AI原生醫療：1億次就診、節省10–20小時、幾分鐘完成預授權 — Abridge的Janie Lee與Chaitanya Asawa

Abridge並非起步於“GPT包裝器”。該公司成立於2018年，遠在AI應用層公司大爆發之前。當OpenAI於2022年11月30日釋出ChatGPT時，Abridge已花費多年時間，為醫療保健領域中上下文最重要的工作流——患者與臨床醫生之間的對話——建立信任。

Abridge最初的切入點是為臨床文件服務。它聆聽就診過程，生成病歷，減輕文書負擔，讓臨床醫生花更多時間在患者身上而非電子健康記錄（EHR）系統上。透過專注於醫生實際如何記錄、醫療系統如何採購、EHR整合如何運作、臨床醫生如何驗證輸出，以及就診過程中缺失的上下文如何轉化為賬單、預授權、質量和隨訪等方面的後續摩擦，LLM的採用成為了一個針對敏感上下文收集而最佳化的工作流的放大器。

該公司擴張迅速：Abridge表示，預計今年將支援超過8000萬次醫患對話，覆蓋250個大型複雜的美國醫療系統，支援28種以上語言和50多個專科。2025年6月，該公司在年初2.5億美元融資後又融資3億美元，估值達53億美元。

如今，Abridge的Janie Lee和Chaitanya“Chai”Asawa與Redpoint的Jacob Effron（Abridge董事會成員）一起，深入探討Abridge如何構建醫療保健的臨床智慧層：從環境文件開始，擴充套件到臨床決策支援、預授權、支付方/提供方/製藥工作流，最終實現即時智慧體——在患者對話之前、期間和之後採取行動。

我們深入到產品、資料、基礎設施、評估、工作流、隱私和組織設計選擇背後的細節，這些選擇將AI帶入了最高風險的企業環境之一：從1億多次醫療對話和專科特定評估，到即時警報、EHR整合、去標識化、臨床科學家團隊，以及為什麼醫療保健可能首先解決一些最難的AI問題。

我們討論的內容包括：Abridge為何從臨床文件和“睡衣時間”開始，為臨床醫生每週節省10-20小時；從環境抄錄員到臨床智慧層的轉變：節省時間、節省金錢並挽救生命；為什麼醫患對話可能是醫療保健中最重要的工作流；Chai的“醫療版Glean”框架：上下文是王道，但醫療保健提高了安全性、評估和推廣的賭注；Abridge為何希望AI感覺像“空調”：始終在後臺，只在真正重要時打斷；預授權示例：幾周後拒絕的MRI變為患者還在診室時的即時指導；為什麼支付方政策、EHR資料、醫學文獻和醫院特定指南使問題變得困難，同時也創造了護城河；Abridge如何思考環境形態：移動、桌面、室內裝置、護理工作流、多模態和未來AR；多邊醫療保健客戶：CMIO、CFO、CIO、臨床醫生、患者、支付方和製藥公司；Abridge面臨的最難AI問題：在高風險臨床環境中實現高質量、低延遲、低成本的即時支援；Abridge何時使用前沿模型與專有模型，以及為什麼其獨特的醫療對話資料很重要；為什麼“每個智慧體本質上都是一個編碼智慧體”，以及如何將EHR視為醫療保健智慧體的檔案系統；Abridge如何在個體醫生、專科和醫療系統之間實現個性化；為什麼“AI垃圾”是沒有上下文的AI，以及編輯、記憶和臨床醫生偏好如何建立資料飛輪；Abridge的評估棧：LFD、LLM判斷、內部臨床醫生、第三方評估、專科特定評估和漸進式推廣；HIPAA、PHI、去標識化、單向匿名化、客戶合同和從醫療資料中安全學習；在1億多次對話規模下執行時的變化：可靠性、成本、後訓練、模型路由和基礎設施最佳化；為什麼相同的臨床對話可以服務於醫生、患者、支付方、製藥公司以及未來的臨床試驗工作流；Abridge如何與EHR合作，以及為什麼深度互操作性是臨床醫生採納的基本條件；為什麼醫療保健AI擁有監管順風，為什麼80/20在此不適用，以及為什麼高風險領域可能推動AI向前發展；Abridge為何將“臨床科學家”嵌入產品和評估團隊；Chai從Glean學到的關於搜尋、質量和持久AI基礎設施的經驗；為什麼AI基礎設施的未來可能看起來像上下文層、事件驅動系統、Kafka、Temporal、套接字、CRDT和為人構建的工具；Janie為何改變了對“PRD已死”的看法，以及為什麼清晰簡潔的書面表達在複雜AI產品中更為重要；Abridge如何在內部使用Claude Code、Cursor和編碼智慧體。