npj Digital Medicine

This scoping review mapped the current landscape of digital twin applications in health professions education and identified gaps in the evidence. The review followed Joanna Briggs Institute methodology and PRISMA-ScR reporting guidelines. Six bibliographic databases (MEDLINE via PubMed, Embase, Scopus, Web of Science, CINAHL, and IEEE Xplore) were searched from inception to March 10, 2026, supplemented by a register search (ClinicalTrials.gov) and a search of Google Scholar as an additional source. Studies describing the development, implementation, or evaluation of digital twins in health professions education were included. Data were extracted using a standardized charting form, and methodological quality was assessed with appropriate JBI critical appraisal tools. Findings were subsequently reviewed in a one-round modified Delphi consultation with stakeholders. Seventeen studies published between 2022 and 2025 met the inclusion criteria. Because three publications report the same critical care platform, these 17 reports describe 15 distinct systems. Digital twins were applied at patient-, organ-, device-, and environment- or institutional-levels across surgery, critical care, anatomy, radiology, and dentistry. Each included system was verified against three defining characteristics of digital twins: personalization, a counterpart-derived data pathway, and generative or predictive capability. Four studies satisfied all three, eight satisfied two, four satisfied one, and one proposed all three without implementing any; only a single study reported continuous closed-loop bidirectional synchronization between a physical and a virtual counterpart. Most studies were technical reports or proof-of-concept demonstrations, and no controlled educational trials were identified. Evaluations focused primarily on learner perceptions and satisfaction, whereas only one study reported quantitative learning outcomes. No study assessed behavioral transfer to clinical practice or patient-level outcomes. Digital twin technology in health professions education is, therefore, best characterized as an active area of technical development that remains educationally unvalidated. The principal contribution of this review is a structured map of what has been built, how it has been verified against the digital twin construct, and precisely where educational evidence is absent. Future research should emphasize theory-informed development, rigorous experimental designs, and validated educational outcomes to determine the educational value of these approaches.

این مرور دامنه‌ای، چشم‌انداز فعلی کاربردهای دوقلوی دیجیتال در آموزش حرفه‌های سلامت را ترسیم کرده و شکاف‌های موجود در شواهد را شناسایی می‌کند. این مرور بر اساس روش‌شناسی مؤسسه Joanna Briggs و دستورالعمل‌های گزارش‌دهی PRISMA-ScR انجام شده است. شش پایگاه داده کتابشناختی (MEDLINE از طریق PubMed، Embase، Scopus، Web of Science، CINAHL و IEEE Xplore) از ابتدا تا ۱۰ مارس ۲۰۲۶ جستجو شدند و این جستجو با بررسی یک رجیستر (ClinicalTrials.gov) و جستجوی Google Scholar به عنوان منبع تکمیلی همراه بود. مطالعاتی که به توصیف توسعه، اجرا یا ارزیابی دوقلوهای دیجیتال در آموزش حرفه‌های سلامت پرداخته بودند، وارد مرور شدند. داده‌ها با استفاده از یک فرم استاندارد استخراج داده گردآوری شد و کیفیت روش‌شناختی با ابزارهای ارزیابی انتقادی JBI مناسب ارزیابی گردید. یافته‌ها سپس در یک مشاوره دلفی اصلاح‌شده تک‌مرحله‌ای با ذینفعان مرور شدند. هفده مطالعه منتشرشده بین سال‌های ۲۰۲۲ تا ۲۰۲۵ معیارهای ورود را داشتند. از آنجا که سه مقاله یک پلتفرم مراقبت ویژه مشابه را گزارش می‌کنند، این ۱۷ گزارش در مجموع ۱۵ سامانه متمایز را توصیف می‌کنند. دوقلوهای دیجیتال در سطوح بیمار، اندام، دستگاه و محیط یا نهاد در حوزه‌های جراحی، مراقبت ویژه، آناتومی، رادیولوژی و دندان‌پزشکی به کار رفته‌اند. هر سامانه واردشده بر اساس سه ویژگی تعریف‌کننده دوقلوی دیجیتال (شخصی‌سازی، مسیر داده مبتنی بر همتای فیزیکی، و قابلیت مولد یا پیش‌بینی‌کننده) مورد راستی‌آزمایی قرار گرفت. چهار مطالعه هر سه ویژگی را داشتند، هشت مطالعه دو ویژگی، چهار مطالعه یک ویژگی و یک مطالعه هر سه ویژگی را پیشنهاد داده اما هیچ‌یک را اجرا نکرده بود؛ تنها یک مطالعه همگام‌سازی بسته و دوطرفه پیوسته بین همتای فیزیکی و مجازی را گزارش کرده است. بیشتر مطالعات گزارش‌های فنی یا نمایش‌های اثبات مفهوم بودند و هیچ کارآزمایی آموزشی کنترل‌شده‌ای شناسایی نشد. ارزیابی‌ها عمدتاً بر ادراک و رضایت یادگیرندگان متمرکز بود و تنها یک مطالعه پیامدهای کمی یادگیری را گزارش کرد. هیچ مطالعه‌ای انتقال رفتاری به عمل بالینی یا پیامدهای سطح بیمار را ارزیابی نکرده است. بنابراین، فناوری دوقلوی دیجیتال در آموزش حرفه‌های سلامت را می‌توان عمدتاً به عنوان حوزه‌ای فعال در توسعه فنی که هنوز از نظر آموزشی اعتبارسنجی نشده است، توصیف کرد. مهم‌ترین دستاورد این مرور، ارائه نقشه‌ای ساختاریافته از آنچه ساخته شده، نحوه راستی‌آزمایی آن بر اساس ساختار دوقلوی دیجیتال و دقیقاً محل فقدان شواهد آموزشی است. پژوهش‌های آینده باید بر توسعه مبتنی بر نظریه، طرح‌های آزمایشی دقیق و پیامدهای آموزشی اعتبارسنجی‌شده برای تعیین ارزش آموزشی این رویکردها تأکید کنند.

