深度解析医学证据，lxfs.net为你支撑决策

摘  要

随着大语言模型等技术的发展，虚拟患者、合成患者、人工智能（artificial intelligence，AI）患者与数字孪生患者等多种患者建模形式不断涌现。尽管均以患者模拟为核心目标，但在理论本体、数据来源、建模逻辑与应用导向上存在显著差异。本文从模拟对象抽象层级与系统映射逻辑出发，对标准化患者、虚拟患者、合成患者、AI患者与数字孪生患者五类范式进行系统比较，厘清其概念边界与技术定位。研究指出，各范式分别代表行为再现、情境模拟、数据生成、认知交互与个体系统映射等不同建模路径。本文构建多维对照框架，为患者建模概念规范与智能医疗系统布局提供理论依据。

正  文

医学教育与临床能力培养长期依赖标准化患者（standardized patient，SP）作为核心教学与评估工具。标准化患者在我国培训与考核中已广泛使用，例如对全国31个省份1 421所三级综合医院的调查发现，76.7%的医院在新护士临床实践能力考核中使用SP[1]。SP是指经过系统培训、能够依据既定临床剧本稳定呈现疾病症状、行为表现及沟通模式的个体，其主要用于模拟真实临床互动情境，支持医务人员开展病史采集、沟通技能及临床决策能力训练[2]。

但随着医学教育规模扩大、病例复杂度上升以及数字医疗快速发展，单纯依赖真人扮演的患者模拟方式逐渐暴露出局限：（1）标准化患者在招募、培训与组织实施过程中成本较高[3]。（2）SP训练通常需要额外的一对一人力投入与复杂排班协调，限制了其在大规模教学中的推广效率[4]。（3）SP作为真人扮演者，在异常体征呈现、一致性维持及复杂疾病动态演化模拟方面仍存在界限[5]。与此同时，生成式人工智能（artificial intelligence，AI）、知识图谱、多模态学习与数字孪生等技术不断进入医疗场景，患者建模正在从“角色再现”扩展到“情境仿真-数据生成-认知交互-个体映射”的更宽技术谱系[6-7]。

近年来，以大语言模型（large language model，LLM）为代表的生成式AI迅速发展，为医疗仿真与医学教育提供了新的实现路径。LLM通过大规模语料训练，具备自然语言理解、多轮对话生成与一定程度的推理能力，已在医学问答、临床沟通训练、病例生成与反馈评估等场景中显示出较高应用潜力[8-10]。在此基础上，虚拟患者、AI患者等系统开始突破传统脚本驱动方式，逐步呈现出更强的交互性、适应性与可扩展性[11-13]。

数字孪生理念也正在推动患者建模向个体化、动态化和预测性方向发展。与主要服务教学训练的虚拟患者或AI患者不同，数字孪生患者强调以真实个体为参照对象，持续整合电子健康记录、生理监测、影像和分子数据，在数字空间中形成可更新、可推演、可预测的患者映射体[7, 14-15]。相关研究[16-18]表明，数字孪生技术已被用于健康轨迹预测、疾病进展模拟及个体化干预评估，正在成为精准医疗与系统医学的重要研究方向。

然而，当前文献中“虚拟患者”“合成患者”“AI患者”“数字患者”甚至“数字孪生患者”等概念常被并置使用，部分研究在命名上呈现出技术概念先行、范式边界模糊的问题。概念混用不仅影响不同研究之间的横向比较，也容易造成技术定位与应用目标的误判。基于此，本文以标准化患者、虚拟患者、合成患者、AI患者与数字孪生患者五类典型范式为对象，从核心差异、本体属性、数据映射逻辑、反馈机制与应用导向5个维度构建统一分析框架，系统描述并比较其内涵特征、构建方法及适用边界，以期为患者建模概念规范化与智能医疗系统合理布局提供理论参考。

