文 | vb 動脈網
2024 年尚未結束，湧入醫療領域的大模型已逾百個。
衆多企業涉獵的區域十分廣泛，常見的診療全流程、深度學習加持多年的醫學影像、冷門但有潛力的中醫康複……他們似乎要把科技醫療闆塊全部重做一遍。
不過，井噴式發展下的生成式 AI 并不一定能讓用戶悉數買單。尤其是在當下的經濟周期波動期，一項應用要想順利落地并且實現商業化，必須精準把控用戶的真實需求。
那麽，什麽樣的醫療大模型應用能夠脫穎而出？答案或能給到 " 智能體 "。
智能體的價值在哪裏？
所謂智能體，是指能夠感知環境、進行決策并采取行動的系統。它們可以是軟件程序、機器人或其他自動化設備，具備一定的自主性和智能性，可以通過與環境的交互，不斷學習和适應，從而實現特定的目标。
在 ChatGPT 風靡之前，各類處理文本的機器人已經廣泛應用于客服、營銷等通用場景。這些機器人的能力與智能體有相似之處，但缺乏生成式 AI 支持，隻能在檢索到關鍵詞後前往數據庫中調用相應的文本，沒辦法對用戶的提問進行分析，亦無法給出多樣化的解答。
置于醫療這樣一個專業領域，此類應用的能力更顯得捉襟見肘。前幾年的特殊環境下，很多企業追趕遠程醫療的熱潮，曾投入大量成本精力建立 " 智能醫生 "" 營銷助手 " 等應用用于診前服務、藥械推廣……他們在推廣階段大肆都買流量，一度賺得盆滿缽滿，但伴随人們生活回歸正軌，缺乏個性化解決方案的營銷套路已不再奏效，很多聊天助手也因不夠智能逐漸失去了訪問的用戶。
即便如此，數年的實踐還是驗證了診前環節（問診、導診）與線上藥械營銷背後的龐大需求。那麽，如果能夠借助新的技術對醫療企業的營銷思維和營銷方式進行一次徹底變革，企業或有可能找到一個新的路徑重新書寫互聯網醫療與數字化藥械營銷。
這正是智能體的價值所在。
借助于生成式 AI，智能體能在同樣的場景下交出截然不同的答卷。它能夠 " 理解 " 問題，給出準确的、精準的解答，也能同用戶交互，像 " 真實的人 " 的那樣進行多輪對話，層層遞進逐一滿足用戶的多元化需求。
此外，智能體還能一定程度解決人力問題，環節人力常見的通宵排班、高培養成本、高離職難，并能精準分析訪問數據，幫助管理者實現動态決策。
憑借這些優勢，智能體已經在互聯網醫療、數字營銷醫院管理登場快速落地。畢竟，有成熟應用在前，它無須再同深度學習一樣需要去創造需求、去培養市場，隻需深入這個市場，以舊換新。
2024 年發布的各類智能體（非完全統計）
大模型繞不開的診前環節
對于衆多着力于智能體的互聯網企業而言，診前場景是一個不得不選的場景。
一方面，診前環節大都存在高頻溝通、快速響應等特征，醫患需求高度匹配智能體優勢，能夠充分發揮生成式 AI 的能力。
另一方面，往後的診中、診後涉及臨床數據，大部分醫院要求本地化部署，但大多數沒有驅動大模型運行的基礎設施。而診前的導診、問診、分診等場景對于健康數據的安全要求較低，企業的部署難度随之降低，可能變現的用戶群體也更爲廣泛。
此外，互聯網醫療興起之時，企業已爲診前環節植入了大量 AI，擁有充足的運營經驗。憑借這些優勢，訊飛醫療、騰訊健康、百度靈醫智惠均在此完成布局。
訊飛醫療的星火大模型直面的是醫患溝通這一痛點。在星火大模型的支持下，AI 能夠模拟醫生與患者進行自由對話，根據患者的病情描述，智能推薦就診科室和合适的醫生。同時，該大模型還能基于患者的病情描述、病史等信息，自動生成電子病曆，提高病曆記錄的效率和準确性。
騰訊健康與訊飛醫療的邏輯相似，但它更爲精細地捕捉到了 " 預問診 " 這一需求。基于過往智能導診的經驗，騰訊健康用大模型做了一個 AI 預問診系統，患者預約挂号後便可同系統進行詳細的預問診回答，提前提供主訴、既往病史、用藥禁忌等信息。正式就診時，醫生對于患者的病情已有一定了解，便能提出更多針對性的問題，診斷的精準度也随之提升。
百度靈醫智惠走得稍微快一些，在診前環節拿出了智能分導診、智慧加号、智能候診三個應用。首先，智能分導診面向的是患者常見的分導診需求。大模型支持下，AI 可模拟診前咨詢流程，引導患者對病症進行準确描述，借助推理能力進行歸納彙總，爲患者精準匹配與病情相适應的臨床科室和專家。通過這種方式，醫院能夠将有效的醫療資源最大化利用，讓每一個醫生都發揮出他們應有的價值。
其次，智慧加号的價值在于補足醫院過去服務體系中的 " 真空地帶 "。智能加号的價值在于能将過去患者單方面的申請轉變爲醫患雙方的 " 協議 "。具體而言，患者首先在線上與 AI 模型進行交互，同時上傳檢查結果，模型随後會提取病史摘要和關鍵陽性信息，幫助醫生在短時間内判斷患者是否需要接受專家診療，從而實現精準加号。在武漢協和醫院的實際調用結果顯示，這一方式，明顯減少了醫生翻閱資料及同患者溝通的時間，還能幫助醫生更準确地确定病因，有效提升診療質量。
