4000万美元！红杉美国和NEA抢投AI医疗公司Anterior

想象一下这个场景：一位癌症患者刚刚结束与肿瘤科医生的会诊，医生建议立即开始化疗。但在传统流程中，这位患者需要等待几周时间，才能获得保险公司的治疗批准。在这几周里，患者焦虑不安，病情可能恶化，医生和护士则要花费大量时间准备材料、打电话追踪进度、填写各种表格。这不仅是医疗体验的问题，更关乎生命。现在，有一家公司正在用 AI 技术将这个等待时间压缩到 155 秒。是的，你没看错，从几周变成不到三分钟。这意味着患者可以在还坐在诊室里的时候，就获得治疗批准，立即开始治疗计划。

这家公司叫 Anterior，刚刚完成了 4000 万美元的融资，使其总融资额达到 6400 万美元。这轮融资由 NEA 和 Sequoia Capital 继续参与，新投资者包括 FPV 和 Kinnevik。但让我真正感兴趣的不是融资金额本身，而是他们正在解决的问题以及他们解决问题的方式。在我看来，Anterior 代表了 AI 在医疗保健领域应用的一个关键转折点：从技术炫技转向实际落地，从概念验证转向规模化部署。他们的故事揭示了一个深刻的洞察：AI 在医疗保健领域频繁失败，并非因为技术不够先进，而是因为实施方法根本错了。

医疗保险行业的顽疾：事前授权的噩梦

在深入讨论 Anterior 的创新之前，我觉得有必要先理解他们要解决的问题到底有多严重。事前授权，也就是 prior authorization，是美国医疗保险体系中最令人头疼的环节之一。简单来说，就是患者在接受某些治疗或检查之前，必须先获得保险公司的批准。这个流程的初衷是合理的：防止不必要的医疗支出，确保治疗方案符合临床指南。但在实际执行中，它却变成了一场灾难。

从患者角度看，等待审批意味着治疗被推迟，焦虑感加剧，病情可能恶化。我经常听到身边朋友抱怨，明明医生说需要做某个检查或手术，却要等保险公司批准，一等就是一两周甚至更久。在这段时间里，他们不知道自己能否得到治疗，不知道费用会不会被覆盖，只能被动等待。对于癌症、心脏病这类需要紧急治疗的疾病，这种延迟可能直接影响治疗效果甚至生存率。

从医疗机构角度看，事前授权流程消耗了大量人力和时间。护士和医生需要花费数小时整理病历资料、填写表格、与保险公司沟通。我认识的一位护士朋友曾告诉我，她每天有三分之一的时间都在处理各种行政文书工作，而不是照顾患者。这不仅降低了医疗效率，也是导致医护人员职业倦怠的重要原因之一。想象一下，你选择从医是为了救死扶伤，结果却发现自己大部分时间都在填表格、打电话、等待回复，这种挫败感可想而知。

从保险公司角度看，他们也面临巨大挑战。他们需要雇佣大量临床审核人员来处理这些授权请求，需要建立复杂的流程和系统来管理审批。每一份授权请求都需要人工审阅病历、对照临床指南、做出判断。这个过程既昂贵又低效。而且，由于审核人员工作量巨大，难免会出现延迟或错误，进一步恶化了整个系统的表现。可以说，事前授权是一个三输的局面：患者体验差，医疗机构负担重，保险公司成本高。

为什么 AI 在医疗保健领域频繁失败

在过去几年里，无数科技公司试图用 AI 解决医疗保健领域的各种问题。我见过太多令人兴奋的演示和概念验证项目，但绝大多数都止步于试点阶段，无法真正规模化部署。这个现象让我深思：为什么 AI 在其他行业已经取得巨大成功，在医疗保健领域却如此艰难？