 1 患者建模的谱系位置：从角色再现到系统映射

1.1　患者建模的范式属性：问题导向而非技术线性进化

患者建模是医学教育、临床仿真与医疗系统研究中的基础性方法，其核心目标并非单纯追求对“真实患者”的高度还原，而是在不同医学任务情境下，有选择地替代患者的特定要素（如行为、情境、数据或系统状态），以服务于教学、研究或决策支持需求[19-22]。因此，患者建模虽然在时间维度上呈现出一定技术递进趋势，但其本质并非单一线性进化，而是多范式在不同问题导向下交叉发展。

从这一视角出发，不同患者建模形式之间的差异，首先体现在其试图回答的医学问题类型上，而非所采用技术的新旧程度。标准化患者、虚拟患者、合成患者、AI患者及数字孪生患者，正是在不同问题导向与学科逻辑驱动下形成的并行范式体系。

1.2　患者建模的抽象层级演变

从总体发展脉络来看，患者建模经历了从“真人再现”到“数字系统建模”，再到“智能体与系统映射”的连续演进，其关键变化并非技术工具本身，而在于模拟对象抽象层级的不断提升（图1）。

图1　患者建模抽象层级演变示意图

AI：人工智能。

在早期阶段，患者建模主要依赖真人扮演的方式，通过训练个体稳定再现疾病症状与行为反应，实现临床沟通与诊疗流程的情境复现[2]。这一阶段的模拟对象以“患者行为表现”为核心，主要服务于临床沟通能力培养与职业行为训练。

随着计算机技术与多媒体仿真系统的发展，患者建模逐渐转向数字化情境模拟。此时，模拟对象从具体个体转变为结构化的临床病例与诊疗路径，患者被抽象为可交互的情境节点，从而支持可重复、标准化的教学训练[23]。

进一步发展中，医疗数据科学与生成模型的引入，使患者建模开始以数据分布为核心模拟对象。通过统计建模与生成算法构建虚拟患者数据群体，患者被抽象为多维特征空间中的统计实体，用于科研分析与系统测试[24]。

近年来，生成式AI与系统医学理念的兴起，使患者建模进一步迈向认知模拟与系统映射层面。一方面，患者模型开始具备语言交互与情境推理能力[8]，即AI患者，与虚拟患者以预设临床路径为核心不同，AI患者更关注患者在交互过程中的认知一致性与行为动态性，主要用于复杂沟通训练与临床推理模拟；另一方面，患者被视为运行中的生理-信息系统，即数字孪生患者，该范式通过多源数据融合实现动态映射与预测[25]，是系统医学与精准医疗的重要技术路径。这一演进谱系反映了患者建模从“角色再现”向“系统重建”的抽象跃迁。

 2 五类患者建模范式的内涵特征、构建方法及AI融合路径

2.1　标准化患者：基于真人再现的行为模拟范式

SP是患者建模体系中发展最早、应用最成熟的范式，其核心内涵在于通过系统培训的真人演员，按照既定临床剧本稳定再现特定疾病的症状表现、行为反应及沟通特征[2]。该范式强调临床情境真实性与行为一致性，是医学教育临床技能训练与能力评价体系的重要基础。

在构建方法上，标准化患者通常依赖三类核心环节：首先，通过临床专家制定病例脚本，对疾病史、症状表现、情绪反应及交流风格进行标准化设计；其次，对扮演者实施结构化培训，使其能够在多次教学与考核过程中稳定再现病例特征；最后，通过评估量表与反馈机制，保障教学评价的可重复性与客观性[26]。这一构建路径本质属于行为脚本驱动建模模式，其真实性主要依赖人类表演能力与培训一致性。

