AI醫療，七大趨勢！

近日，Bessemer Venture Partners發布State of Health AI 2026，分析今年AI醫療的發展趨勢。

Bessemer Venture Partners（BVP）是全球歷史最悠久、最負盛名的風險投資機構之一，起源于 1911 年卡內基鋼鐵公司聯合創始人的家族辦公室。

報告探討了“健康科技2.0”的獨特前景，給出七大預測，并為創業者給出相關建議對策。

預測一：面對醫療服務提供方在AI應用上的領先優勢，支付方將倍感壓力，進而掀起一輪行政系統全面擁抱AI的浪潮。

過去18至24個月，醫療服務提供方（如醫院和診所）已大力將AI應用于其行政工作流程，尤其是在收入周期管理（Revenue Cycle Management）領域。

他們利用AI通過更精準的編碼與病歷記錄、更規范的理賠提交以及更高效的申訴流程，來提升收入回收效率。

這一趨勢給支付方（如醫保公司和商業保險公司）帶來了全新挑戰：醫療支出的增長并非源于欺詐或過度使用服務，而是因為提供方越來越擅長獲取本應獲得的合理報銷。

當AI能夠識別遺漏的診斷、提示完善病歷文檔、并優化申訴策略時，醫院獲得的賠付金額隨之提高——初始拒付的理賠減少，被成功推翻的拒付案例則顯著增加。

結果如何？支付方面臨來自多方面的壓力：

• 行政成本上升：提供方提交的理賠質量更高，但同時也更復雜，需要更精細的審核，導致理賠處理量和客服咨詢量雙雙攀升；

• 醫療賠付率持續走高：隨著提供方收入捕獲能力增強，支付方的賠付支出自然增加；

• 競爭壓力加劇：部分先行采用AI的支付方已實現利潤率改善，迫使其他同行加速跟進。

2026年將成為關鍵轉折點。支付方將加快在行政運營中全面部署AI，并更多轉向外部合作，以追趕提供方在過去一年所實現的效率提升。

與此同時，他們還需應對另一重挑戰：在保障患者就醫可及性、滿足日益嚴格的監管要求的前提下，清晰證明AI投入的實際投資回報（ROI）。

對于面向支付方打造解決方案的醫療健康領域創業者而言，應聚焦以下三大方向：

1.支付完整性（Payment Integrity）：包括理賠文檔合規性驗證、自動化審核、申訴管理、欺詐檢測、浪費識別，以及合理的醫療服務使用審查。

2.預授權自動化與同步使用審核（Prior Authorization & Concurrent Utilization Review）：重點在于基于經臨床驗證的指南，加速診療審批流程。疊加美國CMS新出臺的監管利好政策與明確的ROI，該場景已成為高優先級用例。

3.會員參與（Member Engagement）：涵蓋保險計劃與醫療服務導航、護理缺口分析，以及精準的風險識別（如社會決定健康因素SDOH、共病狀況等）。

對創業者而言，這意味著：抓住支付方當前對與“AI原生”企業合作的強烈意愿，選擇一個兼具高投資回報率（ROI）和高復雜度的細分場景切入。

預測二：臨床AI應用將加速興起，主要聚焦于分診與風險評估，并始終以醫生為核心決策者。

盡管行政類AI（Admin AI）已實現大規模應用，直接介入患者診療的臨床AI（Clinical AI）進展卻相對緩慢。

原因在于，監管復雜性（如AI輔助診斷需通過FDA審批）、責任歸屬風險，以及在傳統“按服務收費”（fee-for-service）的支付模式下，缺乏對臨床AI價值的明確付費機制——現行體系更傾向于獎勵醫生花在患者身上的時間，而非其決策效率或準確性。

這些障礙真實存在，不會一夜之間消失。但已觀察到臨床AI的早期突破：那些嚴格遵循現有監管與支付框架、并將醫生始終置于決策核心的解決方案正逐步落地。

我們預測，未來臨床AI將在分診與風險評估領域實現規模化應用——并非取代醫生進行自主診斷，而是通過整合雜亂、碎片化的多源數據，為醫生構建完整、可量化的患者畫像，從而重塑臨床工作方式。

