美国首个AI自主开处方获批，外科医生+技术大神4000万美元赌对了什么？

你有没有经历过这样的时刻：凌晨两点突然发烧，不知道该怎么办？或者慢性病药物快吃完了，但预约医生要等上一个月？又或者只是想咨询一个简单的健康问题，却不得不请假去医院排队几个小时？这些场景背后指向同一个问题：医疗可及性。在美国，超过1亿人无法便捷地获得初级医疗服务。即使是那些拥有顶级医疗保险的科技公司员工，也常常在需要时找不到合适的医生。

我一直在思考，为什么在这个时代，我们可以通过手机叫外卖、打车、看电影，却无法在需要时立即获得医疗建议？为什么医疗行业在数字化转型方面如此缓慢？直到我深入了解了 Doctronic，这家刚刚完成 4000 万美元 B 轮融资的 AI 医疗创业公司，我才意识到，医疗可及性的革命可能真的要来了。更令人震撼的是，Doctronic 在今年一月成为美国第一个获得监管批准、可以用 AI 自主开具处方的公司。这不是概念验证，不是实验室演示，而是真实世界中每天都在发生的医疗实践。

医疗可及性危机的本质

让我先说说这个问题到底有多严重。美国每年因为药物依从性问题导致约 15 万人可预防的死亡，造成 1000 亿美元的经济损失。其中 30% 直接归因于就医障碍。这个数字听起来很抽象，但想象一下，一个患有高胆固醇的病人，他的药物续配需要预约医生，但最快的预约要等三周。在等待期间，他停药了，胆固醇升高，最终导致心脏病发作。这样的悲剧每天都在发生，而它们本可以避免。

我认识很多在苹果、谷歌、Meta 这些科技巨头工作的朋友。他们都有很好的医疗保险，但即使如此，当他们半夜有健康问题时，仍然不知道该怎么办。我有个朋友的妻子是医生，所以半夜总有人打电话给他，让他转问妻子医疗问题。这种情况非常普遍。不是每个人都认识医生，不是每个人都能在需要时立即获得专业建议。如果连拥有顶级医保的人都面临这样的困境，那么生活在农村地区、医院不断关闭的人们，面临的困难可想而知。

问题的核心在于供需失衡。医生数量永远无法满足患者需求。这是一个基本的数学问题。想象一下，每个医生一天最多能看 30 个病人，那么要服务全国几亿人口，需要多少医生？更重要的是，医生的培养周期长达十年以上，无法快速扩张。所以这个供需矛盾永远无法通过传统方式解决。我们必须找到新的解决方案，而 AI 正是那个答案。

Doctronic 的创新之处

Doctronic 的创始团队配置非常有意思。Matt Pavelle 是一位连续创业者，有 25 年的创业经验和多次成功退出记录。他曾是消费品独角兽公司 Moda Operandi 的创始 CTO，来自医疗世家，对医疗行业有深刻理解。Dr. Adam Oskowitz 是加州大学旧金山分校的执业血管外科医生，也是副教授，在顶级医疗机构有超过二十年的从业经验。这种技术与临床的完美结合，让 Doctronic 从一开始就避免了很多医疗科技创业公司常犯的错误。

他们两人的相识很有意思。大约六七年前，他们都在为同一家医疗科技初创公司提供咨询。认识两周后，一个投资人告诉 Matt，那家公司在股权结构上撒谎，建议他们赶紧撤出。Matt 立即给 Adam 打电话说明情况，并提议:"我觉得跟你合作很愉快，我们要不要一起在医疗科技领域做点什么?" 就这样，他们开始了长达两三年的合作探索期，在正式创立 Doctronic 之前，尝试了各种产品，深入理解消费者在医疗领域真正想要什么。

这段探索期让他们得出了一个核心洞察:在医疗领域，患者只有一个问题，那就是可及性。如何在正确的时间获得正确的医疗服务。如果能把这个问题解决好，就能建立一个不可思议的业务。所有其他问题，包括技术架构、商业模式、产品设计，都要围绕这个核心问题展开。这个认知听起来简单，但能够坚持围绕它构建产品，并不容易。