随着AI技术的发展，SP范式正逐步形成“真人主体+数字增强”的融合路径，但其核心模拟主体仍为真人，而非由AI取代。具体而言，这种融合主要体现在3个医学教学场景中。其一，在病例脚本生成与SP培训阶段，LLM可根据教学目标快速生成初始病例框架、问答样例、情绪反应脚本及不同难度层级的追问线索，再由临床教师进行医学准确性审校与教学适配，从而提高临床剧本开发效率与培训一致性。已有研究[27]显示，LLM能够生成具有较好结构性和临床可用性的模拟教学情境，例如在心源性休克、术后心脏压塞和心力衰竭等场景中，可作为教师设计高保真案例的辅助工具。其二，在问诊训练与形成性评价阶段，可通过语音识别、自然语言处理和对话分类模型，对学生与SP之间的问答内容进行实时转写、症状域识别和问题覆盖度分析，用于辅助教师判断学生是否完成了关键病史采集任务。相关研究[28-29]表明，AI驱动的模拟患者系统已能够对病史采集过程进行自动分类和即时反馈，其评分结果与人工评分具有较高一致性，提示“对话捕捉—内容识别—反馈生成”的技术链条具有较好的教育应用潜力。其三，在客观结构化临床考试或沟通技能考核后的反馈阶段，AI可对录音录像资料进行结构化分析，提取开放式提问、同理回应、打断频率、信息遗漏等指标，形成辅助性反馈报告，帮助教师开展二次点评，并支持学生进行针对性复盘[11]。近年的研究[11, 29-30]进一步显示，LLM不仅可用于模拟患者对话，还能对病史采集完整性提供结构化反馈，其与人工评价之间达到较高一致性，说明AI更适合作为标准化患者教学后的反馈增强工具，而非独立替代真人标准化患者。

2.2　虚拟患者：基于数字情境再现的交互仿真范式

虚拟患者是患者建模向数字仿真转型的重要阶段，其核心内涵在于通过计算机系统构建交互式临床案例，使学习者在虚拟环境中完成病史采集、检查决策及诊疗推理过程[20, 31]。该范式突破了真人模拟的时间与空间限制，实现了临床情境的可重复演练与标准化教学。

在技术构建方面，传统虚拟患者主要基于规则驱动与分支逻辑系统构建。系统通常采用病例知识图谱或决策树结构，将临床路径拆解为多个交互节点，学习者的操作行为通过If-Then规则触发不同情境反馈[32]。此外，多媒体技术常被用于增强沉浸感，例如三维角色建模、语音交互及虚拟现实环境整合[33-34]。

随着沉浸式技术与生成式AI的发展，虚拟患者开始向更高拟真度的多模态系统演进，但其核心仍多建立在预设病例逻辑之上。其一，在医患沟通训练场景中，虚拟患者可结合三维角色建模、语音识别、语音合成和屏幕式或沉浸式虚拟环境，用于训练问诊开场、共情回应、坏消息沟通和随访访谈等能力。系统综述[35-36]显示，当前虚拟沟通训练工具已广泛用于病史访谈和患者沟通能力培养，不少系统已支持口语自然语言交互，但其教学效果仍高度依赖前置指导、脚手架设计和课后反思，而不仅仅取决于技术本身。其二，在精神心理评估场景中，LLM可增强虚拟患者对抑郁、自杀意念等复杂心理状态的语言表达与角色一致性，使学生在标准化、可重复的环境中练习敏感议题筛查。已有研究[37]表明，GPT驱动的抑郁评估虚拟患者在大多数回答中能够维持既定角色，并被多数学习者认为具有较好的真实性与训练价值。其三，在急救与护理训练场景中，虚拟患者可与虚拟现实/混合现实环境融合，构建如交通事故现场、突发恶化评估或院前急救沟通等情境；在这类场景中，LLM主要用于增强对话自然度和语音互动习惯性，而病例状态推进、情境触发和训练目标仍需依靠预设脚本、关键词识别与任务流程控制来实现[13]。从整体趋势看，近年的系统综述[38]也表明，LLM增强型虚拟患者已主要应用于内科与精神健康病史采集训练，但在多病共存、评价一致性和外部效度方面仍存在不足。

因此，从学科逻辑上看，虚拟患者的本质并不在于“是否接入了LLM”，而在于其是否以数字化病例情境为中心，围绕教学目标组织交互流程、反馈规则与训练任务。其较为成熟的融合技术路径可概括为：临床专家构建病例知识框架-规则系统保证诊疗路径边界-多媒体/虚拟界面承载情境呈现-自然语言处理与LLM增强问答自然度-智能反馈模块完成学习分析与形成性评价。这一模式尤其适用于病史采集、临床推理、沟通训练、精神评估及急救处置等教学场景，体现了虚拟患者作为“数字情境仿真平台”而非“自由生成式患者智能体”的范式特征。

