综述：跨尺度医疗数字孪生：一项叙述性综述及五级概念框架

《Healthcare》：Healthcare Digital Twins Across Scales: A Narrative Review and Five-Level Conceptual Framework

　　

背景/目的：医疗数字孪生正从单个器官到区域卫生系统的多尺度层面开展研发，但不同尺度的相关研究长期独立发展。本叙述性综述旨在解析表征对象尺度扩展过程中概念内涵的演变规律，并提出由生理级、患者级、照护交付级、医院级及卫生系统级构成的五级概念框架作为分析工具。方法：研究人员于2026年6—7月系统检索Web of Science、Scopus、PubMed及Google Scholar数据库中2022年1月后发表的英文文献。纳入标准为：描述医疗场景中特定物理实体的虚拟表征，能够基于实体自身数据进行动态更新，并可生成支持决策预测的模型；排除社论、仅含摘要记录、静态模型及非医疗领域研究。通过对纳入文献中医疗数字孪生的表征方式与应用模式进行模式识别，构建五级概念框架。由于未进行正式质量评价，关于证据成熟度与实施可行性的结论需谨慎解读。结果：共纳入44篇文献作为证据基础，包括10篇原创研究、26篇综述及8篇概念或共识类论文。患者特异性应用主要集中于生理级与患者级，尤以心脏病学与肿瘤学领域为主；外部验证在所有层级均不常见，前瞻性评估更为罕见。照护交付级孪生主要应用于重症监护、急诊及围手术期场景，而医院级与卫生系统级应用多停留于原型与仿真阶段。结论：本综述表明，随着医疗数字孪生从生理模型向卫生系统场景拓展，其面临的技术挑战之外，互操作性、组织治理与公平性考量的重要性显著提升。各层级在患者获益、运营效能及系统级影响方面的前瞻性证据均十分有限。

1. 1.
   引言
   现代卫生系统产生的数据利用率严重不足，电子病历、影像归档、基因组检测、可穿戴设备及医院运营系统持续产生海量信息，但现有基础设施多以记录与检索为核心，缺乏整合预测模型与仿真的决策支持能力，导致数据增长并未同步转化为临床与运营决策的优化。生物与组织的双重复杂性进一步加剧了这一困境：疾病的分子、细胞与环境交互机制存在显著个体差异与时序动态，人群平均水平的研究结论难以直接外推至个体患者；而医院的床位占用、人员配置与患者流转受多重约束交互影响，传统仪表盘往往在压力形成后才发出预警。两者共同指向一个核心缺失：在决策前实现数据、机制与仿真的联动表征。
   数字孪生起源于工程与航空航天领域，其核心是通过数据交换实现虚拟模型与物理实体的实时对齐，支持监测、仿真与优化。在医疗领域，该概念需严格界定：数字孪生并非三维模型、风险评分或一次性仿真，而是基于美国科学院2024年框架的操作性定义——即通过双向数据交换与特定物理实体关联、随时间动态更新并能生成支持决策的预测结果的虚拟表征。双向耦合是区分数字孪生与数字影子、虚拟队列及独立预测模型的关键特征，但当前医疗文献中术语使用仍不规范。
   早期医疗数字孪生聚焦于个体患者，通过构建患者生物学计算模型并在硅基环境中测试干预策略以指导治疗选择。随后其应用边界不断扩展，已覆盖临床路径、科室及医院整体运营，近期更延伸至人群、区域卫生系统与学习型卫生系统。这种尺度扩展并非简单对象的放大：医院并非“更大的患者”，而是受多方利益相关者、运营约束与治理要求影响的适应性社会技术系统。基于此，本研究提出将各尺度视为概念独立的分析单元，分别对应不同的决策问题、约束条件与利益相关方。建筑业数字孪生的教育与实践经验表明，人员能力建设与技术部署同等重要，医疗领域的数字化转型同样依赖技术与能力的协同发展。
   当前数字孪生研究的术语一致性不足，一项综述显示仅18%的研究符合个性化、动态更新与预测性三大核心标准，其余多为数字影子、通用数字模型或虚拟患者队列，且仅有2项研究提及验证、确认与不确定性量化。现有综述多按器官、疾病或技术分类，缺乏对跨尺度过渡的系统分析，也未明确不同层级的验证、互操作性与治理要求的异质性。为此，本研究引入“卫生系统智能”作为组织性概念，定义为卫生服务感知自身状态、仿真替代决策后果并持续闭环优化的能力，其区别于学习型卫生系统、精准公共卫生、系统医学及人体数字孪生架构的核心在于耦合表征与仿真在多个组织尺度的整合应用。同时需明确，数字孪生是实现精准医疗的工具之一而非其定义本身。
   本研究围绕四个核心问题展开：一是当前文献中医疗数字孪生的操作性定义及其一致性；二是能否基于表征尺度构建分层框架并明确各层级特征；三是不同层级的证据成熟度差异及判断依据；四是随着表征对象尺度扩展，验证、互操作性与治理要求如何演变。贯穿始终的核心区分是预测与实际干预效应估计的差异：用于预后预测的模型不能直接等同于支持治疗选择的干预效应估计，其有效性取决于预设用途及针对性验证证据，而当前研究多未明确说明支撑反事实推断的因果假设。此外，需警惕自动化偏差、模型漂移、反馈不稳定性、资源分配不公及网络安全等规模化风险。
2. 2.
