a16z 2025-01-05 10:58 北京
在医疗行业，恰恰相反：我们没有这些旧的技术负担，反而直接从“我们无法为平台投入足够的人力”跃升到“通过AI技术增强我们的劳动力、扩展人力”的阶段。
图片来源：a16z
Z Highlights
最近几年，60岁以上的医生比例已达到惊人的45%。这意味着当这些医生退休时，会出现由年龄因素引发的巨大缺口，这被称为“银发海啸”。
高达80%的医生和护士表示，职业倦怠是他们生活中面临的最大问题，工作带来的压力和疲惫已经成为他们的首要困扰。
第一种方法是通过提升每位医疗服务提供者的日常工作效率来实现“super staffing”；第二种方法是通过引入自主代理来扩展现有劳动力资源。
美国医疗行业供需错配问题亟待解决
Julie Yoo：我的核心概念是“super staffing”。这个概念的核心在于，我们已经讨论了当前医疗行业面临的众多挑战，尤其是那些亟待解决的问题。其中一个根本性问题是供需失衡——医生、护士以及其他临床服务提供者的数量远远无法满足患者日益增长的需求。这不仅仅是需求量过大，更重要的是，需求的性质变得越来越复杂。美国的慢性病负担正随着时间不断增加，每个人的疾病数量和使用的药物种类也在不断增加。因此，问题不仅仅在于劳动力短缺，更在于工作的性质正变得更加复杂。
主持人：那么，让我们更深入地探讨一下，当前临床工作人员究竟面临多大的短缺问题。
Julie Yoo：这个问题涉及到多个层面的数据。总体来说，以医生短缺为例，目前的估计短缺人数大约在6万到10万之间，这是根据我们医疗系统的需求得出的。而护士的短缺则在7.5万到15万之间。尽管如此，我认为更值得探讨的是“短缺”这一概念本身。对于这个问题，主要有两种不同的观点。一种观点认为，短缺问题仅仅是因为临床医生和护士的数量不足；而另一种观点则侧重于从现有医生和护士的数量出发，探讨他们是否充分发挥了应有的生产力。换句话说，是否这些人力资源得到了最大化的利用？我认为，这两种因素是相互交织的，综合作用导致了我们今天面临的短缺问题。这也是人们分析这一问题时常见的两种不同视角。
主持人：我们是如何走到今天这个局面的呢？如果深入思考，很多人都会提到人口结构的变化——越来越多的人步入老年。但除此之外，另一个原因可能是技能短缺。正如你刚才提到的，今天我们所需要的医疗技能，可能与10年前甚至20年前有所不同。那么，到底是什么因素导致了这种短缺呢？
Julie Yoo：从更广泛的角度来看，这个高度监管的行业实际上在每个时间点上，都受到结构性和监管性的制约，限制了我们能够进入行业的供给量。
主持人：你是指通过教育体系的限制吗？
Julie Yoo：教育确实是其中一个原因。首先，认可的医学院数量有限，这不仅与认证有关，还涉及到联邦资金对医学院创建的支持。而这种资源本身就存在物理上的限制。其次，执业许可问题也起到了制约作用。医生完成培训后，需要通过州级的执业认证才能正式从事医疗工作，而每年批准的执业许可数量是有限的，且医生还需定期更新执照。因此，行业本身就存在结构性限制，抑制了供给的增长。
此外，即便医生顺利执业，工作本身也充满了挑战，这些挑战进一步限制了供给。一方面，老龄化问题非常严峻。最近几年，60岁以上的医生比例已达到惊人的45%。这意味着当这些医生退休时，会出现由年龄因素引发的巨大缺口，这被称为“银发海啸”。另一方面，疫情期间的高压工作导致了严重的职业倦怠。医疗前线人员承受了巨大的压力，面临的挑战不言而喻。最终，很多医生和护士因倦怠而离开了这一行业。
图片来源：a16z
许多调查显示，高达80%的医生和护士表示，职业倦怠是他们生活中面临的最大问题，工作带来的压力和疲惫已经成为他们的首要困扰。
图片来源：a16z
另一个令人震惊的数据显示，仅2021年，就有超过30万名临床医生选择退出医疗行业。
图片来源：a16z
主持人：这个数据专指美国吗？
Julie Yoo：是的，这个数据单指美国。过去几年中，约有7%的现役医生选择离开临床岗位。即使我们能够将医疗系统和执业许可系统的培训能力提升到100%，依然难以解决这一问题，原因在于医生们无法长时间坚持，因为工作的负担实在太重。另一个值得注意的趋势是，医生们越来越多地承担行政和学术职责。举个有趣的例子，我曾住在波士顿，那里是美国医生密度最高的城市，但医疗服务的可及性却是最差的。这是因为波士顿的大多数医生都在学术机构工作，很多医生将超过一半的时间投入到研究上，而非实际的临床工作。所以，即便医生和护士的数量上看似充足，其他因素也在影响这部分劳动力能够实际提供的服务能力。