這將帶來：更少的誤診、更快地識別多模態數據中的細微模式，并更清晰地判斷哪些患者亟需干預、哪些治療方案真正有效。

具體應用場景包括：

• 就診前風險分層：AI在患者就診前自動分析其電子健康記錄（EHR）、理賠數據、檢驗結果及社會決定健康因素（SDOH），標記高風險信號，推薦相關篩查問題，并識別護理缺口。醫生只需花極短時間審閱AI生成的綜合摘要，而無需手動翻查冗長病歷。

• 住院患者惡化預警：AI持續監測所有住院患者，預測其發生病情惡化、并發癥或其他不良事件的風險。相比依賴護士人工察覺細微變化，AI可實現全天候動態監控，并主動向醫護團隊發出預警。

• 分診優化：AI基于患者的主訴癥狀、生命體征和病史，協助醫生優先處理最緊急病例。最終決策仍由醫生做出，但AI能捕捉人類在高強度、高負荷工作中可能忽略的細微模式。

• 專科轉診匹配與會診支持：AI分析患者病情，結合病例復雜度、專科醫生專長及患者個體特征，智能推薦最合適的專科資源。同時，AI還能輔助專科醫生管理高危會診，并為低復雜度會診提供循證臨床指南與自動化支持。

對創業者而言，這意味著：

• 臨床AI若想實現自主診斷與治療決策，當前最大的障礙并非技術，而是可持續的商業模式。

• 建議采取“小步快跑、循序漸進”的策略——從低風險場景起步，逐步走向監管審批；同時盡早探索可行的支付路徑。

• 務必從第一天起就深度融入臨床醫生的反饋，產品設計應嵌入而非繞開現有臨床工作流，并在算法評估與偏見測試上投入重資源。

一個理想的切入點是：從前臺行政類AI場景入手（如預約、預問診），逐步延伸至診斷輔助、分診支持、臨床決策、風險評估與照護協調等核心臨床環節。

預測三：CMS將嘗試建立臨床AI專用的醫保支付編碼。

盡管監管正在逐步推進，未來可能允許AI完全接管某些臨床任務（例如開具處方），但臨床AI大規模落地的最大障礙并非技術本身，而是支付模式。

目前，醫療機構的收入主要來自具體操作、門診就診和與患者面對面的時間——而AI生成的診斷、持續監測或預防性干預，并不在報銷范圍內。

這就造成了一種悖論：AI能夠識別出需要預防性照護的高風險患者，但如果這類預防服務無法獲得醫保或商保報銷，醫療機構就沒有經濟動力去落實AI的建議。

又比如，當AI在后臺自動與患者互動、提供初步診斷或癥狀監測時，醫生并未花時間參與，也就無法滿足現有計費標準。

以結果為導向的價值醫療（Value-Based Care）模式可以解決這一問題——它按健康結果付費，而非按服務數量計費。然而，目前僅有30%–40%的美國醫療體系運行在價值醫療合同之下。

我們預計，到2026年，美國聯邦醫療保險和醫療補助服務中心（CMS）將啟動一系列專門面向“AI優先型照護”的新CPT編碼和支付模式試點。

為什么是CMS及其創新中心？原因有三：

• 規模效應：CMS通過Medicare、Medicaid和CHIP覆蓋超過1.4億美國人。一旦CMS推出新的支付編碼或模式，商業保險公司通常會在12–24個月內跟進。
  

• 監管權限：CMS可通過其創新中心（CMMI）在無需國會批準的情況下，快速測試新型支付模型，具備極強的政策實驗能力。
  

• 內在動因：CMS正面臨控制成本增長與提升醫療質量的雙重壓力，而AI恰好提供了一條兼顧兩者的路徑——更好的預防可減少昂貴的急性治療，更早的干預可降低住院率，更高效的照護協調則能在降低成本的同時改善結果。

我們并不預期CMS會設立一個統一的“AI報銷編碼”，而是會推出一系列針對性的試點項目和示范計劃。

這為何重要？又能帶來什么？

如果CMS能成功證明：AI賦能的照護既能改善健康結果，又能降低成本，并同步建立讓醫療機構從AI洞察中獲益的支付機制，那么商業保險公司必將迅速跟進，采納同類CPT編碼。

對創業者的啟示：

要將不斷演進的監管框架、試點項目和現有支付結構視為戰略資產。在醫療領域，構建一個能讓臨床AI真正盈利的商業模式至關重要——這不僅是產品落地的關鍵，也將成為應對醫療成本持續攀升趨勢的有效對沖手段。

