作者：haina
Healthcare 是美國最大的行業之一，支出佔 GDP 的 17%，僱傭 1/10 的美國勞動力。它也極其低效，美國每年 4.5 萬億美元的醫療支出中，有高達 25%，也就是 1.1 萬億美元被視為無效或可避免的浪費。在某些情況下，healthcare 從業者用於保險賬單處理的時間成本可能佔賬單收入的 1/7。碎片化的系統、低效的運營流程和人力密集的環節，是 AI Agent 的天然切入點。如果 AI 能切掉哪怕一小部分，就可能創造幾千億級別的新市場空間。
過去一年，GenAI 在醫療行業的滲透加速了。本文我們系統梳理了 Healthcare AI 的產業結構，重點聚焦了在哪些環節 AI 能夠真正創造價值、並且擁有明確預算，識別了值得優先關注和投資的細分方向和公司。
醫療行業的獨特性決定了 AI 的擴散路徑和傳統軟體或消費級應用並不同。目前 Healthcare AI 的高價值切入口，集中在高頻剛需、非臨床環節，一方面是前臺任務，如提升醫生效率的 Patient Copilot ( Case Study 包括 Abridge、Ambience、OpenEvidence )；另一方面是後臺基礎設施，如加速理賠與賬單流轉的 Billing / Claims Infra（Case Study 包括 Infinitus）。這些領域的共同特徵是：流程痛點明確，付費意願強，能夠快速看到 ROI。
商業模式上，在現階段，能快速整合、輕量部署的 SaaS 型產品模式最為奏效，因為像 Epic、Cerner 這樣的傳統醫療系統遷移成本高，短期難以撼動。客戶粘性和切換壁壘也很重要。以 Abridge 為例，透過與 Epic 深度整合，不僅實現了快速部署，也獲得了更高的定價權和留存率。未來，能夠深度融入醫療工作流的 AI 公司，將具備更強的長期護城河。
目錄 01 拆解醫療萬億美金的“效率黑洞”
02 賽道圖譜及關鍵公司
03 創業團隊正在把 Agent 帶進每個診所和系統
01.
拆解醫療萬億美金的
“效率黑洞”
美國醫療體系龐大且複雜，每年支出已超過 4.5 萬億美元，佔到 GDP 的 17%以上。而其中約四分之一的支出，超過 1.1 萬億美元，實際上被認為是無效或可以避免的浪費。這些浪費的根源，來自於醫療行業極度碎片化的現狀：支付、理賠、管理、診斷和患者服務彼此割裂，流程冗長、系統互不相容，導致了巨大的人工成本和效率損失。這一切，也為 AI 技術在醫療領域的應用打開了清晰且可衡量的視窗。只要能夠幫助削減其中的一小部分冗餘，就有潛力釋放出數千億美元級別的新增價值，這正是今天 Healthcare AI 最值得關注的機會。
目前 AI 非常適合切入非臨床環節（如收入週期管理、理賠自動化、文書工作）及半結構化任務密集型場景（如影像診斷、醫生助手、患者互動）。當前最典型的切入口包括：
• 患者服務自動化（聊天機器人、預約管理）
• 醫生效率工具（scribe、copilot）
• 醫療資料結構化（EHR、臨床記錄、影像識別）
• 行政環節（revenue cycle， billing， claims）
相比傳統醫療軟體系統（如 Epic），AI 產品更易模組化部署，通常按 SaaS 模式或增值服務計價，不需要大規模替換主系統，更適合以“外掛”方式切入醫院、診所、保險公司等現有工作流。客戶與預算來源主要包括：
• 診所與醫生集團（private practices）：提升運營效率、提升回款率（買單人是 practice owner）。
• 醫院系統（IDNs）：關注護理人員流失與患者滿意度，通常從運營預算或 IT 預算中支付。
• 健康保險公司（payer）：願為提高理賠效率、欺詐識別等功能買單。
• 僱主醫療福利（employer benefits）：僱主為員工健康管理採購服務。
現階段 AI 滲透率保守估計在 0.3%～0.4% 之間，對應實際市場規模 $120 億～$150 億。假設未來 AI 在醫療支出中能滲透 5%～10% 的環節（聚焦在服務效率提升、運營自動化和診斷輔助），長期可實現 $2250 億～$4500 億的市場空間。這一區間可被視為 Healthcare AI 的長期 TAM，與當前整個美國醫療 IT（$400B）或醫療裝置市場（$550B）體量相當。不過短期內由於行業保守和法規限制，行業內的 AI 滲透會是比較漸進式的。
AI 醫療的結構性機會：
從 Co-pilot 到 Infra
具體到目前 AI 在 healthcare 的應用，可以用以下座標軸分類：
Source: byFounders
面向病人的“前臺任務” vs 行政類的“後臺任務”：
“前臺任務”是面向終端使用者的 Copilot/Agent 應用，如醫生助手、患者互動機器人、AI 診斷輔助，提升現有工作效率或最佳化患者體驗，適合透過 PLG 或 BD 推廣；“後臺任務”是指底層基礎設施的 AI 化重建，如 AI 理賠引擎、賬單處理 API、資料互通平臺，類似金融科技裡的 Stripe / Plaid，重構新一代醫療支付和資料網路的底座。
