美国医生月活跃用户
美国执业医生使用率
从零到大规模普及
产品概述
OpenEvidence是一款专为医生设计的AI决策支持工具，被用户视为"AI副驾驶"，旨在帮助医生应对医学知识爆炸式增长和临床信息过载的挑战。该产品在美国医生群体中实现了快速普及，目前已有超过10万名医生每月使用，约占全美执业医生的10-25%。
与传统医疗软件不同，OpenEvidence采用了面向消费者的策略，直接提供给医生使用，无需经过医院系统的复杂采购流程。产品免费开放，通过医生之间的口碑传播实现了病毒式增长，这在医疗领域是极为罕见的扩张速度。
创始人Daniel Nadler将其描述为"Tesla式的口碑网络效应"：做一个足够优秀的产品，让用户主动告诉其他人。这种策略使OpenEvidence在短短一年内，从几乎零用户增长到覆盖美国10-25%的执业医生。
解决的核心问题
- 医学知识每5年翻一番，医生难以跟进最新研究
- 多学科交叉的复杂病例需要综合多领域专业知识
- 传统搜索工具难以找到深藏在医学文献中的特定信息
- 医生毕业后所学知识迅速过时，需要持续更新
价值主张
- 帮助医生快速获取最新、最相关的医学证据
- 提供高度准确的跨学科医学信息，支持复杂临床决策
- 为医生处理罕见和边缘病例提供支持
- 民主化获取高质量医学信息，惠及所有医生而非仅限大型医疗机构
产品特点
高质量数据来源
仅基于同行评审的医学文献训练，包括与《新英格兰医学杂志》等顶级期刊的独家合作数据，确保信息的权威性和准确性。
信息可追溯性
所有回答都提供明确的参考文献来源，医生可以追溯到具体的医学期刊文章，增强临床决策的可靠性和信任度。
无互联网连接训练
模型不与公共互联网连接，避免了来自健康博客和社交媒体等非专业来源的不准确信息，显著降低了AI幻觉风险。
临床应用案例：银屑病合并多发性硬化症
临床挑战
皮肤科医生面临治疗同时患有银屑病和多发性硬化症(MS)患者的困境：需要在不加重MS的情况下有效治疗银屑病。
传统方法需要医生查阅多个专业领域的最新研究，这些信息通常深埋在长篇论文中，难以快速获取。
OpenEvidence解决方案
医生可直接查询："对于同时患有银屑病和多发性硬化症的患者，IL-17抑制剂相比IL-23抑制剂的安全性如何？"
系统迅速提供基于最新医学文献的答案：对于这类患者，IL-23抑制剂在安全性方面优于IL-17抑制剂，同时提供具体参考文献。
临床价值
OpenEvidence帮助医生快速获取关键信息，避免了可能导致MS恶化的治疗决策，同时有效治疗银屑病，直接改善患者的生活质量和疾病预后。
长尾知识检索的价值
"医生们经常这样跟我们反馈：'我用它查询了一个在我整个职业生涯中可能就遇到一两次的病例。'有趣的是，同一个医生会一次又一次地这样说，每次都是关于不同的罕见病例。这正好体现了OpenEvidence的本质作用。"
技术架构
技术路线与创新
OpenEvidence在2022年初创时就采取了与主流不同的技术路线。当时行业普遍追求更大规模的通用语言模型，而OpenEvidence团队选择开发小型专业化模型，专注于医疗领域的精准性。这一决策被后来的研究证明是正确的，其论文"Do we still need clinical language models"获得了2023年机器学习和医疗保健领域会议的最佳论文奖。
创始人Daniel Nadler将大语言模型比喻为对世界的"JPEG压缩"，而OpenEvidence则是专门对医学领域进行的高质量压缩，确保在医疗这一关键领域的准确性和可靠性。
核心技术架构
集成模型架构
- 多个专业模型协同工作，各自负责不同任务
- 专门的检索模型和排序模型，优化医学文献查询效率
- 基于同行评议医学文献的专业化训练
- 完全可追溯的信息来源机制
数据来源策略
- FDA和CDC等政府机构的公共领域医学文献
- 与新英格兰医学杂志(NEJM)的独家合作内容
- 其他顶级医学期刊和学会指南
- 完全排除公共互联网、健康博客和社交媒体内容
技术团队
OpenEvidence由顶级AI科学家和工程师团队开发，包括来自哈佛和MIT的NLP和机器学习专家：