2.3　合成患者：基于数据生成的统计建模范式

合成患者源于医疗数据科学与隐私保护研究领域，其核心内涵在于通过统计建模与生成算法构建在统计分布上与真实患者一致，但不对应任何具体个体的虚拟患者数据[39]。该范式强调数据真实性与隐私安全之间的平衡，是医疗AI模型开发与系统测试的重要数据来源。

在技术构建上，合成患者通常遵循“真实医疗数据预处理-生成模型学习分布-隐私约束与风险控制-效用评估-下游应用部署”的基本路径[21, 40-41]。其生成对象既可以是表格型电子病历数据，也可以扩展至时序监测数据、医学影像、组学数据乃至多模态患者数据[21]。方法上，早期研究[21, 40-41]多采用统计模拟与概率模型，近年来则以深度生成模型为主，包括生成对抗网络（generative adversarial network，GAN）、变分自编码器（variational autoencoder，VAE）和扩散模型等。例如，EHR-Safe采用序列编码-解码网络与GAN结合的两阶段框架处理真实电子病历中的异质性、稀疏性以及数值/类别变量混合问题[40]；而基于扩散模型的研究则进一步提升了时序电子病历生成中的保真度，并在隐私风险指标上表现出较优结果[41]。

从医学落地场景看，合成患者目前主要沿四条路径发挥作用。第一，在公共卫生监测与政策制订中，合成患者数据可用于模拟不同人群结构、疾病负担和资源配置情境，在不直接暴露真实个体信息的前提下，支持疾病监测、筛查策略优化、干预方案比较及卫生资源配置评估，从而为公共卫生政策推演与决策提供辅助依据[42-43]。第二，在医疗AI模型开发与验证中，医院或研究团队可先利用合成表格型或时序型患者数据完成特征工程、模型原型训练和初步性能测试，再进入受限真实数据环境进行验证，从而降低前期数据申请和共享成本[40-41, 43]。第三，在跨机构数据协作与多模态研究中，合成患者可作为共享层或中间层，支持研究者在不直接暴露原始病历、影像或组学数据的情况下开展联合建模，尤其适用于样本稀缺、获取受限的罕见病和精准医学研究[21, 43-45]。第四，在临床试验与健康信息系统测试中，研究者可利用合成受试者数据测试电子数据采集表、病例报告表、预警规则、接口流程和分析管线[43, 46]。

近年来，LLM也逐步进入合成患者构建流程，但其作用主要集中在结构化或半结构化临床文本生成与多模态系统中的文本模块补全[47]。一方面，LLM可用于生成病程记录、出院小结、对话转录等合成临床文本，或直接生成结构化表格型临床数据[46-48]。已有研究[45, 47-48]表明，基于LLM生成的合成临床文本和表格数据，在部分下游分类任务或统计指标上已接近真实数据，提示其在低门槛合成数据构建中的可行性。另一方面，LLM也带来了新的风险：当合成文本过度逼近真实语料时，仍可能面临成员推断、隐性隐私泄露和群体偏倚问题[49-50]。换言之，合成患者的评价核心仍是数据的保真性、效用性与隐私性，而非对话自然度、情境推理或行为一致性，这也是其与其他患者建模方法之间最根本的范式分野。

2.4　AI患者：基于认知智能体的交互模拟范式

AI患者是生成式AI技术推动下形成的新型患者建模模式，其核心内涵在于构建具备语言理解、情境推理、自主决策及行为生成能力的智能体（Agent）。相较于传统虚拟患者，AI患者不再受限于预设的分支脚本，而是强调模拟对象的“代理权”，即能够感知环境、维持内部心理状态、并基于个性化特征进行动态交互的类人认知行为。