   材料与方法
   本研究采用结构化叙述性综述设计，明确陈述检索来源、纳入规则与筛选流程，但不追求穷尽式检索与结果合并。鉴于领域内术语界定混乱，单纯计数“数字孪生”标签文献无法反映实际技术能力，故选择叙述性设计以支持跨尺度概念的一致性解读，同时遵循叙述性综述的方法学报告规范，参照PRISMA 2020框架呈现文献筛选流程，透明报告检索策略、纳入标准、筛选过程、分类方案及文献特征。
   检索策略覆盖Web of Science核心合集、Scopus、PubMed及Google Scholar四大数据库，检索时限为2026年6—7月，文献发表时间限定为2022年1月起。该时间窗口的选择基于2022年后医疗领域数字孪生综述与定义声明集中涌现，且该领域基础设施迭代迅速。基础方法学与跨行业对比文献通过参考文献回溯纳入，不受时间限制。Google Scholar仅作为补充检索工具，不单独作为文献纳入依据。
   纳入标准要求文献描述的虚拟表征必须满足三项核心条件：表征特定物理实体（器官、患者、单元、机构或人群而非通用平均实体）；基于实体自身数据按决策需求频率更新；生成面向临床或运营决策的预测。部分符合标准的文献标记为原型孪生、数字影子、动态仿真、预测模型或概念架构，而非完全意义上的数字孪生。排除非医疗领域文献、社论、会议摘要、无全文记录及非英文文献，其中语言限制作为选择性偏倚来源予以明确说明。方法学与背景类支撑文献不纳入证据基础，仅用于上下文参考。
   文献筛选由单一研究者完成，不确定记录经全体作者讨论确定。分类单元为表征对象而非研究场景：同一ICU内的患者生理模型归为患者孪生，而床位与人员流模型归为照护交付孪生；多尺度融合研究按主要应用目标归属相应层级，必要时同时标注多个层级。未采用独立双人筛选与正式共识程序，分类结果存在主观判断偏倚风险。
   数据提取涵盖文献类型、临床/运营领域、表征实体、所属层级、数据源、模型类型、更新间隔、耦合方向、干预执行能力、验证设计、部署状态及结局指标。鉴于原始文献报告完整性不足，未对所有字段进行表格化汇总，仅在正文分析中引用已报告的具体信息，缺失项如实记录而非推断为不存在。通过归纳表征单元与决策目标的重复模式，构建五级概念框架，未采用正式定性编码或主题分析方法，框架形成基于研究人员对文献的解释性综合，并与现有分类体系进行对比验证。
   成熟度评估从技术开发、验证、实施三个独立维度进行，采用预定义的标签体系进行标注，但未应用正式质量评价工具或偏倚风险评估量表。这是由于现有文献涵盖机理建模、离散事件仿真、综述与架构设计等多种类型，缺乏统一的评价工具，且选择性评估少数比较研究会引入新的偏倚。所有成熟度判断均为基于文献报告内容的临时性作者判断，而非分级证据。
   合成过程采用叙述性综合，按论点而非文献组织内容，未进行Meta分析。两项非正式敏感性检验显示：仅纳入原创研究时，证据分布向照护交付级倾斜；而尝试仅纳入完全符合三项核心定义的系统时，因多数文献报告细节不足而无法完成，进一步印证了领域内术语使用与报告规范的不一致性。对于文献间的定义分歧、分类差异与成熟度判断矛盾，予以如实呈现而非强行统一。
3. 3.
