什么是完整人？迈向完整个人建模的本体论与计算科学定义

摘要

背景：整体医学、全人健康、人体数字孪生与患者数字孪生研究已经提出多种关于人及其模型的定义。

关键问题不在于是否首次认识到人的多维性，而在于真实的人、模型的实际覆盖范围、跨领域解释关系、任务有效性及严格数字孪生要求在研究陈述中是否被混同。方法：通过中英文相关文献的定向比较、概念区分、构造性反例及表示不可区分性形式分析，提出一个关于完整人的候选本体论定义，并构建可审查的完整个人模型声明框架。结果：完整人指同一个具体人类个体及其不可被任意局部指标取代的多方面存在；完整个人取向模型的范围和关系主张（P0/P1）与具体任务的独立效度（V）应分开评价。提出关于身份、时间、语义、证据、个人目标和跨领域推断的候选审查条件，并通过反例说明仅有多领域数据或局部预测不足以支持不受限制的整体性主张。结论：完整个人建模需要明确区分真实主体、有限模型及其可支持的具体结论。所提出框架是一个待比较验证的理论和方法学方案，不构成新的国际标准，也不预设 HFWM 或 UOHF 是唯一实现。

关键词：完整人；完整个人计算；本体论；个人身份；人体数字孪生；模型主张与验证；跨领域解释；研究边界；HFWM；UOHF

1 引言：为什么“完整人”仍然需要定义

现代科学可以分别描述一个人的疾病风险、器官机制、运动表现、认知活动、行为选择、环境暴露和社会参与。问题不在于这些专业知识不科学，而在于多个独立有效的结论，是否足以支持对“同一个人现在怎样、为何如此、下一步可能怎样”的综合判断。一次成功的康复测试未必说明脱离辅助后的日常生活同样可行；一次疾病风险下降也不能自动推出当事人的生活负担下降。这些判断的主体是同一个人，但证据所支持的命题并不相同。

整体理解人的思想有明确学术先例。Engel 于 1977 年在 Science 提出生物—心理—社会医学模型[1]；WHO ICF 将健康状况、身体功能与结构、活动、参与及环境因素联系起来[2]；NIH 和美国国家科学院关注全人健康与个人目标[3,4]。Lin 等 2024 年已发表多维度人体数字孪生定义[20]，Luo 等 2025 年则基于 127 项中英文文献直接分析“完整人取向”定义[27]。在计算领域，NASEM 提出数字孪生的预测及反馈要求[23]，Drummond 与 Gonsard 提出患者数字孪生操作定义[22]，Tudor 等 2025 年以此类标准审查 149 项人体孪生研究[25]。因此，“完整人具有多维度”“多领域个体模型”“数字孪生需要验证”均不能作为本文独创发现。

真正需要澄清的是：当研究者声称研究“完整人”时，“完整”究竟是在修饰真实的研究对象、伦理态度、多领域数据、跨领域模型架构，还是某一任务的经验证判断能力？这些对象不能相互推出。特别是，只有心率与运动负荷的跨领域关联，并不能自动使一个模型有资格声称“已经完整计算了一个人”。本文将完整个人取向的范围声明与特定任务的独立有效性证据分开，并要求任何“整体”声称同时说明遗漏了什么。

本文不处理 personhood（人格／道德主体资格）、意识复制或生命起点和终点的全部哲学争论，也不把人的价值与计算可预测性挂钩。研究范围是具体人类个体的生物医学与跨领域计算：先澄清被研究的人，再明确模型主张、证据和推断边界。

2 方法：定向文献比较与形式分析

通过公开学术数据库、出版社页面、PubMed/PMC、权威机构标准页面及引文追踪，以 whole person、whole-person approach、whole person modeling、human/patient digital twin、virtual human twin、person-centered ontology、personal identity、digital twin definition 及verification, validation and uncertainty quantification 等主题开展中英文定向文献检索。优先使用已发表研究，未正式发表的研究按其实际文献类型列示。比较主体界定、覆盖范围、身份连续性、跨领域关系、状态更新、预测、模型类别、效度证据和伦理边界。本研究采用定向比较而非系统综述方法，不声称检索穷尽。

方法包括：（1）区分真实个体、全人健康、全人照护、以人为索引的局部模型及完整个人计算；（2）对照既有人体数字孪生和全人模型定义，提出候选研究对象定义、范围标签 P0/P1 及独立效度标记 V；（3）利用通用表示不可区分性逻辑和构造性反例检验推断边界；（4）提出可供未来独立评价的操作程序。UOHF 与 HFWM 在这里是所比较的研究方案，而不是独立有效性证据。