Anterior 的 CEO Abdel Mahmoud 博士给出了一个非常精辟的回答："医疗保险领域的 AI 之所以举步维艰，不是因为技术差距，而是因为实施被当作事后考虑的问题。"这句话击中了要害。大多数医疗 AI 公司采用的是"技术优先"的方法：他们开发出一个先进的 AI 模型，然后试图说服医疗机构使用它。他们假设只要技术够好，采用就会自然发生。但现实完全不是这样。

医疗保健是一个极度复杂、高度监管、风险极高的领域。一个 AI 系统不仅需要技术上可行，还需要在真实的临床工作流程中无缝运行，需要被临床医生信任和接受，需要符合各种法规要求，需要能够审计和解释，需要与现有的各种系统集成。这些"非技术"因素往往比技术本身更难解决。我见过太多案例，AI 模型在实验室环境中表现完美，但一旦部署到真实环境中就问题百出，因为它无法处理真实数据的混乱性，无法适应复杂的工作流程，或者无法获得临床医生的信任。

更深层的问题在于，许多 AI 公司并不真正理解医疗机构的运作方式和临床医生的工作需求。他们开发出的解决方案可能在技术上很先进，但在实际使用中却非常笨拙或不实用。比如，一个需要临床医生花费额外时间输入数据的 AI 系统，不管它多么智能，都不会被广泛采用，因为临床医生已经忙得不可开交了。或者一个输出结果难以理解或无法解释的 AI 系统，临床医生也不会信任它，因为他们需要对自己的决策负责。

我认为，这就是为什么通用的大语言模型虽然强大，但无法直接应用于医疗保险工作流程的原因。Mahmoud 博士明确指出，通用大语言模型可以支持一些医疗保险任务，但缺乏医疗保健领域日常使用所需的准确性和集成能力。换句话说，技术只是第一步，"最后一公里"——让大语言模型在医疗保健中真正可用——才是最难的部分。这需要解决准确性、安全性、集成性和可审计性等一系列问题。

Anterior 的差异化：实施优先而非技术优先

Anterior 的创新之处在于，他们从一开始就围绕一个不同的前提构建公司："AI 只有在由临床医生部署、与临床医生并肩工作时，才能在医疗保健领域发挥作用。"这不仅仅是一句口号，而是渗透到他们整个商业模式和产品设计中的核心哲学。Mahmoud 博士说："我们在实施上的投入与在技术上的投入一样多，市场反应验证了这种方法。"

这种方法的具体体现是什么？不同于那些开发一个 AI 产品然后交付给客户自己部署的公司，Anterior 采用的是深度嵌入式的合作模式。他们不仅提供技术，还派遣工程师和临床医生直接与客户团队合作，将技术定制到现有工作流程中，测试输出结果，帮助员工在实践中使用它。这种方法被称为"Forward Deployed Clinician"（前沿部署临床医生）模型，是 Anterior 的一大创新。

我特别欣赏这个模型的地方在于，它承认了一个基本事实：每个医疗保险公司的工作流程都是独特的。他们使用不同的系统，有不同的政策，面临不同的挑战。没有一个通用的 AI 解决方案可以完美适配所有组织。因此，成功部署 AI 需要深入理解每个组织的具体情况，并进行针对性的定制和优化。这就是为什么 Anterior 要派遣临床医生和工程师驻场工作，他们可以观察实际工作流程，与一线员工沟通，发现痛点，然后调整 AI 系统以最好地满足需求。

从客户反馈来看，这种方法确实产生了显著效果。MedWatch 的首席运营和技术官 Valerie Limpus 说："当我们第一次接触 Anterior 时，我对 AI 能否在我们的临床工作流程中大规模运作持怀疑态度。现在我们已经在数百名护士中部署了 Anterior，生产力显著提高，护士们都很喜欢使用它。"WNS-HealthHelp 的首席战略和产品官 George Gjermano 则强调了 Anterior 的协作性："Anterior 与众不同的地方在于他们的协作方式。我与很多医疗科技供应商合作过，但 Anterior 不同。他们真的会接电话并与你一起解决问题。"