   证据合成
   3.1 概念基础：医疗数字孪生的定义
   医疗数字孪生的核心特征包括：特定实体表征、双向数据耦合及面向决策的预测能力，三者缺一不可。虚拟表征的真实性通过校准、针对应用场景的机制充分性、预测性能、模型状态与观测状态的一致性及对不完整输入的鲁棒性进行评估。连续更新应理解为相对于决策周期的尺度概念：重症监护、慢性病管理与容量规划的决策周期差异决定了“连续”的时间阈值，同一系统可能适用于某一决策目标而不适用于另一目标。
   数字孪生需与静态三维模型、一次性仿真、虚拟队列及单向更新的数字影子严格区分。双向耦合与闭环决策是相关但不同的概念：前者仅指数据路径属性（观测值传入模型、模型状态回传），后者则要求完整的决策-行动-反馈回路。系统可实现双向耦合但保持开环状态（回传信息仅被观测而不触发行动）。本研究进一步区分决策回路的五个阶段：数据交换（技术属性）、推荐生成（涉及阈值、排序与呈现的决策）、人类决策（临床或管理判断，承载职业问责）、物理干预（实际行动，可能因资源限制或情境变化偏离决策）及自动驱动（无需人工判断直接执行，工程中常见但在医疗领域尚属例外）。当前纳入文献中均未报告完全自动驱动的孪生系统，人类判断与问责始终介于推荐与干预之间。
   3.2 拟议的五级框架
   基于文献分析，本研究提出医疗数字孪生的五级分类框架：生理级孪生表征器官、组织或生物子系统，聚焦机制验证，其对应实体可为生物结构而非完整个体；患者级孪生以个体为中心，整合异质个人数据，是计算精准医疗的实施载体，需应对知情同意、隐私保护与临床问责等问题；照护交付级孪生表征临床流程或单元，关注队列、容量与人员的时序动态，结局指标为时效、安全与资源利用；医院级孪生将机构作为操作系统，整合跨部门交互与管理决策；卫生系统级孪生聚焦区域或人群网络，需协调多机构的独立治理与竞争目标。各层级在表征对象、核心数据源、主导建模方法、支持决策类型、成熟度维度及核心验证与治理挑战方面存在本质差异，且层级间为非序列的网络化耦合关系，而非简单的包含或聚合关系。
   层级边界的划分遵循一致规则：当模型对象为器官/子系统且问题聚焦机制时归为生理级，对象为个体且问题聚焦诊疗管理时归为患者级；跨边界研究同时标注两个层级。设备孪生若与患者绑定则归入生理/患者级，若为通用产品家族则排除框架；治疗孪生归入患者级；药物研发孪生因基于虚拟人群而非特定实体，排除在外；建筑基础设施孪生仅在与临床运营数据耦合时归入医院级；公共卫生模型仅在与特定卫生服务或人群注册库关联时纳入框架。
   层级聚合并非线性叠加：患者孪生的简单求和无法生成医院孪生，因为组织行为依赖于容量约束、临床决策、政策及患者间交互等个体模型中不存在的因素。各层级共享的是结构而非构建路径，且存在双向互惠关系：单元级模型依赖患者级数据，而单元级输出又反过来塑造个体照护的实施条件。该框架的核心贡献是为跨尺度文献提供了统一的表征单元轴，使得不同临床领域、不同技术的文献可在同一维度下进行比较。
   3.3 生理级与患者级孪生
   生理级与患者级是患者特异性应用最集中的领域，主要分布于心脏病学与肿瘤学。生理级应用包括单细胞框架识别疾病基因与治疗靶点、心脏模型结合机理仿真与统计学习预测疾病进展与治疗反应、免疫肿瘤学模型探索个体化治疗策略，以及生成式人工智能在该领域的拓展。但需注意，机理模型并不天然等同于数字孪生，多数生理模型仅在初始化时个性化，后续缺乏实体特异性更新，更接近原型孪生。生物合理性也不等同于有效性，模型可能存在参数不可识别、校准不充分或跨场景不可迁移等问题。
   患者级孪生的目标是构建个体生物学的动态表征，通过比较候选干预措施支持治疗选择，是计算精准医疗的核心载体。但该领域仍面临数据不完整、采样不规则、非建模导向采集等根本障碍。现有患者孪生过度依赖生物、影像、基因组与设备数据，而行为、治疗依从性、患者偏好、社会环境与暴露因素普遍缺失。这些缺失不仅降低预测精度，更可能导致误差沿现有劣势方向分布不均，将社会环境因素错误归因于生物学变异。此外，患者孪生的普适性受限，在特定人群开发的模型难以直接迁移至其他人群。