3 既有研究究竟定义了什么？

相关先行研究包括 Felsky 等对精神健康 Whole Person Modeling 提出的定量条件[6]、Lin 等的人体数字孪生架构[20]、Lauer-Schmaltz 等的设计条件[9]、Zhu 与 Yang 的功能导向信息模型[11]，以及 Luo等对中英文完整人取向的比较[27]、Pellegrino 等的医疗数字孪生元综述[24]、Drummond 与 Gonsard的患者数字孪生分类[22]、Sadée 等在 The Lancet Digital Health 提出的医学数字孪生组成框架[26]。

Elgammal 等已提出本体驱动的患者数字孪生框架并报告初步评价[28]。因此，患者身份、跨领域语义、动态轨迹、模型分类和评价维度都有明确先例。现有研究还包括 ISO/IEC 30173:2023 的数字孪生概念与术语[31]、美国国家科学院有关动态反馈与预测的报告[23]、Tudor 等对 149 项研究的标准符合性审查[25]、跨行业本体数字孪生元模型[32]，以及JAMIA 对 26 项医疗虚拟人体孪生研究形成的评价框架[12]。智能体 AI 人体数字孪生综述已讨论多模态大模型与临床决策的整合[30]，长周期健康孪生研究也提出事件驱动轨迹模型[19]。跨领域组合和模型评价本身都不是本文的首次发现。

3.1 必须正面对照的现有定义与形式规范

2024 年《Definitions and Characteristics of Patient Digital Twins Being Developed for Clinical Use》对 80 种声称为数字孪生的系统作了分类，将患者数字孪生操作性地定义为可呈现、具有多维个体化信息并支持决策的患者、器官或生物系统数字副本[22]。这一先例已经涉及“如何判定是否为孪生”，因此本文若只建议把模型归类，便没有独立原创性。

2024 年美国国家科学院报告给出更严格的数字孪生通用定义：模型需模拟对应系统的结构、情境与行为，由实体数据动态更新，具预测能力并反馈决策[23]。ISO/IEC 30173:2023 将数字孪生定义为通过数据连接使目标实体和数字状态以适当速率趋于一致的数字表示，列举了分析、仿真等可能能力；并不将NASEM 的预测及反馈要求作为 ISO 定义的全部强制条件[31]。必须强调：定义 2 定义的是候选的“完整个人取向计算架构”，不自动等于达到上述标准的“完整个人数字孪生”。若声称为孪生，应另行逐项证明动态数据联系、预测性能与反馈用途。

2025 年《npj Digital Medicine》研究检索 149 项人体孪生研究，发现仅 18 项（12.08%）符合其采用的 NASEM 式数字孪生标准，且只有 2 项提及验证、确认与不确定性量化（VVUQ）[25]。2025 年《Lancet Digital Health》把医学数字孪生组织为患者、数据连接、在硅患者、接口和孪生同步五部分[26]。这些成果已将“模型声明与真实技术能力不一致”作为明确研究问题，本文候选合同只能在此基础上寻求额外判别力。

在“完整人”定义研究中，Luo 等基于 38 篇中文及 89 篇英文文献提出完整人取向在多维、动态、能力与协作方面的共同特征，但同时发现中西方研究的目标重点不完全一致[27]；Seixas 与 Chung 于 2026年从本体论、知识与制度碎片化出发提出三部分全人健康框架[29]。这些讨论支持概念的历史积累，却不能证明一个单一、普遍适用的人类本体定义已经建立。

Elgammal 等提出的患者数字孪生框架已使用 OWL 本体表示生理、心理社会、行为及基因信息，并报告专家评价和初步试点[28]；Singh 等进一步综述智能体、多模态基础模型及临床决策系统与人体数字孪生的整合[30]。本文因而重点研究“主体—模型范围—用途—证据”分离及联合审查是否产生额外可检验价值，而不把本体建模或 AI 调度本身视为新发现。

3.2 两个定义传统必须分别检验

临床患者数字孪生的最低定义允许单器官孪生[22]，而“完整个人模型”旨在提出更宽的主体层次要求。这不是前者的缺陷，而是研究任务不同：单器官模型可具优秀预测效度，但不能据此宣称其涵盖个体生活、认知及其他未建模关系。相反，本稿的 P1 完整个人取向即使通过最低范围审计，也仍不能取代 NASEM 数字孪生定义的动态/预测门槛[23,25]。

4 先区分四个容易混淆的概念

4.1 人（human being）、人格意义上的人（person）与“完整人”

在本文的生物医学建模范围内，“人”限定为具体的人类个体；这属于论文的研究域选择，而不是对一切可能“人格主体”（personhood）的全球哲学裁决[7]。应进一步区分：（a）一个人事实上是否在时间中持续存在；（b）我们根据身份标识、记录或生物学证据如何判定两次观察属于同一人。数据库中两个 ID 相同不保证真实主体相同，两个 ID 不同也不保证是不同的人。本文不把记忆、语言、运动、意识表达或自主决策能力当成完整人的必要门槛，婴幼儿、重度失能者及意识障碍患者均不因此被排除。

