美國首個AI自主開處方獲批，外科醫生+技術大神4000萬美元賭對了什么？

你有沒有經歷過這樣的時刻：凌晨兩點突然發燒，不知道該怎么辦？或者慢性病藥物快吃完了，但預約醫生要等上一個月？又或者只是想咨詢一個簡單的健康問題，卻不得不請假去醫院排隊幾個小時？這些場景背后指向同一個問題：醫療可及性。在美國，超過1億人無法便捷地獲得初級醫療服務。即使是那些擁有頂級醫療保險的科技公司員工，也常常在需要時找不到合適的醫生。

我一直在思考，為什么在這個時代，我們可以通過手機叫外賣、打車、看電影，卻無法在需要時立即獲得醫療建議？為什么醫療行業在數字化轉型方面如此緩慢？直到我深入了解了 Doctronic，這家剛剛完成 4000 萬美元 B 輪融資的 AI 醫療創業公司，我才意識到，醫療可及性的革命可能真的要來了。更令人震撼的是，Doctronic 在今年一月成為美國第一個獲得監管批準、可以用 AI 自主開具處方的公司。這不是概念驗證，不是實驗室演示，而是真實世界中每天都在發生的醫療實踐。

醫療可及性危機的本質

讓我先說說這個問題到底有多嚴重。美國每年因為藥物依從性問題導致約 15 萬人可預防的死亡，造成 1000 億美元的經濟損失。其中 30% 直接歸因于就醫障礙。這個數字聽起來很抽象，但想象一下，一個患有高膽固醇的病人，他的藥物續配需要預約醫生，但最快的預約要等三周。在等待期間，他停藥了，膽固醇升高，最終導致心臟病發作。這樣的悲劇每天都在發生，而它們本可以避免。

我認識很多在蘋果、谷歌、Meta 這些科技巨頭工作的朋友。他們都有很好的醫療保險，但即使如此，當他們半夜有健康問題時，仍然不知道該怎么辦。我有個朋友的妻子是醫生，所以半夜總有人打電話給他，讓他轉問妻子醫療問題。這種情況非常普遍。不是每個人都認識醫生，不是每個人都能在需要時立即獲得專業建議。如果連擁有頂級醫保的人都面臨這樣的困境，那么生活在農村地區、醫院不斷關閉的人們，面臨的困難可想而知。

問題的核心在于供需失衡。醫生數量永遠無法滿足患者需求。這是一個基本的數學問題。想象一下，每個醫生一天最多能看 30 個病人，那么要服務全國幾億人口，需要多少醫生？更重要的是，醫生的培養周期長達十年以上，無法快速擴張。所以這個供需矛盾永遠無法通過傳統方式解決。我們必須找到新的解決方案，而 AI 正是那個答案。

Doctronic 的創新之處

Doctronic 的創始團隊配置非常有意思。Matt Pavelle 是一位連續創業者，有 25 年的創業經驗和多次成功退出記錄。他曾是消費品獨角獸公司 Moda Operandi 的創始 CTO，來自醫療世家，對醫療行業有深刻理解。Dr. Adam Oskowitz 是加州大學舊金山分校的執業血管外科醫生，也是副教授，在頂級醫療機構有超過二十年的從業經驗。這種技術與臨床的完美結合，讓 Doctronic 從一開始就避免了很多醫療科技創業公司常犯的錯誤。

他們兩人的相識很有意思。大約六七年前，他們都在為同一家醫療科技初創公司提供咨詢。認識兩周后，一個投資人告訴 Matt，那家公司在股權結構上撒謊，建議他們趕緊撤出。Matt 立即給 Adam 打電話說明情況，并提議:"我覺得跟你合作很愉快，我們要不要一起在醫療科技領域做點什么?" 就這樣，他們開始了長達兩三年的合作探索期，在正式創立 Doctronic 之前，嘗試了各種產品，深入理解消費者在醫療領域真正想要什么。

這段探索期讓他們得出了一個核心洞察:在醫療領域，患者只有一個問題，那就是可及性。如何在正確的時間獲得正確的醫療服務。如果能把這個問題解決好，就能建立一個不可思議的業務。所有其他問題，包括技術架構、商業模式、產品設計，都要圍繞這個核心問題展開。這個認知聽起來簡單，但能夠堅持圍繞它構建產品，并不容易。

