最有希望追上OpenEvidence的六大中國AI產品

國內產品追趕OpenEvidence的步伐開始加速。

OpenEvidence憑借著短期內覆蓋40%美國醫生群體的成績，讓國內從業者意識到只有像OpenEvidence這樣融入醫生的工作生態，AI產品才更有可能獲得醫生和院方的認可。因此，國內眾多產品開始從醫生視角出發，在診療輔助和科研輔助這兩條道路上進行發力，試圖用AI賦能，讓醫生從繁重而耗費精力的循證過程中解放出來。

另一方面，國務院2025年8月份發布的《關于深入實施“人工智能+”行動的意見》和11月國家衛健委聯合五部委發布的《人工智能+醫療衛生實施意見》中，明確提出在2027年，AI智能體等應用普及率超過70%，并且在2030年將應用普及率超90%，同時也提出了推動臨床智能體應用建設。

這些政策的潛臺詞是包括醫療在內的多個領域，都將迎來一場“AI協同”的大變革。從2025年到2027年，再到2030年，每一個三年，都將是一次臺階式躍升。

中國醫療AI產品奮力追趕OpenEvidence

種種跡象表明，未來3年將是醫療AI發展的風口浪尖，而在追趕OpenEvidence的過程中，有6款中國產品已經率先起跑，未來將會如何發展值得期待。

01

中國醫生究竟需要什么？

追趕OpenEvidence就要讀懂它究竟為醫生做了什么。

OpenEvidence的破局點正是構建了從數據源頭到結論輸出的全鏈路信任體系，這恰恰是之前中國醫療AI大模型較為稀缺的能力。這一實踐直指中國醫療AI的核心痛點，數據量足但質差并且權威缺失。中國雖擁有全球最龐大的臨床數據，但疾病譜差異、數據標注不規范導致高質量數據匱乏，且多數模型缺乏頂刊級權威背書。

此外，OpenEvidence的成功之處在于將AI工具徹底融入美國醫生的工作流程之中，而非額外負擔。同時，OpenEvidence的定位并非替代醫生，而是提供證據支持+思路拓展，尤其在復雜病例與罕見病診療過程中展現價值。這種定位既避免了醫生過度依賴也規避了責任模糊。

那么，中國醫生的工作流中，究竟需要哪些幫助呢？

在診斷環節，當遇到疑難病癥、罕見病或癥狀不典型的患者時，醫生需要查詢文獻來輔助診斷。在治療方案制定環節，對于疾病的治療，醫生需基于最新研究成果制定最佳方案。如腫瘤治療中，新的藥物和治療方法不斷涌現，醫生需查閱文獻了解其療效和安全性。在疾病預后評估環節，醫生需查詢文獻了解疾病的發展規律、影響預后的因素等，以向患者及家屬提供合理的預后信息，并制定相應的干預措施。

除了診療工作，在科研工作上，醫生同樣要需要在循證工作上耗費大量時間和精力。

例如在選題階段，醫生需廣泛查閱文獻，了解學科前沿動態和研究熱點，以確定具有創新性和臨床價值的研究課題。后續研究設計階段，醫生需要對既往的文獻中已有的研究方法、技術路線和樣本量估算等進行參考，以確保研究的科學性和可行性。在數據分析階段，醫生需借助文獻中的統計學方法和數據分析技巧進行研究。最后在論文撰寫階段，還要引用大量文獻來支持研究背景、方法和結論等。醫生需花費大量時間篩選、閱讀和整理文獻，確保引用內容的準確性和可靠性。

總的來看，中國醫生在診療和科研工作中，查詢文獻循證是一個貫穿始終且耗費大量精力和時間的環節。醫生們迫切需要在繁瑣的文獻檢索、篩選、閱讀和評估工作中提高效率，讓他們有更多的時間和精力專注于臨床診療和科研創新。

那么醫生需不需要AI呢？要，但也別添亂。

醫生要的是一個能從上萬篇文獻、幾十種指南和上百個案例中，整理出最符合當前病例所需的，并且用直觀的形式呈現出來，然后別自己下結論，由醫生做出決斷的產品。醫生可以容忍AI不懂一些問題，但不能拿出一個全是幻覺的答案。

正是因為看到這樣的實際需求，一些企業開發出能夠融合進醫生工作流程中的AI工具，進而建立起能夠結合本土醫療生態，以可信為基石、以臨床價值為導向的產品，讓AI為醫生工作效率的提升提供輔助。