“完整”不是无疾病、无残障、能力正常、拥有某种固定的心理属性，也不是某个数据库收集到了一个人的全部事实。它是在研究对象层面承认同一个人的多方面存在及关联，并在模型层面要求所有代表性结论交代其实际覆盖的范围。这一用法并不解决人格与生物个体在所有极端哲学案例中的同一性争论。

4.2 完整人、完整人的健康、完整人照护、完整个人模型

“完整人”在本文中指研究时不把一个具体人类个体等同于某种局部指标的主体立场；全人健康指与该主体相关的健康研究问题；完整人照护指跨维度照护实践与关系；人体局部模型针对明确的局部对象或任务；完整个人取向计算架构则声称对同一人具有明确、可扩展且可审查的多领域关系表示。研究对象本身与其计算模型不是同一个东西。一个优秀肾功能预测模型可以拥有完整、可靠的局部有效性，而不必成为全人模型；一个自称全人的架构也不能因为字段更多而自动获得任何任务的准确性。

4.3 “完整人”与“完整个人模型”不是同一个资格判断

本文必须把三个不同问题分开：（A）研究对象是谁、其个体身份如何在观察中被识别；（B）模型实际声称表示、连接了哪些领域，边界和跨领域证据在哪里；（C）在事先指定的任务、时间和用途下，模型结果是否获得独立验证。A 不能由预测准确率决定，B 不能仅由人员 ID 或数据数量决定，C 不等同于B 的广泛程度。即使 A、B、C 都回答得很好，也不得声称计算系统复制了人的全部存在。

5 “完整人”的候选科学定义

定义 1（完整人，Whole Person）：在具体人类个体的科学研究范围内，完整人是作为同一具体个体被研究的人；其生命活动、身体状态、认知和主观体验、行为、经历、需求、目标，以及与物理、社会和文化环境的关系，可能在不同研究问题中相互制约或形成解释背景。“完整”不设立一个与“非完整人”并列的人类类别，不要求任何人具备某项固定能力或经历，也不意味着一个模型能够穷尽全部属性。个人意义、信念和精神体验如与研究有关，应依据本人或合规代理的陈述及可信证据，而非由生理参数直接推断。该定义需与既有全人照护、个人身份及人体数字孪生文献进一步对照[5,7,21,27,29]。

定义 1 须区分三个层面。（1）个体事实上延续存在，与系统能够正确链接不同时间记录，是不同命题；个人身份哲学对此存在竞争性解释[7]。（2）环境是此人生活和运行的情境关系，并不是人体器官；同样，认知体验和个人价值不是可以从生理数值中可靠逆推出的变量。（3）“完整”对建模和推断提出反还原的边界要求，不意味着各领域在所有任务中必须同时出现；是否相关需有证据，而非依靠价值偏好或概念命名决定。

定义 1 提出的是关于研究对象的本体论与方法论原则，而非可通过一次实验确证的经验定律。“完整人”并不是与“非完整人”相对的分类；婴幼儿、失能者或无法表达意愿者均不因此被排除。可进行实证检验的是该定义引出的模型范围声明与推断约束：它能否使研究者更准确地识别证据缺口、越界推断和错误的整体性声明，以及能否提高外部评审的一致性。

5.1 候选定义的逻辑地位与适用条件

定义 1 并不是以若干可测特征判定一个人是否“完整”的分类定义，因为“完整”在这里不描述一项拥有或缺失的身体属性；它首先是一种关于研究对象不可被单项指标充分代替的本体论与方法论立场。定义 1 也不解决人类个体与人格主体的所有同一性问题，不能宣称给出有关“人”的最终必要充分条件。

论文可以用定义 1 推导出应当公开模型范围、保持个体连续性、避免跨域越界推断等约束，但这些约束的应用效益须另经比较研究。

因此本文的两种贡献须分开评价：（A）概念贡献：定义 1 能否澄清“真实的同一个人”与“关于这个人的有限模型”之间的逻辑关系；（B）方法贡献：定义 2 能否以可执行的声明格式提升外部评审对模型过度主张的检出率。即使 B 项获得验证，也不能反向证明 A 项是唯一正确的完整人定义；即使 A 项获得哲学支持，也不自动证明 B 项具有预测增益。

6 从研究对象走向可计算对象：形式化定义

设 P 为研究指称的具体人类个体，t 为有效事件时间，r 为记录或获知时间，Q 为研究开始前声明的问题族，H 为时间范围，U 为预定用途，D 为模型声称覆盖的领域与关系集合。E_≤r为截至记录时刻 r 可以利用的来源证据；X(P,t)表示在所采用理论框架下与研究问题相关、通常不可完全观测的个人状态，X̂ (P,t|E_≤r,M)表示模型 M 所形成的有限估计。将行为/干预 A、环境情境 C、真实观测 O 与知识状态 K区分表示。事件时间 t 和获知时间 r 不得混用。此处是抽象记号，不代表已经发现人体通用状态方程或可以量化整个人的一切属性。