Healthcare workers (HCWs) face elevated risk for burnout and stress-related disorders, yet conventional self-report assessments are limited by professional stigma and underreporting. We evaluated whether multimodal computational analysis of brief, remotely collected stress narratives could distinguish longitudinal stress profiles. In a prospective six-week cohort study, N = 750 HCWs were invited to provide weekly naturalistic narratives describing recent stressful experiences and repeated measures of anxiety, depression, burnout, and subjective distress. Among 553 participants with sufficient repeated self-report data, multivariate longitudinal clustering identified two distinct profiles: Resilient ( n = 295) and Vulnerable ( n = 258). Linguistic, acoustic, and facial expression embeddings were extracted from the recordings and integrated using a hierarchical multimodal transformer. In a held-out test set, the model achieved an AUROC of 0.75, outperforming unimodal (linguistic embeddings; AUROC = 0.63) and bimodal (linguistic + acoustic; AUROC = 0.70) configurations. These findings provide proof of concept that multimodal embeddings extracted from brief stress narratives are associated with occupational stress profiles, potentially complementing traditional assessment methods and informing targeted prevention strategies.

کارکنان مراقبت‌های سلامت (HCWs) در معرض خطر بالاتر فرسودگی شغلی و اختلالات مرتبط با استرس قرار دارند، اما ارزیابی‌های خودگزارشی متداول به دلیل انگ حرفه‌ای و گزارش‌دهی ناکافی محدودیت دارند. ما ارزیابی کردیم که آیا تحلیل محاسباتی چندوجهی روایت‌های کوتاه و جمع‌آوری‌شده از راه دور درباره استرس می‌تواند پروفایل‌های طولی استرس را متمایز کند یا خیر. در یک مطالعه کوهورت آینده‌نگر شش‌هفته‌ای، تعداد N = 750 نفر از کارکنان مراقبت‌های سلامت دعوت شدند تا به صورت هفتگی روایت‌های طبیعی درباره تجربیات استرس‌زای اخیر خود و همچنین سنجش‌های تکرارشونده اضطراب، افسردگی، فرسودگی شغلی و پریشانی ذهنی را ارائه دهند. در میان 553 شرکت‌کننده با داده‌های خودگزارشی تکرارشونده کافی، خوشه‌بندی طولی چندمتغیره دو پروفایل متمایز را شناسایی کرد: مقاوم (n = 295) و آسیب‌پذیر (n = 258). تعبیه‌های زبانی، آکوستیکی و حالات چهره از ضبط‌ها استخراج و با استفاده از یک ترنسفورمر چندوجهی سلسله‌مراتبی ادغام شدند. در مجموعه آزمون جداگانه، مدل به AUROC برابر با 0.75 دست یافت که عملکرد بهتری نسبت به پیکربندی‌های تک‌وجهی (تعبیه‌های زبانی؛ AUROC = 0.63) و دووجهی (زبانی + آکوستیکی؛ AUROC = 0.70) داشت. این یافته‌ها اثبات مفهومی ارائه می‌کنند مبنی بر اینکه تعبیه‌های چندوجهی استخراج‌شده از روایت‌های کوتاه استرس با پروفایل‌های استرس شغلی مرتبط هستند و می‌توانند به عنوان مکمل روش‌های ارزیابی سنتی و اطلاع‌رسانی راهبردهای پیشگیرانه هدفمند مورد استفاده قرار گیرند.