這一波 AI 技術在醫療行業的擴散路徑，是從“前臺任務”開始的。因為要開發一個幫助病人自我診斷症狀的 AI chatbot（比如 Ada）或 AI Scrabing （abridge） 相對簡單；而要在後臺實現自動化流程，不但需要連線各種舊系統，還需要培訓工作人員，難度和複雜度都更高，但可能有全新的 Enterprise 級別的機會。
另外還可以分為臨床任務 vs 非臨床任務，是否必須由專業醫療人員（如醫生）完成的任務，還是可以由非醫學背景的人來完成的任務。以目前的 AI 能力，非臨床、執行型任務 AI 能更好的勝任，但臨床任務能創造更多的經濟價值。
市場規模
延續上文對 AI 應用場景的分析，我們根據 Patient Facing 和 Healthcare Infra 兩個方向，定位了重要環節和值得關注的公司：
根據上文對市場空間的分析，
美國醫療總支出：$4.5 萬億美元
無效/浪費支出比例：～25%，即 $1.1 萬億美元
假設 AI 滲透率長期達到其中 5～10%，則長期 AI 可服務市場（TAM） = $1.1T × 5～10% = $550 億 ～ $1100 億。
我們確定了以下的主要市場細分和 AI 潛在空間：
注：每部分當前年支出估算（$B）計算邏輯如下：
Doctor Copilot
假設：
• 美國有約 100 萬執業醫生（AMA 資料）。
• 醫生年均總薪酬成本 ～$250k。
• 醫生有 ～30–50% 時間用於文書、開單、EHR 等非臨床任務（AMA、JAMA 調研）。
計算路徑：
• 醫護人力相關支出中，估計有 $250B 用於醫生。
• 其中非臨床任務部分 = $250B × 40% ≈ $100B（為 Doctor Copilot 可替代任務池）。
Diagnosis Copilot / Medical Imaging AI
假設：
• 全球醫學影像市場約為 $40–50B（MRI、CT、X 光裝置市場）。
• AI 影響的主要是判讀/分析成本、重複檢查、初篩流程。
• 每年美國進行影像檢查超 30 億次（包括 X-ray、CT、MRI 等）。
• 單次成本估算 ～$100（含影像裝置攤銷、醫技人力、判讀等）。
估算：
• 影像相關總支出 = 30 億次 × $100 = $300B，但裝置折舊、人力和解讀成本比例約 1:1:1。
• 其中“解讀 + 診斷輔助”環節約佔 1/3 → $300B × 1/3 = $100B。
AI Nurse
（客服自動化、遠端護理、健康諮詢）
假設：
• 美國 payer + provider call center 支出巨大。HealthAffairs 估算，payer call center 支出 ～$40B。
• 再加上醫院、診所前臺護理/協調工作：總客服+協調支出估計 ～$80–100B。
計算：
• 假設 50–60 萬名醫療客服人員 × $60k/人 = ～$30B–$35B。
• 加上護理前臺協調等任務部分支出，總估算約為 $80B。
醫療計費與保險
（RCM， billing， claims， prior auth 等）
假設基礎：
• 美國醫療行業行政支出佔比極高，CMS 和 HealthAffairs 研究顯示，管理成本佔總醫療支出的 25–30%。
• 2023 年美國醫療支出總額超 $4.5T。
計算路徑：
• 行政支出 = $4.5T × 25% = $1.125T
• 其中與計費/理賠/授權/coding 等任務相關部分估計佔比約 30–40%。
• → $1.125T × 35% ≈ $400B。
Clinical Dataset Structuring
（EHR 清洗、資料標註、OCR 等）
假設：
• 醫院 IT 預算中的大部分用於 EHR 系統維護和資料整理。
• 2023 年美國醫院 IT 總預算約$100B（HIMSS，BEA 估算）。
• 其中資料工程相關約佔 10–20%。
估算路徑：
• $100B × 15% = $15B，向上估略放寬為 $10B–$20B 區間。
Infra/API 平臺
（claims infra、care nav、PA infra 等）
假設基礎：
• 美國 payer 在 claims processing 上支出巨大。
• claims admin 成本估計約為 $200–300 per member per year（PBM 和 TPA 系統的成本）。
• 服務人群約為 1.5–2 億人。
估算路徑：
• claims admin market = 2 億 × $250 = $50B。
• 加上部分 TPA、僱主健康計劃、care navigation API 平臺支出。
• 整體平臺級 infra 服務市場估算為 $100B–$150B。
我們願意 bet 的方向
Patient facing 領域
1. 患者諮詢與醫生助手。特點是輕量級切入，高 ROI 回報，合規路徑明確。( ~$100B)