02

中國式OpenEvidence的破局范式

■ 內容資源決定能力上限

醫療AI的可信度根植于數據權威度，而核心內容數據庫的構建，正是當前中國企業從技術追隨者向價值引領者跨越的首個障礙。從公共數據庫的免費陷阱，到頂刊授權的天價門檻，再到商業合作的隱形枷鎖，每一道壁壘都考驗著企業的戰略智慧與資源整合能力。

公共數據庫是醫療AI企業的入門級數據來源，其開放屬性降低了初始研發成本，但免費背后暗藏的數量局限、質量缺陷與使用限制，使其難以支撐更多實際應用場景。在公共數據庫之外，頂級醫學期刊的核心內容既有高昂的費用壓力，又有嚴苛的合作條件。

看似豐富的資源卻存在顯著供需錯配，比如公共數據庫的開放并非無邊界，其使用限制成為中國企業商業化的隱形門檻。部分國際公共數據庫采用科研優先的授權原則，明確禁止用于商業化變現。而頂刊資源的內容，即便屬于開放獲取文章，也需要遵守特定知識共享協議如CCBY-NC，并且部分商業用途受限。非開放獲取文章則需訂閱才能瀏覽全文，否則將只能看到摘要，部分資源用于AI訓練還需要額外商業授權。此外，部分頂刊機構對于合作還有諸多限制，如地域、應用范圍和溯源責任等。

具體到中國醫療AI企業，則更加困難。

2025年4月4日,美國國立衛生研究院NIH一紙禁令震動全球科研圈。包括中國在內的多個國家的科研人員被禁止訪問NIH旗下的核心生物醫學數據庫,包括人類基因型表型數據庫dbGaP、癌癥基因組圖譜TCGA、SEER癌癥數據庫等。PubMed數據庫也時有停更。

“還有就是成本問題，部分期刊一篇論文的單次瀏覽成本就要幾元。”一位從業者向動脈網表示，“如果走OpenEvidence那種用戶端免費路線，企業成本壓力巨大，但如果不構建一個較為全面的數據庫，產品又不可能有競爭力。”因此，中國式OpenEvidence產品在具備一個可靠的內容數據庫的同時，也需要一個合理的商業模式。

■ 數據庫搭建成為競爭關鍵

數據容量是中國式OpenEvidence產品搭建的基礎。

利用AI進行醫學科研選題分析的靈犀EviMed，基于其約3800萬篇海外文獻的積累，AI系統根據選題的關鍵詞及其同義詞拓展，AI系統會生成10個科研選題，并對每個選題從科研價值、論文寫作難度、發表難度和可行性等多個維度進行打分并生成分析報告。同時，基于對文獻的挖掘AI系統將自動挖掘該選題的若干新興研究方向，并在選刊、學者和研究機構進行推薦。

6款中國AI醫療模型特點，據公開信息整理

定位為科研人員的效率倍增器與成果加速器的MedPeer，通過“科研工具+數據中心+論文寫作”的深度整合，讓科研人員從重復勞動中解放。憑借其核心功能Deep Search整合全球近3億篇學術文獻資源，涵蓋文獻處理、數據可視化、格式優化等高頻需求的科研工具模塊與為科研決策提供可靠支撐的數據中心模塊，讓醫生可以將精力放在探索未知、突破邊界，而非被“畫圖、找文獻、改論文”等瑣事消耗。

還有聚焦專科領域的豆蔻醫生超級助理，這是釘釘上首個針對醫生的專業AI應用，能1分鐘整合全球超4000萬醫療文獻和國內診療指南、共識并進行全鏈路溯源，確保每一次輸出都有“數”可依、有“證”可循，為婦產科醫生提供可信的輔助決策。

可以看到千萬級的學術內容數據已經成為中國式OpenEvidence產品的入門競爭門檻。

■ 挖掘附加價值是重要商業化抓手

“數據庫的建立只是開始，如何基于數據庫構建附加價值才是產品能否商業化落地的關鍵。”靈犀醫療創始人王則遠告訴動脈網。

EviMed除了用循證功能和學術科研功能去幫助醫生完成本職工作外，也意識到這個過程中可以深入挖掘產品本身的附加價值。比如學術推廣，過去企業要做這個動作需要非常多的環節，并且效果不佳，EviMed可以根據企業需求規劃出上百個學術證據進行精準推送。這一切的基礎就在于對醫生操作的深入解讀，醫生在使用EviMed時關注哪些領域哪些疾病哪些藥物，平臺就能根據這些畫像進行精準解析，并推送最新的學術進展。這也讓企業的學術推廣有了更精準的途徑。

