在人工智能的眾多應用領域中，醫(yī)療保健正逐漸成為一條充滿潛力的“黃金賽道”。文章分析了AI如何提升醫(yī)療服務效率、轉化研究成果為實際產(chǎn)品，并討論了AI醫(yī)療解決方案的落地形式、商業(yè)模式及其對市場的影響。

AI醫(yī)療，正處于一個即將爆發(fā)的拐點。

在最近的一項調(diào)查中，醫(yī)療行業(yè)70%的參與者正在考慮落地AI，其中四分之三在過去一年增加了IT投資，并預計這一趨勢將繼續(xù)下去。2024年，在籌集資金的醫(yī)療技術初創(chuàng)公司中，有近40%將人工智能技術應用到業(yè)務中。

不久前，國外SaaS領域最專業(yè)的投資機構Bessemer發(fā)布了一個AI醫(yī)療領域的研究報告。在這個研究報告中，Bessemer會分享其對以下問題的思考：

AI醫(yī)療行業(yè)爆發(fā)背后究竟有哪些因素的推動？面對這一新興機遇，創(chuàng)業(yè)者和投資人又應該去如何尋找商業(yè)機會？

一、AI醫(yī)療發(fā)展的三個機遇

第一，醫(yī)療保健產(chǎn)生了全球30%的數(shù)據(jù)，而且這些數(shù)據(jù)已經(jīng)被數(shù)字化。

據(jù)估計，醫(yī)療保健行業(yè)產(chǎn)生的數(shù)據(jù)占全球數(shù)據(jù)的30%，增速比金融、媒體領域還快。但醫(yī)院產(chǎn)生的數(shù)據(jù)中高達97%未被利用。這些數(shù)據(jù)可用于幫助改善甚至重塑醫(yī)療保健運營和患者護理。

也就是說，醫(yī)院擁有大量尚未開發(fā)的數(shù)據(jù)，經(jīng)營效率仍然有很大的增長空間。

到了2010年代，經(jīng)過數(shù)十年的過程和強有力的監(jiān)管推動，醫(yī)療保健領域的大部分臨床數(shù)據(jù)終于通過HER（電子化人力資源管理）的采用實現(xiàn)了數(shù)字化。其中，臨床記錄（包括文本、圖像、實驗室值）形式的大量數(shù)據(jù)變得可供人工智能機器讀取。

這為AI在金融領域的落地創(chuàng)造了條件。比如，Lenful是一個專注于藥房的工作流自動化平臺，它通過將AI技術應用于340B審計、文檔處理和庫存計劃以及事先授權任務中的客戶數(shù)據(jù)來釋放價值。

第二，AI正在提升醫(yī)療服務的效率。

經(jīng)過多年的發(fā)展，AI可以對患者的健康狀況進行建模，從蛋白質(zhì)的功能一直到患者所屬的人群以及其此前就醫(yī)醫(yī)療服務的情況。

隨著供應商采用新的分子檢測方法（例如單細胞測序）和能夠測量新健康信號的醫(yī)療設備，每天都有更多數(shù)據(jù)和新型數(shù)據(jù)可用。監(jiān)管正在將這些新的數(shù)據(jù)上傳到網(wǎng)絡。

如果能夠更有效利用這些數(shù)據(jù)，它們就能描繪出醫(yī)療保健的多維視圖，并用于開發(fā)AI產(chǎn)品和服務，以解決更廣泛的復雜生物醫(yī)學和醫(yī)療保健問題。新發(fā)現(xiàn)的結合和運行多個數(shù)據(jù)集模型的能力為更多可能性打開了大門，而這些可能性的數(shù)量和范圍尚未完全了解。這是我們將醫(yī)療保健視為多模式AI開發(fā)和應用“圣杯”的最大原因之一。