這一方向的 AI 公司聚焦於提升醫生與患者之間的溝通效率，代表性的產品形態包括預約前的症狀分流工具，以及在問診過程中協助醫生完成自動記錄、病歷總結、醫療編碼（CPT/ICD）、協調檢查等任務的“AI co-pilot”。這一類產品通常不需要 FDA 認證，僅需滿足 HIPAA、SOC2 等資料隱私與安全合規要求，具備較低的部署門檻和快速落地能力。
該領域的 ROI 也很明確。醫生平均每週需花費超過 15 小時在行政任務上，AI 助手可以將這一負擔減少 50%以上，提升醫生效率與滿意度，降低運營成本。當前值得關注的公司包括 Abridge、Nabla 和 Ambience，聚焦在 Note taking 環節，切入點輕巧、增長潛力也較大。
2. Diagnosis Copilot，用 AI 輔助醫生診斷，減輕知識負擔、提升決策質量。( ~$100B)
在臨床一線，醫生每天都面臨快速變化的醫學知識體系和複雜的病例判斷，傳統的學習和資訊檢索方式難以滿足即時決策的需要。Diagnosis Copilot 可以快速學習最新研究文獻，結合患者個體資訊，減輕醫生的資訊負擔和認知壓力。
產品形態上，有獨立使用的 Chatbot（如 OpenEvidence），也有與醫院 EHR 系統深度整合的診療平臺（如 Glass Health）。從長期來看，Diagnosis Copilot 類產品具備結構化資料輸入、明確 ROI 和高頻剛需的特點，有可能成為醫生日常工作的“標配工具”。
3. 醫療計費與保險（～$400B）
相比前兩類“前臺”場景，Healthcare Infra 更為複雜，但其長期商業價值同樣可觀。醫療基礎設施支撐預約、賬單、理賠、資料共享和支付處理等關鍵環節。醫療機構在運營和行政成本上的支出通常佔總支出的 25～30%。很多基礎設施系統如診所管理軟體、理賠 clearinghouse 等都是上世紀遺留下來的，嚴重依賴人工流程，資訊割裂。新興醫療模式（如遠端醫療、居家護理、自費醫療）正在快速興起，但配套的底層系統沒有建立，有“空白地帶”。這正是創業者的機會：要麼升級傳統系統，要麼在新場景中從零構建平臺。
我們特別關注的細分領域包括醫療計費與編碼自動化（RCM）、保險理賠流程最佳化（如 Prior Authorization、Claims Submission）。這一領域面臨的挑戰在於產品需深度整合進現有系統，客戶決策週期較長，對企業的銷售策略和實施能力要求更高。但一旦完成部署，客戶黏性極高，具備強勁的收入穩定性。當前該賽道的明星公司不多，我們比較關注的包括 Infinitus 和 Alaffia，也值得發掘更多早期的機會。
02.
賽道圖譜及關鍵公司
Patient Facing：
AI 成為醫生的第二大腦
Doctor Co-pilots
美國約有 100 萬執業醫生和更多的護士、技師。醫生平均將 40%+ 工作時間花在電子病歷和文書上，“數字行政負擔”極大。如果每位醫生每年為此類 AI 服務付費 ～$5,000（可能由醫院或診所支付），對應市場規模 ～$50 億美元/年。
該領域的產品需求明確、ROI 清晰，並且深度依賴與 EHR 系統的整合。值得關注的公司包括 Abridge、Ambience、Nabla 等。
這個市場已經出現價格競爭，已經有像 Nabla 以較低的價格（約 $100–$150/醫生/月）進入市場，這大約是 Abridge 價格的一半 。一些低價供應商（如 Freed、Heidi、Corti）甚至以低於 $100/醫生/月的價格入場，但這些供應商通常不提供系統整合，難以進入主流醫療系統 。
整合能力還是定價關鍵， 深度整合 EHR（電子健康記錄系統，如 Epic）是大型醫療系統的核心需求。這種整合能力需要成本投入，也是供應商定價能力的來源 。像 Abridge 與 Epic 深度整合，能夠擁有一定的定價權（約 $250–$300/醫生/月）。Nuance 的 DAX 產品價格更高（曾高達 $1,000–$2,000/醫生/月，後降至 $400-$600/醫生/月，且非 Epic DMO 使用者需額外付費）。
根據客戶訪談，Abridge 的使用者 Day90 留存率在提高，從初期的 60% 上升到 75% 左右。對於終端醫生來說，更換供應商的感知可能不強，因為使用流程（啟動錄音 -> 記錄同步）基本一致 。 而管理層更關注整合成本，傾向於選擇“少而強”的供應商，以減少 EHR 對接和廠商管理的負擔。 所以新的供應商需要同時做到提供更優的整合、更低的價格、更強的住院場景能力或獨特功能，才可能引發客戶更換供應商 。而 Ambience 以專科筆記質量高、準確率高，同時提供還能生成患者教育材料 、支援“建議診斷”和“建議編碼”、多語言翻譯等功能而獲得了顯著的市場份額。
Case Study
Abridge
• 背景： 創始人兼 CEO 是 Shivdev Rao 博士，是一名執業心臟病醫生，本科畢業於 CMU，此後在匹茲堡大學醫學中心 （UPMC） 的心臟和血管研究所擔任教授。
