国外亚洲成av人片在线观看,热99re久久精品这里都是精品,天堂网在线最新版www,国产成人av区一区二区三,51久久成人国产精品麻豆

隨著人工智能技術(shù)的飛速發(fā)展，Healthcare AI正逐漸成為醫(yī)療行業(yè)中的一股新力量。本文詳細(xì)梳理了Healthcare AI的產(chǎn)業(yè)結(jié)構(gòu)，并聚焦于AI在醫(yī)療中真正創(chuàng)造價(jià)值的環(huán)節(jié)，為關(guān)注醫(yī)療科技的讀者提供了寶貴的洞見(jiàn)。

Healthcare 是美國(guó)最大的行業(yè)之一，支出占 GDP 的 17%，雇傭 1/10 的美國(guó)勞動(dòng)力。它也極其低效，美國(guó)每年 4.5 萬(wàn)億美元的醫(yī)療支出中，有高達(dá) 25%，也就是 1.1 萬(wàn)億美元被視為無(wú)效或可避免的浪費(fèi)。在某些情況下，healthcare 從業(yè)者用于保險(xiǎn)賬單處理的時(shí)間成本可能占賬單收入的 1/7。碎片化的系統(tǒng)、低效的運(yùn)營(yíng)流程和人力密集的環(huán)節(jié)，是 AI Agent 的天然切入點(diǎn)。如果 AI 能切掉哪怕一小部分，就可能創(chuàng)造幾千億級(jí)別的新市場(chǎng)空間。

過(guò)去一年，GenAI 在醫(yī)療行業(yè)的滲透加速了。本文我們系統(tǒng)梳理了 Healthcare AI 的產(chǎn)業(yè)結(jié)構(gòu)，重點(diǎn)聚焦了在哪些環(huán)節(jié) AI 能夠真正創(chuàng)造價(jià)值、并且擁有明確預(yù)算，識(shí)別了值得優(yōu)先關(guān)注和投資的細(xì)分方向和公司。

醫(yī)療行業(yè)的獨(dú)特性決定了 AI 的擴(kuò)散路徑和傳統(tǒng)軟件或消費(fèi)級(jí)應(yīng)用并不同。目前 Healthcare AI 的高價(jià)值切入口，集中在高頻剛需、非臨床環(huán)節(jié)，一方面是前臺(tái)任務(wù)，如提升醫(yī)生效率的 Patient Copilot ( Case Study 包括 Abridge、Ambience、OpenEvidence )；另一方面是后臺(tái)基礎(chǔ)設(shè)施，如加速理賠與賬單流轉(zhuǎn)的 Billing / Claims Infra（Case Study 包括 Infinitus）。這些領(lǐng)域的共同特征是：流程痛點(diǎn)明確，付費(fèi)意愿強(qiáng)，能夠快速看到 ROI。

商業(yè)模式上，在現(xiàn)階段，能快速集成、輕量部署的 SaaS 型產(chǎn)品模式最為奏效，因?yàn)橄?Epic、Cerner 這樣的傳統(tǒng)醫(yī)療系統(tǒng)遷移成本高，短期難以撼動(dòng)?？蛻粽承院颓袚Q壁壘也很重要。以 Abridge 為例，通過(guò)與 Epic 深度集成，不僅實(shí)現(xiàn)了快速部署，也獲得了更高的定價(jià)權(quán)和留存率。未來(lái)，能夠深度融入醫(yī)療工作流的 AI 公司，將具備更強(qiáng)的長(zhǎng)期護(hù)城河。

?? 目錄 ??

01 拆解醫(yī)療萬(wàn)億美金的“效率黑洞”

02 賽道圖譜及關(guān)鍵公司

03 創(chuàng)業(yè)團(tuán)隊(duì)正在把 Agent 帶進(jìn)每個(gè)診所和系統(tǒng)

01.拆解醫(yī)療萬(wàn)億美金的“效率黑洞”

美國(guó)醫(yī)療體系龐大且復(fù)雜，每年支出已超過(guò) 4.5 萬(wàn)億美元，占到 GDP 的 17%以上。而其中約四分之一的支出，超過(guò) 1.1 萬(wàn)億美元，實(shí)際上被認(rèn)為是無(wú)效或可以避免的浪費(fèi)。這些浪費(fèi)的根源，來(lái)自于醫(yī)療行業(yè)極度碎片化的現(xiàn)狀：支付、理賠、管理、診斷和患者服務(wù)彼此割裂，流程冗長(zhǎng)、系統(tǒng)互不兼容，導(dǎo)致了巨大的人工成本和效率損失。

這一切，也為 AI 技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用打開了清晰且可衡量的窗口。只要能夠幫助削減其中的一小部分冗余，就有潛力釋放出數(shù)千億美元級(jí)別的新增價(jià)值，這正是今天 Healthcare AI 最值得關(guān)注的機(jī)會(huì)。

目前 AI 非常適合切入非臨床環(huán)節(jié)（如收入周期管理、理賠自動(dòng)化、文書工作）及半結(jié)構(gòu)化任務(wù)密集型場(chǎng)景（如影像診斷、醫(yī)生助手、患者交互）。

當(dāng)前最典型的切入口包括：

• 患者服務(wù)自動(dòng)化（聊天機(jī)器人、預(yù)約管理）
• 醫(yī)生效率工具（scribe、copilot）
• 醫(yī)療數(shù)據(jù)結(jié)構(gòu)化（EHR、臨床記錄、影像識(shí)別）
• 行政環(huán)節(jié)（revenue cycle， billing， claims）

相比傳統(tǒng)醫(yī)療軟件系統(tǒng)（如 Epic），AI 產(chǎn)品更易模塊化部署，通常按 SaaS 模式或增值服務(wù)計(jì)價(jià)，不需要大規(guī)模替換主系統(tǒng)，更適合以“插件”方式切入醫(yī)院、診所、保險(xiǎn)公司等現(xiàn)有工作流?？蛻襞c預(yù)算來(lái)源主要包括：

• 診所與醫(yī)生集團(tuán)（private practices）：提升運(yùn)營(yíng)效率、提升回款率（買單人是 practice owner）。
• 醫(yī)院系統(tǒng)（IDNs）：關(guān)注護(hù)理人員流失與患者滿意度，通常從運(yùn)營(yíng)預(yù)算或 IT 預(yù)算中支付。
• 健康保險(xiǎn)公司（payer）：愿為提高理賠效率、欺詐識(shí)別等功能買單。
• 雇主醫(yī)療福利（employer benefits）：雇主為員工健康管理采購(gòu)服務(wù)。

現(xiàn)階段 AI 滲透率保守估計(jì)在 0.3%～0.4% 之間，對(duì)應(yīng)實(shí)際市場(chǎng)規(guī)模 $120 億～$150 億。假設(shè)未來(lái) AI 在醫(yī)療支出中能滲透 5%～10% 的環(huán)節(jié)（聚焦在服務(wù)效率提升、運(yùn)營(yíng)自動(dòng)化和診斷輔助），長(zhǎng)期可實(shí)現(xiàn) $2250 億～$4500 億的市場(chǎng)空間。這一區(qū)間可被視為 Healthcare AI 的長(zhǎng)期 TAM，與當(dāng)前整個(gè)美國(guó)醫(yī)療 IT（$400B）或醫(yī)療設(shè)備市場(chǎng)（$550B）體量相當(dāng)。不過(guò)短期內(nèi)由于行業(yè)保守和法規(guī)限制，行業(yè)內(nèi)的 AI 滲透會(huì)是比較漸進(jìn)式的。

