《COMPUTERS IN INDUSTRY》：Human digital twins in healthcare and occupational well-being: Enabling techniques, applications, datasets and future trends
編輯推薦：
本文系統綜述人類數字雙胞胎（HDT）在醫療健康與職業福祉中的應用，提出整合AI、IoT和區塊鏈技術的統一框架，解決數據孤島與隱私安全難題，并探索開源數據集與工業應用場景，為未來研究提供實踐指南。
柳書慧|林肯德里克·楊宏|陳春賢|卡馬爾·尤塞夫-圖米|楊杰西
南洋理工大學機械與航空航天工程學院，新加坡639798
摘要
隨著慢性疾病、職業健康問題以及人口老齡化的加劇，傳統的醫療服務被動模式日益顯得不足，這導致了數據管理碎片化、資源分配不均以及個性化服務有限。人類數字孿生（HDT）作為一種變革性解決方案應運而生，它能夠通過捕捉生理、心理、認知和行為狀態來動態模擬、監測和分析人類健康。雖然HDT可以實現醫療保健從“碎片化的應急響應”向“系統性的生態管理”轉變，但目前仍存在概念邊界不明確、框架不標準化以及對職業健康作為整體健康重要組成部分的關注不足等問題。為了解決這些問題，本研究進行了一項前沿的綜述，系統地探討了HDT在全球健康領域的挑戰、關鍵技術及其應用潛力。本文提出了一個統一的HDT框架，整合了人工智能（AI）、物聯網（IoT）和區塊鏈技術，以克服高保真人體建模、數據隱私以及人機物融合方面的技術瓶頸。此外，該綜述還探討了工業應用和開源數據集，以增強未來研究的可行性和可擴展性，并為推動HDT在醫療保健和職業健康領域的應用與發展提供了實用指導。
引言
全球醫療體系正面臨日益嚴峻的挑戰，尤其是在人口老齡化方面。根據世界衛生組織（WHO）的數據，預計到2050年，60歲及以上的人口將達到21億，幾乎是2020年的兩倍（WHO，2024年）。這一人口結構變化加劇了糖尿病和心血管疾病等慢性病的流行。與此同時，由于經濟和地理差異，醫療保健不平等問題依然十分突出。疫情和不斷上漲的醫療成本進一步加劇了這些問題，凸顯了全球醫療改革以確保公平獲得高質量醫療服務的緊迫性。
與此同時，職業健康和福祉越來越受到重視。國際勞工組織（ILO）估計，每年有278萬人死于與工作相關的疾病（WHO/ILO，2021年），主要原因是工作條件惡劣、安全法規不完善、工作時間過長以及壓力水平過高。心理健康問題，如抑郁癥和焦慮癥也在增加，目前全球已有近十億人受到影響（WHO，2022年）。應對這些相互關聯的挑戰需要改變醫療服務提供的方式。
近年來，人工智能（AI）已成為智能醫療轉型的關鍵驅動力。包括機器學習（ML）、自然語言處理（NLP）和計算機視覺（CV）在內的技術推動了疾病預測、醫學圖像分析和臨床決策支持的進步（Acosta等人，2022年；Wang等人，2022年）。當這些技術與可穿戴設備和移動應用程序結合時，AI顯著簡化了醫療流程并提高了診斷準確性。然而，這些基于AI的系統在可擴展性、效率和個性化方面仍存在局限。醫療服務仍然嚴重依賴于碎片化的數據存儲庫，形成了數據孤島，阻礙了數據整合和實時訪問，可能導致診斷和治療的延遲。此外，大多數醫療干預措施都是反應性的，即僅在健康問題出現后才實施，從而延誤了早期發現，并增加了治療的復雜性和成本。傳統的AI模型也難以捕捉人體生理和行為的動態特性，限制了它們提供主動和適應性護理的能力。
數字孿生（DT）技術作為工業4.0的基石，提供了潛在的突破。通過實時數據同步和多物理建模構建物理實體的動態虛擬副本，DT實現了復雜系統的生命周期監測、模擬、預測和優化（Lim等人，2020年）。這一范式現已擴展到醫療保健和職業健康領域。Market and Markets（2025年）預測，全球醫療DT市場將從2023年的16億美元增長到2028年的211億美元，復合年增長率為67%。DT最初專注于機械系統的鏡像，現已發展為以人為中心的應用，能夠捕捉器官系統、生理過程和行為模式。這一演變催生了人類數字孿生（HDT），旨在解決復雜的人類健康問題（Shengli，2021年）。繼承了DT的核心屬性，HDT能夠實現無限的“假設”場景，支持健康風險預測、疾病傳播建模和治療評估，同時不會對個人造成傷害（Fontes等人，2024年；Laubenbacher等人，2022年）。這一范式轉變為實現以人為中心的工業5.0鋪平了道路。