• 產品： 提供基於 ASR（自動語音識別）和生成式 AI 的臨床對話記錄和筆記生成解決方案。核心優勢在於與 Epic 等主流 EHR 系統的深度無縫整合，允許醫生在原有工作流中輕鬆使用（如透過 Epic 移動端錄音，在 PC 端直接編輯 AI 生成的 SOAP 筆記）。即時生成、附帶原文證據引用、自動摘要是關鍵特性。也關注患者端，提供醫囑回顧。
• 商業模式與進展： B2B 模式，向醫療系統銷售。憑藉卓越的產品體驗和與 Epic 的整合，實現了快速客戶拓展。近期完成兩輪共 1.8 億美元融資，估值據傳將達 25 億美元，是 LLM 在醫療應用領域的明星公司。
Ambience
• 產品：醫療臨床醫生人工智慧助理，提供了一款符合 CDI 規範的人工智慧醫療記錄器 ，可透過環境語音識別自動記錄臨床記錄。它減輕了 EHR 文件的管理負擔，無縫整合 EHR 系統。
• 創始團隊：兩人同時是 Remedy 的創始團隊。Co-founder & 首席科學家 Nikhil Buduma 專注於深度學習、人工智慧和醫療保健領域。Co-founder & CEO Michael Ng 曾在 Morgan Stanley、Calera Capital 工作。
• 融資：20 年創立，已在三輪融資中籌集了總計 7630 萬美元的資金，2024 年 2 月 6 日由 Kleiner Perkins 和 OpenAI 的 Startup Fund 領投的 B 輪融資中籌集了 7000 萬美元，投資者包括 Andreessen Horowitz， Kleiner Perkins， Liquid 2 Ventures， Optum Ventures， OpenAI Startup Fund。
Nabla
• 產品：Nabla Copilot 可以幫助臨床醫生減少行政事務，2025 年 2 月 13 日新增 Nabla Dictation，這是一款語音轉文字解決方案，旨在進一步簡化超過 55 個專科的臨床工作流程。Nabla 的多 EHR 方案已在廣泛的 EHR 群體中得到應用。
• 商業模式：並被 100 多個組織的 50,000 多名臨床醫生使用。
• 創始團隊：創始人 & CEO 執行長 Alex Lebrun ，擁有超過二十年的人工智慧產品開發經驗，其旗下公司已被 Nuance （VirtuOz） 和 Facebook （Wit.ai） 收購；創始人 & COO Delphine Groll 和創始人 & CTO Martin Raison 。醫學博士、公共衛生碩士 Ed Lee 曾任 Permanente Federation 的資訊長，最近加入 Nabla 擔任首席醫療官。
• 融資： 2018 年成立，法國巴黎歐洲初創公司，已累計融資 4470 萬美元 ，最近一輪融資是 2024 年 1 月 5 日由全球風險投資公司 Cathay Innovation 領投的 3000 萬美元（2200 萬歐元） B 輪融資。
Freed.ai
• 產品：AI 抄寫員可在患者就診期間自動完成整個醫療記錄過程，為臨床醫生每天節省大約 2 小時的記錄時間。Freed 採用直接面向臨床醫生的商業模式，擁有超過 17,000 名付費使用者。
• 創始團隊：由 Erez Druk （CEO）和 Andrey Bannikov （CTO）於 2023 年初創立，Erez Druk 是一位前 Meta 工程師，受到妻子的醫生經歷的啟發。Andrey 是一位頂尖的 0.1%技術專家。他來自俄羅斯，曾參加過高難度的程式設計和數學競賽。他在 Meta 工作了 10 年，解決了一些世界上最棘手技術難題。
• 融資：迄今為止共籌集了 3400 萬美元 ，其中包括 2025 年 3 月由紅杉資本領投的 3000 萬美元 A 輪融資 ，Scale Venture Partners、Daniel Gross、Gokul Rajaram 和 Ted Zagat 也參與其中。
Diagnosis Copilot AI 診斷支援
隨著醫學知識的更新速度日益加快，醫生在臨床一線所面對的判斷壓力也持續上升。傳統的查閱指南或搜尋文獻方式，往往難以滿足他們在診斷過程中對“快速、個性化、高精度”資訊的需求。Diagnosis Copilot 是一類為醫生設計的即時診斷輔助系統，藉助大型語言模型、臨床知識圖譜以及互動式介面，將“資訊獲取”到“臨床決策”之間的路徑重新構建得更智慧、更高效。
目前這一賽道的參與者大致可以分為兩類：一類是專注為醫生提供診斷建議或資訊檢索能力的工具型產品，如 Open Evidence、Glass Health，它們更像醫生手邊的“智慧助手”；另一類則是將 AI 診斷能力與完整醫療服務打包交付的平臺型公司，如 Ada Health、K Health，直接為患者提供閉環式的線上問診與初篩服務。
Case Study
OpenEvidence
• 背景： 由哈佛背景的連續創業者 Daniel Nadler 於 2021 年創立，2025 年 2 月宣佈 A 輪獲紅杉 7500 萬美元投資，估值 10 億美元。