在技术构建路径上，AI患者通常采用各种模块化的架构，使其更具有患者特征，主要包含以下核心组件（图2）。

（1）认知核心与推理层：AI患者的认知核心以LLM为基础，研究者通过引入思维链（chain-of-thought，CoT）机制实现内化推理，使模型在输出前完成分步骤的临床逻辑分析。同时，为降低幻觉风险，系统进一步结合推理检索增强生成框架，通过意图抽象、知识图谱检索与多重校验机制，将回复生成过程与结构化医学知识相结合，从而提升其回复的临床逻辑性[51]。

（2）行为控制与状态追踪：为解决传统LLM的不稳定性，先进架构采用了多智能体协作模式。例如，EasyMED框架将意图识别（auxiliary agent）与行为生成（patient agent）分离，确保患者回答严格基于临床事实而非幻觉[52]；Med-PMC提出了“先询问-后观察”（ask-first-observe-next）范式，通过状态追踪器（state tracker）判断医生行为类型（如问诊或检查），再由患者智能体做出相应反应[53]。

（3）记忆与人格建模：受限于LLM上下文窗口长度，研究者引入生成式代理（generative agents）架构以构建“记忆流”（memory stream），使 AI 患者能够持续存储交互历史，并在此基础上进行反思与规划，从而提升行为的连续性与情境一致性[54]。与此同时，部分研究尝试引入心理学理论以增强患者行为与心理表现的真实感，例如基于大五人格理论构建配合度与沟通风格差异化的患者模型，或依据认知行为疗法（cognitive behavioral therapy，CBT）框架，模拟具备核心信念、中间信念与自动思维结构的抑郁症患者模型（如 PATIENT-Ψ 系统）[55-56]。然而，现有AI患者多依赖即时生成机制，其人格特征往往随对话情境与提示变化而波动，尚难形成长期稳定、可持续演化的人格结构。

（4）多模态表达：部分系统已超越纯文本交互，结合语音合成（text-to-speech，TTS）与面部动画技术，甚至通过Unity引擎或实体机器人（如Furhat Robot）实现具备面部表情、肢体动作及注视行为的具身智能交互[56-57]。

与传统虚拟患者依赖预设分支路径不同，AI患者可围绕开放式临床任务动态生成不同病情走向、信息披露方式与行为反应，因此其落地场景之一是开放式接诊与连续诊疗推演：例如在首诊训练中，学习者面对的并非脚本化病例，而是可能出现表述含糊、信息隐瞒、情绪波动或诉求变化的智能体，需在多轮互动中自主调整问诊策略并逐步形成诊断思路[51, 58]。同时，AI患者适用于高敏感沟通与心理治疗训练，通过模拟患者的认知模型、情绪状态和人格特征，动态生成回避、防御、矛盾表达或自动思维等复杂反应，使学习者能够在开放式互动中练习共情回应、风险识别、认知概念化和持续沟通能力[55, 59]；这类系统已被用于心理治疗训练与心理咨询来访者模拟，体现出AI患者在复杂心理互动场景中的独特优势；进一步，在多学科协作与全流程医疗沙盒中，AI患者还可作为动态交互节点嵌入虚拟医院或手术室环境，参与接诊、检查申请、结果反馈、诊断决策及围手术期协作，推动医学仿真由单项技能训练走向复杂流程演练[60-61]。

因此，AI患者的核心价值在于：以较低成本提供开放式、非脚本化、高复杂度的训练资源，弥补真人SP组织成本高和传统虚拟患者封闭性强的不足，并更适合承载复杂病例、敏感议题、高风险沟通及团队协作等高阶教学任务[51, 60]。但同时，AI患者在长期人格稳定性、非典型症状表达、隐瞒病史真实性及公平无偏表达等方面仍有待进一步优化[62]。