AI 醫(yī)療的結(jié)構(gòu)性機(jī)會(huì)：從 Co-pilot 到 Infra

具體到目前 AI 在 healthcare 的應(yīng)用，可以用以下坐標(biāo)軸分類：

Source: byFounders

面向病人的“前臺(tái)任務(wù)” vs ?行政類的“后臺(tái)任務(wù)”：

“前臺(tái)任務(wù)”是面向終端用戶的 Copilot/Agent 應(yīng)用，如醫(yī)生助手、患者交互機(jī)器人、AI 診斷輔助，提升現(xiàn)有工作效率或優(yōu)化患者體驗(yàn)，適合通過(guò) PLG 或 BD 推廣；“后臺(tái)任務(wù)”是指底層基礎(chǔ)設(shè)施的 AI 化重建，如 AI 理賠引擎、賬單處理 API、數(shù)據(jù)互通平臺(tái)，類似金融科技里的 Stripe / Plaid，重構(gòu)新一代醫(yī)療支付和數(shù)據(jù)網(wǎng)絡(luò)的底座。

這一波 AI 技術(shù)在醫(yī)療行業(yè)的擴(kuò)散路徑，是從“前臺(tái)任務(wù)”開始的。因?yàn)橐_發(fā)一個(gè)幫助病人自我診斷癥狀的 AI chatbot（比如 Ada）或 AI Scrabing （abridge） 相對(duì)簡(jiǎn)單；而要在后臺(tái)實(shí)現(xiàn)自動(dòng)化流程，不但需要連接各種舊系統(tǒng)，還需要培訓(xùn)工作人員，難度和復(fù)雜度都更高，但可能有全新的 Enterprise 級(jí)別的機(jī)會(huì)。

另外還可以分為臨床任務(wù) vs 非臨床任務(wù)，是否必須由專業(yè)醫(yī)療人員（如醫(yī)生）完成的任務(wù)，還是可以由非醫(yī)學(xué)背景的人來(lái)完成的任務(wù)。以目前的 AI 能力，非臨床、執(zhí)行型任務(wù) AI 能更好的勝任，但臨床任務(wù)能創(chuàng)造更多的經(jīng)濟(jì)價(jià)值。

市場(chǎng)規(guī)模

延續(xù)上文對(duì) AI 應(yīng)用場(chǎng)景的分析，我們根據(jù) Patient Facing 和 Healthcare Infra 兩個(gè)方向，定位了重要環(huán)節(jié)和值得關(guān)注的公司：

根據(jù)上文對(duì)市場(chǎng)空間的分析，

• 美國(guó)醫(yī)療總支出：$4.5 萬(wàn)億美元
• 無(wú)效/浪費(fèi)支出比例：～25%，即 $1.1 萬(wàn)億美元

假設(shè) AI 滲透率長(zhǎng)期達(dá)到其中 5～10%，則長(zhǎng)期 AI 可服務(wù)市場(chǎng)（TAM） = $1.1T × 5～10% = $550 億 ～ $1100 億。

我們確定了以下的主要市場(chǎng)細(xì)分和 AI 潛在空間：

注：每部分當(dāng)前年支出估算（$B）計(jì)算邏輯如下：

Doctor Copilot

假設(shè)：

美國(guó)有約 100 萬(wàn)執(zhí)業(yè)醫(yī)生（AMA 數(shù)據(jù)）。

醫(yī)生年均總薪酬成本 ～$250k。

醫(yī)生有 ～30–50% 時(shí)間用于文書、開單、EHR 等非臨床任務(wù)（AMA、JAMA 調(diào)研）。

計(jì)算路徑：

醫(yī)護(hù)人力相關(guān)支出中，估計(jì)有 $250B 用于醫(yī)生。

其中非臨床任務(wù)部分 = $250B × 40% ≈ $100B（為 Doctor Copilot 可替代任務(wù)池）。

Diagnosis Copilot / Medical Imaging AI

假設(shè)：

全球醫(yī)學(xué)影像市場(chǎng)約為 $40–50B（MRI、CT、X 光設(shè)備市場(chǎng)）。

AI 影響的主要是判讀/分析成本、重復(fù)檢查、初篩流程。

每年美國(guó)進(jìn)行影像檢查超 30 億次（包括 X-ray、CT、MRI 等）。

單次成本估算 ～$100（含影像設(shè)備攤銷、醫(yī)技人力、判讀等）。

估算：

影像相關(guān)總支出 = 30 億次 × $100 = $300B，但設(shè)備折舊、人力和解讀成本比例約 1:1:1。

其中“解讀 + 診斷輔助”環(huán)節(jié)約占 1/3 → $300B × 1/3 = $100B。

AI Nurse（客服自動(dòng)化、遠(yuǎn)程護(hù)理、健康咨詢）

假設(shè)：

美國(guó) payer + provider call center 支出巨大。HealthAffairs 估算，payer call center 支出 ～$40B。

再加上醫(yī)院、診所前臺(tái)護(hù)理/協(xié)調(diào)工作：總客服+協(xié)調(diào)支出估計(jì) ～$80–100B。

計(jì)算：

假設(shè) 50–60 萬(wàn)名醫(yī)療客服人員 × $60k/人 = ～$30B–$35B。

加上護(hù)理前臺(tái)協(xié)調(diào)等任務(wù)部分支出，總估算約為 $80B。

醫(yī)療計(jì)費(fèi)與保險(xiǎn)（RCM， billing， claims， prior auth 等）

假設(shè)基礎(chǔ)：

美國(guó)醫(yī)療行業(yè)行政支出占比極高，CMS 和 HealthAffairs 研究顯示，管理成本占總醫(yī)療支出的 25–30%。

2023 年美國(guó)醫(yī)療支出總額超 $4.5T。

計(jì)算路徑：

行政支出 = $4.5T × 25% = $1.125T

其中與計(jì)費(fèi)/理賠/授權(quán)/coding 等任務(wù)相關(guān)部分估計(jì)占比約 30–40%。

→ $1.125T × 35% ≈ $400B。

Clinical Dataset Structuring（EHR 清洗、數(shù)據(jù)標(biāo)注、OCR 等）

假設(shè)：

醫(yī)院 IT 預(yù)算中的大部分用于 EHR 系統(tǒng)維護(hù)和數(shù)據(jù)整理。

2023 年美國(guó)醫(yī)院 IT 總預(yù)算約$100B（HIMSS，BEA 估算）。

其中數(shù)據(jù)工程相關(guān)約占 10–20%。

估算路徑：

$100B × 15% = $15B，向上估略放寬為 $10B–$20B 區(qū)間。

Infra/API 平臺(tái)（claims infra、care nav、PA infra 等）

假設(shè)基礎(chǔ)：

美國(guó) payer 在 claims processing 上支出巨大。

claims admin 成本估計(jì)約為 $200–300 per member per year（PBM 和 TPA 系統(tǒng)的成本）。

服務(wù)人群約為 1.5–2 億人。

估算路徑：

claims admin market = 2 億 × $250 = $50B。

加上部分 TPA、雇主健康計(jì)劃、care navigation API 平臺(tái)支出。

整體平臺(tái)級(jí) infra 服務(wù)市場(chǎng)估算為 $100B–$150B。

我們?cè)敢?bet 的方向

Patient facing 領(lǐng)域

1）患者咨詢與醫(yī)生助手。特點(diǎn)是輕量級(jí)切入，高 ROI 回報(bào)，合規(guī)路徑明確。( ~$100B)

