在 LLM 落地场景中，医疗领域的应用开始展现出比较高的确定性，尤其是。Abridge 是其中最有代表性的公司，训练了专用于临床文档的 ASR 和文本生成模型，能够替代 90% 左右的人工工作量。担任临床医生和教授的创始人从 2019 年就开始构建 AI-native 产品，5 年积累了大量医疗领域的数据和合作客户，这一先发优势使它自 LLM 应用爆发以来就迎来高速增长。

　　凭借团队对医疗实际需求的深刻理解，Abridge 与美国最大电子医疗系统 Epic 深度整合，让医生能保持原有工作习惯，同时节省大量时间。产品体验方面的普遍好评，使公司能在大型医疗系统客户中实现快速拓展，在商业化方面表现亮眼；收入增长前景清晰后，Abridge 今年吸引到了共计 1.8 亿美元的两轮融资，根据 the Information 报道下一轮估值将达到 25 亿美金，成为 LLM 应用中最受关注的企业之一。

　　•根据统计数据，2022 年美国医疗支出共 4.4 万亿美元，约占美国 GDP 总量的 17%；超过同一年全球第三名日本的 GDP 4.23万亿。其中，医院和临床医师服务占总体支出的 50% 以上。

　　•美国医疗行业对传统软件的采用意愿很低，医院不愿为 IT 团队增加负担，也不愿培训精疲力竭的员工使用新系统。在典型美国医院的成本结构中，医护人员工资占比平均达到 37%，而 IT 支出仅占 3%。

　　而在 Gen AI 应用出现之后，这一切有了变化：医疗行业已经成为采用 Gen AI 产品软件的领先行业。其中一个重要原因是，AI 产品的上手门槛比之前的 Saas 产品低很多。根据 Menlo VC 估算，美国医疗企业在 GenAI 软件每年支出已经达到 5 亿美元，多个研究给出了同一量级的预测。

　　因此我们相信医疗企业的软件支出有着广阔的突破空间。A16z 提出，未来几十年内医疗市场将至少有一半增长由AI驱动。医疗系统现在最大的问题是：

　　1）access：好医生的时间不够，病人需要预约很久才能看上病。同时很多好医生因为工作强度大 burn out 离开；

　　2）cost：第一个问题连锁带来的结果是，医疗系统的人力成本很贵。这两个问题都很适合 AI 来解决。

　　现在医院的成本项中人力成本非常重，如果采购 Gen AI 产品能大大改善员工的工作效率，将是投资回报比很高的投资。截至 2022 年底，美国共有 6,120 家医院，以社区医院为主，占比达 84%，而其中 2/3 的社区医院以系统方式运营。这些医疗系统拥有成规模的医生用户群，以此为销售切入点，将为医疗 GenAI 应用带来巨大增量。

　　注：社区医院指所有非联邦医院、短期综合医院和其他专科医院。而联邦政府运营的医院（占比 3%）通常只为特定患者群体（如现役军人）提供医疗服务。

　　目前长期市值前 100 名的软件公司中，只有 Veeva 一家属于医疗垂直应用。受益于上述医疗企业跨越式采用的潜在机会，医疗领域软件的新一代独角兽有望在 GenAI 应用中出现。而且对于 existing companies 也能同时受益：2023 年前上市的盈利医疗保健公司（不包括制药公司）创造了 2.6 万亿美元的收入，但只有 1700 亿美元（约 6.5%）转化为利润。假设 GenAI 应用能将成本和费用降低 15%，仅此一项就能将营业利润提高 3140 亿美元，使这类公司的企业价值增长 2 倍以上。

　　目前医疗 GenAI 应用有着广泛的落地场景，包括药物研发、临床诊断、处理行政工作流、改进护理服务等等。前两类场景的容错率极低，商业化前需要经过漫长的开发和批准周期；相对而言，麦肯锡开展的调研证实了医疗行业对后两类场景的信心：大多数受访者认为 GenAI 潜在价值最大的领域是提高临床医生的服务质量和生产力，其次是改进患者参与度和体验。