Doctronic 的產品理念是成為醫療系統的"數字前門"。這個比喻非常形象。想象一下，當你有健康問題時，不管是凌晨兩點還是上午十點，不管是緊急情況還是常規咨詢，你都能立即"走進"醫療系統，獲得幫助。這就是數字前門的含義。大多數人不知道如何接觸醫療系統，不知道該去急診室還是找初級保健醫生，不知道這個癥狀嚴重到什么程度。而 Doctronic 就是那扇始終敞開的門，隨時歡迎你進入，并幫你找到需要的醫療服務。

技術架構的深度

當 GPT-3.5 剛出來的時候，Matt 和 Adam 開始研究一個問題:能不能讓 AI 在醫療領域足夠準確？如果可以，人們會愿意用 AI 問診嗎？這在當時是個完全未知的問題。事實上，OpenAI 明確禁止用戶使用 ChatGPT 詢問健康問題。所以這既是技術挑戰，也是用戶接受度的挑戰。

他們決定先做最簡單的 MVP 來驗證。Matt 用 Python 搭建了后端，前端則做得非常簡陋，就像普通的聊天機器人界面。但所有的魔法都在后臺。他們把重點放在兩件事上:準確性和成本控制。必須確保 AI 給出的建議是安全準確的，同時不能因為大量使用 OpenAI 或 Anthropic 的 token 而燒光預算。有趣的是，他們發現在醫療這種完全關乎實用性的領域，界面美不美根本不重要。用戶只關心一件事:這個工具能不能幫我解決問題。

他們在 Google Ads 上投了一點錢，很快就看到了流量和重復使用。這證明了產品市場契合度。有個故事很能說明問題:早期由于流量增長太快，Matt 在 AWS 上設置的基礎服務器日志把磁盤占滿了，網站宕機。有個用戶在 LinkedIn 上找到他們說:"你們的網站掛了，我每天都用，能修好嗎?" Matt 當時想，這人怎么找到我的？但這正是產品粘性的最好證明。還有個大學的護士站，會在學生面前登錄 Doctronic 填寫問診表單，然后把 AI 生成的記錄復制到病歷系統中交給醫生。他們問 Doctronic 能不能直接對接電子病歷系統。這種用戶自發的創造性使用，就是真正的產品市場契合。

在技術層面，Doctronic 的核心是多 agent 架構。這個架構的設計非常巧妙。醫生看病時是怎么確保自己做出正確決策的？他們會查閱臨床指南。醫生不會記住所有東西，但會有個大致框架，遇到不熟悉的情況就去查資料。Doctronic 的系統本質上就是模擬這個過程。它會查閱臨床指南，確保在正確的時間做正確的事。

但臨床指南的問題在于，它們不是為 AI 消化設計的。所以 Doctronic 團隊花了好幾個月時間，把這些指南重新整理成機器可讀的格式。機器和人類的閱讀方式完全不同。機器可以更快地閱讀和處理大量上下文，但需要以特定方式組織信息，才能在正確的時間提取正確的內容。這就是他們的秘密武器之一:創建了機器可讀的臨床指南庫，并建立了讓 agent 在正確時機找到它們的結構化方法。

多 agent 架構的另一個好處是，它允許系統使用不同的模型來處理不同類型的問題。早期，每個大語言模型的上下文窗口都很小，所以必須用多個專門的模型，每個處理流程中的一小部分，然后總結并傳遞給下一個。后來他們發現這就是所謂的"agentic flows"。當時還沒有這個術語，他們只是在解決實際問題。隨著流量增加，他們開始測量不同模型在回答不同類型問題時的表現，然后把最適合的模型作為各個 agent 的基礎。這種精細化的模型選擇，加上 Adam 這樣的臨床醫生編寫的指南，共同保證了系統的準確性。

準確性有多重要？Doctronic 發布了一項基于 500 個真實緊急護理病例的研究。結果顯示，Doctronic 和醫生在主要診斷上的一致性達到 81%，在治療方案上的一致性達到 99.2%，而且零幻覺。在不一致的病例中，Doctronic 的 AI 被認為優于醫生的頻率是醫生優于 AI 的四倍。要知道，基礎大語言模型在臨床準確性上通常只有 50-55% 的水平，根本達不到醫療應用的門檻。Doctronic 能達到 99.2% 的一致性，這個數字令人震撼。

監管突破的意義

技術再好，如果無法通過監管，也只能停留在演示階段。這正是很多醫療 AI 創業公司面臨的困境。大家都知道 AI 終將進入臨床醫學，但監管這道關似乎無法逾越。很多公司試圖一步到位，讓 AI 成為完整的醫生。Doctronic 的策略則聰明得多:從最小的一步開始。