• 產品： 面向醫生的 AI Chatbot/ Deepresearch。特點包括：回答附帶引用文獻、提供“指南”和“證據”雙模式、智慧推薦後續問題。功能涵蓋症狀分析、診斷建議、治療方案推薦、藥物對比、指南查詢、行政文件（如授權信）生成、臨床計算器等。還提供文獻摘要功能。
• 商業模式與策略： 採用面向 C 端醫生免費的策略，透過口碑實現病毒式增長（已覆蓋美國 20-25%醫生）。主要透過精準廣告（藥企、器械商）變現。這種獨特的增長和變現模式在 Chatbot 產品中比較罕見。
OpenEvidence 網頁版主介面
Glass Health
• 產品：提供 AI 臨床決策支援平臺，包括聊天機器人，為臨床醫生服務，根據患者摘要制定鑑別診斷和臨床計劃。可無縫整合到現有的 EHR 系統中，也包括從 EHR 系統中獲得資料。臨床醫生可以使用人工智慧聊天機器人從符合最新臨床指南的患者資料中獲得即時洞察、預測見解，加快臨床決策過程。新功能更新頻率高，最近推出了三個新的 AI 臨床文件功能：1）H&P 註釋；2）進度記錄；3）出院總結。
• 創始團隊：Co-founder & CEO Dereck Paul 醫學博士，Co-founder & CPO Graham Ramsey。
• 融資： YC W23，成立於 21 年，共融資 700 萬美元，最近一輪融資為 2023 年 9 月 11 日 500 萬美元的種子輪，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
醫學影像一直是 AI 最早進入醫療領域的應用場景之一。隨著影像資料的爆炸式增長，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確性的雙重需求。以美國為例，現有約 3 萬名放射科醫師，以及數量龐大的技師團隊，日常要處理從 X 光、CT 到 MRI 等不同模態的大量影像資料。AI 在這一過程中，正逐步成為醫生的重要助手——幫助篩查、標註、生成摘要，提高診斷速度與一致性。
目前，許多 AI 影像產品聚焦在放射科和病理科等“資料密集型”科室，利用多模態 AI 模型，對 X 光、CT、MRI 以及病理切片等影像進行分析，輔助醫生做出更快更準確的判斷。這類產品的價值，正逐漸從單點診斷效率提升，延伸到科研資料支援與藥企合作等更高階的應用場景。代表性公司包括 Rad AI、Modella AI 和 Aidoc 等。
影像 AI 作為醫療 AI 中最早成熟的應用方向之一，發展已趨於常規化，行業進入標準化和規模部署階段。新突破來自於大語言模型對多模態理解能力的增強：不再只是對影像進行判斷，而是能夠跨模態整合影像、文字、結構化資料，共同輔助醫生做出更復雜的決策。這一演進趨勢，正在推動影像 AI 從“工具”走向“決策夥伴”的下一階段。
Case Study
Rad AI
• 產品：面向醫院和影像中心的放射科醫生和放射科 。Rad AI 使用 AI 從語音聽寫和影像資料中轉錄並生成放射學報告，減少放射科醫生花在文件上的時間，使他們能夠更加專注於影像解釋和患者護理。
• 創始團隊：Dr. Jeff Chang，美國曆史上最年輕的放射科醫生，擁有超過 10 年的急診放射科醫生經驗，專攻肌肉骨骼 MRI，並在機器學習領域有深入研究；Doktor Gurson，連續創業者，擁有 20 多年科技創業經驗，曾創辦多家公司並參與多次收購，具備深厚的技術和投資背景。
• 融資情況：18 年成立，累計融資總額超過 1.4 億美元。C 輪融資（2025 年 1 月）：完成 6000 萬美元融資，由 Transformation Capital 領投，現有投資者 Khosla Ventures、World Innovation Lab、UP2398、Kickstart Fund、OCV Partners、Cone Health 等跟投，公司估值達到 5.25 億美元。
Modella AI
• 定位： 專注於病理學領域的多模態生成式 AI。2024 年從哈佛醫學院和麻省總醫院（Mass General Brigham）的 Mahmood 實驗室分拆出來。
• 產品： 1） PathChat: 面向病理醫生的 AI Copilot，支援自然語言與病理影像互動（識別、報告、標註等）。臨床版本 PathChat DX 獲 FDA 突破性醫療器械認定。2） Judith: 面向科研的 AI Agent，執行影像分析、生物標誌物識別、預後建模等任務。
• 技術： 基於視覺-語言模型，整合影像與文字理解能力。
• 商業模式：SaaS 訂閱、與藥企/研究機構戰略合作（演算法定製、biomarker 標誌物挖掘）。
AI Nurse 患者互動溝通
AI Nurse 是 GenAI 在醫療場景中最接近“數字員工”形態的應用之一。在全球範圍內，醫護資源緊張一直是醫療系統面臨的長期結構性挑戰。以美國為例，預計到 2030 年，全國護士缺口將超過 100 萬人。“數字護士”（AI Nurse），正加速進入臨床一線的非診斷性護理場景，應用於術前宣教、慢病管理、用藥提醒、心理支援等任務，替代部分重複性強、勞動密集的人工操作，同時保證服務質量標準化、壓縮響應時間，控制整體運營成本。