主持人：我也想探讨如何通过技术解决这些问题，但或许我们可以先简要讨论一下患者的感受。毕竟，我们每个人都是患者。这种医疗短缺是否体现在医院等待时间的延长、手术和治疗费用的上涨，甚至在某些情况下，根本无法获得医疗服务？能否谈一谈这些问题对普通人生活造成的二级和三级影响？
Julie Yoo：是的，我认为最显而易见的问题就是等待时间。研究表明，在美国，全国范围内，预约专科医生的平均等待时间大约为50天，最短为27天，最长甚至可超过90天，某些亚专科的等待情况更加严重。这本身就已经是一个非常明显的问题。另一个相关问题是，即便患者成功预约了一个月后的时间，数据显示，从预约后第14天开始，患者爽约率显著上升。也就是说，等待的时间越长，患者按时就诊的可能性就越低，取消预约或直接缺席的情况大幅增加。这种情况造成了一个恶性循环：医生已经为患者预留了时间，但由于患者未能如期就诊，很多宝贵的预约时间被浪费。第二点，如果我有健康问题需要及时就医，等待的时间越长，病情恶化的可能性也就越大。最终，这可能导致我不得不去急诊室，而急诊治疗的费用通常比初期门诊就诊要高出10倍甚至100倍，这无疑给整个医疗系统带来了更大的经济负担。最后，尤其是在当前消费者健康领域快速变化的背景下，还有一个挑战：当患者无法迅速见到医生时，他们更倾向于转向网络进行自我诊断，或者寻求一些并不具备医学资质的人的建议。这种做法无疑会增加风险，导致更多的误诊和错误治疗。
主持人：“Dr. Google”。
Julie Yoo：完全正确。这些确实是主要问题之一，但我认为，等待时间是一个根本性的挑战，它直接引发了所有这些负面后果。
AI技术正在被迅速引入医疗系统
主持人：你提到的“Dr. Google”现象确实表明技术在医疗领域可能没有发挥出它应有的作用，但从另一个角度看，技术其实有潜力扮演更积极的角色。你认为技术能够介入并缓解这些问题吗？这个想法是否可行？我很想听听你的看法。
Julie Yoo：我认为可以这样看待这个问题：如果没有技术的介入，我们该如何解决这一问题？关键在于我们是否愿意花费大量时间和成本，仅通过增加市场供给来解决问题。比如，要培养一名医生需要7到10年的时间，这显然是一项高昂的投入。这正是技术可以大显身手的地方。假设现有系统中的临床医生数量是固定的，我们只能依靠目前的医生和护士资源，如何才能提升供给和服务能力呢？这里有两种方法，这也是“super staffing”概念的核心：
第一种方法是通过提升每位医疗服务提供者的日常工作效率来实现“super staffing”。这可以通过类似“助手”的工具实现，比如帮助医生在实时诊疗中大幅缩短决策时间。通过提供优质的数据支持和决策辅助，不仅可以让医生更高效地完成诊断和治疗，还能让他们的决策质量达到行业顶尖水平。这种助手功能能够释放现有临床医生群体的潜力，大幅提升整体医疗产能。
第二种方法是通过引入自主代理来扩展现有劳动力资源。如果拆解医生和护士的日常工作，会发现很大一部分与患者护理或临床判断无关。这些任务往往是行政性质或基于沟通的工作。是否可以将这些任务分离出来，交由自主代理完成？这样不仅能够实现更高效的规模化运作，还可以以更高的精度和可靠性处理这些任务，从而让医生和护士集中精力专注于他们最擅长的核心工作——患者护理和临床决策。
主持人：你对这部分任务占比有一个大致的了解吗？我知道具体情况会因医生的专业领域和个人差异而有所不同，但你认为它的大致占比是3%还是30%呢？
Julie Yoo：这些文书类任务可能占据医生工作时间的50%。换句话说，医生有一半的时间都在处理这些琐碎的工作，而这实际上减少了他们为患者提供直接医疗服务的时间。试想，如果我们能通过优化流程有效减少这些低价值任务的比例，现有的临床劳动力产能几乎可以翻倍。
主持人：我们是否已经看到类似的工具出现在市场上？目前，大型语言模型（LLMs）和人工智能（AI）在医疗行业的应用进展如何？它们是否已经开始真正改变行业格局？
