医疗 IT 团队做 2030 规划可以直接拿来当对标模板:四个自动化层级加六个行政工作流逐级打分,比一般 AI 采用率报告实在得多。想知道同行医院都卡在 L1 还是已经跑到 L2 的,建议看看这份调研的分级标准。
AI 医疗与生命科学
制药行业的销售预测工具拿了 1500 万美元继续扩张。它跟一般 CRM 的区别是能把处方数据、代表拜访记录和线上互动拼成每个医生的完整画像,而且模型跨产品复用。做药企数字化或者医药营销的朋友可以看看。
医疗 AI 大多在做病历文本问答,这家从 Mass General Brigham 分出来的公司换了条路:用表格加影像加基因数据训练基础模型,把病人变成可计算的表征。做医疗信息化或临床数据分析的团队可以看看思路。
CB Insights 这份 50 家名单里,超过一半在做保险审批、患者协调这些行政活,agentic AI 直接顶上了临床和用药环节。做医疗信息化或关注数字健康赛道的人可以拿它当创业和投资的地图看。
给医院做客服系统的朋友可以看看:AWS 把 Amazon Connect Health 升级成 agentic 呼叫助手,接 Epic、走 Redox,患者一次验证就能连续办多件事,不用像老 IVR 那样每个任务都回主菜单重排队。
CMS 是管着美国医保支付的机构,它怎么看 AI 直接决定理赔审核等环节能不能用上模型。STAT 把路线图和 HLTH 大会动态打包讲清楚,做医疗 AI 的开发者、企业 Buyers 都该翻一下。
写医疗行业 RCM 的朋友可以看看,讲的是医院怎么用 AI 工具看全流程财务数据、做拒付管理。思路对其他行业的运营团队也有参考价值,特别是怎么选不会很快过时的工具。
医疗 AI 落地最容易死在试点这一步。Johns Hopkins 的 Ritu Agarwal 讲得很实在:把 AI 塞进医生已有的工作流、先解决数据和信任问题,再谈规模化。医院信息科负责人和想进医疗行业的 AI 团队都该看看,少踩试点烂尾的坑。
npj Digital Medicine 上的新框架 FIRE-EVIDENCE,用 LLM 把女性健康领域的文献证据整理成机器可读结构。做医学信息学、循证工具或 RAG 抽取流程的人可以看看它的方法学设计,跟人工系统综述的做法完全不同。
这篇 NEJM AI 的综述把肺癌影像 AI 研究的统计问题摊开来讲:外部验证缺失、偏倚校正不足这些坑都点出来了。做医学影像模型或准备在医院落地这类工具的团队,可以照着文中清单自查。
很多骨质疏松患者其实早就拍过胸片,只是没人看骨头。这项研究让模型从常规胸片里顺带找出椎体骨折风险,不用额外做 DXA。放射科和骨科的医生值得看看怎么接入现有流程。
做门诊行政自动化的两家公司合并了:Credo 擅长诊前自动调病历,Affineon 擅长接管 EHR 收件箱消息。拼起来直接对标医生每天下班后还要回消息的痛点,承诺每月给每位医生省 40 小时。做医疗 AI 产品或 clinic 运营的人可以看看这个整合思路。
卒中救治分秒必争,但会做介入手术的医生大多在大城市。Remedy Robotics 拿了 DCVC 领投的 6200 万美元,做的 N1 系统让医生远程给基层医院患者做取栓手术,手里还有 48 项专利。做医疗机器人或者远程医疗的从业者应该看看。
UC Berkeley 出来的 Knit Health 拿了 NEA 领投的 3500 万美元,还发了 Med-BEAM。它学的不是病历文字,而是数亿次真实诊疗决策的时序,做患者轨迹预测,方向和文本类医疗模型很不一样。做医疗 AI 的人可以看看这条路能不能落地。
Apple 拉上 OpenEvidence 做健康聊天应用,OpenEvidence 是医生圈里很火的循证问答工具,现在想让普通人也能查健康问题。做医疗 AI 或者健康类产品的开发者应该盯一下,这是两大公司往消费端健康对话走的信号。
OpenAI 把 ChatGPT 塞进了医院的工作流:智能体能直接操作 EHR 界面做收件箱分诊,不用等厂商开 API。GPT-6 Astra 在医生设计的评估里跑通了多步骤任务,临床安全基准到 99%。做医疗 IT 集成或医院数字化的都该看看,这可能改变和 Epic 这类厂商的合作逻辑。
npj Digital Medicine 上的一篇方法论文,把 PDCA 循环拆成四步再配上双链思维,专门管住大模型写病历和问诊的质量。医院信息化团队和做医疗 Agent 的开发者可以看看这套流程拆解思路。
Nature Medicine 刊发的开源 AI 科研助手,用多个智能体分工跑文献检索、假设生成和实验设计,代码全公开可以自己部署审查。做生物医学研究或想在自家机构搭科研工作流的团队可以直接上手看实现。
医疗机构的AI预算一年翻倍,钱主要花在帮医生写病历的临床副驾驶和接电话排号的前台自动化上。这说明医疗AI开始真金白银落地了,做医疗方向产品的开发者可以看看哪些环节已经有人愿意付费。
搞医疗影像的朋友可以看看,12000多例颅脑CT的TBI数据集免费开放,训练出血检测或损伤分级模型不用再愁没数据,规模比之前那些几百例的公开集大了一个量级,做基准复现也方便。