第三，AI醫(yī)療研究正在轉化為產(chǎn)品和服務。

自21世紀初開始，AI在醫(yī)療研究領域的應用開始增加，從深度學習到現(xiàn)在的生成式AI。

在這個過程中，雖然取得了一些積極成果，但醫(yī)療機構仍然沒有找到一種辦法將這些成果大規(guī)模落地。但現(xiàn)在變了，大模型出現(xiàn)讓AI應用有了更多落地的可能性。

看看自2000年以來FDA批準的AI/ML（人工智能和機器學習）設備數(shù)量的指數(shù)增長，2024年批準的設備數(shù)量將是2014年的30倍。

種種跡象顯示，現(xiàn)在已經(jīng)到了AI醫(yī)療領域發(fā)展的關鍵拐點。

二、三個關鍵假設

第一，落地形式-商業(yè)模式-市場契合度決定價值創(chuàng)造

AI解決方案的形式和公司的商業(yè)模式，會對可用的TAM（總目標市場）和毛利率產(chǎn)生重大影響。我們所說的形式是指AI產(chǎn)品的落地方式（例如軟件、副駕駛、代理、服務、診斷、治療）。通過不同的商業(yè)模式處理相同工作流程的公司，可能會擁有高達25倍的TAM差異。

1）落地形式

從目前看，AI在醫(yī)療領域的落地方式主要有兩種：垂直人工智能模式和醫(yī)療保健AI特定模式。

其中，垂直人工智能模式包括：

• 人工智能軟件：一個具有豐富人工智能功能的平臺，可提高功能和用戶體驗
• 副駕駛：支持人工智能的助手，與用戶一起工作，通過自動執(zhí)行現(xiàn)有工作流程中的任務來提高工作效率
• 代理：以最少的人工干預執(zhí)行特定任務的自主或半自主系統(tǒng)
• 人工智能服務：傳統(tǒng)服務通過人工智能增強其效率、準確性或用戶體驗

而醫(yī)療保健AI特定模式又分為診斷和治療，這是醫(yī)療行業(yè)獨有的模式。

AI診斷通過現(xiàn)有或新模式支持或自動識別疾?。ɡ纾暰W(wǎng)膜成像 AI已應用于心血管、代謝和神經(jīng)系統(tǒng)疾病的診斷），并且可以通過現(xiàn)金支付、保險或企業(yè)合同報銷。

即使在要求更為嚴格的臨床診斷環(huán)節(jié)，也出現(xiàn)了一些AI診斷公司，包括心臟病學領域的Cleerly、神經(jīng)病學和心血管領域的Viz.ai 、眼科學領域的Digital Diagnostics和腫瘤學領域的Tempus。

另一種特定于醫(yī)療保健的方式是治療，即旨在緩解癥狀或治愈疾病的醫(yī)療方法。

AI在治療學中更常見的用例是協(xié)助藥物發(fā)現(xiàn)和開發(fā)。例如，Besseme投資的Seismic Therapeutic正在將機器學習和AI用于自身免疫性疾病的藥物發(fā)現(xiàn)和開發(fā)，以應對減輕免疫原性等關鍵挑戰(zhàn)。

實際上，公司會將多種模式整合到一個綜合解決方案中。例如，Qventus通過軟件和基于代理的服務提供圍手術期優(yōu)化解決方案。

2）商業(yè)模式

AI產(chǎn)品的形態(tài)有助于確定最佳商業(yè)模式。雖然可以同時部署多種商業(yè)模式，但為了簡單起見，我們分享兩種主要的商業(yè)模式架構：基于使用情況和基于性能。

3）對TAM和毛利率的影響

為了說明方式和商業(yè)模式對公司TAM和毛利率的影響，我們使用了一個在眼科領域進行創(chuàng)新的假設初創(chuàng)企業(yè)的例子。

舉個例子，美國大約有20,000名眼科醫(yī)生和50,000名驗光師，每年拍攝1800萬張視網(wǎng)膜圖像，每年進行700萬次眼部注射。2010年代，研究人員開發(fā)了一種使用視網(wǎng)膜圖像識別眼睛以外區(qū)域病變（例如糖尿病前兆）的方法。