定义 2（完整个人取向计算模型，Whole-Person-Oriented Computational Model）：系统以同一具体人类个体 P 为持续的研究指称，明确问题 Q、时间范围 H、用途 U、各领域及关系覆盖 D、证据来源和可识别的未知；对声称可支持的个人层面判断，公开相关领域的联合解释与可检查的推断依据，保留专业模型的原生语义、时间和情境，允许新证据到来时修正估计，并说明身份链接错误、缺失领域和不适用情形的处理方式。仅有一项跨领域相关性不能证明系统具有完整个人取向；还需明确其个人层次研究问题、真正实现的跨领域表示，以及覆盖边界。对健康、行为和生命历程的具体预测能力，应分别提供独立证据。

两个独立的审计维度（均非通用成熟度等级）：（I）范围/结构标注：P0 用于明确的局部、单领域或仅多数据并列的模型；P1 用于确实提出“同一个人的多领域或跨情境关系”研究主张、公开关系见证和可审计范围的候选完整个人取向架构。P0/P1 是本稿的粗粒度候选标签，不是穷尽所有计算系统的二分法；单一生理—运动联系可能仍属具跨域能力的局部模型，而不自动归 P1。（II）独立任务效度 V：针对预先规定的(Q,H,U)、目标人群和基线获得外部验证，既可以用于 P0，也可以用于 P1。数字孪生资格须分别依 ISO/IEC 的目标状态同步概念与 NASEM 适用框架下的预测、反馈等要求开展审查，不能由 P1或 V 自动推出[23,25,31]。

模型主张可记录为四元组 Claim(M)=(P, D, Q×H×U, V)，其中 P 指称与身份链接规则，D 为覆盖/跨域关系声明，Q×H×U 限定问题、时间与用途，V 为独立验证结果与适用人群。任何给定的 V 只能支持被实际检验的(Q,H,U)范围，不得自动扩大 D；扩大 D 也不能推出更好的 V。这是用于规范声明的建议合同，不是已经得到科学共同体认可的新数学定理。

7 候选条件：区分 P1 架构合同与 V 任务证据

条件 C1—C6 用于审查完整个人取向模型的范围和结构主张，C7 涉及个人目标与治理，C8 用于评价独立任务效度 V。局部变量的相关性不足以自动证明完整个人取向。数字孪生资格另依据 ISO/IEC 的目标实体与数字状态对应和同步要求，并在采用美国国家科学院框架时分别检验预测、反馈及验证条件[23,25,31]。下列条件属于候选审查原则，尚需独立盲评、跨系统测试与强基线比较。

7.1 可复核的最小声明记录（候选操作程序）

可审查的模型声明至少应提供六项信息：①主体指称及身份链接错误处理；②明确的个人层次问题 Q、时间 H 和用途 U；③已覆盖领域的专业模型、单位、事件时间和证据来源；④相关跨领域关系的类型、方向、适用条件及可复算的输入输出；⑤模型范围之外的排除项和未知状态；⑥在声称任务有效时报告独立测试样本、对照基线、准确性、校准和失败案例。材料齐备只表示声明可受审查，不等于模型已经完成全域模拟或满足数字孪生的技术标准。

评审者可逐项标记“已证实／缺失／不可确定”，并由至少两名独立评审者检验判断一致性。没有可复算的跨领域关系证据时，跨领域数据清单不足以支持完整个人取向主张。该程序有待跨机构验证。

8 形式命题：模型为何不能凭局部信息声称完整判断

命题 1（既有的表示不可区分性原理在个体建模场景中的应用）。固定一项评价条件充分明确、存在可判定答案的问题 q 及情境集合 S。令 J_q:S→Y 为评价标签，R:S→Z 为下游算法实际能获得的表示。若存在 s₁、s₂∈S，满足 R(s₁)=R(s₂)且 J_q(s₁)≠J_q(s₂)，则任何确定性 g:Z→Y 都无法使 g(R(s₁))和g(R(s₂))同时正确。对于目标本身没有唯一可观察真值的体验或价值问题，不应擅自设定 J_q 为单一客观标签。

证明：R(s₁)=R(s₂)意味着 g(R(s₁))=g(R(s₂))；然而 J_q(s₁)与 J_q(s₂)互异，故至少一例不正确。随机化或概率输出可以表达不确定性，不能凭缺失的信息保证区别两种情形。证毕。该命题给出的是必要信息条件而非充分性能保证：即使 R(s₁)≠R(s₂)，模型仍可能因为错误机制、失准参数、偏差数据或不当阈值而产生错误结论。

命题 1 是通用表示不可区分性逻辑在个人建模中的应用，并非原创的信息论定理。它不要求任何任务都整合所有领域，也不证明 UOHF/HFWM 是唯一解决方案。涉及个人目标、体验和价值的判断，应依据本人或合规代理提出的评价条件，避免将算法标签误作未经争议的客观事实。经验上需要检验的是：增加相关跨领域信息与规则，能否在信息、资源相等的对照下减少真实判断错误。

