一种成本优化的医疗数字孪生框架，用于智能医疗中安全高效的病人数据管理

为什么你的医院数据需要一个智能“副本”

医院正快速被传感器、应用和扫描设备覆盖，持续实时监测病人。所有这些信息本可以帮助医生更早采取行动并个性化治疗，但前提是这些数据能够足够快地传输、处理并得到保护。本文提出了一种构建每位病人“数字孪生”的新方法，能够实时跟进，同时在成本和隐私风险方面保持可控，尤其适用于重症监护等高要求场景。

从病人到数字孪生

在此设想中，每位病人都对应一个医疗数字孪生：一个反映其当前状态并预测近期变化的虚拟对照。可穿戴心电监测器、胰岛素泵、智能吸入器和影像系统将数据流入该孪生体。孪生体分析输入信号以预测危险事件、建议药物剂量并在危机发生前提醒医护人员。为安全完成这些任务，系统必须决定每项工作的执行位置——在近床设备、病房内的服务器或远端数据中心——既不能造成延迟，也不能暴露敏感记录。

三重权衡：速度、成本与安全

作者表明，运行这些数字孪生不仅是技术挑战，更是经济与伦理问题。每项任务——如同步传感器数据、运行AI预测或更新模型——都可以被分配到不同类型的计算单元：靠近床边的小型设备（边缘）、医院内部的中间服务器（雾计算）或强大的云端机器。边缘设备响应迅速但算力受限；云端算力强但物理距离远、暴露面可能更大。该框架将这一问题视为三重权衡：降低延迟以实现真正的实时护理、让医院能够承受的运营成本以及维持符合隐私法规的高水平数据保护。

智能调度器如何做出选择

为管理这种权衡，团队设计了一套决策工具，类似于数字孪生任务的交通管制。最精确的工具使用数学优化来在考虑计算能力限制、最低安全等级及每项任务临床紧急性等条件下，找到任务到机器的最佳分配。由于该精确方法在系统规模扩大时会变得过慢，作者引入了两种更快的策略。一种是快速的基于规则的方法，贪心地将每个新任务发送到在容量和安全规则下合理的机器。另一种将学习与受进化启发的搜索相结合，使系统能在复杂、动态的环境中随时间改进其决策。

在虚拟重症监护室中的测试

该框架通过对一个由4、8和12名病人组成的智能重症监护室进行详细模拟来测试。每位虚拟病人生成逼真的工作负载，包括心律同步、异常检测、基于AI的风险评分和定期模型更新。在多种测试设置中，精确的数学方法始终能找到速度、成本与安全的最佳组合，但当病人数目增多时，实时使用会显得过慢。快速的基于规则的调度器几乎瞬间运行，并在小到中等负载下保持约5%到8%内的理想解差距。基于学习的方法在更大规模和更注重安全的场景中最接近理想，保持大约3%以内的最优值差距，同时仍能扩展到更高的负载。

这对未来智能医院意味着什么

综合来看，结果为希望采用病人数字孪生而不被账单、延迟或隐私威胁压垮的医院提供了一条切实可行的路线图。所提出的设计表明，可以调优系统以便在某些情况下优先低延迟，在另一些情况下优先严格保护，或在其他情况下追求平衡混合，同时保持对临床人员和审计者的可解释性。简言之，研究认为通过合理组合智能调度和分层计算，医院可以为每位病人安全地提供高保真度的数字孪生，帮助医生更快、更准确地决策，并更有信心地保障敏感数据的安全。

引用: Alotaibi, F.M., Ahmad, S., Akram, T. et al. A cost-optimized medical digital twin framework for secure and efficient patient data management in smart healthcare. Sci Rep 16, 11407 (2026). https://doi.org/10.1038/s41598-026-41205-y

关键词: 医疗数字孪生, 智能医疗, 边缘与云计算, 病人数据安全, AI任务调度