的跨学科研究。为了更全面地了解HDT的演变和定义，搜索范围扩展到了医疗保健和职业健康领域之外，使用了布尔运算符。
HDT框架和关键技术
现有研究为HDT架构奠定了技术基础。例如，Chen等人（2024年）提出了一个多级HDT网络架构，用于个性化医疗，指出了通信和计算方面的瓶颈，并提供了关于基础设施需求的关键见解。在此基础上，本研究基于数据-信息-知识-智慧（DIKW）层次结构（Rowley，2007年）提出了一个补充视角，重点关注自上而下的工作流程
工业应用前景
领先的医疗技术公司、制药公司和数字健康创新者正在积极探索HDT在个性化医疗、手术规划、健康监测和人体工程学方面的商业潜力。表9总结了已经投入使用的基于HDT的产品和服务。本节进一步讨论了学术研究中确定的潜在应用，并通过西门子医疗公司的案例研究展示了未来的工业应用路径
开放数据源
HDT的高度依赖于数据的质量、多样性和可访问性，然而数据隐私和数据安全问题限制了与人类相关数据的可用性和使用。因此，高质量的开源数据集已成为HDT研究的重要原材料。多项研究基于开源数据集的开发，开发出了强大、准确且可扩展的模型，推动了HDT在医疗领域的创新和实践。本章回顾了几个
讨论与未来方向
本研究明确了HDT的概念边界，并在通用框架内确定了关键技术，解决了特定场景设计的局限性。它还将HDT的应用范围扩展到了传统医疗领域之外，强调了职业健康的重要性，预计将进入一个更精确和全面的健康管理新时代。然而，理论框架与实际应用之间的差距仍然很大，需要进一步的技术研究
结论
作为新兴的技术驱动力，HDT正在重塑工业5.0范式下的医疗保健和职业健康未来。这项系统综述回顾了自2020年以来的发展，追踪了HDT从以资产为中心向以人为中心的模型的演变，并提出了该概念的修订定义。它明确了高保真人体建模的设计要求，并强调了数据隐私和安全性在数字化个人方面的关键作用
CRediT作者贡献声明
陈春贤：撰写——审稿与编辑，监督。卡马尔·尤塞夫-图米：撰写——审稿与编辑。柳书慧：撰写——初稿，可视化，方法论，调查，形式分析。林肯德里克·杨宏：撰写——初稿，验证，概念化。杨杰西：撰写——审稿与编辑。
利益冲突声明
作者声明他们没有可能影响本文工作的财务利益或个人关系。
柳书慧是新加坡南洋理工大学机械与航空航天工程学院的博士候选人。她在中国天津大学获得了管理经济学学士学位，并在南洋理工大学机械与航空航天工程学院获得了硕士学位。她的研究兴趣包括数字孪生、人因工程和人机交互（HCI）。