9 构造性反例：如何识别“把局部误当整体”

9.1 相同医疗预测，不同现实生活条件

两个假想对象的相关疾病预测相同，但一个人的居家支持经过确认，另一个人的支持情况未知或缺失。

对于“能否在无额外援助下执行指定返家计划”，正确决策可能不同，且未知时可能应当弃答或补采信息。疾病模型的预测可以完全有效；错误只发生在把疾病风险未经足够条件审查直接转换为日常计划判断。该例不证明某特定全人架构必需。

9.2 相同任务表现，不同实际完成过程

两次上楼任务耗时相同，一次使用扶手和外部辅助，另一次没有。关于“实际完成了什么”或“在何种条件下可重复”的判断不同。即使观察到表现改善，也不能未经独立证据就宣称身体潜在能力必然提升。该例与 UOHF 提出的需求—能力—实际调用区分有联系，但其有效性须与 ICF 的 capacity/ performance 等既有区分比较。

9.3 数据库更新，不等于人体状态变化

一份三个月前的检查记录今天才录入系统。今日系统对三个月前状态的认识可能改变，但不能把记录上传日解释为身体实际发生变化的时间。把知识变化与真实变化混淆，将污染长期轨迹估计。

9.4 全部器官覆盖，也未必构成某个问题的完整答案

一个多器官生理模拟器可以精确预测某项生理指标，却不包含患者关于治疗负担的偏好。它仍然是科学上优秀的生理模型；但在“哪项治疗选择与这个人的目标一致”问题上，缺少必要信息，不能把数值最优直接宣称为个人最优。

9.5 不以能力高低决定一个人是否“完整”

一个存在严重认知障碍或运动障碍的人，其研究身份和生命历程连续性不因能力损失而消失。若定义要求“必须能独立思考、行动或工作”才能称为完整人，就会错误地把残障和疾病变成主体资格的否定。

上述例子属于构造性反例，不是患者实测数据或预测优越性的统计证据。前三类推断风险包括无证据的跨领域外推、事件时间与信息获知时间的混同，以及个人目标与医学结果的混同。仅连接运动量和心率的系统可以是优秀的运动生理模型，但单凭这条关系无法宣称全面涵盖疾病、营养、行为和环境。

9.6 最低跨领域联系与“完整性”声称的边界

考虑只有“活动强度→心率响应”一条经过验证的关系的系统。它应首先被称为局部运动生理模型或具跨域变量的专业模型；若没有可核查的完整个人研究主张、其他必要领域的纳入规则及范围/排除说明，不能因其涉及两个变量领域就自动赋予 P1 资格。即使一个系统接入十个领域，如果没有可信的联合解释和验证，也不产生更强的个人层次结论。这个反例说明 P1 的范围界定本身具有歧义，必须通过盲评的负例库来检验。

10 与 HFWM 及人体功能定义的关系

UOHF 研究将人体功能定义为“身体为满足内部与外部需求而被适当调用的能力”（the body’s capacity to be appropriately engaged to meet internal and external demands）[16]。人体功能不是完整人的穷尽定义；HFWM 的研究对象是完整个人，其范围包括解剖、生理、健康、疾病与医疗、营养、运动、康复、认知、情绪、心理、行为、社会环境与生命历程。人体功能是 HFWM 的跨领域组织原则，不是其研究对象的全部，也不意味着将诊断、治疗或个人经历压缩为功能分数[14,17]。

定义 1 不要求其他研究团队使用 UOHF/HFWM；定义 2 也不是一项专有软件资格。跨域人体孪生[20]、精神健康的全人统计模型[6]、功能导向 HDT[11]、本体驱动的 PMDT[28]、长期健康孪生[19]以及OpenAI 联合专业动态模型，都有可能满足其部分或全部候选合同。在已有的 NASEM/ISO 标准[23,31]、患者孪生定义[22]、医疗 HDT 元综述[24]与 npj 分类研究[25]之上，本文只能通过盲评和等信息测试检验是否产生额外且具有科学后果的声明审计能力。

这里尤其需要防止两个相反错误：一是将所有医学、疾病或个人经验强制翻译为“功能能力分数”；二是认为只要有专业数据拼接就自然获得完整个人层面的解释。真正可验证的工作在于保持模型原生专业计算，同时规定哪些联合判断可被已有证据支持。

11 验证路线：把“完整人”从口号变成可测量资格

首先组织独立跨学科小组，在参评系统揭盲前定义 Q、H、U 与允许的覆盖声明 D。题集须同时包含：仅靠单领域便可正确完成的任务；确实要求跨领域信息的任务；因不充分可识别性而必须拒绝因果归因的任务；以及须依照本人目标或合法代理偏好而变化的条件化决策。邀请医学、生理、运动、康复、营养、计算科学研究者和相关个人代表，公开纳入与排除规则；不得为了让 HFWM 显得必要而事先排除表现优秀的单领域模型，也不得将缺乏可观测真值的体验问题硬评分。