盡管取得了這些進展，但在HDT的概念邊界、實施框架和關鍵技術方面仍缺乏標準化，同時在網絡物理連接性、數據采集和隱私方面也存在技術挑戰。表1總結了現有的HDT研究及其目標領域，反映出對臨床醫療的關注，而忽視了職業健康和福祉作為整體健康的重要維度。為了解決這些局限性，本研究旨在：
- (1)
在提出的通用框架內確定HDT的關鍵技術推動因素。
- (2)
明確HDT在工業和商業中的應用，重點關注開源數據集。
- (3)
突出未來在醫療保健和職業健康領域推進HDT的研究趨勢和機會。
本文的其余部分組織如下：第2節概述了研究選擇過程、概念和主要趨勢。第3節討論了行業采用的關鍵挑戰，并提出了一個通用的HDT框架。第4節介紹了工業和商業應用。第5節回顧了開源數據集。第6節分析了當前的局限性和研究機會，第7節總結了本研究。
研究方法
研究選擇的方法論
為了進行系統的文獻綜述，采用了三步搜索方法（Reim等人，2015年），以確保納入高質量的文章，如圖1所示。
步驟1 確定
首先在Web of Science數據庫中進行了初步搜索，以獲取最近的同行評審的跨學科研究。為了更全面地了解HDT的演變和定義，搜索范圍擴展到了醫療保健和職業健康領域之外，使用了布爾運算符。
HDT框架和關鍵技術
現有研究為HDT架構奠定了技術基礎。例如，Chen等人（2024年）提出了一個多級HDT網絡架構，用于個性化醫療，指出了通信和計算方面的瓶頸，并提供了關于基礎設施需求的關鍵見解。在此基礎上，本研究基于數據-信息-知識-智慧（DIKW）層次結構（Rowley，2007年）提出了一個補充視角，重點關注自上而下的工作流程
工業應用前景
領先的醫療技術公司、制藥公司和數字健康創新者正在積極探索HDT在個性化醫療、手術規劃、健康監測和人體工程學方面的商業潛力。表9總結了已經投入使用的基于HDT的產品和服務。本節進一步討論了學術研究中確定的潛在應用，并通過西門子醫療公司的案例研究展示了未來的工業應用路徑
開放數據源
HDT的高度依賴于數據的質量、多樣性和可訪問性，然而數據隱私和數據安全問題限制了與人類相關數據的可用性和使用。因此，高質量的開源數據集已成為HDT研究的重要原材料。多項研究基于開源數據集的開發，開發出了強大、準確且可擴展的模型，推動了HDT在醫療領域的創新和實踐。本章回顧了幾個
討論與未來方向
本研究明確了HDT的概念邊界，并在通用框架內確定了關鍵技術，解決了特定場景設計的局限性。它還將HDT的應用范圍擴展到了傳統醫療領域之外，強調了職業健康的重要性，預計將進入一個更精確和全面的健康管理新時代。然而，理論框架與實際應用之間的差距仍然很大，需要進一步的技術研究
結論
作為新興的技術驅動力，HDT正在重塑工業5.0范式下的醫療保健和職業健康未來。這項系統綜述回顧了自2020年以來的發展，追蹤了HDT從以資產為中心向以人為中心的模型的演變，并提出了該概念的修訂定義。它明確了高保真人體建模的設計要求，并強調了數據隱私和安全性在數字化個人方面的關鍵作用
CRediT作者貢獻聲明
陳春賢：撰寫——審稿與編輯，監督。卡馬爾·尤塞夫-圖米：撰寫——審稿與編輯。柳書慧：撰寫——初稿，可視化，方法論，調查，形式分析。林肯德里克·楊宏：撰寫——初稿，驗證，概念化。楊杰西：撰寫——審稿與編輯。
利益沖突聲明
作者聲明他們沒有可能影響本文工作的財務利益或個人關系。
柳書慧是新加坡南洋理工大學機械與航空航天工程學院的博士候選人。她在中國天津大學獲得了管理經濟學學士學位，并在南洋理工大學機械與航空航天工程學院獲得了碩士學位。她的研究興趣包括數字孿生、人因工程和人機交互（HCI）。