他們選擇了處方續配這個場景。為什么？因為這是個巨大的問題，同時風險相對可控。每年 15 萬可預防死亡中，很大一部分是因為患者無法及時續配慢性病藥物。高膽固醇患者不吃藥，膽固醇就會升高，導致嚴重后果。而續配處方的風險比開新處方低得多:醫生已經開過這個藥，患者已經在服用，任何副作用都已經顯現。AI 只需要判斷是否可以安全續配，而不是從零開始診斷和開藥。

猶他州有個專門針對 AI 的監管沙盒，叫做 Utah AI Learning Lab。在發表那篇研究論文后不久，Doctronic 團隊與實驗室主任 Dr. Zack Boyd 通了電話。他們說:"美國有個大問題，就是藥物依從性。我們有個臨床準確率達 99.2% 的 AI，我們相信可以安全地讓它續配處方。我們不想開新處方，不想更改現有處方，只想從這個簡單但影響巨大的場景開始。" 猶他州是個大州，有大量農村人口，這個問題對他們影響尤其嚴重。所有因素都完美契合。

Adam 說得好:這是人類的一小步，但卻是 AI 醫療的一大步。雖然只是續配處方這么簡單的事，但它打破了一個玻璃天花板——AI 可以做出臨床決策。通過選擇一個小而低風險的切入點，他們證明了 AI 在醫療領域的可行性。而且不續藥本身也是一種風險。如果我停止服用降膽固醇藥物，膽固醇會升高，這同樣會帶來健康問題。

項目在一月啟動后，反饋非常好。用戶說，這感覺像個里程碑時刻，就像第一次坐 Uber 時的感覺:"我再也不會打出租車了。" 整個過程零摩擦，可以在家完成，非常方便。更重要的是，數據顯示這比醫生續配處方更嚴格。想想看，醫生晚上五點收到續配請求郵件時，根本沒時間仔細檢查每個細節。但 AI 有時間，它會非常徹底地檢查每一項。

目前他們仍處于第一階段，每張 AI 開的處方都會由真人醫生審核，確保安全。醫生們的反饋是:"AI 比我能做到的更徹底。即使我想這么仔細，也要花 20 分鐘續一張處方。" 他們還看到了 AI 的判斷力:有的患者已經用系統續配了五種不同的藥物，每次 AI 都做得完美。同時，AI 也會在不確定時說"不"，建議患者聯系真人醫生。因為 Doctronic 有 24/7 在線的真人醫生網絡，如果 AI 拒絕了，患者仍然可以立即獲得人工幫助。

真人醫生網絡的價值

很多人可能以為 Doctronic 是純 AI 公司，但實際上他們建立了一個非常強大的真人醫生網絡。這個設計很聰明。雖然他們的初衷是為患者而非醫院或醫生構建產品，但最終他們也解決了醫生的問題。醫生花大量時間在問診、收集數據、記錄信息上，這些都擠占了真正看著患者眼睛、與他們交流的時間。

Doctronic 的工作流程是這樣的:患者先和 AI 聊大約 15 分鐘，這是平均時長。AI 會給出診斷建議、治療方案和完整的醫生記錄，這一切都是免費的，不需要提供郵箱或任何個人信息。如果患者想看真人醫生，所有這些信息都會傳給醫生。醫生們說這就像有世界上最好的住院總醫師提前看過每個患者，做好了所有初步工作。醫生只需要最后把關，確保一切正確，并回答患者真正關心的問題:下一步怎么辦，藥物有什么副作用，多久能見效。這些才是患者真正想討論的，但在傳統模式下醫生常常沒時間細聊。

這種模式的效率非常高。醫生可以看更多患者，這降低了醫療成本。要知道，醫療成本高最主要的原因就是人力成本。通過提高醫生效率，可以大幅降低每次就診的成本。在猶他州的試點項目中，續配處方目前是免費的，但他們獲得了最高可收取 4 美元的許可。可能最終只收 2 美元，而且隨著計算成本下降，價格還會繼續降低。想想看，你開車去看醫生的油費都不止這個數。

Doctronic 的醫生團隊質量很高。他們招聘的是最好的醫生，包括來自微軟和谷歌的資深 AI 工程師。首席 AI 官 Anirudh Badam 在微軟西雅圖總部有超過十年的 AI/ML 經驗。創始 AI 工程師 Vijay Sagar 在谷歌硅谷辦公室開發機器學習模型十年。這種技術實力加上 Adam 這樣的臨床專家，讓他們能在準確性和實用性之間找到完美平衡。