預測四：自費用戶推動臨床AI落地的速度，將遠超任何醫保報銷編碼的出臺。

盡管CMS正在試點AI支付編碼，而支付方仍在爭論報銷框架，消費者卻已不愿等待——他們開始自掏腰包，倒逼整個醫療體系跟進變革。

過去幾年，消費級健康（Consumer Health）迎來復興，背后是三股力量的交匯：

• 對傳統醫療體系復雜流程與可及性障礙的普遍不滿（例如Hims & Hers憑借異步診療實現爆發式增長）；

• 公眾對預防性健康和科技驅動健康洞察的興趣日益濃厚（如Function Health在不到兩年內實現超1億美元年經常性收入）；

• AI已深度融入日常生活。OpenAI數據顯示，在2026年1月推出ChatGPT Health之前，已有超過4,000萬人每天使用ChatGPT，其中五分之一用戶每周至少提出一次健康相關問題。人們早已習慣向AI尋求健康建議，如今更愿意為能帶來更好照護體驗的AI服務付費。

RadNet對10家醫療機構、747,604名女性的研究發現，36%的女性愿意自費40美元選擇AI增強型乳腺鉬靶篩查。結果驗證了她們的直覺——采用AI增強篩查的群體，整體癌癥檢出率高出43%，其中21%的提升直接歸因于AI分析。

參與該計劃的女性癌癥檢出概率提高21%，且陽性預測值（PPV）提升15%，意味著每次召回檢查更可能確診真實癌癥。

這種自費意愿正在催生一個不受傳統報銷限制約束的“AI優先型”醫療服務新市場。當消費者直接付費時，企業無需等待CPT編碼、支付方合同或報銷政策明朗化，即可部署臨床AI解決方案。

實踐中的典型場景包括：

• 初級與急癥護理：AI優先平臺針對尿路感染、皮膚病、呼吸道感染等常見病提供診斷與治療方案，并由人類醫生監督審核。消費者按次付費，換取更快問診通道以及AI對癥狀、病史和風險因素的全面分析。

• 專科診療第二意見：最直接的例子是面向消費者的AI影像解讀服務——患者可上傳CT、MRI等復雜影像，獲取腫瘤學、心臟病學、骨科或眼科領域的AI增強型第二意見。面對重大治療決策，患者愿意付費讓AI將其影像與數百萬相似病例比對，識別可能被遺漏的細微模式。RadNet研究顯示，AI輔助使放射科醫生診斷準確率從84%–89%提升至約93%。

• 健康AI教練：用戶上傳診斷報告、同步可穿戴設備數據、追蹤健康指標，AI據此監測癥狀、推薦預防措施并預警風險。訂閱制AI健康教練已能以更低價格媲美人工服務。隨著ChatGPT Health、Anthropic的HealthEX等巨頭攜海量用戶入場，新玩家的差異化優勢或將聚焦于慢性病管理、語言療法等細分領域——更重要的是，誰能提供卓越的客戶服務與用戶粘性、深度對接醫療基礎設施，并構建獨特的分發渠道。

為何這至關重要？它將開啟什么？

自費消費市場正在為未來十年“AI醫生”的可行性奠定基礎。我們尚未到達終點——監管框架、責任認定機制和信任壁壘依然巨大。但消費者的主動采納正在解決最根本的難題：證明AI驅動的照護具有經濟價值，且患者愿意為之買單。

對創業者的啟示：

相比等待醫療系統建立支付模型，消費級健康AI市場提供了更快實現收入和產品市場契合（PMF）的路徑。

聚焦那些AI能顯著改善結果的場景——更高的診斷準確率、更早的疾病發現、更快的診療速度——且消費者能直觀感知其價值。

那些率先掌握“以消費者為中心”的AI優先照護模式的企業，將在支付方與醫療機構準備就緒時，占據最有利的競爭位置。

預測五：醫療AI數據基礎設施這一新興賽道初現生機，但它們能否在醫療行業真正捕獲價值并實現可持續增長？

幾十年來，風險投資人在醫療健康基礎設施領域吃盡苦頭，得出一個慘痛教訓：價值往往流向應用層，而非基礎設施層。

為什么？因為醫療健康基礎設施企業面臨結構性挑戰：

• 買家群體極其有限：全美僅有幾千家醫療機構、幾百家支付方（保險公司）和幾百家藥企；而其中真正擁有內部開發團隊、能有效利用數據與基礎設施工具的買家更是鳳毛麟角。相比之下，通用型SaaS（如CRM、HR系統）面向的是數百萬家企業客戶。

