AI原生医疗：1亿次就诊、节省10–20小时、几分钟完成预授权 — Abridge的Janie Lee与Chaitanya Asawa

Abridge并非起步于“GPT包装器”。该公司成立于2018年，远在AI应用层公司大爆发之前。当OpenAI于2022年11月30日发布ChatGPT时，Abridge已花费多年时间，为医疗保健领域中上下文最重要的工作流——患者与临床医生之间的对话——建立信任。

Abridge最初的切入点是为临床文档服务。它聆听就诊过程，生成病历，减轻文书负担，让临床医生花更多时间在患者身上而非电子健康记录（EHR）系统上。通过专注于医生实际如何记录、医疗系统如何采购、EHR集成如何运作、临床医生如何验证输出，以及就诊过程中缺失的上下文如何转化为账单、预授权、质量和随访等方面的后续摩擦，LLM的采用成为了一个针对敏感上下文收集而优化的工作流的放大器。

该公司扩张迅速：Abridge表示，预计今年将支持超过8000万次医患对话，覆盖250个大型复杂的美国医疗系统，支持28种以上语言和50多个专科。2025年6月，该公司在年初2.5亿美元融资后又融资3亿美元，估值达53亿美元。

如今，Abridge的Janie Lee和Chaitanya“Chai”Asawa与Redpoint的Jacob Effron（Abridge董事会成员）一起，深入探讨Abridge如何构建医疗保健的临床智能层：从环境文档开始，扩展到临床决策支持、预授权、支付方/提供方/制药工作流，最终实现实时智能体——在患者对话之前、期间和之后采取行动。

我们深入到产品、数据、基础设施、评估、工作流、隐私和组织设计选择背后的细节，这些选择将AI带入了最高风险的企业环境之一：从1亿多次医疗对话和专科特定评估，到实时警报、EHR集成、去标识化、临床科学家团队，以及为什么医疗保健可能首先解决一些最难的AI问题。

我们讨论的内容包括：Abridge为何从临床文档和“睡衣时间”开始，为临床医生每周节省10-20小时；从环境抄录员到临床智能层的转变：节省时间、节省金钱并挽救生命；为什么医患对话可能是医疗保健中最重要的工作流；Chai的“医疗版Glean”框架：上下文是王道，但医疗保健提高了安全性、评估和推广的赌注；Abridge为何希望AI感觉像“空调”：始终在后台，只在真正重要时打断；预授权示例：几周后拒绝的MRI变为患者还在诊室时的实时指导；为什么支付方政策、EHR数据、医学文献和医院特定指南使问题变得困难，同时也创造了护城河；Abridge如何思考环境形态：移动、桌面、室内设备、护理工作流、多模态和未来AR；多边医疗保健客户：CMIO、CFO、CIO、临床医生、患者、支付方和制药公司；Abridge面临的最难AI问题：在高风险临床环境中实现高质量、低延迟、低成本的实时支持；Abridge何时使用前沿模型与专有模型，以及为什么其独特的医疗对话数据很重要；为什么“每个智能体本质上都是一个编码智能体”，以及如何将EHR视为医疗保健智能体的文件系统；Abridge如何在个体医生、专科和医疗系统之间实现个性化；为什么“AI垃圾”是没有上下文的AI，以及编辑、记忆和临床医生偏好如何创建数据飞轮；Abridge的评估栈：LFD、LLM判断、内部临床医生、第三方评估、专科特定评估和渐进式推广；HIPAA、PHI、去标识化、单向匿名化、客户合同和从医疗数据中安全学习；在1亿多次对话规模下运行时的变化：可靠性、成本、后训练、模型路由和基础设施优化；为什么相同的临床对话可以服务于医生、患者、支付方、制药公司以及未来的临床试验工作流；Abridge如何与EHR合作，以及为什么深度互操作性是临床医生采纳的基本条件；为什么医疗保健AI拥有监管顺风，为什么80/20在此不适用，以及为什么高风险领域可能推动AI向前发展；Abridge为何将“临床科学家”嵌入产品和评估团队；Chai从Glean学到的关于搜索、质量和持久AI基础设施的经验；为什么AI基础设施的未来可能看起来像上下文层、事件驱动系统、Kafka、Temporal、套接字、CRDT和为人构建的工具；Janie为何改变了对“PRD已死”的看法，以及为什么清晰简洁的书面表达在复杂AI产品中更为重要；Abridge如何在内部使用Claude Code、Cursor和编码智能体。