一项新技术如何在短短 18 个月内被 40% 的美国医生采用？在这个生物技术迎来黄金时代，却也催生了医生职业倦怠黑暗时期的年代，OpenEvidence 公司通过从根本上改变医生获取关键信息的方式，找到了这一问题的答案。 OpenEvidence 创始人丹尼尔探讨其公司如何攻克医疗领域的语义搜索难题。他分享了将医生视为消费者的战略思路、如何在医疗沟通中平衡各方需求以让患者全程参与其中，以及技术将如何重塑医疗行业与医学教育的未来格局。此外，丹尼尔还阐述了自己对积极性根源的见解，以及奉行的招聘理念。《No Priors》

{"highlight":[{"answer":"尽管我们很想认为公司发展得特别顺利，但我得先说明一点：在人工智能的所有子行业中，你都会看到发展速度加快、周期压缩的现象，对吧？所以，即便是在OpenEvidence出现之前，在知识工作、编程等其他领域，技术的采用周期也已极度缩短。过去，一项技术成为标准可能需要五年或十年，而现在似乎只需一两年。OpenEvidence也是如此。在大约18个月内，它就成了美国的“临床知识操作系统”。在我们专注的领域——也就是医生的高风险临床决策支持领域——它的使用量大约是同类第二大平台的20倍。高风险临床决策支持是医学中的一个特定类别，有别于文书工作或病历记录等。那些虽然也是医生工作流程的一部分，但风险和后果不同。如果搞错了文书，你可以重来，但病人的情况不一样——你必须一次就做对，没有重来的机会。因此，临床决策支持所服务的临床决策，无疑是医学中风险最高的领域。我们可能是唯一一家在这个领域前沿深耕的公司。大多数人，尤其是从人工智能角度来看，都主动避开了高风险临床决策这个难题，因为他们觉得这太有挑战性了。","question":"那么，能否给我们讲讲OpenEvidence这款爆火产品目前在美国医生中的普及情况？"},{"answer":"是的。从本质上讲，这是一个搜索问题，但却是一个高度语义化的搜索问题。传统搜索大多依赖关键词，对吧？比如“巴塞罗那航班”或“巴塞罗那酒店”，这类关键词用几个词或一句话就能概括，这就是典型的谷歌搜索模式。但即便你把临床决策支持看作一个搜索问题，医生描述搜索需求（这么说的话）通常也需要好几句话。我举个例子：假设你有一位44岁的女性患者，患有中重度银屑病——就是皮肤上那种红色的斑块。作为皮肤科医生，到这一步都还算简单，你可能会开电视广告里常见的某种药膏。但问题是，她还患有多发性硬化症（MS）。这下情况就复杂了：你既要治疗她的银屑病，又不能让她的多发性硬化症恶化，而你是皮肤科医生，并非神经科医生。神经科不是你的专业领域，但你又不想转诊给神经科医生，因为你想亲自治疗她的银屑病。如果医生们总是互相转诊，病人就得不到实质性治疗了。作为皮肤科医生，你可能隐约听说过，治疗银屑病的新型生物制剂——IL-17抑制剂和IL-23抑制剂——可能会对患者的神经状况产生某些影响。但你也就知道这么多了。这些知识你在医学院根本学不到，因为IL-23抑制剂是2019年才获得FDA批准的。这也是OpenEvidence的一大核心议题：生物技术的黄金时代，某种程度上也是医生职业倦怠的黑暗时代——因为实在无法跟上所有新药和新作用机制的更新速度。2019年获批的药物，而你可能2005年就从医学院毕业了，医学院当然不会教这个。这就是你所掌握的全部信息。所以你的问题是：对于一位患有中重度银屑病的44岁女性患者，IL-17抑制剂和IL-23抑制剂哪种更适合，且在不加重多发性硬化症的前提下安全性更高？这可不是个学术问题，而是个事关重大的问题。IL-17抑制剂实际上会加重多发性硬化症，而IL-23抑制剂在多发性硬化症患者中则安全且耐受性良好。这就是一个可能出现医疗失误的例子——即便在五到十年前，遇到这种情况，要么转诊给神经科医生（结果陷入无限转诊循环，病人得不到治疗），要么更糟的是，医生可能凭50%的概率瞎猜，结果导致患者的多发性硬化症加重。众所周知，医疗失误是美国继心脏病和癌症之后的第三大死亡原因。但这个统计数据其实还低估了问题的严重性，因为它只统计了死亡案例。在我举的这个例子中，患者不会因为使用IL-17抑制剂而死亡，但会出现多发性硬化症复发。所以，医疗失误不仅是主要死亡原因之一，因医疗失误而死亡的人数，其10到100倍的人可能会因此出现并发症或原有病情加重等情况。回到你的问题：刚才那一大段描述就是搜索需求。你不能用传统搜索方式只输入“IL-17”，因为这根本不是问题的核心。医生也没时间去阅读相关的整本书章节。你需要的是对查询内容的语义理解，就像另一位医生会如何理解这个问题一样。一旦实现了语义理解，后续就相当确定和简单了。从已发表的生物医学文献中，你可以找到《新英格兰医学杂志》上三期随机对照试验（RCT）中的具体片段，这些试验测试了这两种药物，发现一种会加重多发性硬化症，另一种则不会。所以，一旦语义理解了查询，剩下的就基本是确定性的搜索问题了。但关键在于，要把复杂的医疗场景语义与答案联系起来——答案可能隐藏在《新英格兰医学杂志》的三期随机对照试验中，甚至不在摘要里，而是在方法部分或研究人群部分的某个片段中。","question":"你能否按顺序或从各个方面解释一下？我认为从根本上来说，这涉及到筛选信息，然后将其转化为针对患者的具体建议或诊断。你能详细说说这是如何运作的吗？"},{"answer":"其实两者都有考虑。这算是个小妙招吧。我想打造一家面向知识工作者的消费互联网公司，这在当时从未有人做过。所以我压根不想做医疗公司——红杉资本有句评价很到位，说OpenEvidence是“伪装成医疗公司的消费互联网公司”。我对医疗公司毫无兴趣，我想做的是消费互联网公司，但要做一件前所未有的事：把知识工作者当消费者对待。在这之前，我的职业生涯一直与知识工作者打交道。人们对“消费者”的理解很狭隘，总把TikTok上的14岁少年当作典型，但这只是一种消费者。华尔街的交易员是消费者，律师是消费者，医生也是消费者——他们首先是人。我意识到，从来没有人这样对待过医生。医生一直被视为医疗系统的附属品，而医疗系统是决策者和守门人。像首席医疗信息官（CMIO）这样的职位会决定医生能用什么工具，尽管很多CMIO根本没有医学学位。我当时就想：这种医疗系统的组织方式很有意思。深入了解后，你会发现一些可能导致其 dysfunction 的原因。对我来说，最深刻的认识是：医生作为“战斗机飞行员”、知识工作者，肩负着医学博士的声誉和高风险决策责任，却不能决定自己使用什么技术工具——这太不合理了。于是我们做了一件前所未有的事：把医生当消费者，让他们能在应用商店下载免费应用直接使用。这听起来简单，实则影响深远。就像人际关系中，人们会陷入僵化的互动模式，直到有人用全新的方式打破僵局——我们对医生做的就是这件事。","question":"你在创办OpenEvidence之前已是成功的创业者。你想建立一家有影响力的公司，比如进入医疗领域。那当初决定服务医生而非普通消费者，是出于什么契机？毕竟你在增长策略上很有消费互联网创业者的思维。"}]}