患者會反復回來，不僅因為 AI 準確，更因為真人醫生優秀。重復使用率的增長幾乎和新用戶增長一樣快。這意味著有兩個增長引擎同時運轉。SEO 帶來新用戶，他們在搜索"AI doctor"時排名第一已經兩年了。但更重要的是，患者因為體驗好而自發回來，不需要任何營銷推動。這才是真正的產品力。

從 A 輪到 B 輪的超高速增長

Doctronic 的增長速度令人震撼。2025 年夏末，當 Lightspeed 投資 A 輪時，他們已經完成了 1200 萬次 lifetime 患者咨詢。這個數字本身就很驚人，而且在加速增長。不到六個月后，這個數字就翻了一倍還多，達到 2000 多萬次。更重要的是，增長還在繼續加速。

增長的核心驅動力是什么？Adam 說得很直白:醫生永遠不夠。這是個簡單但殘酷的事實。需求是無限的，供給永遠跟不上。想想看，我們有多少次遇到健康問題卻選擇不去看醫生，因為太麻煩了？這就意味著有巨大的潛在需求沒有被滿足。當你創造一個零摩擦的系統來滿足這種無限需求時，增長是必然的。

但快速增長也帶來了挑戰。他們不得不在業務增長的同時快速建設基礎設施來服務患者。這非常困難，就像在飛行中修理飛機。不僅要構建 AI 咨詢的基礎設施，還要建設診所的基礎設施。八月剛啟動診所時，他們每天看一定數量的患者。現在，他們比美國最繁忙的急診室還要忙，每天看的患者更多，但醫生數量可能只有十分之一。這就是超高速增長的體現:從小診所到全國最繁忙的虛擬診所，只用了幾個月。

數據很能說明問題。患者咨詢量翻倍，收入在六個月內增長了 15 倍，重復就診在單周內的占比增長了三倍多。這最后一個指標特別有意思。人們通常只在有嚴重問題或年度體檢時才去看醫生。但 Doctronic 的用戶行為完全不同，他們會主動頻繁地使用服務。

為什么會這樣？我認為有幾個原因。可及性是第一位的，超級容易使用，醫療不應該這么難。成本是第二因素，AI 咨詢免費，真人醫生因為效率高所以價格低，人們更愿意為那些原本不會看醫生的小問題尋求幫助。但最重要的是信任。如果你信任這個系統，信任你看的醫生，你就會回來。信任來自臨床準確性。用過 ChatGPT 健康功能的人知道，它可以告訴你該吃泰諾還是布洛芬，但你得付費，而且準確性存疑。Doctronic 既免費又準確，用戶很快就能感受到區別。

還有一個復利優勢:上下文記憶。每次互動都在積累你的健康歷史，系統越來越了解你，就像你多年看同一個初級保健醫生一樣。這不僅讓體驗更好，也更快。用戶想要速度，不想花 15 分鐘跟 AI 聊天，可能只想聊兩分鐘就得到答案。如果系統已經了解你的全部病史，就能做到這點。而且這種上下文不僅包括健康歷史，還包括你的行為:你在哪里配藥，在哪里做檢查，喜歡看哪種專科醫生。這些信息讓系統變得非常黏性。

AI 原生醫療的未來

Matt 有個很有意思的做法:他用 Claude 創建了一個虛擬 C-suite。他有虛擬 CMO(首席醫療官)、虛擬 CMO(首席營銷官)、虛擬 CTO(首席技術官)，甚至有個合并的虛擬 CFO 和 CLO(首席法務官)。他為每個角色構建了大量上下文，參考了他尊重的公司和人員，然后把所有關于 Doctronic 的信息都輸入進去。現在通過 Claude 連接了 Slack 和各種工作區工具，他可以隨時咨詢這些虛擬高管。他說這可能節省了一半的法律賬單。

這不僅僅是個人生產力工具，而是公司文化的體現。Doctronic 從第一天起就是 AI 原生的，不僅產品是 AI 驅動，運營的每個環節都在用 AI。從 SEO 到生成著陸頁，從內部工具到客戶支持，AI 無處不在。很多公司說自己是"AI 原生"，但 Doctronic 真正做到了讓 AI 滲透到組織的每個毛孔。員工生產力幾乎可以用 token 使用量來衡量了。

這種 AI 優先的文化讓他們能以極小的團隊做極大的事。內部工具開發速度飛快，因為很多時候只需要"夠用"就行，可以快速用 AI 構建出來測試。這種敏捷性在醫療這種傳統上非常笨重的行業里，是巨大的競爭優勢。