这些评价看似简单，但实际上揭示了 Anterior 成功的关键：他们真正将客户的成功视为自己的成功，愿意投入时间和资源来确保部署顺利。在一个充满了"交付即离开"的供应商的行业中，这种深度合作的态度显得尤为珍贵。我认为，这也是为什么 Anterior 能够在短时间内实现如此快速的扩张和如此高的客户满意度的原因。

模块化 AI 平台：从技术架构到实际应用

Anterior 的技术架构也体现了他们"实施优先"的哲学。他们没有开发一个单一用途的 AI 工具，而是构建了一个模块化的临床 AI 推理平台。这个平台提供了多种可组合的模块化 actions，比如读取传真、根据指南解读医疗记录、将政策 PDF 转换为决策逻辑等。医疗保险公司可以将这些模块组合起来，大规模自动化其员工的工作流程。

我觉得这种模块化方法非常聪明，因为它提供了灵活性而不牺牲深度。医疗保险公司可以根据自己的具体需求选择和组合不同的模块，而不是被迫使用一个一刀切的解决方案。同时，每个模块都经过深度优化，确保在其特定任务上表现出色。这就像是乐高积木：每一块积木本身都设计精良，但真正的价值在于你可以用它们构建出无限多种组合。

Mahmoud 博士强调："在核心层面，我们有一个临床 AI 推理平台。"这个"推理"能力是关键。不同于简单的自动化工具，Anterior 的 AI 能够理解复杂的临床情境，应用医学知识和保险政策规则，做出合理的判断。比如，在处理事前授权请求时，AI 需要读取患者的病历，理解诊断和推荐的治疗方案，查阅相关的临床指南和保险政策，然后判断这个治疗是否符合批准标准。这个过程涉及多步推理和决策，而不仅仅是模式匹配。

更重要的是，Anterior 解决了医疗 AI 最关键的"最后一公里"问题。正如 Mahmoud 所说，AI 有时在医疗保险领域失败"不是因为模型的问题，而是因为实施的问题"。Anterior 专注于让大语言模型在医疗保健中真正可用，解决准确性、安全性、集成性和可审计性等问题。他们的系统不仅要准确，还要能够与现有的各种医疗保险系统集成，要能够解释其决策过程以满足监管要求，要足够安全以保护患者隐私。

从定价模式来看，Anterior 也体现了对客户价值的关注。他们基于创造的价值向医疗保险客户收费，定价因使用场景而异，也可能包括基于任务的费用，比如每个自动批准的事前授权收费。这种价值导向的定价模式将 Anterior 的利益与客户的利益紧密绑定：只有当 AI 真正创造价值时，Anterior 才能获得收入。这进一步激励他们确保系统在实际环境中表现出色。

实际成果：数字背后的真实影响

理论和方法论固然重要，但最终还是要看实际成果。从 Anterior 公布的数据来看，他们的方法确实产生了令人印象深刻的结果。让我们仔细看看这些数字背后的意义。

首先是临床准确率：99.24%，这个数字由 KLAS Research 独立验证。在医疗保健领域，准确性不是一个可以妥协的指标。一个错误的批准决策可能导致不必要的医疗支出，一个错误的拒绝决策可能延误必要的治疗。99.24% 的准确率意味着在实际生产环境中，Anterior 的 AI 系统几乎总是能够做出正确的判断。而且这不是在受控的实验室环境中达到的，而是在真实的、复杂的临床工作流程中实现的。

其次是效率提升：某大型企业客户在数百名护士中部署 Anterior 后，临床审核周期减少了约 75%。这意味着原本需要四小时完成的工作，现在一小时就能完成。或者原本需要四天处理的授权请求，现在一天就能处理完。这种效率提升不仅节省了成本，更重要的是加快了患者获得治疗的速度。想象一下，成千上万的患者因此可以更快地开始治疗，这对整个医疗体系的影响是巨大的。