這一方向的 AI 公司聚焦于提升醫(yī)生與患者之間的溝通效率，代表性的產(chǎn)品形態(tài)包括預(yù)約前的癥狀分流工具，以及在問(wèn)診過(guò)程中協(xié)助醫(yī)生完成自動(dòng)記錄、病歷總結(jié)、醫(yī)療編碼（CPT/ICD）、協(xié)調(diào)檢查等任務(wù)的“AI co-pilot”。這一類產(chǎn)品通常不需要 FDA 認(rèn)證，僅需滿足 HIPAA、SOC2 等數(shù)據(jù)隱私與安全合規(guī)要求，具備較低的部署門檻和快速落地能力。

該領(lǐng)域的 ROI 也很明確。醫(yī)生平均每周需花費(fèi)超過(guò) 15 小時(shí)在行政任務(wù)上，AI 助手可以將這一負(fù)擔(dān)減少 50%以上，提升醫(yī)生效率與滿意度，降低運(yùn)營(yíng)成本。當(dāng)前值得關(guān)注的公司包括 Abridge、Nabla 和 Ambience，聚焦在 Note taking 環(huán)節(jié)，切入點(diǎn)輕巧、增長(zhǎng)潛力也較大。

2）Diagnosis Copilot，用 AI 輔助醫(yī)生診斷，減輕知識(shí)負(fù)擔(dān)、提升決策質(zhì)量。( ~$100B)

在臨床一線，醫(yī)生每天都面臨快速變化的醫(yī)學(xué)知識(shí)體系和復(fù)雜的病例判斷，傳統(tǒng)的學(xué)習(xí)和信息檢索方式難以滿足實(shí)時(shí)決策的需要。Diagnosis Copilot 可以快速學(xué)習(xí)最新研究文獻(xiàn)，結(jié)合患者個(gè)體信息，減輕醫(yī)生的信息負(fù)擔(dān)和認(rèn)知壓力。

產(chǎn)品形態(tài)上，有獨(dú)立使用的 Chatbot（如 OpenEvidence），也有與醫(yī)院 EHR 系統(tǒng)深度集成的診療平臺(tái)（如 Glass Health）。從長(zhǎng)期來(lái)看，Diagnosis Copilot 類產(chǎn)品具備結(jié)構(gòu)化數(shù)據(jù)輸入、明確 ROI 和高頻剛需的特點(diǎn)，有可能成為醫(yī)生日常工作的“標(biāo)配工具”。

3）醫(yī)療計(jì)費(fèi)與保險(xiǎn)（～$400B）

相比前兩類“前臺(tái)”場(chǎng)景，Healthcare Infra 更為復(fù)雜，但其長(zhǎng)期商業(yè)價(jià)值同樣可觀。醫(yī)療基礎(chǔ)設(shè)施支撐預(yù)約、賬單、理賠、數(shù)據(jù)共享和支付處理等關(guān)鍵環(huán)節(jié)。醫(yī)療機(jī)構(gòu)在運(yùn)營(yíng)和行政成本上的支出通常占總支出的 25～30%。很多基礎(chǔ)設(shè)施系統(tǒng)如診所管理軟件、理賠 clearinghouse 等都是上世紀(jì)遺留下來(lái)的，嚴(yán)重依賴人工流程，信息割裂。新興醫(yī)療模式（如遠(yuǎn)程醫(yī)療、居家護(hù)理、自費(fèi)醫(yī)療）正在快速興起，但配套的底層系統(tǒng)沒(méi)有建立，有“空白地帶”。這正是創(chuàng)業(yè)者的機(jī)會(huì)：要么升級(jí)傳統(tǒng)系統(tǒng)，要么在新場(chǎng)景中從零構(gòu)建平臺(tái)。

我們特別關(guān)注的細(xì)分領(lǐng)域包括醫(yī)療計(jì)費(fèi)與編碼自動(dòng)化（RCM）、保險(xiǎn)理賠流程優(yōu)化（如 Prior Authorization、Claims Submission）。這一領(lǐng)域面臨的挑戰(zhàn)在于產(chǎn)品需深度集成進(jìn)現(xiàn)有系統(tǒng)，客戶決策周期較長(zhǎng)，對(duì)企業(yè)的銷售策略和實(shí)施能力要求更高。但一旦完成部署，客戶黏性極高，具備強(qiáng)勁的收入穩(wěn)定性。當(dāng)前該賽道的明星公司不多，我們比較關(guān)注的包括 Infinitus 和 Alaffia，也值得發(fā)掘更多早期的機(jī)會(huì)。

02.賽道圖譜及關(guān)鍵公司

Patient Facing：AI 成為醫(yī)生的第二大腦

Doctor Co-pilots

美國(guó)約有 100 萬(wàn)執(zhí)業(yè)醫(yī)生和更多的護(hù)士、技師。醫(yī)生平均將 40%+ 工作時(shí)間花在電子病歷和文書上，“數(shù)字行政負(fù)擔(dān)”極大。如果每位醫(yī)生每年為此類 AI 服務(wù)付費(fèi) ～$5,000（可能由醫(yī)院或診所支付），對(duì)應(yīng)市場(chǎng)規(guī)模 ～$50 億美元/年。

該領(lǐng)域的產(chǎn)品需求明確、ROI 清晰，并且深度依賴與 EHR 系統(tǒng)的集成。值得關(guān)注的公司包括 Abridge、Ambience、Nabla 等。

這個(gè)市場(chǎng)已經(jīng)出現(xiàn)價(jià)格競(jìng)爭(zhēng)，已經(jīng)有像 Nabla 以較低的價(jià)格（約 $100–$150/醫(yī)生/月）進(jìn)入市場(chǎng)，這大約是 Abridge 價(jià)格的一半 。一些低價(jià)供應(yīng)商（如 Freed、Heidi、Corti）甚至以低于 $100/醫(yī)生/月的價(jià)格入場(chǎng)，但這些供應(yīng)商通常不提供系統(tǒng)集成，難以進(jìn)入主流醫(yī)療系統(tǒng) 。

集成能力還是定價(jià)關(guān)鍵， 深度集成 EHR（電子健康記錄系統(tǒng)，如 Epic）是大型醫(yī)療系統(tǒng)的核心需求。這種集成能力需要成本投入，也是供應(yīng)商定價(jià)能力的來(lái)源 。像 Abridge 與 Epic 深度集成，能夠擁有一定的定價(jià)權(quán)（約 $250–$300/醫(yī)生/月）。Nuance 的 DAX 產(chǎn)品價(jià)格更高（曾高達(dá) $1,000–$2,000/醫(yī)生/月，后降至 $400-$600/醫(yī)生/月，且非 Epic DMO 用戶需額外付費(fèi)）。

根據(jù)客戶訪談，Abridge 的用戶 Day90 留存率在提高，從初期的 60% 上升到 75% 左右。對(duì)于終端醫(yī)生來(lái)說(shuō)，更換供應(yīng)商的感知可能不強(qiáng)，因?yàn)槭褂昧鞒蹋▎?dòng)錄音 -> 記錄同步）基本一致 。 ? 而管理層更關(guān)注整合成本，傾向于選擇“少而強(qiáng)”的供應(yīng)商，以減少 EHR 對(duì)接和廠商管理的負(fù)擔(dān)。 所以新的供應(yīng)商需要同時(shí)做到提供更優(yōu)的集成、更低的價(jià)格、更強(qiáng)的住院場(chǎng)景能力或獨(dú)特功能，才可能引發(fā)客戶更換供應(yīng)商 。而 Ambience 以專科筆記質(zhì)量高、準(zhǔn)確率高，同時(shí)提供還能生成患者教育材料 、支持“建議診斷”和“建議編碼”、多語(yǔ)言翻譯等功能而獲得了顯著的市場(chǎng)份額。