-
Zachary Ziegler
哈佛Alexander Rush NLP实验室
-
Evan Hubinger
MIT Jacob Andreas实验室
-
Eric Lehman
MIT
"如果你让IQ很高、学习速度很快的人来解决非常困难的问题，他们的进展速度会比一个普通的100人团队快得多。"
— Daniel Nadler
降低AI幻觉的技术方法
数据隔离
完全隔离公共互联网数据，确保模型只基于经过验证的医学文献进行训练，从源头上防止不准确信息进入系统。
信息可追溯
为每一条回答提供具体的参考文献来源，使医生能够验证信息准确性，增强临床决策的可靠性。
专业化模型
使用专门针对医疗领域训练的小型模型，而非通用大模型，提高在特定领域的准确性。
集成架构
多个专业模型协同工作，各自负责不同任务，通过互相验证提高整体准确性。
商业模式
创新的市场进入策略
OpenEvidence颠覆了传统医疗软件的销售模式，放弃了面向医院系统的企业级SaaS销售方式，而是采用了直接面向医生的免费产品策略。
传统医疗软件销售通常需要经过医院系统的漫长采购流程，包括多次会议、AI委员会审核、预算审批等，整个过程可能需要1-2年时间，而且结果不确定。
OpenEvidence将医生视为专业消费者，直接在App Store提供免费产品，依靠产品质量和用户体验驱动增长，实现了医疗行业罕见的快速普及。
开放(Open)的多重含义
产品名称中的"Open"不仅反映了其开放获取的性质，更体现了其普惠医疗的理念：
- 向所有医生开放，不通过机构或系统看门人
- 免费使用，消除经济障碍
- 惠及资源有限的社区医生和小型诊所
- 缩小医疗资源不平等差距
战略合作伙伴关系
OpenEvidence与《新英格兰医学杂志》(NEJM)建立了独家战略合作关系，这在医疗AI领域是前所未有的。这一合作的独特之处在于其诞生方式：
- NEJM编辑部高层成为OpenEvidence的重度用户
- 他们主动联系OpenEvidence寻求合作
- 合作框架重视NEJM品牌纯粹性和学术价值
- OpenEvidence获得使用NEJM全文进行训练的独家权限
与医学出版商的互利模式
OpenEvidence无意中创造了与医学出版商的良性合作关系：
- 为医学期刊带来数千万的访问量
- 引导医生访问他们原本不会查阅的期刊
- 医学学会主动要求收录其指南
- 内容提供方获得曝光，用户获得高质量信息
普惠医疗实例
佐治亚州奥尔巴尼
社区肿瘤科医生报告OpenEvidence显著改善了其临床决策能力，为当地患者提供了更好的治疗方案。
- • 当地75%人口为非裔美国人
- • 家庭年收入中位数仅43,000美元
- • 区域内肿瘤科医生极为稀缺
阿拉斯加费尔班克斯
偏远地区女医生使用OpenEvidence获取专科级别的医学知识，弥补当地专科医生资源不足的问题。
- • 地理位置偏远，医疗资源有限
- • 难以获得专科医生支持
- • 社区诊所无力负担昂贵医疗软件
这些案例展示了OpenEvidence如何通过其开放模式，将高质量医疗决策支持工具带给传统上被忽视的医疗服务提供者，从而间接改善了医疗资源分配不均的问题。
市场影响
迅速普及与用户增长
OpenEvidence在短短一年内实现了从几乎零用户到覆盖美国10-25%执业医生的爆炸式增长，这在医疗软件领域是极为罕见的。每月约有10万名医生使用该产品，系统每月有30-40万活跃用户。
这种快速普及主要依靠医生之间的口碑传播，没有依赖大规模营销活动或传统的医院系统销售渠道，验证了其"做一个足够优秀的产品，它就会自己传播"的理念。
月活跃医生用户
月活跃系统用户
美国执业医生使用率
临床影响与生命拯救
虽然难以精确量化，但OpenEvidence通过帮助医生做出更好的临床决策，已经在实际应用中拯救了生命并改善了患者预后：
- 罗德岛医生使用OpenEvidence识别肺栓塞症状，及时将患者送回急诊室救治
- 皮肤科医生避免使用可能导致多发性硬化症恶化的药物
- 军事医疗系统(VA)医生在治疗现场为受伤军人做出即时治疗决策