Julie Yoo：是的，这正是目前令人兴奋的地方——我们确实正处于医疗技术快速发展的黄金时代。推动这些新AI工具普及的一个关键因素是我们所说的“跨越式发展”动态。历史上，医疗行业的技术进展一直滞后于软件行业，这也被认为是我们行业的一个劣势。其他行业早已拥有高效的工作流工具和SaaS产品，而我们医疗行业却缺乏这些工具，因此没有像其他行业一样面临“沉没成本偏见”。其他行业已经花费了数十亿美元开发这些工具，并培训了大批员工使用它们，而现在的问题是：“我们是否还需要再花费数十亿美元引入新AI产品，完全替换掉旧技术，并重新培训员工适应新的工作方式？”而在医疗行业，恰恰相反：我们没有这些旧的技术负担，反而直接从“我们无法为平台投入足够的人力”跃升到“通过AI技术增强我们的劳动力、扩展人力”的阶段。因此，我认为这正是推动当前快速普及的一个重要原因。
现在已有一些例子可以证明这一点。例如，我提到的“助手”与“自主代理”的区别。在“助手”模式中，有一种被称为“环境记录工具”的产品，它可以帮助医生和患者在看诊时保持眼神接触，而不是低头盯着电脑。这些AI记录员经过专门调校，可以将对话实时转化为符合医疗要求的文档，确保账单正确无误，并完整记录下就诊的临床信息，最终自动保存到电子健康记录中。这样的产品已经取得了显著的进展，我与一些医生朋友交流时，他们都在使用这些工具，并表示它们大大改善了他们的工作生活，节省了大量原本用于手动记录的时间。
另一个例子是自主通信平台。这类平台的一个重要功能是充当医疗系统与患者之间的沟通桥梁，例如通过呼叫中心。我们投资组合中的一家公司Hippocratic AI就构建了一支“super staff”队伍，这些工作人员经过特定培训，能按照标准化流程与患者沟通，执行许多原本需要人工完成的任务，进一步提高了工作效率。
图片来源：a16z
目前看到的现象确实非常引人注目。首先，大多数医院在任何时候大约有10%到20%的职位空缺，尤其是在呼叫中心方面，医院很难找到足够的人员来填补这些空缺。因此，医院开始思考，如果无法迅速招聘到足够的人力，那么部署10到20个自主AI代理来替代这些岗位的工作，是否会是一个理想的解决方案？这一思路非常振奋人心，也凸显了技术变革的时机——现在正是一个关键的转折点。
更有趣的是，医院们开始反思：“为什么我们不能从人力资源预算中支付这部分费用，而不是依赖IT预算？”在医疗行业，技术预算一直是一个历史性的限制因素。与其他行业不同，医院的IT预算占总预算的比例通常非常低，只有大约2%到5%。相比之下，银行或金融服务等行业的IT预算比例通常能达到15%到30%。然而，随着医疗技术的不断发展，我们看到了巨大的机会：如果医院不再受到有限IT预算的制约，而是能够从60%到70%的人力资源预算中进行资金调动，那么通过部署AI技术，就能为医院带来更大的杠杆效应。这些趋势展示了新AI产品快速普及的潜力，进一步推动了医疗行业的变革。
主持人：是因为填补这些岗位的需求变得如此迫切，所以我们今天看到了这些变化吗？还是说，现在大家更愿意拥抱AI技术，而在过去的技术浪潮中，我们并没有看到如此广泛的接受和应用？
Julie Yoo：确实，技术集成的难度非常高。毕竟，如果要将新的软件工具引入某个人的工作流程，它必须能够与现有的电子健康记录（EHR）系统或其他管理系统进行深度集成。而这些系统往往已有40到50年的历史，并且并不总是具备良好的API支持。因此，为了让这些系统顺利工作，需要投入大量的时间、精力和定制化开发，这也是过去技术普及的一个主要障碍。
此外，我还想特别提到，这些新工具的效果真的令人惊叹。我们投资的公司Ambience Healthcare就开发了一款“Ambience scribe”工具。你看过他们提供的医生用户反馈视频后，真的很难相信这些医生的反应。有些医生甚至感动到流泪，他们表示，这款工具让他们第一次真正享受做医生的工作，因为它让他们能够专注于病人，而不是被繁杂的文书和行政任务所困扰。这种转变对他们来说无疑是革命性的。过去那一波推出的技术产品，实际上增加了他们工作的复杂性，而这些新工具则完全相反。
图片来源：a16z
主持人：不过，实际上，在将这些技术付诸实践时，是否会遇到一些挑战？无论是现有的工具，还是你们预见的未来趋势？
Julie Yoo：风险要高得多。
主持人：显然，在医疗环境中，风险要高得多。
Julie Yoo：你提到的“幻觉”问题（即AI生成的虚假或不准确的内容），尤其是在一些通用型基础模型中，确实是个不可忽视的挑战。因此，我们看到，尽管AI在医疗行业的采纳进程相对较慢，但一些公司已经开始开发专门为医疗领域量身定制的模型。通用型基础模型的一个问题是，虽然它们是基于互联网上的所有公开数据进行训练的，这使得它们能够涵盖大量的公共知识，但医疗行业的特殊性在于，许多具体的、符合协议和合规要求的信息并不能在网络上获取，而是存储在防火墙后的专有系统中，或是在纸质文档中。因此，这些公司需要开发专门的模型，基于不同的数据集进行训练，可能借鉴一些通用模型的基础，但必须对其数据进行调整，尤其是在安全性方面进行优化。为了使这些基础模型能够在医疗环境中正确运作，的确需要对其进行特别的调优。