• 合同金額普遍較小：醫療機構的IT預算本就緊張。即便是大型醫療系統，也很難為一套基礎設施軟件批準50萬美元以上的合同——畢竟連基礎的應用軟件都捉襟見肘。

• 面臨通用基礎設施巨頭的擠壓：Snowflake、AWS、Databricks等通用型數據平臺已能很好地服務醫療客戶。既然這些平臺功能更強、價格更低、驗證更充分，客戶為何還要選擇“醫療專用”的基礎設施？

結果顯而易見：醫療基礎設施公司歷來難以達到風投所期待的規模。雖有極少數成功案例，但大多數企業的年經常性收入（ARR）止步于2,000萬至5,000萬美元之間——遠不足以支撐風投基金的回報要求。

但如今，風向正在轉變：AI時代催生了對醫療專屬數據與基礎設施的新需求，而這次的買家完全不同——是AI模型實驗室（model labs）和AI應用公司。

我們預計，2026年將見證醫療AI基礎設施領域的顯著投資增長，其驅動力正來自這兩類新興需求方。不過，這類基礎設施能否真正支撐起風投級別的商業回報，目前仍懸而未決。

對創業者的啟示：

如果你正在打造醫療AI基礎設施，請務必聚焦以下三點：

• 與通用平臺形成明確差異化：客戶為什么不能直接用Snowflake、Databricks或AWS？你的解決方案中，哪些能力是真正“醫療專屬”的？必須能清晰論證：為何需要一套獨立于通用平臺的基礎設施。

• 構建可重復、可持續的收入模式：避免一次性數據授權交易。應結合基于用量的計費機制與企業級年度許可，確保穩定、可擴展的經常性收入。

• 服務多元利益相關方，擴大潛在市場：你的平臺需對多個醫療生態角色都有價值，避免被局限在狹小的買家池中。可從多方交集場景切入——例如，在臨床試驗中同時服務醫療機構與生物制藥公司。

• 規劃向應用層延伸的路徑：最具價值的基礎設施公司，往往是那些能進一步捕獲應用層收益的企業。因此，從第一天起就應思考：如何以基礎設施為跳板，未來切入高價值的應用場景，實現“基建+應用”雙輪驅動。

預測六：價值醫療（Value-Based Care）借力AI強勢回歸。

過去十年，價值醫療（Value-Based Care, VBC）一直是醫療行業追逐的“白鯨”——愿景極其誘人：不再按服務數量付費，而是為“讓患者更健康”的結果買單；通過激勵機制對齊，減少浪費性支出，提升醫療質量。

但現實卻令人失望：大多數VBC模式始終難以實現可持續的經濟模型。原因何在？

• 高度依賴人力投入：VBC要求大量患者互動——包括照護協調電話、慢病監測、用藥依從性追蹤、社會決定健康因素（SDOH）支持等。若全部依賴護士和照護協調員人工完成，成本極高。

• 風險承擔下的微薄利潤：VBC企業通常通過按人頭付費（capitation）或共享結余（shared savings）等方式承擔財務風險。然而醫療支出波動大、難預測，微薄的利潤空間意味著一場嚴重的流感季或一位高成本患者就可能吞噬全年盈利。

• 回報周期漫長：VBC的成效通常需12–24個月才能顯現，這要求企業具備雄厚的前期資本，也考驗投資人的耐心。

• 效果歸屬難題：當多位醫生或機構共同參與一位患者的照護時，誰該為最終的健康結果“記功”？歸屬認定復雜且常引發爭議。

這些挑戰導致2022至2024年間VBC領域經歷了一輪殘酷洗牌：大量公司倒閉，幸存者大幅收縮業務，投資人對該賽道普遍失去信心。

而AI正在從根本上重塑VBC的經濟邏輯——它讓患者互動變得可規模化，且邊際成本極低。

過去，一名護士或照護協調員最多管理50–75名患者；而在AI賦能的VBC模式下，同樣一名醫護人員可覆蓋200–300名患者，日常監測與互動由AI承擔，人力聚焦于高價值、高復雜度的干預。

我們預計，2026年將迎來一批全新的、原生融合AI與VBC理念的企業。它們并非傳統VBC公司“打補丁式”地疊加AI，而是從創立第一天起，就圍繞“AI驅動的患者互動”進行架構設計。