Doctronic 的产品理念是成为医疗系统的"数字前门"。这个比喻非常形象。想象一下，当你有健康问题时，不管是凌晨两点还是上午十点，不管是紧急情况还是常规咨询，你都能立即"走进"医疗系统，获得帮助。这就是数字前门的含义。大多数人不知道如何接触医疗系统，不知道该去急诊室还是找初级保健医生，不知道这个症状严重到什么程度。而 Doctronic 就是那扇始终敞开的门，随时欢迎你进入，并帮你找到需要的医疗服务。

技术架构的深度

当 GPT-3.5 刚出来的时候，Matt 和 Adam 开始研究一个问题:能不能让 AI 在医疗领域足够准确？如果可以，人们会愿意用 AI 问诊吗？这在当时是个完全未知的问题。事实上，OpenAI 明确禁止用户使用 ChatGPT 询问健康问题。所以这既是技术挑战，也是用户接受度的挑战。

他们决定先做最简单的 MVP 来验证。Matt 用 Python 搭建了后端，前端则做得非常简陋，就像普通的聊天机器人界面。但所有的魔法都在后台。他们把重点放在两件事上:准确性和成本控制。必须确保 AI 给出的建议是安全准确的，同时不能因为大量使用 OpenAI 或 Anthropic 的 token 而烧光预算。有趣的是，他们发现在医疗这种完全关乎实用性的领域，界面美不美根本不重要。用户只关心一件事:这个工具能不能帮我解决问题。

他们在 Google Ads 上投了一点钱，很快就看到了流量和重复使用。这证明了产品市场契合度。有个故事很能说明问题:早期由于流量增长太快，Matt 在 AWS 上设置的基础服务器日志把磁盘占满了，网站宕机。有个用户在 LinkedIn 上找到他们说:"你们的网站挂了，我每天都用，能修好吗?" Matt 当时想，这人怎么找到我的？但这正是产品粘性的最好证明。还有个大学的护士站，会在学生面前登录 Doctronic 填写问诊表单，然后把 AI 生成的记录复制到病历系统中交给医生。他们问 Doctronic 能不能直接对接电子病历系统。这种用户自发的创造性使用，就是真正的产品市场契合。

在技术层面，Doctronic 的核心是多 agent 架构。这个架构的设计非常巧妙。医生看病时是怎么确保自己做出正确决策的？他们会查阅临床指南。医生不会记住所有东西，但会有个大致框架，遇到不熟悉的情况就去查资料。Doctronic 的系统本质上就是模拟这个过程。它会查阅临床指南，确保在正确的时间做正确的事。

但临床指南的问题在于，它们不是为 AI 消化设计的。所以 Doctronic 团队花了好几个月时间，把这些指南重新整理成机器可读的格式。机器和人类的阅读方式完全不同。机器可以更快地阅读和处理大量上下文，但需要以特定方式组织信息，才能在正确的时间提取正确的内容。这就是他们的秘密武器之一:创建了机器可读的临床指南库，并建立了让 agent 在正确时机找到它们的结构化方法。

多 agent 架构的另一个好处是，它允许系统使用不同的模型来处理不同类型的问题。早期，每个大语言模型的上下文窗口都很小，所以必须用多个专门的模型，每个处理流程中的一小部分，然后总结并传递给下一个。后来他们发现这就是所谓的"agentic flows"。当时还没有这个术语，他们只是在解决实际问题。随着流量增加，他们开始测量不同模型在回答不同类型问题时的表现，然后把最适合的模型作为各个 agent 的基础。这种精细化的模型选择，加上 Adam 这样的临床医生编写的指南，共同保证了系统的准确性。

准确性有多重要？Doctronic 发布了一项基于 500 个真实紧急护理病例的研究。结果显示，Doctronic 和医生在主要诊断上的一致性达到 81%，在治疗方案上的一致性达到 99.2%，而且零幻觉。在不一致的病例中，Doctronic 的 AI 被认为优于医生的频率是医生优于 AI 的四倍。要知道，基础大语言模型在临床准确性上通常只有 50-55% 的水平，根本达不到医疗应用的门槛。Doctronic 能达到 99.2% 的一致性，这个数字令人震撼。

监管突破的意义

技术再好，如果无法通过监管，也只能停留在演示阶段。这正是很多医疗 AI 创业公司面临的困境。大家都知道 AI 终将进入临床医学，但监管这道关似乎无法逾越。很多公司试图一步到位，让 AI 成为完整的医生。Doctronic 的策略则聪明得多:从最小的一步开始。