第三是员工满意度：超过 90% 的员工满意度。这个数字特别有意义，因为它表明 AI 不是在取代或威胁员工，而是真正在帮助他们。我认为这是 AI 成功应用的一个关键标志：当一线员工喜欢使用这个工具时，说明它真正解决了他们的痛点，让他们的工作变得更轻松而不是更复杂。护士们不再需要花费大量时间处理繁琐的行政工作，可以将更多精力投入到患者护理中，这正是他们选择这份职业的初衷。

Geisinger Health Plan 的案例更是令人震撼。癌症治疗的批准时间从几周缩短到约 155 秒。让我们把这个数字放到具体场景中理解：一位刚被诊断出癌症的患者，坐在肿瘤科医生的办公室里，医生建议立即开始化疗。在传统流程中，这位患者需要离开诊室，焦虑地等待几周时间。但现在，医生可以在会诊过程中提交授权请求，系统在 155 秒内给出批准，患者还坐在诊室里就已经可以开始安排治疗了。这不仅是效率的提升，更是患者体验和治疗效果的根本改善。

从规模来看，Anterior 目前支持覆盖 5000 万人的医疗保险组织。这意味着他们的系统已经不是在小规模试点，而是在为数千万人的医疗保险决策提供支持。同时，他们实现了平均 5 天的部署周期，这在企业软件领域是非常罕见的快速部署速度，尤其是在医疗保健这样一个复杂和高度监管的领域。

这些数字共同描绘了一幅图景：Anterior 不仅在技术上成功，更重要的是在实际应用中创造了真实的、可衡量的价值。这正是投资者 FPV Ventures 的管理合伙人 Pegah Ebrahimi 所说的"真正的 AI 投资回报（RO'AI）"。在一个充满了无法产生回报的 AI 投资的环境中，Anterior 用实际成果证明了其价值。

医疗 AI 的未来：从点解决方案到全面平台

在与多位医疗科技从业者交流后，我逐渐形成了一个观点：医疗 AI 正在经历一个关键的转型期，从碎片化的点解决方案转向全面的平台化方案。Anterior 的战略正是这一趋势的体现。

Mahmoud 博士在谈到竞争格局时，将竞争对手分为两类。第一类是针对特定医疗保险工作流程的点解决方案。他表示对这些公司的工作很尊重，并承认在某些工作流程上可能有重叠。但他强调："Anterior 正在构建更广泛的东西：一个跨医疗保险全系列工作流程运作的临床 AI 大脑，从事前授权到护理管理，到支付完整性，到风险调整。"

我认为这个定位非常关键。医疗保险公司面临的挑战不是单一的，而是系统性的。事前授权只是众多需要优化的工作流程之一。还有护理管理（确保患者获得适当的护理）、支付完整性（防止欺诈和不当支付）、风险调整（准确评估患者健康风险以合理定价）等等。如果每个工作流程都需要一个单独的 AI 系统，医疗保险公司就会面临集成噩梦：多个系统、多个供应商、多个界面、多个数据格式。

Anterior 的平台化方法试图解决这个问题。通过构建一个统一的临床 AI 推理平台，他们可以跨多个工作流程提供一致的 AI 能力。这不仅简化了集成和管理，还创造了协同效应：在一个工作流程中学到的知识和改进可以应用到其他工作流程中。而且，随着平台处理更多的数据和更多的场景，AI 模型会变得越来越智能和准确。

第二类竞争对手是大型科技公司，如 Anthropic 和 OpenAI。有趣的是，Mahmoud 将 Anterior 与这些公司的关系描述为"合作竞争"而非单纯竞争，视它们为潜在合作伙伴。这个观点很有启发性。大型科技公司擅长开发通用的、强大的基础模型，但他们通常不会深入到特定行业的应用层面。Anterior 可以在这些基础模型之上，构建专门针对医疗保险工作流程优化的应用层，解决准确性、集成性、可审计性等"最后一公里"问题。