屆時，將涌現多家AI優先（AI-first）的新創公司嘗試這一模式

這場由AI驅動的價值醫療復興，或將真正讓“為健康結果付費”的理想照進現實。

預測七：新一代數字CRO將破解制藥行業研發的“不可能三角”——成本、速度與競爭力。

在醫療AI迅猛發展的浪潮中，藥物研發卻始終是“慢車道”。當行政流程從數周壓縮至幾分鐘時，一款新藥的上市仍需10–15年，平均耗資高達10億至20億美元。

傳統的合同研究組織（CRO）至今仍是高度依賴人力的運營模式：成千上萬的科學家在實驗室中對動物和細胞進行物理實驗，按部就班地推進僵化的、線性的測試階段。為降低成本，過去二十年大量此類工作已外包至中國——如今，超過70%的西方新藥研發項目將臨床前研究交由中國CRO完成。

但這一格局正在被打破。2025年4月，美國FDA發布了一項戰略路線圖，立即減少對動物實驗的依賴，首先適用于單克隆抗體類藥物，并計劃在未來3–5年內逐步擴展，最終實現“動物實驗成為例外，而非慣例”。該路線圖明確支持以AI驅動的計算模型、器官芯片（organ-on-chip）系統和計算機毒性預測（in silico toxicity prediction）作為替代方案。

背后的邏輯極具說服力：

• 超過90%在動物實驗中顯示安全的候選藥物，最終因在人體中缺乏療效或出現意外安全性問題而未能獲批；

• 動物實驗不僅緩慢（動輒增加數年研發周期），而且昂貴——例如，一只非人靈長類動物成本高達5萬美元，而一個典型的單抗項目通常需使用100只以上。

2026年，我們將見證一批“AI原生”的數字CRO（Digital CRO）崛起。它們通過用虛擬實驗替代物理實驗，有望將藥物發現周期縮短數月甚至數年，同時為美國重塑本土藥物研發能力、提升全球競爭力創造契機。

實踐中的數字CRO長什么樣？

數字CRO利用AI模擬傳統上依賴實體實驗室、動物和多年測試的生物實驗。不再需要合成數千種化合物逐一篩選，而是在接觸任何真實分子之前，就通過計算模型預測數百萬種候選分子與靶點蛋白的相互作用及潛在毒性。

正在涌現的典型模式包括：

• AI驅動的大分子藥物設計平臺：利用蛋白質語言模型，在“干實驗室”（dry lab）中預測蛋白結構、優化治療特性（如結合親和力、免疫原性風險、可生產性），從數百萬種分子中篩選出最優候選者后再進行合成。這可將生物技術公司確定臨床前候選藥物的時間縮短數月乃至數年。領先企業正通過部署前沿AI模型與平臺化能力，加速客戶研發管線的設計周期并提升成功率。

• 虛擬實驗室平臺：通過計算模擬細胞行為、分子互作和生物通路，在數千種實驗條件下驗證假設、識別藥物靶點、確認作用機制——在不做一次濕實驗（wet lab）的前提下，省去18–24個月的反復試錯。

• AI驅動的機器人自動化實驗平臺：AI調度高通量物理實驗，實現24/7無人化運行，以超人精度并行執行數百項實驗。原本需數月的串行實驗被壓縮至幾周，同時消除人為誤差與操作變異。

• AI輔助的臨床試驗設計平臺：通過計算建模，精準識別最可能對療法產生響應的患者群體，幫助藥企設計更小規模、更快速、成功率更高的臨床試驗。在II期試驗失敗率高達90%的背景下，精準患者分層可顯著改善結果并降低成本。

• 真實世界數據（RWD）平臺：結合臨床試驗數據與真實世界證據，預測藥物在特定患者亞群中的療效與安全性，幫助藥企在投入巨額資金前，優先選擇最有潛力的適應癥。

對創業者的啟示：

數字CRO賽道提供兩條清晰路徑：

• 全棧式AI生物技術公司：自建計算平臺，開發內部藥物管線。優勢是速度快、控制力強，但需大量資本，且仍面臨漫長研發周期；

• 行業級平臺型基礎設施公司：構建通用AI模型與工具，服務整個制藥生態。優勢是收入更快、資本需求更低，但需通過嚴格驗證證明模型可靠性，并攻克企業級銷售難關。

最終定義這個700億美元以上CRO市場的，將是那些能持續展現預測準確性、并深諳監管之道的企業。

—The End—