图2　人工智能患者架构示意图

2.5　数字孪生患者：基于个体动态映射的系统级建模范式

数字孪生患者（digital twin patient）代表患者建模向系统医学与精准医疗方向发展的高级形态，其核心内涵在于通过整合多源临床数据与实时监测信息，在数字空间中构建与真实患者个体持续绑定、动态同步的虚拟映射系统[7, 63-64]。与以情境再现或对话交互为主要目标的患者模型不同，数字孪生患者并非对“患者形象”或“患者行为”的一般性模拟，而是以现实个体为唯一参照对象，对其生理状态、心理特征、疾病演进轨迹及干预响应过程进行系统性建模，其根本目标在于支持个体化健康评估、风险预测与精准干预[63, 65]。

在生理建模方面，数字孪生患者强调对真实患者多维生命体征与疾病过程的动态映射。数字孪生患者建模基础通常来源于电子病历、实验室检查、医学影像、生理监测数据、可穿戴设备数据以及分子生物学数据等多源异构信息[7, 63, 66]（图3）。通过多模态数据融合技术，系统能够将分散于不同时间点、不同维度的数据整合为统一的患者生理状态表征，并进一步结合生理机制模型、机器学习预测模型及系统动力学模型，对疾病发生、发展及治疗反应进行多尺度模拟[7, 64, 67]。与一般静态病例模型不同，数字孪生患者的关键特征在于其可随真实个体新数据的持续输入而实时更新，从而形成对个体健康状态的动态追踪与闭环校正[63, 66]。这种建模方式不仅能够更细致地刻画患者病情变化过程，还可用于慢性病连续管理、风险预警及个体化治疗方案比较，从“事后判断”进一步转向“事前预测”和“过程干预”[7, 64, 67]。

图3　数字孪生患者生理建模架构示意图

在心理建模方面，数字孪生患者的重点并不只是生成自然、连贯的对话内容，而是在真实个体长期行为与心理相关数据基础上，构建能够反映其情绪状态、认知特征、行为倾向及依从性模式的动态心理表征[65]。现有研究采用了“心理测量参数化 + 结构嵌入式建模”的技术路径，人格从“提示词特征”转变为“系统层参数”。首先，通过标准化人格量表（如大五人格量表）对个体进行基线测评，将人格维度转化为可计算的数值参数；随后，将这些参数嵌入至系统的长期记忆模块与认知决策层，作为影响行为生成、风险偏好与干预响应的重要调节变量。在系统实现上，人格参数不参与即时随机生成，而以独立变量形式参与模型推理过程，对行为输出进行约束与加权。此外，通过内部一致性系数（如Cronbach's α）与重测信度（ICC）等心理测量指标对模型输出进行跨时间验证，可监测并校正人格漂移现象，从而确保数字孪生患者在多轮交互与长期模拟中的特质稳定性。该技术路径使数字孪生患者的人格成为可验证、可量化、可持续更新的系统结构参数，而非提示驱动的表层特征设定，这使其在心理风险识别、个体化健康教育、行为干预设计及长期照护支持中具有更突出的应用价值。

人工智能技术在数字孪生患者构建中发挥着关键支撑作用，但其价值并不在于单纯提升建模效率，而在于推动患者模型由静态表征走向动态预测、由单点分析走向连续优化。具体而言，深度学习模型可用于多源医疗数据的特征提取、模式识别与风险预测，强化学习和因果推理方法则进一步支持不同治疗路径、干预时机与管理策略的比较分析[64, 68]。在这些技术支撑下，数字孪生患者不再只是对既有健康状态的数字化再现，而是能够围绕“当前状态-未来演化-干预结果”形成具有预测性和反馈性的闭环系统，从而为个体化治疗决策、慢病长期管理及复杂临床情境下的方案优化提供依据。近年来，研究还开始探索将LLM引入数字孪生系统，作为连接复杂模型与临床使用者之间的人机交互接口，使医生或患者能够通过自然语言理解模型状态、查询预测结果并开展情景假设分析，从而提升数字孪生患者的可解释性与可用性[69]。但需要明确的是，在这一范式中，LLM所增强的主要是交互能力与结果解释能力，而非数字孪生患者的核心建模逻辑。数字孪生患者的本质仍在于以真实个体为中心，通过持续数据更新、多模型耦合与反馈迭代实现对患者状态及干预反应的动态映射，其真正价值在于为精准医疗提供一个可计算、可预测、可优化的个体级系统模型。