AI Nurse 之所以市場空間可觀，有以下原因：
• 重複性護理任務的自動化：AI 可以工作 7/24，承擔大量標準化、流程化的任務，降低服務成本；
• LLM 和 Voice Agent 的發展提升了自然度；
• 合規落地門檻較低：非診斷性護理屬於“輔助互動”角色，當前在監管上更容易獲得透過，也更容易被醫療系統所接受。
Case Study
Hippocratic AI
• 背景與使命： 由醫療行業連續創業者創立，強調安全為先，目標是解決醫護短缺。
• 產品： 核心是安全性最佳化的醫療 LLM Polaris，驅動 AI Agent 透過電話與患者進行非診斷性互動（如術前指導、慢病管理、用藥提醒、預約確認等）。系統包含 ASR、LLM、TTS，並支援無程式碼定製 Agent。
• 商業模式與定價： B2B2C 模式，向醫療機構提供服務。定價極具競爭力（約$10/小時），遠低於美國註冊護士時薪（約$45/小時），成本優勢顯著。
• Hippocratic AI 共完成五輪融資，總額約 2.78 億美元，投資機構包括 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 16.4 億美元。
Clearstep
• 定位：AI 輔助的症狀分診與患者預約平臺，取代護士呼叫中心。
• 產品：基於 Schmitt-Thompson 分診協議，提供症狀評估、路徑引導與科室掛號服務，與 EMR 系統（如 Epic）無縫整合。
• 創始團隊：CEO Adeel Malik；CPO Bilal Naved。
• 融資：已透過多輪融資籌集了約 670 萬美元 ，最新一輪為 2023 年種子輪（$1.7M），過往投資者包括 Techstars、OCA Ventures、RRE Ventures 等。
面向消費者的 AI
（Consumer-facing AI）
該部分的公司主要專注 C 端的個人健康伴侶、聊天機器人、教練。
Livv
• 產品：從病歷入手，構建未來健康伴侶。該公司致力於打造一個全球人工智慧驅動的健康記錄平臺，將零散的醫療資料和可穿戴裝置資訊彙總成一份單一、全面且持續更新的健康記錄——通常被稱為“醫療簡歷”。這份統一的記錄使患者能夠掌控自己的健康資料，並促進更明智、更主動、更個性化的醫療保健。
• 創始團隊：由 Sverre Sundsdal 和 Ishita Barua 於 2023 年挪威創立。Co-founder & CEO Sverre Sundsdal 擁有二十年的產品開發和人工智慧領導經驗，曾擔任 Babylon Health 的人工智慧工程主管，並在 Google、Schibsted、Telenor 和 Oda 工作過。 Co-founder & 首席健康 AI 官 Ishita Barua 是一名擁有醫學 AI 博士學位的醫生， 《人工智慧拯救生命》 一書的作者，並在德勤領導醫療保健領域的 AI 工作。
• 融資：已籌集 140 萬歐元，最近一輪即 2024 年 6 月 24 日 140 萬歐元種子輪前，投資者包括 Inventure 、 byFounders 、 Calm/Storm Ventures。
Meeno
• 產品：關係 AI 聊天機器人。Meeno 是一款由生成式人工智慧驅動的人際關係指導應用，旨在幫助使用者掌握社交聯絡，改善與朋友、家人、同事和約會物件之間的關係。它將自己定位為“私人導師”，而非虛擬伴侶或治療師。
• 商業模式與進展：計劃於 2023 年底在美國、英國、加拿大、澳大利亞、紐西蘭、挪威、瑞典和荷蘭釋出 iOS 應用程式。截至 2024 年初，Meeno 在測試階段已被約 90,000 人使用，隨著該應用擴充套件到美國、英國、加拿大、澳大利亞、紐西蘭、挪威、瑞典和荷蘭等多個國家/地區，使用者群還在不斷增長。
• 創始團隊：Renate Nyborg，曾任 Tinder 執行長、Apple 和 Headspace 高管。靈感來源於 Renate 在 Tinder 目睹年輕使用者孤獨的經歷。
• 融資：共融資 500 萬美元，由 Sequaio Capital 領投的種子輪融資 390 萬美元，吳恩達的 AI Fund 和 NEA 也參與其中。
AI 醫療基礎設施的重構機會
Healthcare infra 是整個體系執行的基石。它支撐核心運營（如預約、賬單、理賠等），實現資料互動與互操作性（如不同系統之間共享資料）以及處理金融交易。隨著 LLM 的應用，Healthcare infra 中的多個“重複、高度依賴人工”的模組是 AI/LLM 應用密集區。
我們重點關注的兩個機會高密度區域是：
1）醫療計費與保險
這是目前 AI 應用最成熟、商業化進展最快的場景之一。保險理賠、預授權、賬單生成和編碼等流程歷來依賴大量人工處理，不僅流程複雜、介面標準不一，還直接影響著醫院的收入流轉和資金回收。在這個環節，AI Agent 與大型語言模型的角色是充當一名全天候的“自動對接人”，高效地與保險公司溝通、確認資訊、執行重複流程，最終顯著提升財務運營效率。
