医疗领域，真实来源是对话：与 Abridge CEO Shiv Rao 对谈

摘要

• Abridge 的核心判断是，未来10年，医疗服务的第一信号仍将是对话，而不是自主执业的临床系统。 对话位于病历记录、医嘱、计费、临床试验乃至决策支持的上游，因此，文书自动化可以成为切入更广泛工作流的楔子。Rao 的目标，是消除那些“夜里压垮他们灵魂”的工作，同时让临床医生始终留在环路中。

• 公司有意进入大型医疗系统，因为质量门槛既构成防御，也带来集中的分发渠道。 Rao 估计，Abridge 已在110多个系统上线，包括 Kaiser 和 Sutter；他表示，近几年与 Microsoft 进行的3至4周正面对比中，Abridge 从未落败。在 University of Kansas Health System、Emory 和 Yale 的成功，随后通过 CIO 和 CMIO 网络扩散，形成企业级病毒式传播；但失败的下行风险极大，因为“一旦失手，就不会再有下一次机会”。

• 医生倦怠制造了紧迫性，而 ChatGPT 则把多年市场教育转化成了需求。 据称，5名医生中有2名可能在未来2至3年离开医疗行业，12个月内可能有27%的护士离职；Rao 估计，替换一名临床医生的成本接近100万美元。Abridge 在2021–22年间通过演示“吃玻璃”，但 Rao 后来意识到，公司其实一直在“预售”：2023年初 ChatGPT 出现后，医疗系统高管纷纷回电，要求开展试点。

• 技术护城河不在通用转录，而在医疗领域专属的识别、编排和面向不同受众的输出。 Rao 认为，即使语音识别错误率只有3–5%，在医生用各自方式念出新型肿瘤药物名称时，也可能造成重大影响。Abridge 必须处理多语言、多语种混杂的对话，并在数秒内生成英文临床记录、患者摘要、结构化字段，以及足以让医生为“所提供的医疗服务获得全部计费认可”的文档。

• 规模化把临床医生的修改转化成一套后训练飞轮。 Abridge 每隔几天就处理数百万段对话，通过“上下文推理引擎”把对话与医疗记录、保险系统和临床教材结合起来。由于草稿仍不完美，医生的修改会反馈到偏好调优、DPO、奖励建模和强化学习中；按 Rao 的说法，目标很坦诚，就是变得“没那么不完美”，而不是宣称已经完美。

• 早期实测效果异常强劲，但采用的楔子取决于临床医生仍在环路中。 Rao 引用的数据称，6周内认知负担下降约60%，最初几个月倦怠有时下降50%。他的框架偏好低风险、高频率的工作流：这些场景可以在医生核验草稿的同时证明生产率和 ROI；相比之下，高风险的自主医疗可能要慢得多才能被医疗系统吸收。

• 下一块阵地是诊疗现场的智能，但 Rao 仍预计，重症患者会希望由一名使用这些工具的真人医生来诊治。 Abridge 可以提示临床试验资格，或将患者与最近的10,000个相似病例进行比较，从而提示更可能是淀粉样变而非结节病，并建议做心脏 MRI 而不是 CT。然而，Rao 自己使用 GPT 和 Claude 时，答案有时会立即正确，但同样频繁地也会变成一场“辩证式体验”，需要3或4轮交流才能抵达正确方案。

精读

1. 临床对话是切入医疗操作系统的楔子

• Abridge 于2018年成立，核心判断至今未变：未来10年，医生和护士不会被完全自动化，专业人员与患者之间的对话仍是医疗服务的“第一信号”。由于对话先于大量工作流发生，自动化文书工作就有机会进入更广阔的业务流程。

• 眼下最紧迫的问题是供给能力。Rao 引用的数据称，5名医生中有2名考虑在未来2至3年离开，12个月内有27%的护士可能离职；而在农村，患者可能要驾车5或6个小时才能获得救命的医疗服务。倦怠已经不再是“口头重视”，一些医院甚至因为无法配齐人员而关停。

• Abridge 让临床医生可以像平时一样对话，并在数秒内收到一份记录草稿。但这份产物必须同时反映医生本人、专科、医疗系统、患者、保险公司和地理位置：Rao 表示，在美国，“我们并不是因为提供了医疗服务而获得报酬……我们是因为记录了所提供的医疗服务而获得报酬”，因此每一份记录同时也是一张账单。

2. 直面企业级复杂性，换来了分发与防御

• Rao 选择大型医疗系统，而不是独立诊所，因为“达到够用水平的门槛”高得多：一款产品必须覆盖所有专科、住院与门诊、急诊和紧急护理，以及多种口语。这要求更深的技术积累；Rao 表示，这也让 Abridge 基本只需与另一家公司竞争。

• 时机需要两颗星同时对齐。疫情后的人员压力让临床医生体验具有直接的经济紧迫性；随后，ChatGPT 让生成式 AI 变得容易被买方理解。2021–22年的演示曾被人用“cool story, bro”打发，但到了2023年，医疗系统高管回电说：“我现在懂了。我们试试。”

• Abridge “YOLO 式下注”，从大型学术医疗系统切入，因为 CIO 和 CMIO 之间一直在互相交换经验。University of Kansas Health System、Emory 和 Yale 的成功案例带来了高管层面的病毒式传播；Rao 当时认为，只要在1或2家机构失败，就可能让整个市场在数年内对公司关门。

• 信任是“医疗领域最终唯一重要的货币”。Abridge 与 Epic 等生态参与者建立了关系。一名高管告诉 Rao，Abridge 已经成为核心基础设施；Rao 说，如果 Abridge 宕机，医疗系统也会停摆并停止赚钱，因为这些记录本质上就是账单。Microsoft 是通常的竞争对手，Rao 表示，Abridge 最近没有输掉过正面对比。