他们选择了处方续配这个场景。为什么？因为这是个巨大的问题，同时风险相对可控。每年 15 万可预防死亡中，很大一部分是因为患者无法及时续配慢性病药物。高胆固醇患者不吃药，胆固醇就会升高，导致严重后果。而续配处方的风险比开新处方低得多:医生已经开过这个药，患者已经在服用，任何副作用都已经显现。AI 只需要判断是否可以安全续配，而不是从零开始诊断和开药。

犹他州有个专门针对 AI 的监管沙盒，叫做 Utah AI Learning Lab。在发表那篇研究论文后不久，Doctronic 团队与实验室主任 Dr. Zack Boyd 通了电话。他们说:"美国有个大问题，就是药物依从性。我们有个临床准确率达 99.2% 的 AI，我们相信可以安全地让它续配处方。我们不想开新处方，不想更改现有处方，只想从这个简单但影响巨大的场景开始。" 犹他州是个大州，有大量农村人口，这个问题对他们影响尤其严重。所有因素都完美契合。

Adam 说得好:这是人类的一小步，但却是 AI 医疗的一大步。虽然只是续配处方这么简单的事，但它打破了一个玻璃天花板——AI 可以做出临床决策。通过选择一个小而低风险的切入点，他们证明了 AI 在医疗领域的可行性。而且不续药本身也是一种风险。如果我停止服用降胆固醇药物，胆固醇会升高，这同样会带来健康问题。

项目在一月启动后，反馈非常好。用户说，这感觉像个里程碑时刻，就像第一次坐 Uber 时的感觉:"我再也不会打出租车了。" 整个过程零摩擦，可以在家完成，非常方便。更重要的是，数据显示这比医生续配处方更严格。想想看，医生晚上五点收到续配请求邮件时，根本没时间仔细检查每个细节。但 AI 有时间，它会非常彻底地检查每一项。

目前他们仍处于第一阶段，每张 AI 开的处方都会由真人医生审核，确保安全。医生们的反馈是:"AI 比我能做到的更彻底。即使我想这么仔细，也要花 20 分钟续一张处方。" 他们还看到了 AI 的判断力:有的患者已经用系统续配了五种不同的药物，每次 AI 都做得完美。同时，AI 也会在不确定时说"不"，建议患者联系真人医生。因为 Doctronic 有 24/7 在线的真人医生网络，如果 AI 拒绝了，患者仍然可以立即获得人工帮助。

真人医生网络的价值

很多人可能以为 Doctronic 是纯 AI 公司，但实际上他们建立了一个非常强大的真人医生网络。这个设计很聪明。虽然他们的初衷是为患者而非医院或医生构建产品，但最终他们也解决了医生的问题。医生花大量时间在问诊、收集数据、记录信息上，这些都挤占了真正看着患者眼睛、与他们交流的时间。

Doctronic 的工作流程是这样的:患者先和 AI 聊大约 15 分钟，这是平均时长。AI 会给出诊断建议、治疗方案和完整的医生记录，这一切都是免费的，不需要提供邮箱或任何个人信息。如果患者想看真人医生，所有这些信息都会传给医生。医生们说这就像有世界上最好的住院总医师提前看过每个患者，做好了所有初步工作。医生只需要最后把关，确保一切正确，并回答患者真正关心的问题:下一步怎么办，药物有什么副作用，多久能见效。这些才是患者真正想讨论的，但在传统模式下医生常常没时间细聊。

这种模式的效率非常高。医生可以看更多患者，这降低了医疗成本。要知道，医疗成本高最主要的原因就是人力成本。通过提高医生效率，可以大幅降低每次就诊的成本。在犹他州的试点项目中，续配处方目前是免费的，但他们获得了最高可收取 4 美元的许可。可能最终只收 2 美元，而且随着计算成本下降，价格还会继续降低。想想看，你开车去看医生的油费都不止这个数。

Doctronic 的医生团队质量很高。他们招聘的是最好的医生，包括来自微软和谷歌的资深 AI 工程师。首席 AI 官 Anirudh Badam 在微软西雅图总部有超过十年的 AI/ML 经验。创始 AI 工程师 Vijay Sagar 在谷歌硅谷办公室开发机器学习模型十年。这种技术实力加上 Adam 这样的临床专家，让他们能在准确性和实用性之间找到完美平衡。