這一方向有非常鮮明的產業化特徵：
• ROI 明確：直接節省人力、提高收入回收效率；
• 決策人清晰：由財務或 RCM（Revenue Cycle Management）團隊主導採購；
• 使用頻率高：每位患者、每次服務都涉及到驗證與理賠。
以 Infinitus 為例，一家專注於福利驗證（Benefits Verification）的 AI 公司，其產品以 SaaS 形式交付，整合到醫院現有的 RCM 系統中，主要作用是在患者入院或預約前，快速核實其保險覆蓋情況、自付額度和授權狀態。
為什麼這一方向具備強可複製性？
• 價值明確：解決的是“沒有驗證→被拒付”這樣的直接收入問題；
• 流程高頻：每一個就診環節都需要福利驗證；
• 部署簡單：以 API 或 voice agent 介面形式整合，無需改動醫院核心系統；
• 付費能力強：客戶願意為更快、更準確的流程支付合理訂閱費；
• 渠道可擴充套件：Infinitus 既可直接銷售，也可以透過大型 RCM 平臺（如 R1、Optum、Change Healthcare）打包進入醫院，降低銷售摩擦。
在醫療 AI 領域，像 Infinitus 這樣的產品形態正在成為一類典型模式：不是替代醫生，也不是改變臨床路徑，而是從“財務-流程-收益”三角中，切入醫院最核心的運營節點，是當前 AI 技術在 B2B 醫療中實現可規模化落地的關鍵路徑之一。
Case Study
Infinitus
• 產品：構建專為支付方、醫院、患者之間流程溝通的語音 AI 平臺，替代繁瑣的人工 IVR 和電話互動。其 AI Agent 和 co-pilot 可以導航 IVR 系統、等待接聽，並執行與理賠處理、預授權、福利驗證和處方跟進相關的複雜呼叫。
• 商業化與程序：已經完成了超過 500 萬筆交易和超過 1 億分鐘的對話。
• 創始團隊：Co-founder & CEO Ankit Jain，連續創業者和前谷歌工程負責人 ；Co-founder & CTO Shyamsundar Rajagopalan。
• 融資：23 年成立於舊金山。總融資額為 1.029 億美元，近期於 2024 年 10 月 23 日完成了 5150 萬美元 C 輪融資 ，使其投後估值達到 6 億美元。領投方包括 Andreessen Horowitz、Coatue、google 風投、凱鵬華盈和 Memorial Hermann Health System。
Alaffia
• 產品：為健康保險方提供 AI 驅動的索賠預審平臺，結合 AI 與臨床知識圖譜，提升審查效率，降低支付誤差。
• 創始團隊：Co-Founder & CEO TJ Ademiluyi；co-founder and coo Adun Akanni。
• 融資：共融資 1660 萬美元，最新一輪為截至 2024 年 4 月 24 日的 1000 萬美元種子輪。投資者包括 Plug and Play、Anthemis、FirstMark、Aperture Venture Capital、1984 Ventures。
2）Clinical datasets
訓練醫療 AI 和 LLM 的基礎是大量合規、高質量的臨床資料，而當前資料仍呈現“低可得性 + 非結構化”的狀態。這類公司為訓練醫療 LLM 提供高質量資料（真實或合成）。
這類平臺佔據“AI 模型資料供給側”位置，未來可拓展至 AI model-as-a-service、合成 cohort 構建、甚至作為 Pharma R&D 的基礎設施層。
Case Study
Unlearn
• 產品：利用 Gen AI 能建立臨床試驗參與者的數字孿生。這些合成對照可以模擬患者結果，從而實現規模更小、速度更快的試驗。其應用領域包括神經退行性疾病和腫瘤學。
• 創始團隊：創始人兼執行長 Charles Fisher 生物物理學博士，畢業於哈佛大學。
• 融資：成立於 2017 年，已在 7 輪融資中籌集了總計 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 可及性與效率的醫療基礎設施初創公司。將社群醫療機構（community-based practices）轉化為可參與臨床試驗的節點，從而打破當前試驗集中於學術醫療中心的侷限，推動臨床研究“下沉”至基層。同時利用 AI 最佳化患者篩選、流程自動化及資料整合，提升整體效率。
• 創始團隊：Alexander Saint-Amand 曾任 GLG CEO，擅長搭建專家網路。Topography 借鑑類似模式，致力於構建覆蓋廣泛、標準化的“臨床試驗網路”，推動研究基礎設施的系統性重構。
• 融資：已籌集 2735 萬美元資金，其中包括由 Andreessen Horowitz 和 Bain Capital Ventures 領投的 2022 年 1 月 9 日的 A 輪融資中的 2150 萬美元。
03.