   3.4 照护交付级孪生
   照护交付级孪生表征患者周围的临床流程而非个体本身，主要包括两类模型：个体患者轨迹模型与单元级工作流模型。前者集中于重症监护领域，通过预测病情进展与比较管理策略支持高频决策，如失血性休克的个体化复苏、急性卒中的神经重症监护共识规则、脓毒症的心肺功能动态轨迹建模等。后者则表征单元层面的患者流、床位分配、人员配置与干预路径，用于识别瓶颈与测试资源重分配，如多学科重症监护交付模型、急诊科流与院前急救仿真、手术室多资源约束调度等。
   当前该层级研究多为原型或单中心研究，极少整合入实时工作流，更缺乏对患者结局影响的比较评估。除模型开发外，与现有信息系统的互操作性、模型持续维护、临床工作流整合及临床医生接受度是主要的实施障碍。此外，当孪生系统用于资源分配（如ICU床位优先级）时，其内置的优先规则涉及伦理责任分配，需在系统应用前而非事后明确界定。
   3.5 医院级孪生
   医院级孪生将医院作为操作系统进行表征，整合临床、运营与基础设施数据，支持患者流、床位、人员与设施使用的决策，理论上可作为运营指挥中心模拟病房重组、容量过载等场景。但当前文献中尚未见此类指挥中心在实际机构中运行的报告，多数为架构设计、个案研究或原型系统。技术挑战包括模型规范、数据质量、参数可识别性、计算可靠性及虚实同步，而语义异构性则是跨部门系统整合的首要难题。组织层面的挑战包括异构信息系统集成、模型持续运行及床旁管理者的界面友好性。经济可行性是另一关键缺口：孪生系统需要持续投入基础设施、软件开发、验证、维护、网络安全、许可及专业人才，但尚无研究报道成本效益分析与运营收益评估。此外，孪生系统的优化目标（如患者流、资源效率）需明确设定并公开其权衡逻辑，因为优化单一目标可能损害其他结局，这属于治理而非纯技术问题。
   3.6 卫生系统级孪生与学习型卫生系统
   卫生系统级孪生面向区域治理与规划功能，包括区域容量规划、流行病应对、院间转诊协调与公共卫生资源分配。新冠大流行期间的人群模型虽推动了系统级孪生的关注，但多数属于基于国家监测数据的情景仿真，缺乏与特定服务实体的连续耦合，更符合仿真模型而非数字孪生的定义。长期愿景是将患者、照护交付、医院与卫生系统表征互联，构建学习型卫生系统。
   该层级面临三大特有挑战：表征挑战（卫生系统无工程实体般的确定状态，尚无动态耦合的全系统模型实证）；数据治理挑战（跨机构数据共享需协调异构信息系统与法律基础）；规范性挑战（资源分配嵌入公平与优先级价值判断，技术准确性无法解决伦理冲突，如最大化总体成本效益可能牺牲偏远地区可及性）。此外，系统级孪生的连接需求需按应用场景论证，而非默认为领域发展方向。
   3.7 跨层级成熟度比较
   证据基础包含10篇原创研究、26篇综述与8篇概念/共识论文。普遍认知认为低层级（生理/患者级）比高层级更成熟，但本研究通过分离技术开发、验证、实施三个维度发现：技术层面，生理/患者级模型最详细且规范；验证层面，所有层级均以内部或回顾性评估为主，外部验证少见，前瞻性评估极罕见；实施层面，无任何层级报告常规临床应用。因此，“患者级成熟”的表述高估了证据强度，更准确的描述是“技术开发相对领先”。
   原创研究的分布进一步修正了这一认知：10篇原创研究中7篇属于照护交付级，1篇属于生理级，生理/患者级的证据基础主要依赖综述与观点论文，而照护交付级拥有更多原始实证研究。这提示成熟度梯度部分源于文献类型分布差异。此外，多数文献未充分报告更新间隔与耦合方向，无法严格判定是否符合完整数字孪生定义，印证了领域内术语滥用与报告不规范的问题。重症监护领域是跨层级整合的典型场景，可同时容纳患者、照护交付、医院与卫生系统四级孪生，但尚未见覆盖全部五级的实证案例。