展望五年后，我相信 AI 原生醫療會變成主流。Adam 說得好:他的孩子們可能會覺得很奇怪，我們竟然用真人作為初級保健醫生。他們會說:"為什么要這樣?很多事情 AI 就能做。" 問題只是我們多快能到達那里。很多醫療是算法化的，可能 70-80% 的醫學實踐是基于指南和算法的。AI 在遵循規則方面比人類強得多，醫生也是人，也會有自己的習慣模式，有時會偏離指南。AI 則會嚴格遵循最佳實踐。

但這不是說要取代醫生。數學問題決定了我們永遠不會有足夠的醫生滿足所有患者需求。我們需要技術來填補這個缺口。AI 會接管那些算法化、可標準化的部分，讓醫生能專注于真正需要人類判斷、同理心和創造力的復雜案例。這才是 AI 和人類醫生的理想分工。

Doctronic 正在為這個未來鋪路。他們的策略很清晰:從小處著手，逐步擴大 AI 的自主權。現在可以自主續配處方，未來可能可以自主處理更多場景。每當新的醫療場景對自主 AI agent 開放，他們就會把那部分流程剝離出來，讓系統更高效，成本更低。這是個漸進的過程，但方向很明確。

商業模式的演進

從商業角度看，Doctronic 的機會非常大。他們不僅有快速增長的 B2C 業務，B2B 渠道合作也在快速推進。A 輪時，B2B 還被視為長期機會。但短短幾個月后的 B 輪，這個時間表已經大大提前。他們正在與醫療系統、TPA、保險公司、雇主、制藥公司、消費數字健康公司等各類合作伙伴洽談。

醫療系統對他們特別感興趣，因為 Doctronic 可以作為"數字前門"引流。患者先通過 Doctronic 進入系統，然后可以被高效地分流到合適的醫療服務提供者，保持護理在網絡內。對保險公司來說，Doctronic 代表著可預測成本下的無限初級醫療服務。這種價值主張在市場上是獨特的。

Matt 和 Adam 都注意到，醫療系統對 AI 的態度變化非常快。六個月前，大家還在說"這很有意思，我們在考慮，正在組建委員會"。三個月后變成了"我們要做這個"。現在的對話則是"火車已經開了，我們必須趕上"。有種 FOMO 的感覺，害怕錯過這波 AI 浪潮。

這種態度轉變的速度令人震撼。我覺得 Doctronic 在猶他州的監管突破起了關鍵作用。它證明了 AI 可以安全地做出臨床決策，不再是假設而是現實。這讓整個行業的討論從"是否可能"轉向了"如何實施"。

Doctronic 今年的目標是讓 B2B 合作伙伴貢獻大約一半的流量。目前他們每周有約 25 萬人訪問網站，幾乎全部來自直接面向消費者的渠道。隨著各種合作伙伴關系的啟動，這個比例會快速改變。他們也在準備國際擴張，醫療可及性問題在全球各地都存在。

我對 AI 醫療的思考

看完 Doctronic 的故事，我對 AI 在醫療領域的應用有了更深的理解。技術突破很重要，但更重要的是找到正確的切入點。不是試圖一步到位替代醫生，而是從解決具體問題開始，從風險可控的場景開始，逐步建立信任和證據。

醫療行業的特殊性在于，它同時需要創新和極度謹慎。一方面，創新可以拯救生命，改善億萬人的健康;另一方面，任何失誤都可能造成傷害。Doctronic 的做法給出了一個很好的范例:用扎實的臨床證據支撐，從低風險高影響的場景切入，保持人類醫生的監督，逐步擴大自主權。

我也看到了 AI 原生公司的真正含義。不是在現有業務上貼個 AI 標簽，而是從根本上用 AI 重新思考業務的每個環節。從產品到運營，從客戶服務到內部工具，AI 無處不在。這種深度整合才能釋放 AI 的真正潛力。

最后，我相信醫療可及性革命真的要來了。當一個普通人可以隨時隨地獲得準確的醫療建議，當慢性病患者不再因為續配處方的麻煩而中斷治療，當醫生可以把時間花在真正需要人類智慧的復雜病例上，而不是重復性工作上，整個醫療系統的效率和質量都會大幅提升。Doctronic 已經證明了這條路是可行的，4000 萬美元的 B 輪融資只是這場革命的開始。

結尾

也歡迎大家留言討論，分享你的觀點！

覺得內容不錯的朋友能夠幫忙右下角點個贊，分享一下。您的每次分享，都是在激勵我不斷產出更好的內容。

歡迎關注深思圈，一起探索更大的世界。