我們假設的初創(chuàng)公司已經(jīng)創(chuàng)建了一種由這些方法進化而來的AI解決方案。

根據(jù)方式和商業(yè)模式的不同，上面列出的TAM范圍從8400萬美元（對于采用按座位付費SaaS 模式的副駕駛產(chǎn)品）到21億美元（對于采用基于使用量或“按服務收費”定價模式的輔助眼部注射的AI服務）。

正如這個例子所強調(diào)的，如果單獨部署AI模型，通常無法充分發(fā)揮其潛在價值，并且可能給客戶應用帶來困難。為了最大限度地獲取價值并推動產(chǎn)品落地，公司應該考慮垂直整合的業(yè)務模式，即利用AI來增強或重新構想現(xiàn)有的工作流程，有效地滿足客戶的需求。這些垂直整合的方法不僅可以解決更全面的問題，還可以挖掘整個價值鏈中更大的收入來源，從而擴大潛在的市場規(guī)模。

考慮以下有針對性的軟件解決方案及其垂直集成解決方案的示例：

放射學：AI優(yōu)先的放射學軟件產(chǎn)品與AI支持的放射學服務提供商優(yōu)化整個圖像采集和解釋工作流程

收入周期管理：AI優(yōu)先的編碼和計費軟件與具有AI特性和功能的綜合收入周期管理服務

臨床試驗：用于臨床試驗招募和選址的AI優(yōu)先軟件與使用AI管理端到端試驗招募和選址的全方位服務機構

值得注意的是，模式和商業(yè)模式也會影響毛利率，更高的TAM和更健康的毛利率之間往往存在權衡。比如，雖然人工智能眼部注射服務的TAM幾乎是人工智能軟件產(chǎn)品的兩倍，但從歷史上看，SaaS的毛利率遠高于醫(yī)療保健服務。但這一慣例正受到人工智能公司的挑戰(zhàn)，其中許多公司正在使用人工智能來提高基于服務的交付模式的效率。

第二，多模態(tài)是AI醫(yī)療的“圣杯”

由于醫(yī)療保健數(shù)據(jù)是多維的——涵蓋臨床記錄、醫(yī)學影像、音頻、視頻、患者報告的結果、可穿戴設備數(shù)據(jù)、時間序列信息、暴露數(shù)據(jù)、基因測序結果等，多模態(tài)技術將在AI醫(yī)療領域有更大的發(fā)揮空間。

現(xiàn)在已經(jīng)有AI公司推出多模態(tài)的AI產(chǎn)品。比如，Theator提供用于手術視頻分析和關鍵見解注釋的多模態(tài)AI產(chǎn)品，以及為放射科醫(yī)生提供AI診斷和文檔解決方案的RadAI。

當豐富的生物醫(yī)學數(shù)據(jù)與人口層面的信息、運營洞察和財務指標相結合時，人工智能不僅可以更早、更準確地診斷疾病，還可以識別阻礙患者康復的因素以及增強醫(yī)療保健系統(tǒng)功能和效率的機會。

第三，需要垂直行業(yè)專用的基礎設施——而且要快

1）網(wǎng)絡安全和數(shù)據(jù)隱私

醫(yī)療數(shù)據(jù)是暗網(wǎng)上最受追捧的數(shù)據(jù)之一，而醫(yī)療機構支持龐大且不斷擴大的攻擊面，這使它們?nèi)菀资艿嚼账鬈浖?。盡管醫(yī)療行業(yè)迫切需要一流的網(wǎng)絡安全解決方案，但由于資源限制、技術過時和極其復雜，它在基礎設施的采用和強度方面已經(jīng)落后于其他行業(yè)。