創業團隊正在把 Agent
帶進每個診所和系統
YC W25 批次的公司有很多醫療健康領域的 AI 和自動化應用，從 patient-facing 和 Infra 兩個維度來看：
Patient-Facing：聚焦在患者互動、診療輔助、分診溝通等場景，提升使用者體驗或最佳化前線服務效率：
• Paratus Health：AI 驅動的患者分診系統，提升掛號與導診效率
• Mecha Health：醫學影像分析，用於輔助診斷或病灶識別
• Vocality Health：即時醫療翻譯，改善多語種患者的交流障礙
• Uncommon Therapeutics：AI 輔助新藥發現，偏生物技術導向
• Amby Health：最佳化救護車排程服務，提升急救響應效率
Infra：聚焦於診所、保險公司、醫院等 B 端機構，推動醫療運營、合規、支付等環節的自動化和資料化：
• Tire Swing：醫療合規自動化，降低審計和違規風險
• Egress Health：收入週期管理，提升診所理賠與回款效率
• Rada：保險理賠流程自動化，減少人工稽核和錯誤率
• YouShift：醫生排班自動化，解決人力資源配置瓶頸
• Toothy AI：牙科診所管理系統，支援賬單、預約、庫存等功能
• HealthKey：臨床試驗患者識別系統，連線患者與研究機構
Case Study
Tire Swing
• 產品： AI 驅動的醫療合規服務，透過構建聯邦和州法規庫，幫助醫療公司解答合規問題、評估政策並在法規變化時建議更新。
• 創始團隊：
Lucas Irvine (Instacart, Capital One; 普林斯頓大學 CS）
Paul Witten (Stroz Friedberg; 普林斯頓大學 CS）
Egress Health
• 產品： AI agent 自動化牙科診所收入週期管理，處理保險驗證和計費，已擴充套件至數十個地點，處理 1400 萬美元報銷款，減少 1-2 名員工並提升 5-15%收入。
• 創始團隊：
Matthew Kiflu （哈佛大學）
Alex Pedersen （微軟， 哈佛大學 CS）
YouShift
• 產品： 自動化醫生排班系統，結合醫院規則與個人偏好生成無衝突排班表，減少職業倦怠，支援即時更新。
• 創始團隊：
Jota Chamorro （哈佛大學 CS）
Adolfo Roquero Gimenez （谷歌， 哈佛大學 CS）
Lucía Vives Martorell （哈佛大學生物醫學科學）
HealthKey
• 產品： AI 根據臨床試驗標準預篩選患者，整合多種 EHR 系統，協助醫生識別符合條件的患者並增加收入。
• 創始團隊：
Josh Sabol (AWS, Plate IQ)
Amby Health
• 產品： AI copilot 為救護車機構自動化計費和質量審查，分析患者報告並最佳化流程，取代手動操作。
• 創始團隊：
Yos Wagenmans （MIT 輟學， Meta）
Timmy Dang （MIT 輟學， Amazon）
Toothy AI
• 產品： 符合 HIPAA 的 AI agent 為牙科診所自動化保險驗證和計費，覆蓋整個收入週期。
• 創始團隊：
Johnny Chen （福特， 軟銀支援初創）
Tejas K （醫療 AI 經驗）
Matt Kerrigan (Trunk Club, Salezilla)
Rada
• 產品： AI 語音 agent 為醫療診所自動化保險電話，整合管理系統，處理患者資格和預授權。
• 創始團隊：
Patrick Foster (Netflix, GoDaddy)
Paratus Health
• 產品： AI 分診護士進行預約前患者訪談，提供結構化臨床總結，提升醫生效率並減少誤診。
• 創始團隊：
Pablo Bermudez-Canete （斯坦福大學 CS-AI）
Tannen Hall （斯坦福大學 CS-AI）
Mecha Health
• 產品： 使用基礎模型自動化 X 射線分析，將放射科醫生讀片速度從 1 小時 1 次提升至 5 分鐘 1 次。
• 創始團隊：
Ahmed Abdulaal （帝國理工學院 MD， UCL 博士）
Hugo Fry （劍橋大學數學與物理）
Ayodeji Ijishakin （UCL 博士候選人）
Nina Montaña Brown （UCL 博士， 醫療技術工程師）
Vocality Health
• 產品： AI 驅動的醫院翻譯平臺，提供即時、臨床安全的翻譯服務，整合現有系統。
• 創始團隊：
Brogan McPartland （哈佛大學 CS， Fulltrack AI）
Vivek Jayaram （哈佛大學 CS， Second Spectrum）
Uncommon Therapeutics
• 產品： 生物技術公司開發嚴重遺傳疾病療法，針對雷特綜合徵設計潛在價值數十億美元的聯合治療。
• 創始團隊：
Noah Auerhahn （連續創業者， 雷特綜合徵研究投資）
Ryan Lim （生物技術企業家， UCI 研究員）
排版：Doro
延伸閱讀