患者会反复回来，不仅因为 AI 准确，更因为真人医生优秀。重复使用率的增长几乎和新用户增长一样快。这意味着有两个增长引擎同时运转。SEO 带来新用户，他们在搜索"AI doctor"时排名第一已经两年了。但更重要的是，患者因为体验好而自发回来，不需要任何营销推动。这才是真正的产品力。

从 A 轮到 B 轮的超高速增长

Doctronic 的增长速度令人震撼。2025 年夏末，当 Lightspeed 投资 A 轮时，他们已经完成了 1200 万次 lifetime 患者咨询。这个数字本身就很惊人，而且在加速增长。不到六个月后，这个数字就翻了一倍还多，达到 2000 多万次。更重要的是，增长还在继续加速。

增长的核心驱动力是什么？Adam 说得很直白:医生永远不够。这是个简单但残酷的事实。需求是无限的，供给永远跟不上。想想看，我们有多少次遇到健康问题却选择不去看医生，因为太麻烦了？这就意味着有巨大的潜在需求没有被满足。当你创造一个零摩擦的系统来满足这种无限需求时，增长是必然的。

但快速增长也带来了挑战。他们不得不在业务增长的同时快速建设基础设施来服务患者。这非常困难，就像在飞行中修理飞机。不仅要构建 AI 咨询的基础设施，还要建设诊所的基础设施。八月刚启动诊所时，他们每天看一定数量的患者。现在，他们比美国最繁忙的急诊室还要忙，每天看的患者更多，但医生数量可能只有十分之一。这就是超高速增长的体现:从小诊所到全国最繁忙的虚拟诊所，只用了几个月。

数据很能说明问题。患者咨询量翻倍，收入在六个月内增长了 15 倍，重复就诊在单周内的占比增长了三倍多。这最后一个指标特别有意思。人们通常只在有严重问题或年度体检时才去看医生。但 Doctronic 的用户行为完全不同，他们会主动频繁地使用服务。

为什么会这样？我认为有几个原因。可及性是第一位的，超级容易使用，医疗不应该这么难。成本是第二因素，AI 咨询免费，真人医生因为效率高所以价格低，人们更愿意为那些原本不会看医生的小问题寻求帮助。但最重要的是信任。如果你信任这个系统，信任你看的医生，你就会回来。信任来自临床准确性。用过 ChatGPT 健康功能的人知道，它可以告诉你该吃泰诺还是布洛芬，但你得付费，而且准确性存疑。Doctronic 既免费又准确，用户很快就能感受到区别。

还有一个复利优势:上下文记忆。每次互动都在积累你的健康历史，系统越来越了解你，就像你多年看同一个初级保健医生一样。这不仅让体验更好，也更快。用户想要速度，不想花 15 分钟跟 AI 聊天，可能只想聊两分钟就得到答案。如果系统已经了解你的全部病史，就能做到这点。而且这种上下文不仅包括健康历史，还包括你的行为:你在哪里配药，在哪里做检查，喜欢看哪种专科医生。这些信息让系统变得非常黏性。

AI 原生医疗的未来

Matt 有个很有意思的做法:他用 Claude 创建了一个虚拟 C-suite。他有虚拟 CMO(首席医疗官)、虚拟 CMO(首席营销官)、虚拟 CTO(首席技术官)，甚至有个合并的虚拟 CFO 和 CLO(首席法务官)。他为每个角色构建了大量上下文，参考了他尊重的公司和人员，然后把所有关于 Doctronic 的信息都输入进去。现在通过 Claude 连接了 Slack 和各种工作区工具，他可以随时咨询这些虚拟高管。他说这可能节省了一半的法律账单。

这不仅仅是个人生产力工具，而是公司文化的体现。Doctronic 从第一天起就是 AI 原生的，不仅产品是 AI 驱动，运营的每个环节都在用 AI。从 SEO 到生成着陆页，从内部工具到客户支持，AI 无处不在。很多公司说自己是"AI 原生"，但 Doctronic 真正做到了让 AI 渗透到组织的每个毛孔。员工生产力几乎可以用 token 使用量来衡量了。

这种 AI 优先的文化让他们能以极小的团队做极大的事。内部工具开发速度飞快，因为很多时候只需要"够用"就行，可以快速用 AI 构建出来测试。这种敏捷性在医疗这种传统上非常笨重的行业里，是巨大的竞争优势。