人工智能解決方案的實施也可能帶來新的風險。人工智能可以擴大現(xiàn)有的攻擊面并引入新類型的攻擊，例如注入攻擊，其中模型訓練所用的數(shù)據(jù)會被識別。雖然我們看到一些初創(chuàng)公司正在努力填補這些空白，但基礎設施仍處于起步階段。

2）數(shù)據(jù)生成和管理

訓練醫(yī)療保健AI模型需要大量高質(zhì)量數(shù)據(jù)，這些數(shù)據(jù)代表預期用例和人口特征。醫(yī)療保健系統(tǒng)內(nèi)現(xiàn)有活動的“廢棄”數(shù)據(jù)本身可能不夠用。

近年來，一些有前景的醫(yī)療保健數(shù)據(jù)市場已經(jīng)出現(xiàn)，包括Protege、Gradient和Omny Health，但僅靠這些市場無法為每個AI模型提供數(shù)據(jù)。高質(zhì)量數(shù)據(jù)的數(shù)量也不是唯一的差距，還需要可擴展的方法來對敏感患者數(shù)據(jù)進行去識別化，并在征得患者同意的情況下大規(guī)模重新識別數(shù)據(jù)。

3）模型性能基準測試

一個高性能的AI模型，對研究成果轉化為醫(yī)療保健產(chǎn)品至關重要。但現(xiàn)在醫(yī)療行業(yè)缺乏對模型能力的性能測試，盡管現(xiàn)在行業(yè)試圖讓ChatGPT參加美國醫(yī)師執(zhí)照考試，來評估其在醫(yī)療保健用例中的能力，但這并不能準確衡量其落地的可行性。所以，醫(yī)療行業(yè)缺少一個對模型能力在行業(yè)應用的評估體系。

4）模型監(jiān)控

由于數(shù)據(jù)或模型運行環(huán)境的變化，AI模型的效果可能會不穩(wěn)定。這在實際應用中很致命。例如，如果人工智能診斷出現(xiàn)錯誤，影響的規(guī)?？赡苁菙?shù)千名患者。模型需要一個模型監(jiān)測的風控體系，來實時評估模型的表現(xiàn)，進而大大降低模型所帶來的風險。

5）治理

為了更有效和安全地使用AI醫(yī)療技術，組織內(nèi)需要有明確的負責人。這個人的職責是，了解AI在所有業(yè)務環(huán)節(jié)的應用，并監(jiān)督和維護。

三、AI醫(yī)療投資的六大標準

在AI醫(yī)療領域，我們的投資標準主要涵蓋六個核心技術主題，分別是：

1. 交互系統(tǒng)：人工智能平臺或服務，支持用戶與人工智能算法之間進行實時動態(tài)交互，完成從臨床決策支持到患者參與和資源管理等各種醫(yī)療任務。
2. 多模式技術：集成和分析多種數(shù)據(jù)類型（如文本、圖像、音頻和傳感器數(shù)據(jù)）的人工智能系統(tǒng)，以提供見解并識別新模式。
3. 模擬：人工智能虛擬環(huán)境和預測模型，可復制復雜的醫(yī)療和操作場景，實現(xiàn)無風險培訓、策略測試和結果預測。
4. 評估基礎設施：標準化框架、工具和方法，旨在評估人工智能算法在各種醫(yī)療應用中的性能、安全性和倫理影響，以確?？煽啃院陀行浴?/li>
5. 傳感器或機器眼：先進的成像、傳感和數(shù)據(jù)捕獲技術，可以檢測、分析和解釋醫(yī)療數(shù)據(jù)、操作數(shù)據(jù)或設備性能中的微小細節(jié)，通常超越人類的能力。
6. 專業(yè)基礎模型：專為醫(yī)療保健特定應用而設計的人工智能系統(tǒng)，利用大型預先訓練的模型來增強或自動化臨床和行政環(huán)境中的專門任務，提高診斷、個性化治療、工作流程優(yōu)化和其他領域的準確性、效率和可擴展性。