目前，學術推廣收入已經成為EviMed的主要營收來源。和EviMed類似，零假設也選擇了B端反哺C端、C端吸引B端的路徑。即先切入對內容專業性、合規度要求高的頭部藥企，在為藥企提供AI工具及服務的過程中，積累高質量的標注數據、迭代算法，再將2C的“KnowS”模型及智能體推向醫生端。

可以看到，中國產品并沒有完全照搬OpenEvidence，但又抓住了它發展的本質：圍繞可信數據的基礎上做文章。

值得注意的還有切入垂直領域的豆蔻醫生，它沒有選擇大而全的路線，而是聚焦在婦產科這種跨學科極強的科室，不僅文獻多同時來源分散（產前診斷領域每年新增超200萬篇文獻），并且患者個體化差異大，臨床證據組合難，判讀需要豐富經驗。豆蔻醫生從一線思維出發，精準做出減法，不炫技而是做一個真正有臨床價值的工具。同時，接入釘釘直接嵌入醫生的工作流之中，也讓產品的商業化落地更為便利，在上線10天后，就有超300家醫療機構主動開通使用。

而百川M2Plus雖然有自己的“百小應”應用，但為了擺脫單一應用的局限，選擇了通過API將六源循證推理能力標準化輸出，API面向醫院信息化部門、互聯網醫療平臺及醫療AI開發者，這也讓其客戶群體更加寬泛，無論是三甲醫院還是基層醫療機構都更易觸達。同時，也可以憑借底層技術供應商的定位，更容易嵌入醫院現有的系統之中。

還有將自身定位為“醫生最便捷的臨床決策工具”的醫渡臨床Copilot，它深度融合了醫療垂直大模型、動態循證知識體系與院內患者數據，通過循證校驗解決AI模型“幻覺”問題，讓頂級證據一鍵溯源，確保決策建議的精準性。更重要的是它能自動對接患者數據，將醫學證據與當前個體化病情無縫銜接，省去醫生手動匹配證據與病例的繁瑣步驟，打通臨床應用“最后一公里”。

總的來看，面對OpenEvidence以免費模式+廣告收入驗證的醫療AI商業模式，中國創新力量并未簡單復制，而是基于本土醫療體系特點，特別是基于B端主導的付費邏輯，在診療輔助與科研輔助兩條路徑上形成了場景化深耕、專科化突破、生態化協同的集體破局模式。

盡管發展路徑有所不同，但總體而言中國醫療AI產品已經形成三大共識，首先是數據權利至上，將政策合規從成本項轉化為競爭優勢，實現"數據不出域"的本地化部署或私有云方案；其次是證據質量分層，國產AI產品普遍采用"原始文獻→臨床指南→真實世界數據→專家共識"多源證據權重分配機制，通過PICO框架結構化檢索與多輪交叉驗證，將循證醫學方法論內化為模型基因；最后是務實的商業模式，放棄OpenEvidence的免費模式，全部選擇To B收費，通過服務醫院、藥企等付費能力強的機構實現資金回流，避免陷入C端流量陷阱。

中國式OpenEvidence產品的核心理念，不在于復制一個免費查詢工具，而在于將循證醫學能力原子化、標準化、基礎設施化，最終讓每位醫生、每個科研團隊都能以可負擔的成本，獲得類似于國際頂級醫學中心的證據支持。這是一場關于醫療決策平權的持久戰，而非流量變現的閃電戰。未來3年，將是他們奮力狂奔的3年，誰能率先跑出我們拭目以待。

*封面圖片來源：123rf

如果您認同文章中的觀點、信息，或想進一步討論，請與我們聯系；也可加入動脈網行業社群，結交更多志同道合的好友。

聲明：動脈網所刊載內容之知識產權為動脈網及相關權利人專屬所有或持有。未經許可，禁止進行轉載、摘編、復制及建立鏡像等任何使用。文中如果涉及企業信息和數據，均由受訪者向分析師提供并確認。