　　GenAI 能为医疗行业工作流的多个环节带来变革。在临床属性较弱的环节，专用的 RPA 工具能自动化处理账单、报销、预约、分诊和接收等繁琐的行政事务；而在临床属性较强的环节，我们关注到， 2B 销售表现最为亮眼的软件类型是 AI Scribe。该类应用能够协助医生更加准确、快速地完成记录文档的工作。代表性的公司 Abridge 凭借突出的商业化表现，创造了医疗工作流 GenAI 软件类别中迄今最大的融资规模。

　　美国医生在医院的正常工作时间之外，往往需要每天加班 1.5-2 小时来记录临床文档。这项行政任务源于美国政府从 2009 年开始推行的EHR(Electronic Health Record，电子健康记录系统) 补助，使医院全面采购了 EHR 系统，并要求医生详实填写文档。医生对每次患者诊疗都需要记录 SOAP (Subjective, Objective, Assessment and Plan) 笔记，来记录诊疗和给出处方的过程。每写一份 SOAP，医生都要照顾到三个截然不同的相关方：医护团队、付款系统和患者。这导致美国医生在 EHR 上花费的记录时间约为其他国家的4倍。

　　EHR 一定程度导致了医疗服务供给的紧缺，因为对医生工作时间占用比较多。从 EHR 开始推行，到 LLM 爆发前的十几年中，预算充足的医院可能会为医生雇佣人工抄写员，负责记录诊疗过程和撰写文档，有些医生甚至会自掏腰包来外包这项工作。而这个过程可以从全人工服务变成 AI-augmented 服务。

　　根据 Statista 数据，截至 2024 年 1 月，美国医生人数约 110 万人，按每名医生 $300/月 的平均订阅价格计算，临床听写软件的 TAM 约为 39.6 亿美元，是当前整个医疗 GenAI 应用市场的8倍。

　　这个市场之前就诞生过成功的独角兽，被微软以 300亿美金收购的 Nuance。Nuance 的产品 Dragon 是世界最早也最成功的语音转文字解决方案，并为苹果 Siri 提供了早期核心技术。公司从 2006 年开始收购一系列医疗领域的转录、文档产品，积累了医疗行业的垂直技术和商务关系；同时，Nuance 把握住了 2009-2011 年的政策红利，大大推动了医疗销售的增长。

　　2012 年开始，Nuance 开始转型，成立了 4 个行业业务部门来直接为不同行业提供解决方案。其中，医疗业务占比最大。截至 2021 年，Nuance 62% 的收入都来源于医疗健康领域，达到 8.4 亿美元。Dragon Medical 平台几乎达到垄断地位，被美国 77% 的医院，55% 以上的临床医生和 75% 以上的 X 光工作人员所采用，全球也有超过 55 万医生使用。

　　但 Dragon 在语音识别和生成上做得是不够好的：这项技术只能作为文档记录中的辅助，也没有自动集成于 EHR 系统，医生需要花费大量时间对 Dragon 生成的转录文本进行重新加工。

　　这个问题是比较难解决的：白宫健康顾问 Atul Gawande 在《为什么医生恨他们的电脑》中描述到，在手写时代，医生的笔记短小精悍，但在 EHR 记录病人的详细病史时，不同医生就会由于需求不同，对同一件事写出不同诊断，比如，为了申请医保报销，骨科医师写“腿痛”就够了，但其他医生可能认为缺乏细节，会写成“右膝盖骨质疏松”。

　　疫情让美国医生的 burnout 比例在 2021 年飙升至历史新高 62.8%，而在2024年这个数字首次降至 50% 以下 (48.2%)。除了疫情结束、人手增加等原因，根据 EHR 供应商 eClinical Works 发布的新报告，用于临床文档的 AI 新技术也发挥了重要作用。