雖然醫(yī)療保健市場可能比看上去要小，但仍然有有很多細分領域擁有10億美元以上的市場空間。我們將這些細分領域分為低風險和高風險：

正如預期的那樣，醫(yī)療保健領域AI解決方案的應用曲線正從“低風險”轉向“高風險”，即從后臺轉向前臺和工作臺子垂直領域。抓住后一類機會的公司將不得不清除更多障礙才能進入市場，并面臨買家更嚴格的審查?？紤]到漫長的商業(yè)化周期，創(chuàng)始人應該意識到資金消耗率和資本需求。

平臺潛力

Pitchbook 數(shù)據(jù)顯示，已有4,000多家美國醫(yī)療保健人工智能公司投入運營。然而，仔細觀察就會發(fā)現(xiàn)，形勢與我們之前看到的截然不同。

最值得注意的是，醫(yī)療行業(yè)的公司老板是經(jīng)驗豐富的買單者，他們從過去的經(jīng)驗中吸取了教訓，不喜歡單點解決方案，更喜歡與現(xiàn)有流程無縫銜接的集成方法。我們預測，最成功的AI醫(yī)療公司將專注于基本工作流程上游產(chǎn)生大量有價值數(shù)據(jù)的關鍵節(jié)點。

通過掌握數(shù)據(jù)創(chuàng)建和工作流程啟動的關鍵點，醫(yī)療保健AI平臺可以對一系列下游流程產(chǎn)生重大影響，并最終實現(xiàn)可觀的回報。這種方法有三方面的好處：

1.工作流程控制：平臺可以簡化和優(yōu)化多個產(chǎn)業(yè)鏈玩家相的核心流程，并將人工智能驅(qū)動的洞察力融入日常運營，以促進整個醫(yī)療生態(tài)系統(tǒng)的標準化和最佳實踐的創(chuàng)建。這些變化可以大大減少跨利益相關者互動和信息交換中的摩擦，從而實現(xiàn)更高效、更有效的醫(yī)療服務。

2.數(shù)據(jù)優(yōu)勢：通過與一個產(chǎn)業(yè)玩家建立數(shù)據(jù)密度，平臺可以與生態(tài)系統(tǒng)中上下游各方產(chǎn)生新的合作機會。通過捕獲獨特且難以復制的多樣化互補數(shù)據(jù)集，他們既能夠開發(fā)新穎的多模式解決方案來解決復雜的醫(yī)療保健問題，又能夠提高平臺的防御能力。

3.分銷：平臺可以利用現(xiàn)有的利益相關者關系來快速擴大采用范圍。隨著越來越多的用戶為平臺做出貢獻并從中受益，強大的網(wǎng)絡效應就會出現(xiàn)。這些平臺的中心地位還促進了生態(tài)系統(tǒng)內(nèi)其他人工智能解決方案的交叉銷售，同時通過綜合的多利益相關者方法降低了客戶獲取成本。

例如，臨床文檔平臺Abridge將自己定位于患者與醫(yī)療服務提供者溝通的記錄系統(tǒng)。通過構建對話數(shù)據(jù)，Abridge不僅簡化了臨床工作流程，還創(chuàng)建了一個豐富的數(shù)據(jù)集，可以為從計費到護理協(xié)調(diào)再到臨床試驗等各種下游流程提供信息，從而為醫(yī)療生態(tài)系統(tǒng)內(nèi)的其他利益相關者提供價值奠定了基礎。

除了醫(yī)患對話之外，人工智能在醫(yī)療保健領域的其他戰(zhàn)略啟動點還包括處方點、耐用醫(yī)療設備 (DME) 訂購、醫(yī)生教育、證據(jù)生成、臨床試驗方案設計以及生物樣本采集和儲存等。每個關鍵節(jié)點都有可能成為人工智能驅(qū)動的創(chuàng)新和價值創(chuàng)造的場所，不僅對一家醫(yī)療保健人工智能公司如此，對許多公司也是如此。