据估计，美国每年因医疗失误死亡的人数在30万到80万之间。如果OpenEvidence能够帮助减少一部分这类医疗失误，预计在2030年代可能达到拯救100万人生命的里程碑。
医疗资源民主化
OpenEvidence的免费开放模式对医疗资源分配产生了积极影响：
- 为经济欠发达地区的医生提供先进工具，缩小医疗资源差距
- 使小型社区诊所能够获得过去只有大型医院才能负担的决策支持
- 绕过传统的医院采购流程，加速创新技术的临床应用
- 在偏远地区弥补专科医生不足的问题
"OpenEvidence让医生能够在没有专科医生直接支持的情况下，获取专科级别的医学知识...这让我每天醒来都充满干劲。这就是'open'的含义。"
— Daniel Nadler
行业变革的标志性案例
OpenEvidence代表了医疗软件行业的范式转变，证明了直接面向医生的消费者模式可以在医疗领域取得成功。其成功挑战了"医疗行业难以进入"的传统观念，为其他医疗创新企业开辟了新的市场路径。
通过专注于实际临床需求并提供无摩擦的用户体验，OpenEvidence展示了高质量产品如何在不依赖传统销售渠道的情况下实现大规模采用，为医疗AI应用设立了新标准。
未来展望
个性化医疗的愿景
OpenEvidence创始人Daniel Nadler对医疗AI未来的愿景集中在个性化医疗领域。他认为，真正的个性化医疗长期以来一直被视为医学的终极目标，但始终未能完全实现。
目前，OpenEvidence已经实现了基于患者并发症的初步个性化医疗方案，例如为同时患有银屑病和其他疾病的患者推荐最合适的生物制剂。然而，这仅仅是个性化医疗潜力的冰山一角。
未来十年的技术突破
Nadler预测，在未来十年，AI系统将能够将患者的具体医疗案例与所有已知的医学知识进行精确匹配，基于这些匹配为患者制定高度个性化的治疗方案。这种方法将考虑患者的完整医疗历史、基因特征和个体差异，而不仅仅是疾病类型。
潜在的医学突破
- 突破人类寿命上限，使120-130岁不再是极限
- "忒修斯之船"式的人类生物学方法，逐步替换老化组织
- 基于个体完整医疗数据的精准治疗方案
- AI系统协助医生进行前所未有的复杂医疗决策
AI医疗的发展阶段
第一阶段：信息检索
帮助医生获取和筛选医学文献中的关键信息（当前阶段）
第二阶段：初步个性化
基于并发症和患者类别的个性化治疗建议（正在实现）
第三阶段：高度个性化
基于患者完整医疗数据的精准治疗（未来5-10年）
第四阶段：生命延展
突破人类寿命极限的个性化医疗（长期愿景）
个性化医疗：从现在到未来
现状与挑战
- 医学知识爆炸式增长，人类处理能力有限
- 医生难以跟进所有相关专业的最新进展
- 传统治疗方案基于疾病类型，而非患者个体差异
- 医疗资源分配不均，高质量医疗决策支持工具集中在富裕地区
未来愿景
- AI系统能精确匹配患者情况与全球医学知识
- 完全根据患者具体情况量身定制治疗方案
- 民主化的高质量医疗决策支持，惠及全球医生
- 突破人类寿命极限，提高生活质量
"我认为在未来十年，无论是OpenEvidence还是其他AI系统的集合，都将能够将你的具体医疗案例与所有已知的医学知识进行精确匹配。基于这些匹配，将为你制定一个高度个性化的治疗方案，完全根据你的具体情况量身定制。这真的让我感到无比振奋。这个发展就在眼前，它将彻底改变医疗方式。"
OpenEvidence: 改变医疗决策的AI创新
关键成就
- 一年内从零增长到覆盖10-25%美国执业医生
- 与《新英格兰医学杂志》建立独家战略合作
- 颠覆传统医疗软件销售模式，实现病毒式增长
- 证明专业化小型模型在医疗领域的优越性
行业影响
- 为医疗AI应用开创了新的市场进入模式
- 提升了医疗决策质量，挽救生命并改善患者预后
- 推动医疗资源民主化，缩小医疗资源差距
- 为未来个性化医疗奠定技术和市场基础
OpenEvidence代表了医疗AI应用的一个重要里程碑，不仅通过创新技术解决了实际临床问题，还通过其开放模式改变了医疗软件的市场格局，为未来医疗AI的发展指明了方向。