　　在使用相关软件前，超过 40％ 的医生每天仅在文档记录上就花费4个小时以上。而超过一半的医生表示，AI 医疗文档软件每天可以节省至少2小时的工作时间。节省下来的时间将使医生能够专注于不那么琐碎的任务，并有更多的时间陪伴患者。

　　综上所述，Abridge 所在的 AI Scribe 赛道有着高度的确定性。传统巨头已经验证了市场内出现独角兽的可能性，GenAI 解决行业关键痛点、重塑市场格局的能力也已经明朗。

　　•Abridge 的产品逻辑比较简单，先通过自动语音识别 (Automated Speech Recognition, ASR) 听写诊疗过程，再利用 GenAI 生成符合要求的文档。从 2024 年年初开始，凭借对于美国最大 EHR Epic 系统架构和数据格式的深刻理解，完成了与 Epic 的无缝集成。产品形态类似 Epic 系统的插件，医生无需在多个选项卡之间切换，不需要改变现有的工作习惯，使用体验非常丝滑简便。

　　诊疗开始前，医生在征求患者同意后，能直接使用 Epic 移动端应用 Haiku 中的 Abridge 产品（如下图左侧手机所示），对谈话全程进行录音，实时生成草稿，并可以随时加入备注。

　　诊疗结束后，能在短时间内生成附有原文证据引用的标准临床笔记及自动摘要（如下图所示），并自动导入 Epic 系统。医生能够直接在 Epic 的 PC 端应用 Hyperspace 中查看和编辑笔记（如上图右侧电脑所示），左侧是规范格式的 SOAP 文档，而右侧是对话全程的文字记录。

　　除了解决临床医生的痛点，Abridge 也关注到了患者和护理人员。在他们的路线图中，对于第一部分提到的改进护理质量、提高患者参与度和体验的场景，也有着明确的规划，有利于长期内市场份额的持续提高。患者记错或忘记医嘱的情况很普遍，Abridge 可以给患者也提供一份完整文档，对注意事项提供指导；客户表示其他竞品没有强调这一功能。2024 年 7 月，Abridge、Mayo Clinic 和 Epic 宣布为护士推出文档产品，目前仍在开发中。

　　•在 GenAI 应用爆发前，Abridge 就已经在开发自己专用于医疗领域的 ASR 模型和文档生成模型。对于自己的“AI-native 特性”，Abridge 给出了三点证据：

　　1）使用有差异化的数据、提示工程和微调方法，从底层开始构建了端到端的 LLM 堆栈；

　　数据方面，自2019年开始，Abridge 就在匹兹堡大学 UPMC 医疗中心的数据库基础上，用 150-200 万诊疗记录作为数据集训练了自己的 AI，所使用的类型包含临床音频、转录规范、人工撰写的参考笔记以及患者特征的元数据，并在去标识化方面严格遵守了安全隐私标准。

　　a.在 ASR 环节，除了单词错误率 (Word error rate) 等通用指标，还会重点关注医学专业指标，如医学术语召回率(Medical term recall rate)、对药物名称的捕捉等。目前关键指标超过了市面其他的开源模型。

　　b.在文档生成环节，Abridge 通过自动计算质量指标来比较 AI 生成和人工撰写的文档质量，保证医学应用中的准确性和完整性：例如，如果医生纠正了病人自述的状况，在最终文档中只会保留正确的结论。当患者谈论的话题出现跳跃时，Abridge 也能完成分类整合。

　　开发过程中，Abridge 使用RLHF方法，请一批临床医生进行盲测反馈，确保文档质量过关，且能满足现实里医生多样化的写作习惯。在模型正式发布前，还会持续收集主动和被动反馈（如医生的编辑行为），来持续改进关键指标。

　　相对于通用模型，高度垂直于医疗行业的策略使 Abridge 的模型能显著、更准确地识别医疗术语，并将病人高度多样化的口头表述转化为规范的书面文档。根据 Abridge 官方数据，产品适用于 50 多个医学专业领域，支持 14 种以上的语言，AI 能完成 91% 以上的文档记录工作量，每个月能够为临床医生节省超过 70 小时的时间。