 ３ 五类患者建模范式的本质差异对照

尽管SP、虚拟患者、合成患者、AI患者及数字孪生患者均以模拟患者为核心目标，但不同范式在理论本体、技术路径及应用导向方面存在根本差异。基于此，本文提出了“患者建模范式多维比较框架”，将从模拟对象、本体属性、数据映射逻辑、反馈机制及应用导向五个维度，对五类患者建模范式进行系统比较，并形成结构化对照结果（表1）。

3.1　核心差异：从“患者替代”到“系统映射”的功能分化

五类患者建模范式虽然都承担“患者替代体”功能，但其所替代的对象并不相同。SP主要替代真实临床互动中的行为表现与沟通过程，其价值在于提供具有情境真实性的人际互动体验；虚拟患者则主要替代结构化病例与诊疗路径，通过数字化情境支持反复演练与推理训练；合成患者并不直接替代临床互动对象，而是替代真实患者数据资源，为模型训练、系统测试及科研分析提供可共享的数据基础。相比之下，AI患者进一步将替代对象延伸至患者的认知反应与对话行为，使模拟系统具备一定的语言生成、情境推理与动态响应能力；数字孪生患者则不再满足于“像一个患者”，而是强调对特定真实个体健康状态、疾病演进与干预响应的系统性重建。由此可见，五类范式的核心差异不在于是否使用AI，而在于其模拟重点究竟是行为、情境、数据、认知，还是个体系统本身。

3.2　本体属性与数据映射：群体统计模拟与个体身份映射的分野

从本体属性看，SP属于真人参与型建模，其真实性建立在人类表演、训练一致性及情境还原能力之上；其余4类则属于算法生成型建模，但不同算法范式所依赖的数据映射逻辑并不一致。SP与虚拟患者通常基于典型病例、临床经验或教学目标构建，其所模拟的是具有代表性的群体性临床特征，而非某一真实患者个体。合成患者虽然直接来源于真实医疗数据，但其技术目标是学习总体统计分布并生成不对应具体个体的新数据样本，因此其逻辑本质上仍属于群体统计模拟。数字孪生患者则与前3者形成根本区别：其构建前提是与现实中的特定患者保持持续绑定，模型状态需要随个体真实数据变化而更新，因此属于个体身份映射范式。AI患者处于两者之间：其既可以仅依赖群体知识库或通用语料构建一般化患者代理，也可以在接入个体病历、人格参数或连续监测信息后实现一定程度的个体化模拟，但只要缺乏稳定身份绑定与持续同步更新，其本质仍不能等同于数字孪生患者。也就是说，区分不同患者建模范式的关键，不仅在于“是否使用数据”，更在于模型与真实个体之间是否存在一一对应关系。

3.3　反馈机制：预设脚本驱动与实时动态闭环的差异

不同患者建模范式之间的另一关键边界，体现在系统如何产生反馈以及反馈是否能够形成持续闭环。SP和传统虚拟患者大多依赖预设脚本、规则路径或任务流程控制，系统反馈以稳定、可控为优势，适合标准化训练与考核，但对复杂、开放情境的自适应能力相对有限。合成患者则本质上属于离线生成范式，其“反馈”主要体现在数据生成后的效用评估、隐私评估与下游模型表现中，并不构成实时交互意义上的反馈回路。AI患者相较于脚本驱动系统更进一步，能够依据用户输入即时调整回答内容、表达方式与交互策略，体现出较强的动态响应能力；但这种动态性主要仍发生在“用户提问-模型回应”的框架内，其状态更新通常由外部对话触发，缺乏与现实个体状态同步的持续闭环机制。因此，AI患者更适合被理解为介于脚本驱动与闭环系统之间的过渡形态。数字孪生患者则代表真正意义上的实时动态闭环：系统通过连续接收电子病历、生理监测、影像或可穿戴设备数据不断更新内部状态，并将模型输出再用于风险预测、干预评估与情景推演，从而形成“数据输入-状态更新-结果预测-反馈优化”的闭环结构。由此可见，五类范式并非简单分为“静态”与“动态”两类，而是沿着预设控制、离线生成、交互适应到实时闭环形成一个连续谱。