   跨层级连接的挑战还包括不确定性累积与反馈不稳定性：模型推荐改变实践后会进一步影响后续更新数据，导致模型性能在部署后无法保持稳定，需持续监测与再评估。
   3.8 多尺度医疗孪生的数字基础设施
   各层级共享的数据基础设施需求包括：生理/患者级依赖电子健康记录、影像、实验室、床旁监护、可穿戴设备与医疗设备数据；医院/系统级需整合医院管理系统、床位管理与物流数据。数据整合依赖FHIR（Fast Healthcare Interoperability Resources）、数据湖与健康数据空间（如欧盟正在建设的健康数据空间）等标准与平台，但结构互操作性仅解决数据交换格式，语义一致性、治理与异构系统集成仍需标准化术语、元数据、溯源、生命周期治理及模型有效性维持机制。
   计算架构需根据时效性需求采用混合模式：时间敏感型应用依赖边缘计算，医院/系统级应用可更多利用中心化基础设施，这直接影响数据治理与责任分配。孪生系统的核心组件包括：建模层（机理、统计或混合模型维持虚拟表征）、仿真引擎（运行候选场景）、治理层（访问控制、问责与审计）及网络安全防护（尤其在高层级成为关键基础设施时）。人工智能是重要工具而非定义要素，可用于机制不明领域的预测建模、复杂数据分析与决策支持，但单纯的机器学习风险评分不构成数字孪生，机理模型在生物可信度与数据稀缺场景中仍不可替代。随着AI演进，验证、确认与不确定性量化需同步更新，且预测精度之外的长期监测、不确定性透明化与可信度建设是临床转化的核心。生成式AI有望拓展孪生能力，但基础挑战仍在于定义统一、严格验证与安全保障。
4. 4.
   跨领域挑战
   4.1 跨尺度采纳与实施
   数字孪生的实施挑战随尺度扩展而累加而非替代。患者级主要受技术与临床因素制约，多数应用仍为原型，未转化为常规照护系统；从照护交付级向上，技术难度未减，但叠加了组织复杂性，包括异构系统集成、成本、治理要求及专业人员与机构接受度。现有文献多罗列障碍，缺乏实施过程的系统描述，包括采纳前的组织准备、工作流重构、员工参与、本地化适配、可持续资金保障及失败系统的退出机制。
   成本构成需细分为资本性支出（基础设施）、软件许可或开发费、持续性验证与维护费、网络安全费、专业人才聘用费及临床/管理机会成本，但尚无研究报道任何层级的全成本效益分析、预算影响评估或单位获益成本。社会经济壁垒不仅表现为资源分布不均，更可能导致现有健康不平等在数字空间的再生产，需关注低资源环境下的适配设计（如间歇性数据依赖、单元级优先）。部署后的持续运行成本、长期培训、协作与治理投入，以及去实施（deimplementation）策略，是当前文献的空白领域。临床接受度还取决于可用性、自动化偏见、警报疲劳及临床医生质疑推荐的能力，准确推荐若无法融入工作流或时机不当则价值有限。
   4.2 跨尺度验证：分阶段路径
   验证是医疗数字孪生最突出的短板，需区分代码验证（软件求解正确性）、模型验证（方程表征恰当性）、校准（参数拟合）、内部验证（开发数据性能）、外部验证（异中心/异人群性能）、时序验证（不同时段性能）、不确定性量化、前瞻性评估（并行运行不影响决策）、影响评估（干预后结局变化）及部署后监测（持续性能跟踪）等多个阶段，完成前四阶段远未达到临床验证标准。
   不确定性量化需涵盖参数估计误差、模型结构误差、测量误差、随机变异及因果假设不确定性，其有效传达比量化本身更关键。当前文献极少报告如何将不确定性呈现给决策者，如预测区间、校准范围外警示及低置信度输出抑制等。医疗验证的特殊难点在于无法观测同一患者的反事实结局，需借助因果推断、系统随机化评估、合成/外部对照组、跨中心外部验证及前瞻性影子模式部署等方法，但这些方法的应用仍不充分。