对照组建议包含：（A）专业单领域模型；（B）以人索引但仅拼接多领域信息的模型；（C）成熟生物—心理—社会多变量系统；（D）既有人体数字孪生、事件驱动长期健康模型；（E）其他具跨域联系的模型，包含 HFWM 但不以其为必选实现。首先独立评定 P0/P1 以及 D 的适当性，再按预注册(Q,H,U)报告每个系统的 V 结果。采用等信息消融：仅移除候选跨领域推断联系、保留同样原始观测；并控制专业模型调用、计算资源及人工介入。若现有强基线在同条件下表现等价，应判定 HFWM 和本论文合同的增量未证实。

对模型范围合同需报告盲评一致性（例如 Krippendorff α 或在条件适用时采用 κ）、对越界声明的检出率、与现有标准的判别增量、误报率、审计成本与可重复性；V 须单独报告相应任务的准确性、校准、合理弃答、身份串联错误、事件时间混淆、群体差异与计算成本。预测任务采用时间外或跨机构留出数据，干预因果效应须独立处理识别假设。强基线不能只选择 2026 年 JAMIA rubric[12]，还须对照NASEM 数字孪生定义[23]、Drummond 与 Gonsard 患者孪生类别[22]、Tudor 等分类标准[25]及Pellegrino 等维度框架[24]；若无法增加有效判别，则不成立独立方法学增量。

反驳条件：（F1）独立评审无法稳定复现 P0/P1 及 D，表示合同不可操作；（F2）对声明越界或过度承诺的检出率不优于已有患者孪生或数字孪生评价框架[22–25]，表示增量未证实；（F3）等信息、同资源移除候选跨域关系后表现不变，否定其在所测任务的实际必要性；（F4）已验证高质量跨域模型被本合同系统性误排斥，门槛需要修正；（F5）P1 系统在长期预测或干预估计上表现差，则不能宣称具有该项能力；（F6）评审以 P1 或 V 直接推定 NASEM 数字孪生资格，表示合同缺乏必要区分。研究必须报告失败结果，不得通过事后增加定义条件消解所有反例。

12 伦理、认识边界与计算中的主体地位

完整个人计算面临较高隐私和错误归因风险。身份锚定不应等于中心化暴露真实身份；应优先使用最小必要数据、分层授权和可审计的访问控制。模型对心理体验、意愿和价值的推断不能替代本人表达；无法获得表达时，应遵循合法代理、专业伦理和明确的不确定性标记。任何预测都不是人的命运，也不能变成剥夺机会或自主权的自动依据。

“完整”不意味着模型复刻意识、拥有当事人的人格地位或取代当事人。特别是在数字替身、模拟人格和可代替本人行动的智能体研究中，计算表示与本人之间的差异具有伦理和法律意义。本文的目标是建立可问责的科学模型，而不是定义一个“第二个人”。

13 讨论：这项课题真正的新意在哪里？

本文不是首次提出整体医学、全人健康、多领域人体数字孪生、功能导向信息模型、医学数字孪生的本体表达或模型评价[1,6,9–12,20–32]。2024 年患者数字孪生范围定义[22]及 NASEM 标准[23]、2025 年医疗孪生元综述[24]、npj Digital Medicine 149 项研究分类[25]、《Lancet Digital Health》的医学孪生五要素[26]、Luo 等 127 篇中英文全人概念比较[27]以及本体驱动患者模型[28]，均已包含本文若干表面相近的思想。本文的可检验增量仅能作为假设提出：对独立于模型命名的主体身份、个人层次适用范围与逐问题证据资格进行联合审计，是否能在既有标准上额外识别真实错误、减少过度推断并改善审查一致性。

其次，应把模型领域范围与性能证据作为正交维度而非线性成熟等级。经充分验证的局部模型(P0＋V)并不比未经验证的跨域架构(P1 无 V)更不科学；一个跨域架构通过单一任务检验，也不能获得“已模拟完整人”的通用资格。命题 1 只说明区分性信息对于给出不同正确答案的必要性，不能证明跨领域信息在任何特定任务都必要，更不能证明 UOHF/HFWM 唯一。

第三，主体资格独立于能力、健康或模型覆盖程度。人的个人目标可能对干预选择有决定意义，但这不意味着个人意愿可以取代客观生理测量；也不意味着缺乏自主表达的人不是完整人。研究需同时避免两种还原：把人化为生理变量，以及把科学预测化为未经确认的个人价值推测。

本研究采用定向文献比较而非系统综述，可能遗漏其他语言和未索引的研究。定义 1 包含本体论与方法论成分，不能声称构成关于人的最终必要充分条件；P0/P1 范围标签存在边界模糊及评审者差异，V 的验证协议也有待独立建立。表示不可区分性命题属于通用逻辑，不是新发现的人体状态方程。NASEM、ISO 和患者数字孪生研究已有相关框架，本文尚未证明额外的实际判别效果，也未报告新的临床预测或跨机构模型试验。