3.4　应用导向：面向不同医学需求的技术选型逻辑

从应用层面看，五类患者建模范式并不存在绝对的优劣关系，而是对应不同任务目标与证据需求。SP与虚拟患者主要服务于医学教育，前者更适合训练沟通行为、同理回应与职业素养评价，后者更适合病例推理、决策路径训练及可重复练习。合成患者的核心价值不在教学互动，而在政策制订、科研协作、模型开发、系统测试及隐私保护场景。AI患者则适用于高复杂度对话训练、精神心理评估模拟、跨学科情境演练以及个体化反馈支持，其优势在于交互灵活性与认知模拟能力。数字孪生患者则主要面向精准医疗、连续健康管理与临床决策支持，其应用重点是疾病预测、干预效果推演及个体化策略优化。因此，在实际技术选型中，不应将“是否更智能”作为唯一判断标准，而应根据任务是偏向行为训练、情境演练、数据生成、认知交互还是个体预测，选择相应范式。只有将不同技术置于具体医学问题中理解，才能避免概念泛化带来的误用。

3.5　为什么“数字孪生患者”不等同于“AI患者”：核心概念辨析

在当前研究与实践中，AI患者与数字孪生患者最容易被混用，其原因在于两者都可能表现出较强的自然语言交互能力，从而在表面上都呈现出“智能患者”的形态。然而，从建模目标与系统逻辑来看，两者并不属于同一范式。AI患者的核心目标是模拟患者“如何表达、如何反应、如何互动”，重点在于语言自然度、角色一致性、情绪表现与沟通复杂性，本质上属于认知交互导向的智能体范式。数字孪生患者的核心目标则是模拟“这个具体患者当前处于什么状态、未来可能如何变化、干预后会有什么结果”，重点在于真实个体绑定、持续数据更新、状态同步和结果预测，本质上属于个体系统映射范式。前者追求的是“像不像患者”，后者追求的是“是否真实对应这个患者”。

因此，一个系统即使具有高度自然的对话表现，只要缺乏真实个体数据驱动、持续动态更新和可验证的预测机制，就仍然只能被视为AI患者，而不能被称为数字孪生患者。反过来说，数字孪生患者可以引入LLM作为解释层或交互接口，以提升模型的可理解性与可用性，但这并不改变其核心仍是数据驱动的个体映射系统。明确这一边界，不仅有助于避免“凡是会对话的患者模型都叫数字孪生患者”的概念泛化，也有助于将AI患者更准确地定位于教育与沟通训练，将数字孪生患者更准确地定位于精准医疗与临床决策支持。

总体而言，SP、虚拟患者、合成患者、AI患者与数字孪生患者并非同一技术路径上的线性替代关系，而是面向不同行为再现、情境模拟、数据生成、认知交互与个体系统映射任务所形成的差异化患者建模范式。其中，AI患者的核心在于自然语言交互与认知行为模拟，数字孪生患者的核心则在于真实个体绑定、持续数据更新与状态预测，二者在技术目标与系统逻辑上不能混同。明确五类范式的概念边界与应用定位，有助于避免相关术语的泛化使用，并为医学教育、医疗仿真与精准医疗中的合理技术选型提供理论依据。

利益冲突：无。

作者贡献：朱兴源负责论文的选题设计、整体框架构建、文献检索与整理、全文撰写及修改；朱政负责论文的总体构思、研究方向把握、全程学术指导以及稿件的审定；王佳清、杨中方、黄宗安参与论文内容讨论，从医学、护理学及人工智能技术等角度提出修改意见与完善建议。所有作者均阅读并同意论文最终版本。

参考文献略。

阅读全文

小提示：本篇资讯仅在梅斯医学APP中开放阅读，请扫描二维码直接下载APP