   不同层级的验证目标存在差异：各层级均需满足校准、鲁棒性、不确定性量化、外部效度与安全性的基础要求，但层级特异性验证问题各不相同——生理级侧重机制保真度，患者级侧重个体预测可靠性，照护交付级侧重流程优化有效性，医院级侧重运营效率提升，卫生系统级侧重系统韧性。准确性与效用不能混淆，模型预测性能优异不代表能改善临床决策或患者结局，因为决策本身可能已最优、预测时机不当或推荐行动不可行。
   4.3 治理、公平、安全与监管
   技术性能需与信任、透明与可信治理结合。治理要求随层级提升而复杂化：生理级侧重数据溯源、模型透明与可复现性；患者级侧重知情同意（含撤回权）、隐私与临床问责；照护交付级侧重团队职业责任与优先级规则所有权；医院级侧重机构数据治理、采购流程、供应商锁定与模型更新审批；卫生系统级侧重跨组织治理、控制器间链接的法律基础、公共合法性与公共资源分配。全层级需具备审计追踪、事件上报通道与不良决策责任主体，但这些最低要求在现有文献中均未涉及。
   公平性风险贯穿所有层级：生理级训练数据人群代表性不足，患者级监测设备在窄人群验证导致的测量误差差异，照护交付级数据生成技术的获取不平等，均可能放大现有健康差异。AI组件的引入若未将公平性作为设计前置要求，将导致偏见固化与放大，依赖连续监测的残疾人群体尤为脆弱。
   网络安全在双向耦合系统中超越保密性范畴，涵盖数据投毒、模型篡改、未授权驱动、拒绝服务攻击及关键基础设施破坏，高层级孪生应作为关键基础设施从设计阶段纳入防护。监管框架尚不清晰：面向个体的诊断治疗类孪生可能归属医疗器械/软件即医疗器械监管，运营规划类孪生则适用不同法规但仍受数据保护约束；机器学习的持续演进、多机构协作及非特定患者影响等特征，使得现有框架难以直接适用，监管不确定性是实施的核心障碍之一。技术、实施与监管需协同推进，隐私、安全、透明、问责与公平需内置于开发全流程而非事后补救。
5. 5.
   讨论
   本综述通过梳理从器官到卫生系统的多尺度医疗数字孪生研究，提出以表征单元为核心的五级框架，揭示了四个核心洞见：其一，数字孪生是多尺度概念而非单一技术，五级分类使得分散的心脏、肿瘤与医院孪生文献得以在同一框架下比较，凸显跨尺度共性结构。其二，各层级证据成熟度差异主要体现在技术开发层面，验证与实施层面则普遍薄弱，将患者级描述为“成熟”高估了现有证据强度，更准确的表述是“技术开发相对领先”。其三，核心挑战随尺度扩展而累加：患者级受限于个体数据建模的准确性与更新频率，高层级则在技术挑战之上叠加组织、政策与分配正义问题，这些问题分属政策选择、分配公平、机构问责、公共合法性与跨组织治理等不同范畴，需差异化解决方案。其四，卫生系统智能的实现依赖验证、互操作与治理的三重基础，当前均不完善。生理/患者级的技术领先提示其可能率先在临床治疗规划与预后领域产生获益，但需系统验证；高层级孪生则需异构数据整合、组织信任与设计创新，并将数据保护、安全、可解释性、问责与偏见缓解作为核心设计要求。
   定义选择显著影响领域解读：严格定义下多数已发表系统不符合数字孪生标准，宽泛定义则导致概念泛化失去区分度。本研究采用严格定义并明确其排除范围，旨在推动术语规范化。研究启示包括：研究者需从架构开发转向现有系统的外部与前验证，并明确模型的因果假设；临床医生需理解模型输出的含义、局限及责任归属；医院管理者需基于明确运营需求而非技术热度决策投资，优先解决数据质量、互操作性与工作流整合等基础问题；政策制定者需构建适配数字孪生的监管框架，平衡创新激励与风险控制，并将公平性与透明度作为准入核心标准。
   本综述存在若干局限性：单筛选者设计引入分类偏倚；未进行正式质量评价，成熟度判断基于报告内容而非底层研究质量；检索时限与语言限制可能遗漏灰色文献与非英文成果；概念框架基于叙述性综合，需后续实证研究验证其适用性。未来研究应聚焦于跨尺度孪生的联合验证、不确定性传播机制、反馈不稳定性控制及低资源环境适配，同时加强实施科学与卫生经济学评估，为数字孪生的临床转化与卫生系统整合提供坚实证据基础。