Case Study

Abridge

背景： 創(chuàng)始人兼 CEO 是 Shivdev Rao 博士，是一名執(zhí)業(yè)心臟病醫(yī)生，本科畢業(yè)于 CMU，此后在匹茲堡大學(xué)醫(yī)學(xué)中心 （UPMC） 的心臟和血管研究所擔(dān)任教授。

產(chǎn)品： 提供基于 ASR（自動(dòng)語(yǔ)音識(shí)別）和生成式 AI 的臨床對(duì)話記錄和筆記生成解決方案。核心優(yōu)勢(shì)在于與 Epic 等主流 EHR 系統(tǒng)的深度無(wú)縫集成，允許醫(yī)生在原有工作流中輕松使用（如通過(guò) Epic 移動(dòng)端錄音，在 PC 端直接編輯 AI 生成的 SOAP 筆記）。實(shí)時(shí)生成、附帶原文證據(jù)引用、自動(dòng)摘要是關(guān)鍵特性。也關(guān)注患者端，提供醫(yī)囑回顧。

商業(yè)模式與進(jìn)展： B2B 模式，向醫(yī)療系統(tǒng)銷售。憑借卓越的產(chǎn)品體驗(yàn)和與 Epic 的整合，實(shí)現(xiàn)了快速客戶拓展。近期完成兩輪共 1.8 億美元融資，估值據(jù)傳將達(dá) 25 億美元，是 LLM 在醫(yī)療應(yīng)用領(lǐng)域的明星公司。

Ambience

產(chǎn)品：醫(yī)療臨床醫(yī)生人工智能助理，提供了一款符合 CDI 規(guī)范的人工智能醫(yī)療記錄器 ，可通過(guò)環(huán)境語(yǔ)音識(shí)別自動(dòng)記錄臨床記錄。它減輕了 EHR 文檔的管理負(fù)擔(dān)，無(wú)縫集成 EHR 系統(tǒng)。

創(chuàng)始團(tuán)隊(duì)：兩人同時(shí)是 Remedy 的創(chuàng)始團(tuán)隊(duì)。Co-founder & 首席科學(xué)家 Nikhil Buduma 專注于深度學(xué)習(xí)、人工智能和醫(yī)療保健領(lǐng)域。Co-founder & CEO Michael Ng 曾在 Morgan Stanley、Calera Capital 工作。

融資：20 年創(chuàng)立，已在三輪融資中籌集了總計(jì) 7630 萬(wàn)美元的資金，2024 年 2 月 6 日由 Kleiner Perkins 和 OpenAI 的 Startup Fund 領(lǐng)投的 B 輪融資中籌集了 7000 萬(wàn)美元，投資者包括 Andreessen Horowitz， Kleiner Perkins， Liquid 2 Ventures， Optum Ventures， OpenAI Startup Fund。

Nabla

產(chǎn)品：Nabla Copilot 可以幫助臨床醫(yī)生減少行政事務(wù)，2025 年 2 月 13 日新增 Nabla Dictation，這是一款語(yǔ)音轉(zhuǎn)文本解決方案，旨在進(jìn)一步簡(jiǎn)化超過(guò) 55 個(gè)?？频呐R床工作流程。Nabla 的多 EHR 方案已在廣泛的 EHR 群體中得到應(yīng)用。

商業(yè)模式：并被 100 多個(gè)組織的 50,000 多名臨床醫(yī)生使用。

創(chuàng)始團(tuán)隊(duì)：創(chuàng)始人 & CEO 首席執(zhí)行官 Alex Lebrun ，擁有超過(guò)二十年的人工智能產(chǎn)品開發(fā)經(jīng)驗(yàn)，其旗下公司已被 Nuance （VirtuOz） 和 Facebook （Wit.ai） 收購(gòu)；創(chuàng)始人 & COO Delphine Groll 和創(chuàng)始人 & CTO Martin Raison 。醫(yī)學(xué)博士、公共衛(wèi)生碩士 Ed Lee 曾任 Permanente Federation 的首席信息官，最近加入 Nabla 擔(dān)任首席醫(yī)療官。

融資： 2018 年成立，法國(guó)巴黎歐洲初創(chuàng)公司，已累計(jì)融資 4470 萬(wàn)美元 ，最近一輪融資是 2024 年 1 月 5 日由全球風(fēng)險(xiǎn)投資公司 Cathay Innovation 領(lǐng)投的 3000 萬(wàn)美元（2200 萬(wàn)歐元） B 輪融資。

Freed.ai

產(chǎn)品：AI 抄寫員可在患者就診期間自動(dòng)完成整個(gè)醫(yī)療記錄過(guò)程，為臨床醫(yī)生每天節(jié)省大約 2 小時(shí)的記錄時(shí)間。Freed 采用直接面向臨床醫(yī)生的商業(yè)模式，擁有超過(guò) 17,000 名付費(fèi)用戶。

創(chuàng)始團(tuán)隊(duì)：由 Erez Druk （CEO）和 Andrey Bannikov （CTO）于 2023 年初創(chuàng)立，Erez Druk 是一位前 Meta 工程師，受到妻子的醫(yī)生經(jīng)歷的啟發(fā)。Andrey 是一位頂尖的 0.1%技術(shù)專家。他來(lái)自俄羅斯，曾參加過(guò)高難度的編程和數(shù)學(xué)競(jìng)賽。他在 Meta 工作了 10 年，解決了一些世界上最棘手技術(shù)難題。

融資：迄今為止共籌集了 3400 萬(wàn)美元 ，其中包括 2025 年 3 月由紅杉資本領(lǐng)投的 3000 萬(wàn)美元 A 輪融資 ，Scale Venture Partners、Daniel Gross、Gokul Rajaram 和 Ted Zagat 也參與其中。

Diagnosis Copilot AI 診斷支持

隨著醫(yī)學(xué)知識(shí)的更新速度日益加快，醫(yī)生在臨床一線所面對(duì)的判斷壓力也持續(xù)上升。傳統(tǒng)的查閱指南或搜索文獻(xiàn)方式，往往難以滿足他們?cè)谠\斷過(guò)程中對(duì)“快速、個(gè)性化、高精度”信息的需求。

Diagnosis Copilot 是一類為醫(yī)生設(shè)計(jì)的實(shí)時(shí)診斷輔助系統(tǒng)，借助大型語(yǔ)言模型、臨床知識(shí)圖譜以及交互式界面，將“信息獲取”到“臨床決策”之間的路徑重新構(gòu)建得更智能、更高效。

目前這一賽道的參與者大致可以分為兩類：一類是專注為醫(yī)生提供診斷建議或信息檢索能力的工具型產(chǎn)品，如 Open Evidence、Glass Health，它們更像醫(yī)生手邊的“智能助手”；另一類則是將 AI 診斷能力與完整醫(yī)療服務(wù)打包交付的平臺(tái)型公司，如 Ada Health、K Health，直接為患者提供閉環(huán)式的在線問(wèn)診與初篩服務(wù)。

Case Study

OpenEvidence

背景： 由哈佛背景的連續(xù)創(chuàng)業(yè)者 Daniel Nadler 于 2021 年創(chuàng)立，2025 年 2 月宣布 A 輪獲紅杉 7500 萬(wàn)美元投資，估值 10 億美元。

產(chǎn)品： 面向醫(yī)生的 AI Chatbot/ Deepresearch。特點(diǎn)包括：回答附帶引用文獻(xiàn)、提供“指南”和“證據(jù)”雙模式、智能推薦后續(xù)問(wèn)題。功能涵蓋癥狀分析、診斷建議、治療方案推薦、藥物對(duì)比、指南查詢、行政文檔（如授權(quán)信）生成、臨床計(jì)算器等。還提供文獻(xiàn)摘要功能。