　　虽然在 GenAI 爆发前，Abridge 就掌握了正确的数据策略和技术路线，但 AI 应用要为传统行业带来跨越式变革，卖点往往并非技术有多么酷炫，而是产品有多么易用，以及如何从 Day 1 就能向客户交付即时价值。产品能解决用户的刚性需求，才会在客户访谈中看到有医生反映 “如果医院不采购 Abridge 就会辞职”。

　　2022年11月 ChatGPT 的出现对医疗企业进行了 AI 应用的市场教育。彼时 Abridge 产品已经历了4年左右的开发，经过了数千次的医患对话训练；渠道方面，除了 Abridge 团队主动通过医疗人脉拓展市场，医疗企业的 IT 负责人也会主动通过健康展会接触供应商。这让性能已经较为成熟、且在合规方面做好准备的 Abridge 脱颖而出。

　　不同科室的专业性需求差异较大，一种 SaaS 产品未必能全面满足。因此医疗系统企业往往会同时考察和试点多种产品，而在做出最终采购决策时，也会在组织内保留多个供应商，分比例使用，这成为 Abridge 实现存量替换的基础。多名客户表示，会同时采购2-3种产品，Abridge如果通过试点，在企业内使用人数占比在20~60%不等。在支付意愿方面，从替代人工的角度估算，相较于时薪约为10-20美元的人工抄写员，AI Scribe 能够节省大量成本，同时也意味着付费上限仍然较高，即使对于收入规模相对更低的医疗企业，每人每月 200 美元也是相对舒适的定价。

　　然而，医疗领域 SaaS 产品需要满足严格的合规要求，包括HIPAA 和 FDA 的多重标准，在数据隐私安全等方面通过认证，且需要经过多轮评估、试点和推广流程，完整的销售周期一般在一年半到两年左右。

　　•医院首先需要对产品进行临床评估，通过后进入临床操作阶段，测试整合方面是否存在障碍；如果通过，还要进一步研究产品的单位经济效益，尝试协商价格，并确定试点范围和时间线。

　　•试点一般会从初级的家庭医疗、儿科等高流量领域开始，并同时采用多种产品进行对比。供应商要与医院合作微调或开发新功能，这一过程需要半年左右时间。第一轮试点结束后，还需要进行进一步评估，对结果满意率足够高，才可以扩大范围，开展下一轮试点。

　　•最终基层员工有选择是否采用产品的自主权，例如年龄较大的医生可能不会使用任何软件，或继续使用原有的传统产品。因此试点中，医护人员对产品的反馈意见至关重要。

　　Abridge 能够快速推广，正是因为一线医疗工作者对产品效果的反响非常热烈。根据 Emory 医疗系统内医生的反馈，产品使他能“把所有注意力集中在病人身上，而不需要担心文档；在结束问诊后只需要再在医院花一点时间校对和编辑”。在 KLAS 2024 报告中，Abridge 在改善临床医生体验方面得分 95.3（平均分79.6），排名第一；在改善患者体验和改进诊疗结果方面，也分别排名第三和第四。

　　而在企业测算此类产品的ROI时，并非仅关注财务上的直接增收。客户表示，采用 Abridge 虽然平均每天可以为节省2小时左右的工作时长，但主要是减少在家加班的“睡衣时间”，问诊时间几乎没变，也难以接待更多病人并增加收入。但是，Abridge 能提升诊疗、护理的准确性和质量，并显著改善医生工作生活质量，防止因职业倦怠导致医生流失带来的高昂隐性成本，并减少因诉讼、赔付带来的损失。因此，客户仍有较强动机购买此类产品。

　　Abridge 表示，近两年医院客户开始一反常态，快速购买他们的产品。自 2024 年初以来，几乎每周都会宣布一个新的医疗系统客户。2024年2月，公司宣布与康涅狄格州规模最大、最全面的医疗保健系统耶鲁纽黑文达成协议，使数千名临床医生开始使用 Abridge。其他大型客户还包括 Emory Healthcare，社区医疗系统 Reid Health 等。