14 结论

完整人不是“健康完好的人”，也不是“已收集完整数据的人”。定义 1 以同一具体人类个体为研究对象，强调其多方面存在不应被任何单项指标任意代替；定义 2 则要求完整个人取向计算模型公开研究问题、跨领域覆盖、关系证据与未知。P0/P1 描述模型范围，V 独立描述特定任务的实证效度。范围较广不意味着预测必然准确，完整个人取向也不自动满足数字孪生的动态同步、预测和反馈要求[23,25,31]。

本文提出的“主体—范围—证据”联合声明方法，需要与 Whole Person Modeling、全人健康测量、患者数字孪生分类、NASEM 数字孪生框架及 VHT 评价体系直接比较。其潜在价值在于帮助不同研究团队准确说明模型究竟覆盖什么、能支持什么结论、还不知道什么；是否优于已有评价方法，应由独立审查一致性、错误检出率和真实案例对照结果决定。

参考文献

1. [1] Engel GL. The need for a new medical model: a challenge for biomedicine. Science. 1977;196:129–136. doi:10.1126/science.847460. https://doi.org/10.1126/science.847460
2. [2] World Health Organization. International Classification of Functioning, Disability and Health (ICF). https://www.who.int/classifications/international-classification-of-functioning-disability-and-health
3. [3] National Center for Complementary and Integrative Health (NCCIH). Whole Person Health: What It Is and Why It’s Important. https://www.nccih.nih.gov/health/whole-person-health-what-it-is-and-why-its-important
4. [4] National Academies of Sciences, Engineering, and Medicine. Achieving Whole Health: A New Approach for Veterans and the Nation. National Academies Press; 2023. https://www.ncbi.nlm.nih.gov/books/NBK591730/
5. [5] Thomas H, Mitchell G, Rich J, Best M. Definition of whole person care in general practice in the English language literature: a systematic review. BMJ Open. 2018;8:e023758. doi:10.1136/bmjopen-2018-023758.
6. [6] Felsky D, Cannitelli A, Pipitone J. Whole Person Modeling: a transdisciplinary approach to mental health research. Discover Mental Health. 2023;3:16. doi:10.1007/s44192-023-00041-6.
7. [7] Olson ET. Personal Identity. Stanford Encyclopedia of Philosophy. Substantive revision 30 Jun 2023. https://plato.stanford.edu/entries/identity-personal/
8. [8] International Union of Physiological Sciences (IUPS). The Physiome Project. https://www.iups.org/activities/physiome-project
9. [9] Lauer-Schmaltz MW, Cash P, Hansen JP, Maier A. Towards the Human Digital Twin: Definition and Design—A Survey. arXiv:2402.07922; 2024. doi:10.48550/arXiv.2402.07922.
10. [10] Gaffinet B, Al Haj Ali J, Naudet Y, Panetto H. Human Digital Twins: A systematic literature review and concept disambiguation for Industry 5.0. Computers in Industry. 2025;166:104230. doi:10.1016/j.compind.2024.104230. https://doi.org/10.1016/j.compind.2024.104230
11. [11] Zhu E, Yang S. Towards human digital twin: Reviewing human modelling and simulation. Journal of Industrial Information Integration. 2025;48:100975. doi:10.1016/j.jii.2025.100975.
12. [12] Krishnamurthi V, Edirisinghe R, John SE, Wickramasinghe N, Plebanski M. Designing evaluation rubrics for the development of virtual human twins in healthcare. J Am Med Inform Assoc. Published online 19 October 2026. doi:10.1093/jamia/ocag174. https://doi.org/10.1093/jamia/ocag174
13. [13] National Institutes of Health. Digital Twins and/or Synthetic Data Population Modeling for Whole-Person Health to Mitigate Chronic Disease Disparities Grand Challenge. Launched Sep 2026. https://www.nih.gov/challenges/digital-twins-andor-synthetic-data-population-modeling-whole-person-health-mitigate-chronic-disease-disparities-grand-challenge
14. [14] Che L. Modeling the Whole Person. 2026.
15. [15] Che L. Human-Function Relations as Necessary Conditions for Whole-Person Judgment. 2026.
16. [16] Che L. Unified Ontology of Human Function: Definition. 2026. doi:10.5281/zenodo.21630406.
17. [17] Che L. Human Function World Model. 2026. doi:10.5281/zenodo.22685308.
18. [18] Tang C, Yi W, Occhipinti E, Dai Y, Gao S, Occhipinti LG. A roadmap for the development of human body digital twins. Nature Reviews Electrical Engineering. 2024;1:199–207. doi:10.1038/s44287-024-00025-w.
19. [19] Jiang J, Yates S, Chong J, Brooks R, Lawson A, Qin Y, Gao L. LifeLong Digital Twin: A Unified Modeling Paradigm and Agent Harness for Event-Driven Lifelong Health State Trajectories. arXiv:2610.05566; 2026.
20. [20] Lin Y, Chen L, Ali A, et al. Human digital twin: a survey. Journal of Cloud Computing. 2024;13:131. doi:10.1186/s13677-024-00691-z. https://doi.org/10.1186/s13677-024-00691-z
21. [21] DiGuiseppi G, Rodriguez A, Qureshi N, et al. Measuring Whole Person Health: A Scoping Review. Journal of Integrative and Complementary Medicine. 2025;31(8):684–704. doi:10.1089/jicm.2024.0817. https://doi.org/10.1089/jicm.2024.0817
22. [22] Drummond D, Gonsard A. Definitions and Characteristics of Patient Digital Twins Being Developed for Clinical Use: Scoping Review. J Med Internet Res. 2024;26:e58504. doi:10.2196/58504. https://doi.org/10.2196/58504
23. [23] National Academies of Sciences, Engineering, and Medicine. Foundational Research Gaps and Future Directions for Digital Twins. Washington, DC: National Academies Press; 2024. doi:10.17226/26894. https://doi.org/10.17226/26894
24. [24] Pellegrino G, Gervasi M, Angelelli M, Corallo A. A Conceptual Framework for Digital Twin in Healthcare: Evidence from a Systematic Meta-Review. Information Systems Frontiers. 2025;27:7–32. doi:10.1007/s10796-024-10536-4.
25. [25] Tudor BH, Shargo R, Gray GM, et al. A scoping review of human digital twins in healthcare applications and usage patterns. npj Digital Medicine. 2025;8:587. doi:10.1038/s41746-025-01910-w.
26. [26] Sadée C, Testa S, Barba T, et al. Medical digital twins: enabling precision medicine and medical artificial intelligence. Lancet Digital Health. 2025;7(7):100864. doi:10.1016/j.landig.2025.02.004.
27. [27] Luo M, Liu K, Hong S. East Meets West: A Whole-Person Approach in Integrated Care. Int J Integr Care. 2025;25(2):1. doi:10.5334/ijic.9003.
28. [28] Elgammal A, Krämer BJ, Papazoglou MP, Raheem M. A Semantic Framework for Patient Digital Twins in Chronic Care. arXiv:2510.09134; 2025.
29. [29] Seixas AA, Chung DP. Reintegrating the Human in Health: A Triadic Blueprint for Whole-Person Care in the Age of AI. Int J Environ Res Public Health. 2026;23(4):426. doi:10.3390/ijerph23040426.
30. [30] Singh A, Bajpai B, Arif M. Agentic AI-driven human digital twins for personalized healthcare: a comprehensive survey. Discover Computer Vision. 2026;1:4. doi:10.1007/s44584-026-00004-x.
31. [31] ISO/IEC. ISO/IEC 30173:2023. Digital twin — Concepts and terminology. 2023. https://www.iso.org/standard/81442.html
32. [32] Araghi SN, Liu Z, Sarkar A, Louge T, Karray MH. Digital Twin’s Anatomy: A Cross-Sector Framework With Healthcare Validation. IEEE Access. 2025;13:21306–21334. doi:10.1109/ACCESS.2025.3528736.