商業(yè)模式與策略： 采用面向 C 端醫(yī)生免費(fèi)的策略，通過(guò)口碑實(shí)現(xiàn)病毒式增長(zhǎng)（已覆蓋美國(guó) 20-25%醫(yī)生）。主要通過(guò)精準(zhǔn)廣告（藥企、器械商）變現(xiàn)。這種獨(dú)特的增長(zhǎng)和變現(xiàn)模式在 Chatbot 產(chǎn)品中比較罕見(jiàn)。

OpenEvidence 網(wǎng)頁(yè)版主界面

Glass Health

產(chǎn)品：提供 AI 臨床決策支持平臺(tái)，包括聊天機(jī)器人，為臨床醫(yī)生服務(wù)，根據(jù)患者摘要制定鑒別診斷和臨床計(jì)劃?？蔁o(wú)縫集成到現(xiàn)有的 EHR 系統(tǒng)中，也包括從 EHR 系統(tǒng)中獲得數(shù)據(jù)。臨床醫(yī)生可以使用人工智能聊天機(jī)器人從符合最新臨床指南的患者數(shù)據(jù)中獲得實(shí)時(shí)洞察、預(yù)測(cè)見(jiàn)解，加快臨床決策過(guò)程。新功能更新頻率高，最近推出了三個(gè)新的 AI 臨床文檔功能：1）H&P 注釋；2）進(jìn)度記錄；3）出院總結(jié)。

創(chuàng)始團(tuán)隊(duì)：Co-founder & CEO Dereck Paul 醫(yī)學(xué)博士，Co-founder & CPO Graham Ramsey。

融資： YC W23，成立于 21 年，共融資 700 萬(wàn)美元，最近一輪融資為 2023 年 9 月 11 日 500 萬(wàn)美元的種子輪，投資者包括 Y Combinator、Initialized Capital、Breyer Capital、Breyer Labs、Tom X Lee。成功入選 2024 年 Google for Startups Accelerator: AI First。

Medical Imaging & Pathology

醫(yī)學(xué)影像一直是 AI 最早進(jìn)入醫(yī)療領(lǐng)域的應(yīng)用場(chǎng)景之一。隨著影像數(shù)據(jù)的爆炸式增長(zhǎng)，以及診斷精度要求的不斷提升，依賴人工判讀已難以滿足臨床效率和準(zhǔn)確性的雙重需求。以美國(guó)為例，現(xiàn)有約 3 萬(wàn)名放射科醫(yī)師，以及數(shù)量龐大的技師團(tuán)隊(duì)，日常要處理從 X 光、CT 到 MRI 等不同模態(tài)的大量圖像數(shù)據(jù)。AI 在這一過(guò)程中，正逐步成為醫(yī)生的重要助手——幫助篩查、標(biāo)注、生成摘要，提高診斷速度與一致性。

目前，許多 AI 影像產(chǎn)品聚焦在放射科和病理科等“數(shù)據(jù)密集型”科室，利用多模態(tài) AI 模型，對(duì) X 光、CT、MRI 以及病理切片等圖像進(jìn)行分析，輔助醫(yī)生做出更快更準(zhǔn)確的判斷。這類產(chǎn)品的價(jià)值，正逐漸從單點(diǎn)診斷效率提升，延伸到科研數(shù)據(jù)支持與藥企合作等更高階的應(yīng)用場(chǎng)景。代表性公司包括 Rad AI、Modella AI 和 Aidoc 等。

影像 AI 作為醫(yī)療 AI 中最早成熟的應(yīng)用方向之一，發(fā)展已趨于常規(guī)化，行業(yè)進(jìn)入標(biāo)準(zhǔn)化和規(guī)模部署階段。新突破來(lái)自于大語(yǔ)言模型對(duì)多模態(tài)理解能力的增強(qiáng)：不再只是對(duì)圖像進(jìn)行判斷，而是能夠跨模態(tài)整合圖像、文本、結(jié)構(gòu)化數(shù)據(jù)，共同輔助醫(yī)生做出更復(fù)雜的決策。這一演進(jìn)趨勢(shì)，正在推動(dòng)影像 AI 從“工具”走向“決策伙伴”的下一階段。

Case Study

Rad AI

產(chǎn)品：面向醫(yī)院和影像中心的放射科醫(yī)生和放射科 。Rad AI 使用 AI 從語(yǔ)音聽(tīng)寫和圖像數(shù)據(jù)中轉(zhuǎn)錄并生成放射學(xué)報(bào)告，減少放射科醫(yī)生花在文檔上的時(shí)間，使他們能夠更加專注于圖像解釋和患者護(hù)理。

創(chuàng)始團(tuán)隊(duì)：Dr. Jeff Chang，美國(guó)歷史上最年輕的放射科醫(yī)生，擁有超過(guò) 10 年的急診放射科醫(yī)生經(jīng)驗(yàn)，專攻肌肉骨骼 MRI，并在機(jī)器學(xué)習(xí)領(lǐng)域有深入研究；Doktor Gurson，連續(xù)創(chuàng)業(yè)者，擁有 20 多年科技創(chuàng)業(yè)經(jīng)驗(yàn)，曾創(chuàng)辦多家公司并參與多次收購(gòu)，具備深厚的技術(shù)和投資背景。

融資情況：18 年成立，累計(jì)融資總額超過(guò) 1.4 億美元。C 輪融資（2025 年 1 月）：完成 6000 萬(wàn)美元融資，由 Transformation Capital 領(lǐng)投，現(xiàn)有投資者 Khosla Ventures、World Innovation Lab、UP2398、Kickstart Fund、OCV Partners、Cone Health 等跟投，公司估值達(dá)到 5.25 億美元。

Modella AI

定位： 專注于病理學(xué)領(lǐng)域的多模態(tài)生成式 AI。2024 年從哈佛醫(yī)學(xué)院和麻省總醫(yī)院（Mass General Brigham）的 Mahmood 實(shí)驗(yàn)室分拆出來(lái)。

產(chǎn)品：

1） PathChat: 面向病理醫(yī)生的 AI Copilot，支持自然語(yǔ)言與病理圖像交互（識(shí)別、報(bào)告、標(biāo)注等）。臨床版本 PathChat DX 獲 FDA 突破性醫(yī)療器械認(rèn)定。

2） Judith: 面向科研的 AI Agent，執(zhí)行圖像分析、生物標(biāo)志物識(shí)別、預(yù)后建模等任務(wù)。

技術(shù)： 基于視覺(jué)-語(yǔ)言模型，整合圖像與文本理解能力。

商業(yè)模式：SaaS 訂閱、與藥企/研究機(jī)構(gòu)戰(zhàn)略合作（算法定制、biomarker 標(biāo)志物挖掘）。

AI Nurse 患者互動(dòng)溝通

AI Nurse 是 GenAI 在醫(yī)療場(chǎng)景中最接近“數(shù)字員工”形態(tài)的應(yīng)用之一。在全球范圍內(nèi)，醫(yī)護(hù)資源緊張一直是醫(yī)療系統(tǒng)面臨的長(zhǎng)期結(jié)構(gòu)性挑戰(zhàn)。以美國(guó)為例，預(yù)計(jì)到 2030 年，全國(guó)護(hù)士缺口將超過(guò) 100 萬(wàn)人?！皵?shù)字護(hù)士”（AI Nurse），正加速進(jìn)入臨床一線的非診斷性護(hù)理場(chǎng)景，應(yīng)用于術(shù)前宣教、慢病管理、用藥提醒、心理支持等任務(wù)，替代部分重復(fù)性強(qiáng)、勞動(dòng)密集的人工操作，同時(shí)保證服務(wù)質(zhì)量標(biāo)準(zhǔn)化、壓縮響應(yīng)時(shí)間，控制整體運(yùn)營(yíng)成本。