　　虽然医生个体角度的切换和培训成本较低，但企业层面仍有较大粘性。医疗 SaaS 一旦签订正式合同，期限就在2-3年左右，不会轻易被更换。Abridge 前期的积累使其占据了有利的客户基础和市场地位，目前已经进入收入确定性较高的快速增长期。

　　Abridge 成立于2018年3月，创始人兼 CEO 是 Shivdev Rao 博士，是一名执业心脏病医生，本科毕业于 CMU，此后在匹兹堡大学医学中心（UPMC）的心脏和血管研究所担任教授，对医生的工作习惯有着深刻理解。在丰富的临床医疗经验之外，他兼有创业背景，曾创立 DocDok 和 Litcall 等几家公司，同时也在 UPMC 的创新、商业化和风险投资部门担任执行副总裁，投资医疗科技初创企业。而 CTO Zachary Lipton 负责公司的机器学习方面，同时在 CMU 担任教授。

　　首席商业官 Brian Wilson 有 20 余年的商务拓展经验，近 10 年来主要在纳什维尔的 SaaS 和医疗公司负责销售，曾在短信营销平台 SlickText 担任 3 年 CRO ；而首席临床官 Tina Shah 是美国多个医疗领域委员会内的专家，曾任美国卫生局局长办公室高级顾问，也是白宫研究员基金会董事成员，能为公司拓展客户关系提供背书。

　　与其他侧重市场销售的同类公司不同，Abridge 的领导更专注于搭建团队和更新技术，根据 Linkedin 不完全统计，技术类与销售类员工的占比约为 2:1 ，凸显了团队对于技术的重视。

　　商业化方面，公司的企业拓展总监均有其他医疗 SaaS 类或竞品企业工作经验，对东部 (NY) /西部 (CA) /中部 (IL, TN) /南部 (TX) 地区均有覆盖。在今年结束新一轮融资后，公司还招聘了一批有多年Epic工作经历的员工担任合作成功总监。营销/增长总监在谷歌拥有 10 年左右的营销经验，曾帮助推动 Drive、Workspace、Android 等产品的增长。

　　团队在 EHR 和医疗企业的丰厚经验，及地理分布上的广度有助于在全美范围内拓展医疗系统客户，并保证顺利将产品集成到工作流程中。

　　在 GenAI 席卷全球并吸引风投之前的 2019 年，当创始人向ｕｎｉｏｎSquare Ventures (USV) 介绍 Abridge 利用 AI 辅助医生文档记录的想法时，Andy Weissman 表示 “这个想法相当古怪，之前没有人这样做过。” 然而，客户和投资人非常欣赏CEO 本身的医疗背景和务实精神，创始团队的 CMU 背景也使他们信赖公司在 AI 方面的实力。Abridge 就这样拿到了自己的第一轮融资。

　　团队“医疗+ML”的复合背景，在后续的融资中也在持续发挥作用，相对 Ambience、Suki 等竞品以软件开发背景为主的创始团队，投资者相信 Abridge 创始人的医疗经验能让团队更加理解用户需求，从根本上提高产品能力。

　　2024年10月，根据 The Information 消息，Abridge 正在筹集2.5 亿美元。科技投资者 Elad Gil 和 IVP 将领投这笔投资，Alphabet 的 CapitalG 基金预计也将参投。据报道，该轮融资估值将达到 25 亿美元，相对目前 5000 万美元的 ARR，P/S 已达到 50x，而相比一年前 2 亿美元的 B 轮估值则翻了12.5倍。公司表示，部分资金将用于开发新的 AI 模型，以及尚未发布的新产品。