The use of subjective reports and questionnaires to evaluate chronic pain, while the gold standard, conveys a limited scope of the patients’ experience and is burdensome. Here we demonstrate that large language models (LLMs) can evaluate patient-provided texts and automatically generate specific, clinically meaningful, and reliable scores for the sensory, affective, and social dimensions of chronic pain. LLMs can also generate assessor-dependent constructs such as agency and personal narrative.

استفاده از گزارش‌های ذهنی و پرسشنامه‌ها برای ارزیابی درد مزمن، اگرچه استاندارد طلایی محسوب می‌شود، اما دامنه محدودی از تجربه بیماران را منتقل می‌کند و پرزحمت است. در این پژوهش نشان می‌دهیم که مدل‌های زبانی بزرگ (LLMs) می‌توانند متون ارائه‌شده توسط بیماران را ارزیابی کرده و به طور خودکار نمرات خاص، معنادار بالینی و قابل اعتماد برای ابعاد حسی، عاطفی و اجتماعی درد مزمن تولید کنند. همچنین، مدل‌های زبانی بزرگ قادرند سازه‌هایی وابسته به ارزیاب مانند عاملیت و روایت شخصی را نیز تولید نمایند.

Large language models (LLMs) are rapidly reshaping digital mental health, yet how these systems are designed, used, and evaluated remains poorly characterized. We conducted an HCI-centered scoping review of 84 studies examining mental health tasks, stakeholders, interaction paradigms, foundation models, evaluation methods, and outcome measurement. Counseling and support and self-help and well-being accounted for 73.8% of studies, while clinician support and crisis and risk support remained uncommon. Mixed-methods user studies predominated (42.9%), with only three randomized controlled trials and eight studies classified as longitudinal or field evaluations. Technical and response performance was assessed in 81.0% of studies, compared with 29.8% assessing mental health symptoms and clinical outcomes and 7.1% including longitudinal follow-up. Outcome profiles differed across intended tasks. Building on these findings and established evaluation guidance, we propose a task-oriented framework aligning evaluation domains, measurement approaches, and assessment timing with intended use.

مدل‌های زبانی بزرگ (LLMs) به سرعت در حال بازشکل‌دهی سلامت روان دیجیتال هستند، با این حال نحوه طراحی، استفاده و ارزیابی این سامانه‌ها همچنان به‌درستی تبیین نشده است. ما یک مرور محدوده با محوریت تعامل انسان و رایانه (HCI) بر روی ۸۴ مطالعه انجام دادیم که به بررسی وظایف سلامت روان، ذینفعان، الگوهای تعاملی، مدل‌های پایه، روش‌های ارزیابی و سنجش پیامدها می‌پرداختند. مشاوره و حمایت و خودیاری و بهزیستی ۷۳.۸٪ مطالعات را تشکیل می‌دادند، در حالی که حمایت از درمانگران و حمایت در بحران و ریسک کمتر رایج بودند. مطالعات کاربری با روش‌های ترکیبی غالب بودند (۴۲.۹٪)، و تنها سه کارآزمایی تصادفی کنترل‌شده و هشت مطالعه به‌عنوان ارزیابی‌های طولی یا میدانی طبقه‌بندی شدند. عملکرد فنی و پاسخ‌دهی در ۸۱.۰٪ مطالعات ارزیابی شد، در مقایسه با ۲۹.۸٪ که به ارزیابی علائم سلامت روان و پیامدهای بالینی پرداختند و ۷.۱٪ که پیگیری طولی را شامل می‌شدند. پروفایل‌های پیامدها بسته به وظایف مورد نظر متفاوت بود. بر اساس این یافته‌ها و راهنمایی‌های ارزیابی موجود، ما یک چارچوب وظیفه‌محور پیشنهاد می‌کنیم که حوزه‌های ارزیابی، رویکردهای سنجش و زمان‌بندی ارزیابی را با کاربرد مورد نظر همسو می‌سازد.