如果说 RWD 是医疗数据圈的硬通货，那么数字孪生（Digital Twin）就是医疗 IT 圈的奢侈品。

在各大智慧医疗展会上，你总能看到这样的场景：一块巨大的高清屏幕上，悬浮着一个半透明的 3D 人体模型。旁边跳动着实时心率、血压，底下滚动的全是看不懂的基因序列和实验室指标。

解说员会指着屏幕，满脸自豪地对参观者说：“这是我们为患者构建的实时数字孪生体。”

台下掌声雷动，仿佛我们已经一只脚跨进了《黑客帝国》。

但看着这些被吹上天的项目，我只想泼一盆冷水。这盆冷水不关乎技术，不关乎隐私，而是我看清了一个行业怪象：

绝大多数所谓的医疗数字孪生，根本没有孪生任何医疗系统。它们只是把 RWD，甚至多半是我定义的 AWD（Administrative World Data，行政世界数据），换了一种更酷的展示方式。

这里的99%，并非一个准确的统计数字，而是我对当前主流项目形态的结构性判断。

缘由不是技术不行，也不是算力不够，而是医疗这个领域，天然不允许你轻易做出真正的孪生。如果你仔细拆解这些项目，你会发现它们普遍存在六重误判。这六重误判，把可视化包装成了孪生，把相关性伪装成了因果。

第一重误判：把数据在屏幕上动起来当成孪生

这是最常见、也最致命的偷换概念。

典型的项目长这样：

• 左边：炫酷的 Unity/Unreal 引擎渲染的 3D 器官动画。
• 右边：从 HIS 或监护仪接过来的实时数据流。
• 逻辑：数据变了，器官颜色跟着变一下。

但这叫孪生吗？不，这叫仪表盘。

如果你开过车，你面前的仪表盘显示车速 120 迈，并不代表仪表盘孪生了发动机。它只是被动地显示了一个结果。

真正的工业级数字孪生，核心能力不在于显示，而在于互操作与推演。

我如果调节一个虚拟参数，它能预测现实中系统的走向吗？如果系统不能预测，不能推演干预后果，指标变化只是被动刷新的话，那不管那个 3D 模型做得多逼真，它本质上只是一个穿了 3D 皮肤的 Excel 表格。

第二重误判：用统计相关，假装因果机制

许多技术团队会反驳：不仅仅是显示，我们用 RWD 训练了 AI 模型，能预测风险。

这里存在第二个巨大的逻辑偷换：风险预测 ≠ 系统孪生。

目前的医疗 AI，大多是基于统计学的分类器。它从历史数据里学到的是：当 A、B、C 同时出现时，病人有 80% 的概率会在 24 小时内发生休克。

这很有用，但这依然不是孪生。

只有显式或隐式地建模了系统的因果结构，模型才可能支持反实际推演，而反实际能力正是孪生与预测器的分水岭。

目前的模型更像是一个历史回放播放器，它能根据过往的规律猜剧情，但它无法像沙盘推演系统那样，让你去测试完全没发生过的战术。

没有因果，只能回忆；不能假设，何谈孪生？

第三重误判：输入是 AWD，却想输出生理世界

这是我一直强调的观点。我们要问一个根本问题：喂给这个孪生体的燃料是什么？

是中国医院里的 RWD。而我们知道，这些数据的主导成分往往是 AWD（行政世界数据）。许多被模型视为状态变量的数据，实则是 DRG 规则的影子，是质控逻辑的结果，甚至是法律风险下的修辞产物。

举个超级真实的例子：

模型观测到：高危患者 → 更多检查 → 更多用药 → 更长住院。

AI 学到的是什么？

它学到的是：高危 = 医疗系统更紧张、资源消耗更多。

但生理孪生应该学到什么？

它应该学到：高危 = 生理系统更脆弱、代偿能力更差。

当你用 AWD 去构建孪生时，你复现的不是疾病演化的轨迹，而是制度响应的轨迹。你孪生的不是病人，你孪生的是这家医院的行政管理逻辑。

更关键的是，这些偏差并非独立噪音，而是由支付规则、考核机制反复强化的系统性偏差，这意味着它们很难通过简单的统计校正被洗掉。

第四重误判：没有时间连续性，却妄谈状态演化

真正的数字孪生，在数学上至少应当是一个时间一致、可递推演化的状态空间模型。

但绝大多数医疗项目用的是什么数据？

• 住院期间的断点切片。
• 门诊的离散记录。
• 一年一次的体检快照。

这就像你想通过几张抓拍的照片，去还原一部电影的完整剧情。

后果是什么？病人的状态在系统里是断裂的，转移过程是推断的，中间的大量空白是靠算法脑补的。

你无法回答最细微的临床问题：

• 如果我今天提前 12 小时给药，药代动力学会怎么变？
• 如果我不做这项有创检查，风险曲线会如何平移？

没有连续的时间轴，就没有动态的演化。没有演化，所谓的全生命周期管理往往只是一句空话。

第五重误判：没有反实际，却宣称可决策

这是最关键的一点，也是被许多产品经理忽略的一点。

数字孪生最大的价值是什么？是反实际推演。即：这个病人现实中走了 A 路径（手术），但我可以在孪生体里试一试，如果当时走 B 路径（保守治疗），会怎样？

但 RWD 的本质决定了它很难支持这种推演。由于世界只发生过一次。

你手中的数据，永远只有发生了的那条路。你永远看不到没发生的那条路产生的数据。

于是，多数所谓的辅助决策孪生，只能：

• 在 PPT 里画几个分支箭头。
• 在 Demo 里切几个预设好的场景。
• 在话术里模棱两可地说如果……可能……。

没有反实际推理能力，所谓的决策支持就是幻觉。你只是在复述过去，而不是在探索未来。

第六重误判：医疗责任结构不允许孪生闭环

这是一个非技术，但决定性的现实约束。

在工业界，数字孪生之所以能成，是由于它是闭环的：模型给出提议 → 控制器执行 → 结果反馈修正模型。

但在医疗里，这个闭环是断的。

• 谁敢完全按照孪生模型的提议去给病人用药？
• 如果预测错误导致医疗事故，是算法公司负责，还是医生负责？
• 谁允许你在真实的病人身上试错来校正模型？

于是，所有的医疗数字孪生项目最终都不得不退化成：只看，不用；只评估，不决策；只展示，不干预。

结果是，模型永远无法被现实世界的反馈所校正，也就永远无法进化成真正的孪生。在工程意义上，它更接近一个实验性的原型，而非可用的孪生系统。

结语：一个必要的自检清单

写到这里，我们不妨做一个简单的体检。当一个医疗项目宣称自己是数字孪生时，如果它满足以下任意两条，它大致率只是一个可视化大屏：

• 主要价值是展示而非推演
• 核心模型是统计相关而非机理模型
• 数据源是充斥着行政逻辑的 AWD
• 时间轴是离散的拼凑
• 不支持反实际（What-if）分析
• 没有临床干预的闭环

而现实中，绝大多数项目，这六条全中。

我并不是要否定可视化的价值。将枯燥的数据变得直观，对临床的确 有协助。但请不要用数字孪生这个宏大的词汇，去包装一个基础的 IT 工程。

最后，送给大家一句话，或许可以作为这波热潮的注脚：

目前医疗数字孪生最常见的形态，不是虚拟病人，而是历史病历的 3D 播放器。

它让人看得更清楚，但并没有让任何一个人决策得更好。

今日互动

你见过哪些让你觉得一眼假的医疗数字孪生项目？或者，你认为真正的虚拟病人离我们还有多远？欢迎在评论区留言讨论。