AI Nurse 之所以市場(chǎng)空間可觀，有以下原因：

重復(fù)性護(hù)理任務(wù)的自動(dòng)化：AI 可以工作 7/24，承擔(dān)大量標(biāo)準(zhǔn)化、流程化的任務(wù)，降低服務(wù)成本；

LLM 和 Voice Agent 的發(fā)展提升了自然度；

合規(guī)落地門檻較低：非診斷性護(hù)理屬于“輔助交互”角色，當(dāng)前在監(jiān)管上更容易獲得通過(guò)，也更容易被醫(yī)療系統(tǒng)所接受。

Case Study

Hippocratic AI

背景與使命： 由醫(yī)療行業(yè)連續(xù)創(chuàng)業(yè)者創(chuàng)立，強(qiáng)調(diào)安全為先，目標(biāo)是解決醫(yī)護(hù)短缺。

產(chǎn)品： 核心是安全性優(yōu)化的醫(yī)療 LLM Polaris，驅(qū)動(dòng) AI Agent 通過(guò)電話與患者進(jìn)行非診斷性交互（如術(shù)前指導(dǎo)、慢病管理、用藥提醒、預(yù)約確認(rèn)等）。系統(tǒng)包含 ASR、LLM、TTS，并支持無(wú)代碼定制 Agent。

商業(yè)模式與定價(jià)： B2B2C 模式，向醫(yī)療機(jī)構(gòu)提供服務(wù)。定價(jià)極具競(jìng)爭(zhēng)力（約$10/小時(shí)），遠(yuǎn)低于美國(guó)注冊(cè)護(hù)士時(shí)薪（約$45/小時(shí)），成本優(yōu)勢(shì)顯著。

Hippocratic AI 共完成五輪融資，總額約 2.78 億美元，投資機(jī)構(gòu)包括 General Catalyst、Andreessen Horowitz、Premji Invest、Kleiner Perkins、NVIDIA 的 NVentures 等，最新 B 輪（2025 年 1 月）融資金額 1.41 億美元，估值達(dá) 16.4 億美元。

Clearstep

定位：AI 輔助的癥狀分診與患者預(yù)約平臺(tái)，取代護(hù)士呼叫中心。

產(chǎn)品：基于 Schmitt-Thompson 分診協(xié)議，提供癥狀評(píng)估、路徑引導(dǎo)與科室掛號(hào)服務(wù)，與 EMR 系統(tǒng)（如 Epic）無(wú)縫集成。

創(chuàng)始團(tuán)隊(duì)：CEO Adeel Malik；CPO Bilal Naved。

融資：已通過(guò)多輪融資籌集了約 670 萬(wàn)美元 ，最新一輪為 2023 年種子輪（$1.7M），過(guò)往投資者包括 Techstars、OCA Ventures、RRE Ventures 等。

面向消費(fèi)者的 AI（Consumer-facing AI）

該部分的公司主要專注 C 端的個(gè)人健康伴侶、聊天機(jī)器人、教練。

Livv

產(chǎn)品：從病歷入手，構(gòu)建未來(lái)健康伴侶。該公司致力于打造一個(gè)全球人工智能驅(qū)動(dòng)的健康記錄平臺(tái)，將零散的醫(yī)療數(shù)據(jù)和可穿戴設(shè)備信息匯總成一份單一、全面且持續(xù)更新的健康記錄——通常被稱為“醫(yī)療簡(jiǎn)歷”。這份統(tǒng)一的記錄使患者能夠掌控自己的健康數(shù)據(jù)，并促進(jìn)更明智、更主動(dòng)、更個(gè)性化的醫(yī)療保健。

創(chuàng)始團(tuán)隊(duì)：由 Sverre Sundsdal 和 Ishita Barua 于 2023 年挪威創(chuàng)立。Co-founder & CEO Sverre Sundsdal 擁有二十年的產(chǎn)品開發(fā)和人工智能領(lǐng)導(dǎo)經(jīng)驗(yàn)，曾擔(dān)任 Babylon Health 的人工智能工程主管，并在 Google、Schibsted、Telenor 和 Oda 工作過(guò)。 Co-founder & 首席健康 AI 官 Ishita Barua 是一名擁有醫(yī)學(xué) AI 博士學(xué)位的醫(yī)生， 《人工智能拯救生命》 一書的作者，并在德勤領(lǐng)導(dǎo)醫(yī)療保健領(lǐng)域的 AI 工作。

融資：已籌集 140 萬(wàn)歐元，最近一輪即 2024 年 6 月 24 日 140 萬(wàn)歐元種子輪前，投資者包括 Inventure 、 byFounders 、 Calm/Storm Ventures。

Meeno

產(chǎn)品：關(guān)系 AI 聊天機(jī)器人。Meeno 是一款由生成式人工智能驅(qū)動(dòng)的人際關(guān)系指導(dǎo)應(yīng)用，旨在幫助用戶掌握社交聯(lián)系，改善與朋友、家人、同事和約會(huì)對(duì)象之間的關(guān)系。它將自己定位為“私人導(dǎo)師”，而非虛擬伴侶或治療師。

商業(yè)模式與進(jìn)展：計(jì)劃于 2023 年底在美國(guó)、英國(guó)、加拿大、澳大利亞、新西蘭、挪威、瑞典和荷蘭發(fā)布 iOS 應(yīng)用程序。截至 2024 年初，Meeno 在測(cè)試階段已被約 90,000 人使用，隨著該應(yīng)用擴(kuò)展到美國(guó)、英國(guó)、加拿大、澳大利亞、新西蘭、挪威、瑞典和荷蘭等多個(gè)國(guó)家/地區(qū)，用戶群還在不斷增長(zhǎng)。

創(chuàng)始團(tuán)隊(duì)：Renate Nyborg，曾任 Tinder 首席執(zhí)行官、Apple 和 Headspace 高管。靈感來(lái)源于 Renate 在 Tinder 目睹年輕用戶孤獨(dú)的經(jīng)歷。

融資：共融資 500 萬(wàn)美元，由 Sequaio Capital 領(lǐng)投的種子輪融資 390 萬(wàn)美元，吳恩達(dá)的 AI Fund 和 NEA 也參與其中。

AI 醫(yī)療基礎(chǔ)設(shè)施的重構(gòu)機(jī)會(huì)

Healthcare infra 是整個(gè)體系運(yùn)行的基石。它支撐核心運(yùn)營(yíng)（如預(yù)約、賬單、理賠等），實(shí)現(xiàn)數(shù)據(jù)交互與互操作性（如不同系統(tǒng)之間共享數(shù)據(jù)）以及處理金融交易。隨著 LLM 的應(yīng)用，Healthcare infra 中的多個(gè)“重復(fù)、高度依賴人工”的模塊是 AI/LLM 應(yīng)用密集區(qū)。

我們重點(diǎn)關(guān)注的兩個(gè)機(jī)會(huì)高密度區(qū)域是：

1）醫(yī)療計(jì)費(fèi)與保險(xiǎn)

這是目前 AI 應(yīng)用最成熟、商業(yè)化進(jìn)展最快的場(chǎng)景之一。保險(xiǎn)理賠、預(yù)授權(quán)、賬單生成和編碼等流程歷來(lái)依賴大量人工處理，不僅流程復(fù)雜、接口標(biāo)準(zhǔn)不一，還直接影響著醫(yī)院的收入流轉(zhuǎn)和資金回收。在這個(gè)環(huán)節(jié)，AI Agent 與大型語(yǔ)言模型的角色是充當(dāng)一名全天候的“自動(dòng)對(duì)接人”，高效地與保險(xiǎn)公司溝通、確認(rèn)信息、執(zhí)行重復(fù)流程，最終顯著提升財(cái)務(wù)運(yùn)營(yíng)效率。