另一个问题，正如你所提到的，是与自动化AI相关的监管合规问题，尤其是这些问题如何与FDA的审批标准相冲突。在什么情况下，AI工具需要获得FDA的批准，或者在什么情况下不需要？这方面的规定实际上还是比较模糊的。
实际上，医疗行业的一个独特优势在于，我们是唯一一个已经拥有完整监管框架来批准产品的行业，尤其是在临床应用方面。迄今为止，已经有数百种AI放射学模型和其他帮助自动化评估和诊断特定患者的AI模型，这些模型已经在医学领域得到广泛应用。然而，问题在于，现有的监管框架如何适用于生成型AI模型？目前，FDA正在积极努力，将这些模型扩展到更加动态的系统中，因为这些系统涉及的复杂性和不确定性远大于标准的机器学习预测模型，而后者通常是为更固定的任务设计的。
此外，我还想提到一个报销的问题。近期，我们看到一些初步迹象，表明保险公司已经开始为AI诊疗服务创建实际的结算代码，并且对AI辅助诊疗和诊断提供不同的报销标准。这意味着，使用这些AI系统的医疗行为将获得与传统方式不同的报销待遇。看到这一新范式的推广，确实令人兴奋。然而，我认为我们还有很长的路要走，特别是如何确保像Slingshot AI这样完全自主的AI治疗师能够获得与人类治疗师相当的报销标准。至今，医疗行业在这方面还没有明确的定义。因此，尽管系统愿意接受这些新范式的初步信号，但在制定一个全面的报销体系之前，我们仍面临着许多挑战。
图片来源：a16z
主持人：你认为这不仅仅是对现有生态系统的补充，而是有可能彻底重塑整个生态系统吗？
Julie Yoo：是的，我认为现在有很多以前难以想象的可能性。举个有趣的例子，当前临床资源面临的一个限制是州际执照制度。如果我成为医生，我的执业范围实际上受到地理位置的限制。如果一个来自蒙大拿州的贫困患者需要我的帮助，而我没有在该州的执照，尽管我有能力提供帮助，我仍然无法为他提供服务。AI技术的出现，可以打破这种局限。想象一下，如果我们能够在全国范围内提供医疗服务，并利用AI来解决这种地理限制问题，那将会带来多大的改变。
例如，我们投资的一家公司提出了一个新概念——“异步医疗”（asynchronous medicine）。传统的就医方式是你去医院见医生，进行一次30分钟的面对面看诊，过程实时且直接。而异步医疗则完全颠覆了这种模式。它的核心思想是，如果医生在云端，那么你可以随时通过短信或消息与他们沟通，而医生会在几乎实时的情况下做出回应。这样，你与医生的互动将不再是短暂且单一的，而是更加持续和互动，不再受到时间和地点的限制，你可以随时与医生取得联系。这是一种全新的范式，正是通过AI驱动的诊所模式才能实现。在这种模式下，医生可以全天候在线，利用AI作为“助手”帮助他们迅速回应患者的任何问题。因此，我确实认为，医生的培训方式和一些当前尚不存在的专业领域正在发生快速变化，我们所讨论的这些变化正处于不断发展之中。
图片来源：a16z
主持人：既然这是你明年大计的一部分，有没有什么特别期待的或者值得关注的事情？
Julie Yoo：我们现在看到的技术采纳速度，堪称医疗信息技术史上的一个突破。我们一直在期待这个时刻，期待将医疗行业面临的问题与解决方案相结合的机会。然而，过去我们总是被一道无形的障碍所阻挡，这道障碍将问题和解决方案隔开。我认为，现在我们正看到一些迹象，表明这道墙正在被打破。随着行业对这些解决方案的需求日益迫切，我们将迎来比以往更高的技术采纳率。这种变化将表现为“super staff”的出现。我们将看到AI工具越来越多地被应用到劳动力中，而这些工具的预算和购买方将与过去截然不同。这一切都为真正释放我们市场供应端的潜力打下了基础，这些潜力一直存在，只是之前缺乏合适的技术手段来大规模激活它们。
原视频：AI: The Ultimate Healthcare Hire
https://www.youtube.com/watch?v=x0yt31WSGIs
编译：Liyun Yao
-----------END-----------
? 我们正在招募新一期的实习生
? 我们正在寻找有创造力的00后创业
关于Z Potentials
