LifeLong Digital Twin：面向终身健康状态轨迹的事件驱动统一建模范式与智能体框架

数字孪生长久以来被视为通往精准医学的关键路径：通过构建患者的虚拟表征，接入多模态数据与实时更新来预测疾病、优化治疗，这一设想在心血管领域讨论得最为充分 ^[1][2]，随后被提炼为健康数字孪生的一般定义，并伴随计算、实施与监管层面的转化考量 ^[3]。但即便到 2024 年的综述，医学数字孪生的进展仍集中在肿瘤与心血管等少数领域，数据整合与隐私被点名为突出瓶颈 ^[5]。另一条线索来自人群层面：丹麦全国登记数据曾把 620 万患者 14.9 年的病史凝练成 1171 条显著的疾病发展轨迹 ^[4]，之后又扩展为覆盖 720 万患者的交互式轨迹浏览器 ^[6]。这些工作揭示了疾病随时间的演进规律，并被认为有助于预测和预防个体未来的疾病 ^[4]，但它们本质上是人群统计规律；如何把纵向记录、遗传变异、分子图谱与环境暴露史统一进单个个体的一生建模，实现全人建模，始终是悬而未决的难题。

这篇未经同行评议的 arXiv 预印本提出 LifeLong Digital Twin，正是冲着这一难题而来。它采用事件驱动的统一建模范式：把“生命事件”组织为逐日的“健康状态”，再累积为“终生健康上下文”；配套的 Agent Harness 让语言模型能够调用其文本上下文之外的多模态证据。作者在疾病轨迹预测、疾病风险排序和多时间窗疾病预测三项任务上评估了四个语言模型，覆盖 25 个疾病终点。相对参照条件，模型平均 F1 在轨迹预测的疾病识别上提升 22.0%，在五年疾病结局上提升 18.3%；其中甲状腺疾病的 F1 达到 0.669。

相对已有认识，这一工作的推进在于把此前分头发展的两条线在个体层面接拢：既往轨迹研究停留在人群水平的模式发现 ^[4][6]，数字孪生设想则缺乏覆盖终身、多模态且可量化评估的统一框架 ^[2][3]。本文以语言模型为载体、以事件为粒度，将终身健康信息纳入单一框架，并在明确界定的预测任务上给出了可复现的量化增益，为全人数字孪生和个体化终身疾病预防研究奠定了基础。

当然，这些结果尚待同行评议与外部数据验证，0.669 的甲状腺 F1 也提示距离临床可用仍有差距；更根本的是，健康数字孪生落地所绕不开的计算需求、临床实施、数据治理与产品监管问题 ^[3]，以及数据整合与隐私难题 ^[5]，并未因一个框架的提出而自动消解。