从更宏观的角度看，我认为 Anterior 代表了医疗 AI 发展的一个重要方向：专业化的垂直整合。与其试图构建一个适用于所有行业的通用 AI，不如深入到一个特定领域，真正理解这个领域的复杂性，构建针对性的解决方案。医疗保险就是一个足够大、足够复杂、足够有价值的垂直领域，值得一家公司全力以赴地深耕。

我对医疗 AI 落地的深层思考

在研究 Anterior 的过程中，我对 AI 在医疗保健领域的应用有了一些更深层的思考。这些思考超越了单个公司或技术，触及了整个行业转型的本质。

我越来越相信，AI 在医疗保健领域的价值不在于替代人类，而在于重新定义人类的角色。Mahmoud 博士有一句话让我印象深刻："临床医生变成了 AI 的监督者，而不是文书工作的处理者。"这句话抓住了核心：AI 应该解放临床医生，让他们能够专注于真正需要人类判断、同理心和专业知识的工作，而不是被繁琐的行政任务淹没。

想象一下未来的医疗保险工作流程：AI 自动处理 90% 的常规授权请求，只将复杂或边缘案例提交给临床医生审核。临床医生不再需要逐字逐句阅读每份病历、查阅每条政策规则，而是专注于那些真正需要专业判断的困难案例。这不仅提高了效率，也提升了工作质量和满意度。临床医生可以运用他们多年的专业训练去解决真正有挑战性的问题，而不是重复性地处理简单案例。

但这种转型需要建立在信任的基础上。临床医生必须信任 AI 系统的判断，相信它不会犯致命错误。这就是为什么 99.24% 的临床准确率如此重要，为什么可解释性和可审计性如此关键。如果临床医生不信任 AI，他们就会重新审查每一个 AI 决策，这样 AI 就没有产生任何效率提升，反而增加了额外的工作负担。

我也思考了 AI 对医疗公平性的影响。理论上，AI 可以通过标准化决策流程来减少人为偏见和不一致性。如果每个授权请求都由同一个 AI 系统根据同样的标准评估，那么来自不同背景、不同地区的患者应该得到更公平的待遇。但前提是 AI 系统本身没有偏见，这需要在训练数据、算法设计和验证过程中都保持警惕。Anterior 的做法是将临床医生深度嵌入到系统开发和部署中，这有助于发现和纠正潜在的偏见。

从经济角度看，我认为像 Anterior 这样的 AI 平台有潜力从根本上降低医疗成本。美国医疗体系的一个大问题是行政成本过高，据估计占总医疗支出的 25-30%。如果 AI 能够大幅减少行政成本，节省下来的资源可以用于实际的患者护理。同时，通过加快授权流程和改善护理协调，AI 还可以改善治疗效果，避免不必要的并发症和再入院，进一步降低成本。

但我也看到一些挑战和风险。随着 AI 在医疗决策中扮演越来越重要的角色，责任归属问题会变得复杂。如果 AI 做出了错误的批准或拒绝决策，谁应该负责？是 AI 开发公司、医疗保险公司，还是监督这个决策的临床医生？这需要法律和监管框架的更新。另外，过度依赖 AI 也可能导致临床技能的退化。如果临床医生习惯了让 AI 处理大部分案例，他们是否还能保持敏锐的临床判断能力？

隐私和数据安全也是一个重要考虑。AI 系统需要访问大量敏感的患者数据才能运作。虽然这些数据通常是去标识化的，但仍然存在泄露或滥用的风险。医疗保险公司和 AI 供应商需要实施严格的数据保护措施，确保符合 HIPAA 等法规要求。Anterior 作为一个处理高度敏感医疗数据的平台，必须在这方面做到极致的谨慎。

文章来自微信公众号 “ 深思圈 ”