[论文解读] Automated Detection and Mitigation of Dependability Failures in Healthcare Scenarios through Digital Twins

Bruno Guindani, Matteo Camilli+2 more|arXiv (Cornell University)|Feb 24, 2026

Smart Grid Security and Resilience被引用 0

一句话总结

论文提出了 M-GENGAR，一种基于 DT 的方法学，结合 SHA 建模、以数据驱动的患者动态学习和形式化验证，用于在医疗 CPS 中检测失效场景并合成缓解策略；在肺部设备（呼吸机）上评估， synthesized 策略的成功率达 87.5%，并且向 nominal 指标更靠近的度量。

ABSTRACT

Medical Cyber-Physical Systems (CPSs) integrating Patients, Devices, and healthcare personnel (Physicians) form safety-critical PDP triads whose dependability is challenged by system heterogeneity and uncertainty in human and physiological behavior. While existing clinical decision support systems support clinical practice, there remains a need for proactive, reliability-oriented methodologies capable of identifying and mitigating failure scenarios before patient safety is compromised. This paper presents M-GENGAR, a methodology based on a closed-loop Digital Twin (DT) paradigm for dependability assurance of medical CPSs. The approach combines Stochastic Hybrid Automata modeling, data-driven learning of patient dynamics, and Statistical Model Checking with an offline critical scenario detection phase that integrates model-space exploration and diversity analysis to systematically identify and classify scenarios violating expert-defined dependability requirements. M-GENGAR also supports the automated synthesis of mitigation strategies, enabling runtime feedback and control within the DT loop. We evaluate M-GENGAR on a representative use case study involving a pulmonary ventilator. Results show that, in 87.5% of the evaluated scenarios, strategies synthesized through formal game-theoretic analysis stabilize patient vital metrics at least as effectively as human decision-making, while maintaining relevant metrics 20% closer to nominal healthy values on average.

研究动机与目标

• 旨在通过数字孪生方法主动识别 PDP CPS（患者、设备与临床医生）中的可靠性失效。
• 在 GENGAR 的基础上扩展 DT 对齐、多样性分析和自动化缓解策略合成。
• 利用 SHA 建模、数据驱动的患者动态以及概率验证来对失效场景进行分类与处理。
• 通过推荐能维持患者稳定性的控制动作，为临床医生提供决策支持能力。
• 在肺部呼吸机用例上评估该方法，以评估有效性与鲁棒性。

提出的方法

• 以 SHA 对 PDP 三元组建模，捕捉设备、医生与患者的动态。
• 利用 L*SHA 从数据中学习患者动态，推断一个预测性基于 SHA 的模型。
• 通过离线的模型空间探索与 SMC 进行关键场景检测，识别引发失效的配置。
• 应用模糊测试与基于搜索的优化，生成多样化的变体模型并探索设计空间。
• 通过 UPPAAL STRATEGO 的 1½ 人玩家博弈合成近最优缓解策略，并与 DT 反馈对齐以实现在线决策支持。
• 在呼吸机场景上评测，比较合成的医生策略与人类决策，并衡量稳定性与接近 nominal 的程度。

实验结果

研究问题

• RQ1 如何使用基于 DT 的框架系统地识别 PDP CPS 中的可靠性失效场景？
• RQ2 自动合成的缓解策略是否能在不确定性下引导临床医生维持患者稳定？
• RQ3 模型空间探索结合概率化验证是否揭示了失效的多样化根本原因？
• RQ4 在线 DT 对齐与离线分析相比，如何改进策略建议？
• RQ5 与人类决策相比，合成策略对关键患者指标的影响有哪些？

主要发现

• 在评估的场景中，合成策略在稳定患者生命体征方面至少与人类医生一样有效，占比为 87.5%。
• 合成策略将相关指标平均保持在接近健康 nominal 值的 20% 以内的距离。
• 该方法通过与实时状态对齐和动作选择相连的 DT 循环，提供在线临床决策支持。
• 多样性分析可隔离不同的关键情形，提升对失效根本原因的广泛理解。
• 自动化的应对策略合成帮助医生选择能够提升 PDP 可靠性的行动。