這一方向有非常鮮明的產(chǎn)業(yè)化特征：

• ROI 明確：直接節(jié)省人力、提高收入回收效率；
• 決策人清晰：由財(cái)務(wù)或 RCM（Revenue Cycle Management）團(tuán)隊(duì)主導(dǎo)采購(gòu)；
• 使用頻率高：每位患者、每次服務(wù)都涉及到驗(yàn)證與理賠。

以 Infinitus 為例，一家專注于福利驗(yàn)證（Benefits Verification）的 AI 公司，其產(chǎn)品以 SaaS 形式交付，集成到醫(yī)院現(xiàn)有的 RCM 系統(tǒng)中，主要作用是在患者入院或預(yù)約前，快速核實(shí)其保險(xiǎn)覆蓋情況、自付額度和授權(quán)狀態(tài)。

為什么這一方向具備強(qiáng)可復(fù)制性？

• 價(jià)值明確：解決的是“沒(méi)有驗(yàn)證→被拒付”這樣的直接收入問(wèn)題；
• 流程高頻：每一個(gè)就診環(huán)節(jié)都需要福利驗(yàn)證；
• 部署簡(jiǎn)單：以 API 或 voice agent 接口形式集成，無(wú)需改動(dòng)醫(yī)院核心系統(tǒng)；
• 付費(fèi)能力強(qiáng)：客戶愿意為更快、更準(zhǔn)確的流程支付合理訂閱費(fèi)；
• 渠道可擴(kuò)展：Infinitus 既可直接銷售，也可以通過(guò)大型 RCM 平臺(tái)（如 R1、Optum、Change Healthcare）打包進(jìn)入醫(yī)院，降低銷售摩擦。

在醫(yī)療 AI 領(lǐng)域，像 Infinitus 這樣的產(chǎn)品形態(tài)正在成為一類典型模式：不是替代醫(yī)生，也不是改變臨床路徑，而是從“財(cái)務(wù)-流程-收益”三角中，切入醫(yī)院最核心的運(yùn)營(yíng)節(jié)點(diǎn)，是當(dāng)前 AI 技術(shù)在 B2B 醫(yī)療中實(shí)現(xiàn)可規(guī)模化落地的關(guān)鍵路徑之一。

Case Study

Infinitus

產(chǎn)品：構(gòu)建專為支付方、醫(yī)院、患者之間流程溝通的語(yǔ)音 AI 平臺(tái)，替代繁瑣的人工 IVR 和電話交互。其 AI Agent 和 co-pilot 可以導(dǎo)航 IVR 系統(tǒng)、等待接聽(tīng)，并執(zhí)行與理賠處理、預(yù)授權(quán)、福利驗(yàn)證和處方跟進(jìn)相關(guān)的復(fù)雜呼叫。

商業(yè)化與進(jìn)程：已經(jīng)完成了超過(guò) 500 萬(wàn)筆交易和超過(guò) 1 億分鐘的對(duì)話。

創(chuàng)始團(tuán)隊(duì)：Co-founder & CEO Ankit Jain，連續(xù)創(chuàng)業(yè)者和前谷歌工程負(fù)責(zé)人 ；Co-founder & CTO Shyamsundar Rajagopalan。

融資：23 年成立于舊金山?？?cè)谫Y額為 1.029 億美元，近期于 2024 年 10 月 23 日完成了 5150 萬(wàn)美元 C 輪融資 ，使其投后估值達(dá)到 6 億美元。領(lǐng)投方包括 Andreessen Horowitz、Coatue、google 風(fēng)投、凱鵬華盈和 Memorial Hermann Health System。

Alaffia

產(chǎn)品：為健康保險(xiǎn)方提供 AI 驅(qū)動(dòng)的索賠預(yù)審平臺(tái)，結(jié)合 AI 與臨床知識(shí)圖譜，提升審查效率，降低支付誤差。

創(chuàng)始團(tuán)隊(duì)：Co-Founder & CEO TJ Ademiluyi；co-founder and coo Adun Akanni。

融資：共融資 1660 萬(wàn)美元，最新一輪為截至 2024 年 4 月 24 日的 1000 萬(wàn)美元種子輪。投資者包括 Plug and Play、Anthemis、FirstMark、Aperture Venture Capital、1984 Ventures。

2）Clinical datasets

訓(xùn)練醫(yī)療 AI 和 LLM 的基礎(chǔ)是大量合規(guī)、高質(zhì)量的臨床數(shù)據(jù)，而當(dāng)前數(shù)據(jù)仍呈現(xiàn)“低可得性 + 非結(jié)構(gòu)化”的狀態(tài)。這類公司為訓(xùn)練醫(yī)療 LLM 提供高質(zhì)量數(shù)據(jù)（真實(shí)或合成）。

這類平臺(tái)占據(jù)“AI 模型數(shù)據(jù)供給側(cè)”位置，未來(lái)可拓展至 AI model-as-a-service、合成 cohort 構(gòu)建、甚至作為 Pharma R&D 的基礎(chǔ)設(shè)施層。

Case Study

Unlearn

產(chǎn)品：利用 Gen AI 能創(chuàng)建臨床試驗(yàn)參與者的數(shù)字孿生。這些合成對(duì)照可以模擬患者結(jié)果，從而實(shí)現(xiàn)規(guī)模更小、速度更快的試驗(yàn)。其應(yīng)用領(lǐng)域包括神經(jīng)退行性疾病和腫瘤學(xué)。

創(chuàng)始團(tuán)隊(duì)：創(chuàng)始人兼首席執(zhí)行官 Charles Fisher 生物物理學(xué)博士，畢業(yè)于哈佛大學(xué)。

融資：成立于 2017 年，已在 7 輪融資中籌集了總計(jì) 1.349 億美元的資金 。 他們最近一次融資是在 2024 年 2 月 8 日的 C 輪 5000 萬(wàn)美元，投資者包括 Whittington Ventures、Radical Ventures、DCVC Bio、DCVC、8VC、Insight Partners、EPIC Ventures、Mubadala Capital、Necessary Ventures、Altimeter Capital。

Topography

是一家旨在提升 clinical trial 可及性與效率的醫(yī)療基礎(chǔ)設(shè)施初創(chuàng)公司。將社區(qū)醫(yī)療機(jī)構(gòu)（community-based practices）轉(zhuǎn)化為可參與臨床試驗(yàn)的節(jié)點(diǎn)，從而打破當(dāng)前試驗(yàn)集中于學(xué)術(shù)醫(yī)療中心的局限，推動(dòng)臨床研究“下沉”至基層。同時(shí)利用 AI 優(yōu)化患者篩選、流程自動(dòng)化及數(shù)據(jù)整合，提升整體效率。

創(chuàng)始團(tuán)隊(duì)：Alexander Saint-Amand 曾任 GLG CEO，擅長(zhǎng)搭建專家網(wǎng)絡(luò)。Topography 借鑒類似模式，致力于構(gòu)建覆蓋廣泛、標(biāo)準(zhǔn)化的“臨床試驗(yàn)網(wǎng)絡(luò)”，推動(dòng)研究基礎(chǔ)設(shè)施的系統(tǒng)性重構(gòu)。

融資：已籌集 2735 萬(wàn)美元資金，其中包括由 Andreessen Horowitz 和 Bain Capital Ventures 領(lǐng)投的 2022 年 1 月 9 日的 A 輪融資中的 2150 萬(wàn)美元。