　　GenAI 应用开始落地后，涌现出 Abridge, Augmedix, DeepScribe, Nabla, Suki, Ambience 等一系列产品，能以前所未有的准确性和速度生成文档，并自动集成至 EHR 工作流中。各家产品的价值主张整体方向是相似的，都是通过听写并生成临床文档，解决当时 Dragon 无法解决的医生“睡衣时间”问题，主要区别在于实际的产品力细节、定价和企业销售能力。市场空间除了医疗系统内替换 Dragon 等产品的存量需求，还可以对长尾市场中高度分散、采用手动记录的小诊所进行销售。

　　然而，AI Scribe 公司挑战传统巨头时仍然面临阻力。Nuance 在 2021 年 4 月被微软以 197 亿美元巨资收购，并嵌入微软医疗云。由于微软的支持和已有的市场基础，Nuance 仍在技术和商务上保持着深厚的护城河，公司有着强大的捆绑销售能力，在医疗企业内很难被完全替换。

　　为了应对竞争，Nuance 在 2023 年 2 月推出了基于 GPT-4 的语音 AI 应用DAX Copilot（发布时名为 DAX Express）。DAX Copilot 是在 Nuance 2020 年发布的 DAX 基础上进行升级的，此前，DAX 通过自动语音识别和人工审查将口头问诊转换为临床记录，但是整个过程需要耗费 4 个小时。而 DAX Copilot 仅在几秒内就能够生成文档，并允许医生随时编辑临床笔记，虽然相比含人工的 DAX 完整解决方案个性化程度较低，但定价仅为全套的 1/3 左右。

　　DAX Copilot 基于1200万个左右的诊疗数据集进行训练，是 Abridge 训练规模的 6-8 倍，理论上有着更高的准确率。但大多数同时采用几项产品的客户表示，各个竞品的准确率在实际使用中区别并不显著，最终都需要一定程度的人工校对。

　　在成本方面，DAX 价格较高，对于 500 人左右的组织，每年 DAX 完整方案收费约为 1000 万美元左右，折合每月每人 1600 美元左右；DAX Copilot 成本也达到每月每人 400-600 美元。而 Abridge 则为每月每人 250-350 美元，对初级保健和非专科领域尤为经济。

　　除 Nuance 之外，初创公司竞争者各有侧重，其中有着鲜明性价比优势的一家产品是 Nabla，仅需每月每人 100-150 美元，笔记生成时间仅为 12-15 秒，客户可以接受牺牲一定的准确率来换取成本的大幅节省。从客户反馈来看，目前 Abridge 仍然领先其他初创公司一个身位，市场不存在明显的第三名。

　　各个产品的另一大显著区别在于与哪些 EHR 集成，以及整合程度。多名使用 Epic 的客户表示，与 EHR 的无缝集成是 Abridge 最令人印象深刻的亮点。这一因素看似壁垒不高，实际背后暗示着 Abridge 与 Epic 高度紧密的关系。客户反映，Abridge 和 Epic 的合作关系是随着时间的推移慢慢建立起来的，其他新进入者难以挑战。而尽管其他竞品集成的系统数量更多，或宣称与 EHR 的深度集成，但可能仅限于 API 接口的表面集成，在使用体感上依然存在学习成本，没有达到无缝程度。

　　综上所述，Abridge 在技术上实现了足够的专业度和准确性，在与 EHR 的集成上也占据了较好位置，但未达到断层领先或足以垄断的程度，由于文档最终存储于 EHR 系统中，作为插件也并不具备数据粘性。在医疗 AI Scribe 的竞争中，Abridge 所构建起的壁垒更多在于已有的 GTM 成就。相比其他初创公司，Abridge 熬过了漫长的销售周期，从占领用户心智开始，稳固了一定的企业端份额；有望通过锁定和飞轮效应，进一步扩展客户网络。然而，由于客户往往不只使用一个供应商，想要发展为市场寡头，还需继续关注公司未来如何从产品条线、EHR 集成、定价、商务等方面创造相对 Nuance 的差异化优势，并保持领先于其他初创公司的地位。AG真人国际