附录 对照研究任务建议

各情境应明确评价依据、事件时间、可用证据和合理弃答规则。合成案例可用于检查逻辑一致性，但不能取代真实患者或个体数据验证。

A1 身份连续性：在记录来源迁移与身份重映射后，系统能否避免不同人之间的数据串联？

A2 观测时间：把历史记录在今天补录，系统是否错误地判断今天发生新的生理变化？

A3 情境变化：对相同人体状态施加不同环境或辅助条件，系统是否调整适用结论？

A4 解释可识别性：不同机制能够产生同一观察结果时，系统是否正确保留多种候选解释？

A5 医学与生活目标：保持相同医学预测，改变本人合理目标或支持条件，行动建议是否发生有依据的变化？

A6 非排他性：不限制 HFWM、现有 HDT 或通用 AI＋专业模型采用等价事实与语义；如相同信息下得出等价正确答案，承认 UOHF/HFWM 非唯一。

A7 障碍与主体性：对重度能力受限、无法表达偏好的场景，系统是否仍保持完整的人级别身份与合法治理边界？

A8 单领域模型防冒名：肾功能预测即使具 V 验证，也不因此变成 P1；仅连接心率与运动量也不得宣称全域模型。

A9 跨领域关系消融：保持相同事实，仅移除生物—环境或医疗—目标关系映射，观察跨领域结论是否改变、是否更准确。

A10 强基线等价：允许现有 VHT 模型、ICF 工作流或 OpenAI＋专业模型使用同等信息；若表现相当，不宣称本论文合同或 HFWM 取得已证实增量。