npj Digital Medicine 上的新研究,用可解释 AI 把常规痛风临床分型对接到多组学数据和长期健康结局。做医疗 AI 或组学研究的人可以看看它怎么把黑箱模型做成可解释的表型-分子映射。
Google Cloud 自己的人出来承认医疗 AI 卡在试点阶段,说明问题不是模型不行,而是合规、集成和成本这些脏活没人干。做医疗信息化或 B 端 AI 生意的人应该看看,别只盯着演示效果立项。
Apple 拉上 OpenEvidence 这个临床引用型搜索平台,专门研究用户为什么信/不信健康 AI 的回答。这等于 Apple 在为进入健康问答场景铺路,做医疗 AI 产品的人可以关注他们定义的评估维度。
Viz.ai 和 Wolters Kluwer 把 UpToDate 塞进了急症协作 AI 里,医生处理卒中这类病例时能直接查循证资料,不用切系统。做医疗 AI 产品或医院信息化的人可以看看这种集成思路。
做医疗文档的 Suki 把产品升级成智能体操作系统,还敢给性能兜底,这在医疗AI里不常见。做企业级 agent 的人可以看看它怎么设计统一入口和责任承诺。医疗行业从业者尤其值得了解同行在往平台化走。
OpenAI 拉上 CVS Health、Cigna 和 Ambience,让 AI 直接操作 EHR 和保险门户,不用 API 也能干重复活儿。做医疗信息化或 RPA 的朋友可以留意这个方向,别家模型厂商还没这么大规模进医疗界面自动化。
KPCB 传奇投资人 John Doerr 给一家叫 Tom Health 的医疗 AI 公司站了台,这家公司以他已故兄弟命名,做的是初级医疗里的 AI 工具。医疗 AI 一直比通用模型更难落地,他这种级别的人亲自下场投资值得看看细节。关注医疗科技和 AI 商业化方向的人可以读读。
苹果要拉 20 万美国人做研究,就为了搞清楚大家怎么用健康类 AI 聊天机器人。对比 OpenAI 和 Google 在健康助手上的动作,苹果这次是在补数据短板。做医疗 AI 产品的人值得看看苹果关注哪些交互问题。
这篇 npj Digital Medicine 的论文讨论了一个容易被忽略的点:口腔黏膜本身的色素差异会让 AI 筛查模型在某些人群上表现变差。做医疗 AI 验证或口腔筛查工具的团队,以及关注算法公平性的研究者都该看看。
脑卒中诊断要同时看CT和MRI,这项工作把不确定性建模和病灶定位绑在一起做,输出会附带可信度。做医学影像AI或临床落地的团队可以看看它的思路,跟单纯输出分类结果的方法比多了定位能力。
医疗 AI 常见卡点是患者数据不能出院,Dyania 干脆把 Synapsis 平台搬进医院机房,靠 Nvidia 算力在院内跑推理。做医疗信息化或医院采购的人可以看看这条路线,比云端方案在合规上省很多麻烦。
Wolters Kluwer花最高1亿美元买下AgileMD,把UpToDate Expert AI和FDA批准的eCART预警直接塞进EHR界面,医生不用切系统就能用。做医疗信息化或医院采购的可以关注这个整合思路。
盖洛普这份调查挺有意思:患者其实没那么排斥 AI 看病,医疗服务者反而高估了抵触情绪。关键是医生得盯着 AI 的判断。做医疗 AI 产品或医院信息化的都该看看,监督流程设计比技术本身更能打动患者。
npj Digital Medicine 这篇新论文讨论医疗 AI 出问题时医生能不能发现。结论不太乐观:自动化偏见和时间压力会让人工审核形同虚设。做医疗 AI 产品、医院信息科和关注 AI 监管的都该看看。
npj Digital Medicine 上的一项新研究,用 AI 把稀疏的反射光谱补成连续光谱,肤色和血液参数估计更准了。做医疗影像、可穿戴健康监测的团队可以看看,方法能降低对高端光学硬件的要求。
一组医生创始人拿了 2000 万美元,做的是医疗账单编码自动化。有意思的是他们故意不用纯大模型,而是规则加神经网络的混合架构,主打合规可审计。做医疗 AI 或对幻觉敏感场景的团队可以看看这条技术路线。
医院拒付追讨是个又贵又磨人的环节,R1 把六个 AI 模块拼成一套系统,还敢按追回效果收费。做医疗 SaaS 或收入周期的团队可以看看它的模块化打法,医院信息科的人也该关注一下.
就是期刊改了一条参考文献的出处,换成 Younes 等人 2018 年那篇睡眠分期的论文。做 EEG 或医学 AI 研究的人引用这篇文章时记得用更正后的版本,其他人可以忽略。
The Lancet Digital Health这篇评论聊的是CMR影像AI和医生预测死亡风险谁更靠谱。它没吹AI多强,反而点出设备贵、通量低、会操作的人少这些真实瓶颈,做医疗AI或医院影像科的人值得看看对方怎么看。
《The Lancet Digital Health》上的一项多中心研究发现,AI 从心脏 MRI 算出的射血分数,预测死亡率比医生测的还准一点。做医学影像或心血管 AI 工具的团队可以看看它的评估方法,回溯性数据怎么用、怎么和医生对比,都有参考价值。