03.創(chuàng)業(yè)團(tuán)隊(duì)正在把 Agent帶進(jìn)每個(gè)診所和系統(tǒng)

YC W25 批次的公司有很多醫(yī)療健康領(lǐng)域的 AI 和自動(dòng)化應(yīng)用，從 patient-facing 和 Infra 兩個(gè)維度來(lái)看：

Patient-Facing：聚焦在患者互動(dòng)、診療輔助、分診溝通等場(chǎng)景，提升用戶體驗(yàn)或優(yōu)化前線服務(wù)效率：

• Paratus Health：AI 驅(qū)動(dòng)的患者分診系統(tǒng)，提升掛號(hào)與導(dǎo)診效率
• Mecha Health：醫(yī)學(xué)影像分析，用于輔助診斷或病灶識(shí)別
• Vocality Health：實(shí)時(shí)醫(yī)療翻譯，改善多語(yǔ)種患者的交流障礙
• Uncommon Therapeutics：AI 輔助新藥發(fā)現(xiàn)，偏生物技術(shù)導(dǎo)向
• Amby Health：優(yōu)化救護(hù)車調(diào)度服務(wù)，提升急救響應(yīng)效率

Infra：聚焦于診所、保險(xiǎn)公司、醫(yī)院等 B 端機(jī)構(gòu)，推動(dòng)醫(yī)療運(yùn)營(yíng)、合規(guī)、支付等環(huán)節(jié)的自動(dòng)化和數(shù)據(jù)化：

• Tire Swing：醫(yī)療合規(guī)自動(dòng)化，降低審計(jì)和違規(guī)風(fēng)險(xiǎn)
• Egress Health：收入周期管理，提升診所理賠與回款效率
• Rada：保險(xiǎn)理賠流程自動(dòng)化，減少人工審核和錯(cuò)誤率
• YouShift：醫(yī)生排班自動(dòng)化，解決人力資源配置瓶頸
• Toothy AI：牙科診所管理系統(tǒng)，支持賬單、預(yù)約、庫(kù)存等功能
• HealthKey：臨床試驗(yàn)患者識(shí)別系統(tǒng)，連接患者與研究機(jī)構(gòu)

Case Study

Tire Swing

產(chǎn)品： AI 驅(qū)動(dòng)的醫(yī)療合規(guī)服務(wù)，通過(guò)構(gòu)建聯(lián)邦和州法規(guī)庫(kù)，幫助醫(yī)療公司解答合規(guī)問(wèn)題、評(píng)估政策并在法規(guī)變化時(shí)建議更新。

創(chuàng)始團(tuán)隊(duì)：

Lucas Irvine (Instacart, Capital One; 普林斯頓大學(xué) CS）

Paul Witten (Stroz Friedberg; 普林斯頓大學(xué) CS）

Egress Health

產(chǎn)品： AI agent 自動(dòng)化牙科診所收入周期管理，處理保險(xiǎn)驗(yàn)證和計(jì)費(fèi)，已擴(kuò)展至數(shù)十個(gè)地點(diǎn)，處理 1400 萬(wàn)美元報(bào)銷款，減少 1-2 名員工并提升 5-15%收入。

創(chuàng)始團(tuán)隊(duì)：

Matthew Kiflu （哈佛大學(xué)）

Alex Pedersen （微軟， 哈佛大學(xué) CS）

YouShift

產(chǎn)品： 自動(dòng)化醫(yī)生排班系統(tǒng)，結(jié)合醫(yī)院規(guī)則與個(gè)人偏好生成無(wú)沖突排班表，減少職業(yè)倦怠，支持實(shí)時(shí)更新。

創(chuàng)始團(tuán)隊(duì)：

Jota Chamorro （哈佛大學(xué) CS）

Adolfo Roquero Gimenez （谷歌， 哈佛大學(xué) CS）

Lucía Vives Martorell （哈佛大學(xué)生物醫(yī)學(xué)科學(xué)）

HealthKey

產(chǎn)品： AI 根據(jù)臨床試驗(yàn)標(biāo)準(zhǔn)預(yù)篩選患者，集成多種 EHR 系統(tǒng)，協(xié)助醫(yī)生識(shí)別符合條件的患者并增加收入。

創(chuàng)始團(tuán)隊(duì)：

Josh Sabol (AWS, Plate IQ)

Amby Health

產(chǎn)品： AI copilot 為救護(hù)車機(jī)構(gòu)自動(dòng)化計(jì)費(fèi)和質(zhì)量審查，分析患者報(bào)告并優(yōu)化流程，取代手動(dòng)操作。

創(chuàng)始團(tuán)隊(duì)：

Yos Wagenmans （MIT 輟學(xué)， Meta）

Timmy Dang （MIT 輟學(xué)， Amazon）

Toothy AI

產(chǎn)品： 符合 HIPAA 的 AI agent 為牙科診所自動(dòng)化保險(xiǎn)驗(yàn)證和計(jì)費(fèi)，覆蓋整個(gè)收入周期。

創(chuàng)始團(tuán)隊(duì)：

Johnny Chen （福特， 軟銀支持初創(chuàng)）

Tejas K （醫(yī)療 AI 經(jīng)驗(yàn)）

Matt Kerrigan (Trunk Club, Salezilla)

Rada

產(chǎn)品： AI 語(yǔ)音 agent 為醫(yī)療診所自動(dòng)化保險(xiǎn)電話，集成管理系統(tǒng)，處理患者資格和預(yù)授權(quán)。

創(chuàng)始團(tuán)隊(duì)：

Patrick Foster (Netflix, GoDaddy)

Paratus Health

產(chǎn)品： AI 分診護(hù)士進(jìn)行預(yù)約前患者訪談，提供結(jié)構(gòu)化臨床總結(jié)，提升醫(yī)生效率并減少誤診。

創(chuàng)始團(tuán)隊(duì)：

Pablo Bermudez-Canete （斯坦福大學(xué) CS-AI）

Tannen Hall （斯坦福大學(xué) CS-AI）

Mecha Health

產(chǎn)品： 使用基礎(chǔ)模型自動(dòng)化 X 射線分析，將放射科醫(yī)生讀片速度從 1 小時(shí) 1 次提升至 5 分鐘 1 次。

創(chuàng)始團(tuán)隊(duì)：

Ahmed Abdulaal （帝國(guó)理工學(xué)院 MD， UCL 博士）

Hugo Fry （劍橋大學(xué)數(shù)學(xué)與物理）

Ayodeji Ijishakin （UCL 博士候選人）

Nina Monta?a Brown （UCL 博士， 醫(yī)療技術(shù)工程師）

Vocality Health

產(chǎn)品： AI 驅(qū)動(dòng)的醫(yī)院翻譯平臺(tái)，提供實(shí)時(shí)、臨床安全的翻譯服務(wù)，集成現(xiàn)有系統(tǒng)。

創(chuàng)始團(tuán)隊(duì)：

Brogan McPartland （哈佛大學(xué) CS， Fulltrack AI）

Vivek Jayaram （哈佛大學(xué) CS， Second Spectrum）

Uncommon Therapeutics

產(chǎn)品： 生物技術(shù)公司開發(fā)嚴(yán)重遺傳疾病療法，針對(duì)雷特綜合征設(shè)計(jì)潛在價(jià)值數(shù)十億美元的聯(lián)合治療。

創(chuàng)始團(tuán)隊(duì)：

Noah Auerhahn （連續(xù)創(chuàng)業(yè)者， 雷特綜合征研究投資）

Ryan Lim （生物技術(shù)企業(yè)家， UCI 研究員）