最後，智能候診意在優化醫生的問診效率，提升患者就醫體驗。AI 支持下，醫生在診室中接待患者時，隻需幾秒鍾浏覽這份整理好的病曆，迅速了解患者的大緻情況。最終，醫生不僅省下了問診與病曆書寫時間，還使得醫患交流更加精準和高效，醫生的診療決策更爲準确。
當然，也有不少企業将智能體的價值放在了随訪、藥品說明書等環節，構建患者社群，最終尋求藥企付費。歸根結底，過去互聯網醫療實現的種種創新，現在智能體帶來了跨時代的升級。
用智能體制造一個 " 鑽孔 "
由于診前場景落地快、需求強烈、應用易于搭建等諸多特征存在，這裏自然成爲智能體紮堆的紅海。因此，也有不少企業選擇跳開競争押注未來，圍繞 B 端的藥企或醫院展開布局。
過去數年的藥企數字化轉型及智慧醫院建設，使得醫療行業的 B 端用戶具備了相當成熟的智能化能力，但也隐藏着一些新的問題。
譬如，一些案例有醫藥企業在推行數字化轉型時，投入大量資金引入多種數字系統，但由于缺乏合理的系統整合，導緻各部門系統互不兼容。
還有企業希望通過數字化工具來提高溝通效率，充分挖掘客情。而在實際之中，業務人員缺少必要的培訓和溝通，面對過于複雜的表單抵觸情緒嚴重，常常漏填或者亂填，導緻數字化系統在實施過程中碰到極大的阻力。
因此，要在這一基礎上推動智能體落地，一是要保證 AI 盡可能無縫接入原有系統，二是要保證系統本身的易用性，易于實現與用戶的溝通。
最爲重要的是，智能體的能力需要與過去的智慧醫院系統作出區分，充分發揮生成式 AI 的優勢。
畢竟，現在的管理者已經擁有了大量分析工具，他們需要的不再是鑽頭，而是鑽孔。
舉個例子，熙軟科技最近的醫院運營智能體已在多家醫院完成商業化落地，其創始人、董事長陳沖在采訪中表示：" 醫院作爲一個專業性強、管理模式複雜的社會組織，國家對其業務有着明确的政策要求，醫院内部也有着完善的管理制度與運營流程規範，其内容龐大和流程複雜常常導緻醫務工作者在查詢文件和處理流程上花費諸多的時間與精力。"
爲了幫助提升醫院整體運行效率，推動醫院管理制度的全面準确落地，熙軟科技打造的小熙 AI 運營助理将醫院運營相關政策與制度融入知識庫，借助領域大模型技術、Agent 技術、傳統機器學習技術和底層多形态知識庫，實現智能知識問答、智能數據分析、智能操作體驗 " 三大應用 "。
對于醫務工作者而言，他們在申請出差時隻要簡單提問，就能清晰了解差旅報銷标準；想要查詢科室的運營數據，隻需向小熙 AI 運營助理發問，便會直接獲取想要的數據。同時，" 小熙 " 還可以對數據進行全面的分析和解讀；無論是預算、報銷還是合同等審批，醫務工作者都可以在和小熙的對話中一鍵進入，輕松操作，無需再去登錄不同界面和不同操作系統……
再談智能化需求更大的醫院管理者。非生成式 AI 支撐的運營系統雖然也能實現對運營數據進行歸納總結，但其缺陷顯而易見：一是平台展示的數據維度有限，且難以及時擴充；二是缺乏有效的交互性，管理者隻能使用平台預先設計好的算法進行特定維度數據的分析，無法提出個性化的數據處理需求。
相比之下，醫院運營管理智能體能夠幫助管理者實時獲取所需的各種深度數據分析與服務，并根據管理者的習慣，自動推送其期望掌握的數據。即便初次推送的内容未能完全滿足管理者的管理需求，系統也支持通過多模态交互方式，進一步定制并推送符合期望的信息。
總的來說，醫院運營管理智能體已逐漸成爲提升醫療機構效率效益的重要技術實現路徑，并爲醫院運營管理效率帶來極大提升。
智能體之間，不止考驗模型能力
盡管智能體的技術突破使其有能力快速占據過往已成規模的市場，具備 " 殺手級應用 " 的潛質，但在實際運行中，其現有的缺陷仍然顯而易見的。
當大模型能力不達标時，很多智能體并不能在導診、輔助時給出絕對正确的答案，風險隐藏其中。
此外，對于現有的企業而言，搭建一個智能體很簡單，而要使得自己的智能體從衆多同類應用之中脫穎而出，仍然需要企業投以大量優質數據，不斷訓練、喂養、積累模型，才能逐漸形成優秀的業務能力。
對于大多數創業公司而言這都是一個考驗，這意味着企業不僅要維持研發，還需在大模型落地環節加大投入。畢竟愈多的落地案例，才能反哺模型，進一步強化它的泛化能力。
因此，從商業化到盈利，智能體仍有相當長的路要走。尤其是在百模大戰進入白熱化的今天，智能體的運營商們或許需要重新審視一下自己的現金流，保證其能堅持到最終的勝利。