展望五年后，我相信 AI 原生医疗会变成主流。Adam 说得好:他的孩子们可能会觉得很奇怪，我们竟然用真人作为初级保健医生。他们会说:"为什么要这样?很多事情 AI 就能做。" 问题只是我们多快能到达那里。很多医疗是算法化的，可能 70-80% 的医学实践是基于指南和算法的。AI 在遵循规则方面比人类强得多，医生也是人，也会有自己的习惯模式，有时会偏离指南。AI 则会严格遵循最佳实践。

但这不是说要取代医生。数学问题决定了我们永远不会有足够的医生满足所有患者需求。我们需要技术来填补这个缺口。AI 会接管那些算法化、可标准化的部分，让医生能专注于真正需要人类判断、同理心和创造力的复杂案例。这才是 AI 和人类医生的理想分工。

Doctronic 正在为这个未来铺路。他们的策略很清晰:从小处着手，逐步扩大 AI 的自主权。现在可以自主续配处方，未来可能可以自主处理更多场景。每当新的医疗场景对自主 AI agent 开放，他们就会把那部分流程剥离出来，让系统更高效，成本更低。这是个渐进的过程，但方向很明确。

商业模式的演进

从商业角度看，Doctronic 的机会非常大。他们不仅有快速增长的 B2C 业务，B2B 渠道合作也在快速推进。A 轮时，B2B 还被视为长期机会。但短短几个月后的 B 轮，这个时间表已经大大提前。他们正在与医疗系统、TPA、保险公司、雇主、制药公司、消费数字健康公司等各类合作伙伴洽谈。

医疗系统对他们特别感兴趣，因为 Doctronic 可以作为"数字前门"引流。患者先通过 Doctronic 进入系统，然后可以被高效地分流到合适的医疗服务提供者，保持护理在网络内。对保险公司来说，Doctronic 代表着可预测成本下的无限初级医疗服务。这种价值主张在市场上是独特的。

Matt 和 Adam 都注意到，医疗系统对 AI 的态度变化非常快。六个月前，大家还在说"这很有意思，我们在考虑，正在组建委员会"。三个月后变成了"我们要做这个"。现在的对话则是"火车已经开了，我们必须赶上"。有种 FOMO 的感觉，害怕错过这波 AI 浪潮。

这种态度转变的速度令人震撼。我觉得 Doctronic 在犹他州的监管突破起了关键作用。它证明了 AI 可以安全地做出临床决策，不再是假设而是现实。这让整个行业的讨论从"是否可能"转向了"如何实施"。

Doctronic 今年的目标是让 B2B 合作伙伴贡献大约一半的流量。目前他们每周有约 25 万人访问网站，几乎全部来自直接面向消费者的渠道。随着各种合作伙伴关系的启动，这个比例会快速改变。他们也在准备国际扩张，医疗可及性问题在全球各地都存在。

我对 AI 医疗的思考

看完 Doctronic 的故事，我对 AI 在医疗领域的应用有了更深的理解。技术突破很重要，但更重要的是找到正确的切入点。不是试图一步到位替代医生，而是从解决具体问题开始，从风险可控的场景开始，逐步建立信任和证据。

医疗行业的特殊性在于，它同时需要创新和极度谨慎。一方面，创新可以拯救生命，改善亿万人的健康;另一方面，任何失误都可能造成伤害。Doctronic 的做法给出了一个很好的范例:用扎实的临床证据支撑，从低风险高影响的场景切入，保持人类医生的监督，逐步扩大自主权。

我也看到了 AI 原生公司的真正含义。不是在现有业务上贴个 AI 标签，而是从根本上用 AI 重新思考业务的每个环节。从产品到运营，从客户服务到内部工具，AI 无处不在。这种深度整合才能释放 AI 的真正潜力。

最后，我相信医疗可及性革命真的要来了。当一个普通人可以随时随地获得准确的医疗建议，当慢性病患者不再因为续配处方的麻烦而中断治疗，当医生可以把时间花在真正需要人类智慧的复杂病例上，而不是重复性工作上，整个医疗系统的效率和质量都会大幅提升。Doctronic 已经证明了这条路是可行的，4000 万美元的 B 轮融资只是这场革命的开始。

结尾

也欢迎大家留言讨论，分享你的观点！

觉得内容不错的朋友能够帮忙右下角点个赞，分享一下。您的每次分享，都是在激励我不断产出更好的内容。

欢迎关注深思圈，一起探索更大的世界。