3. 医疗语音仍是一个未解决的高风险系统问题

• Elad 提出，既然 API 已经存在，语音看起来似乎已经解决；Rao 的关键区分在于，围绕症状、手术和新获批药物时，3–5%的错误率仍然不可接受。系统必须识别不同临床医生在不同专科中的特殊发音，并持续更新新的医疗词汇。

• 传统听写是一种有损的独白：医生在“睡衣时间”根据“潦草笔记”事后拼接内容。Rao 可能写下“戴 Mets 帽子的高个男人”，然后希望系统能据此重构整个就诊过程；但这样会有风险，因为症状相似的患者，其细节可能被混在一起。

• 环境式对话则要求多语言识别和多语种混杂处理。Rao 表示，Abridge 一天可能在加州处理至少50,000段越南语和海地克里奥尔语对话，在波士顿处理数千段巴西葡萄牙语和西班牙语对话，在印第安纳州处理卡车司机的旁遮普语对话，然后在数秒内生成英文记录。

• 下游模型会提取症状、药物、诊断和手术，将其映射到词典，并分别为临床医生、患者和收入周期团队生成不同产物。风格迁移同样重要：面向患者的摘要不应突然引入“经导管主动脉瓣成形术”这类未经解释的术语。

4. 文档自然延伸至医嘱、试验与决策

• 一旦把对话视为上游信号，产品路线图就会自然拓宽。“我们开始给你用 metoprolol”或“我们做个 CT 扫描”可以转化成医疗记录中的结构化医嘱；这些医嘱随后会进入编码、索赔和保险计费环节。

• 临床试验匹配是另一条相邻工作流。临床医生可能没有意识到，面前的患者已经满足一项潜在救命研究的纳入和排除标准；Rao 希望技术能在诊疗现场把这一事实提示出来，让医生可以当场获得足够信息并展开讨论。

• 临床决策支持才是“真正的圣杯”。Rao 想象，Abridge 能识别出 Sarah 与加州最近的10,000名患者相似，而临床医生在这些病例中更倾向于诊断淀粉样变而非结节病；系统随后建议做心脏 MRI，而不是“继续在 CT 扫描上瞎折腾”，同时提示一篇相关的 New England Journal of Medicine 研究。

5. 部署规模让每一次修正都成为训练资产

• Abridge 目前每隔几天就处理数百万段对话。其上下文推理引擎把对话与问题清单、病史、保险信息和临床教材结合起来，按“正确的方式、正确的顺序”编排这些信息，生成当前可得的最佳草稿。

• Rao 明确拒绝对完美的宣称：临床医生仍会修改草稿，但每天可以节省数小时。这些修改会驱动偏好调优、DPO、奖励建模和强化学习，形成反馈闭环；按 Rao 的说法，实际目标是持续变得“没那么不完美”。

• 用户指标显示出实质性效果：经过验证的量表显示，6周内认知负担下降约60%；Stanford 的一项调查则显示，最初几个月倦怠有时下降约50%。Rao 认为，过去没有任何医疗技术带来过这样的影响。

6. 人工核验让医疗在自主护理成熟前实现采用

• Rao 的采用矩阵把风险高低与使用频率分开看待。高风险、高频率的自动化会缓慢进入医疗体系；文档工作相对低风险且高频率，因为临床医生会复核输出。当供应商能够证明生产率、医生体验、患者体验以及 CFO 关注的收入捕获能力时，采用窗口就会进一步扩大。

• 他自己一次周末值班说明了当前边界。GPT 和 Claude 有时会立即给出正确答案，但同样频繁地也需要3或4轮交流；这是一种“辩证式体验”，其中真正的艺术在于“和它一起抵达答案”。实习医生和住院医师可能比年长的主治医生更快学会这种协作。

• 不同买方对最低可用质量的定义也不同。2023年初，Abridge 已能满足 CMIO 的专科要求和 CIO 的集成要求，但还无法完全满足 CFO 的全部要求；“三项中满足两项”已经足以让公司进入市场。

• 工作流适配必须按专科分别处理。急诊医生不断在不同诊室之间移动，因此 Abridge 必须把不连续的对话拼接成一次完整就诊；如今，公司正把这一能力扩展到更广泛的护理团队。肿瘤科、心脏科、外科和全科对结构、内容和风格偏好都有不同要求。

7. 临床医生出身的建设者，把产品经济学连接到使命

• Abridge 最近完成2.5亿美元 Series D 融资，总融资额超过5亿美元。Rao 仍在执业，Abridge 也拥有一批“变种人”——既是医生，又是工程师、提示词专家、科学家或市场拓展人员——因为他们可以“在自己的脑子里”完成跨学科会议，跳过翻译环节。Rao 表示，公司仍应把80%的资金投入研发。

• 创始团队最初的患者故事，核心是掌控感。一名有10年乳腺癌病史的女性过去依赖丈夫做笔记，这让她能够留在当下，之后再用两人都能理解的语言拆解就诊内容；他们因此可以感觉自己“像是故事的主角，而不是从外部旁观的人”。

• 临床医生同样面临控制权流失。Rao 引用研究称，医生每天需要30个小时才能完成全部工作。Abridge 的使命，是连接患者和专业人员的掌控感，把注意力还给诊疗现场，减少晚饭后偿还的文档债务。

• Rao 认为，最有力的结果来自一名农村 Tanner Health 医生。她的儿子问，为什么她当时没有在工作。她解释 Abridge 后，丈夫说：“妈妈以后每天晚上都能和我们一起吃饭了。”Rao 将超高速增长中的冲刺式“多巴胺刺激”，与这些“催产素刺激”区分开来——后者代表使命感与成就感，也解释了公司为何如此拼命。