Abridge AI 幫醫師「把時間還給病人」，也還醫師下班後的自由

在台灣的醫療現場，每位醫師或多或少都有過這樣的經驗：開完刀或看完門診及會診後，回到辦公室還要花不少時間整理病歷、寫手術或診療紀錄。這種「作業」不僅壓縮了醫師的空閒時間，更讓許多優秀的醫療人才對這個工作感到疲憊。在美國賓州匹茲堡一家名為 Abridge 的醫療 AI 公司，正在嘗試用技術解決這個全球醫療界都面臨的痛點，利用 AI 自動生成臨床病歷和醫療對話，減輕醫療工作者的行政負擔，使他們能更專注於照護病人。這家公司的創辦人不是什麼科技天才，而是一位仍在臨床第一線工作的心臟科醫師 Dr. Shiv Rao，他的故事讓我們再次看見，改變醫療的創新往往來自於真正理解臨床需求的醫師。

從音樂創作者到心臟科醫師

Dr. Shiv Rao 的故事很像勵志電影的劇本，在匹茲堡長大的他，青少年時期是個滑板愛好者，聽 Fugazi、Minor Threat 的音樂，在卡內基美隆大學（Carnegie Mellon University）就讀時，他主修電腦科學與藝術，還在藝術博物館當 DJ，創作前衛的電子音樂。Rao 回憶起那段時光：「我當時完全是在反抗所有我認識的印度醫師，包括我父親、我姐姐，以及我成長過程中認識的每個人。所以我學了很多其他的東西，處在我現在所做事情的負集合當中。」他獲得獎學金在電腦科學學院和美術學院編程虛擬合成器，修了很多電影理論和藝術理論課程。

真正改變 Rao 人生軌跡的，是一場關於永續建築的演講。建築教授 William McDonough 分享了一個印度眼科醫師的故事：這位醫師設計了一個旋轉平台，讓自己能夠快速地為病人進行白內障手術。透過這個創新設計，他在職業生涯中為超過 100 萬人恢復了視力，並將這項技術傳授給女兒，後者又幫助了 40 萬人重見光明。這個故事深深震撼了當時還是大學生的 Rao，他開始思考，什麼樣的工作能夠產生如此巨大的社會影響力？這個問題的答案，最終引導他走向了醫學院：「我記得那場講座結束時，我想到了我眼前的兩條路。」最終，他選擇了醫學這條路。

臨床經驗塑造的創新思維

Rao 在密西根大學醫學院照顧第一個病人的經驗，為他日後創立 Abridge 埋下了種子。當時他剛從醫學院畢業，帶著新進醫師的自信走進病房，卻遇到一位教授身份的病人開始考他關於多發性內分泌腫瘤（Multiple Endocrine Neoplasia）的知識，面對這個連 MCAT 考試都會出現的艱深問題，Rao 選擇誠實承認自己的無知，並提議與病人一起查閱文獻。

「我記得走進房間時帶著剛從醫學院畢業的那種自信，以為我可以進來告訴這個病人怎麼回事，這是鑑別診斷，這是我們要做的。但她一進來就開始考我，問我她是否患有多發性內分泌腫瘤 2A 型還是 2B 型。那就像 MCAT 考試的問題，不是任何人能夠脫口而出的問題。但這是最令人難以置信的、謙卑的經歷。」Rao 回憶，這個經驗讓他體認到，在資訊爆炸的時代，醫師與病人之間的關係正在發生根本性的改變。「我記得當下她很欣賞這一點。我認為我們在那一刻建立了某種融洽的關係，某種信任，特別是當病人擁有所有這些知識。」

另一個關鍵經驗發生在他住院醫師期間，一位 40 多歲的前職業棒球投手因為敗血性休克（Septic Shock）被轉送到加護病房，由於前一家醫院在沒有充分補充體液的情況下使用了血管收縮劑（Vasopressor），導致這位病人最終需要截肢。這個悲劇讓 Rao 深刻體認到，如果能將最新的醫學知識更有效地傳遞到臨床第一線，許多不必要的悲劇是可以避免的。「我們可能熟悉敗血症治療指引如何與時俱進，但我認為敗血性休克照護的一個原則是你想要給病人大量輸液，因為他們的血管會收縮，那麼你就無法向身體其他部位輸送足夠的血液，器官就會開始死亡。」Rao 解釋當時的醫療錯誤。

Abridge 的誕生：一個病人故事的啟發

2018 年 3 月，一個看似尋常的門診，成為 Abridge 創立的直接催化劑。Rao在心臟科門診遇到一位 50 歲的乳癌病人，她因為即將開始使用可能影響心臟功能的化療藥物 Doxorubicin，需要進行術前心臟評估。這位病人在整個看診過程中顯得極度緊張焦慮，當 Rao 詢問原因時，她解釋說，在過去 10 年的抗癌過程中，她的丈夫都會陪同她看診，但這次他無法前來。她說：「他在診間裡總是很安靜，就坐在角落做筆記。正因為他在做筆記，我才能專心與醫師對話，因為我知道回家後我們可以一起整理這些筆記，查詢那些醫學術語，然後在下次看診時能夠像故事的主角一樣重述病情，而不是像個局外人。」

這個故事讓 Rao 產生一個深刻的洞察：無論是病人還是醫師，大家都希望能夠建立更好的關係，進行更有意義的對話。如果科技能夠扮演那位安靜做筆記的丈夫角色，是否就能讓醫師和病人都更專注於彼此，建立更深層的連結？「我認為對我和我們早期在 Abridge 的許多人來說，這關乎能動性、關於我們所有人真正想要建立更好的關係，進行更好的對話，讓彼此更好。如果我們能夠以某種方式利用技術讓這些人更親近，幫助他們進行更多的眼神接觸，做醫師必須做的事情，不僅僅是晚餐吃完後，還要為了病歷工作數小時，這難道不是矛盾嗎？」Rao 說。

技術架構：從 BERT 到大型語言模型的演進

Abridge 的技術發展歷程展現了醫療 AI 領域從傳統機器學習到大型語言模型（Large Language Models, LLMs）的技術演進。公司成立於 2018 年，當時距離 ChatGPT 的問世還有 4 年時間；Rao 曾在 UPMC 擔任心臟血管研究所的教授，並在 UPMC 的創投部門擔任執行副總裁，投資醫療科技領域新創。

早期技術架構的創新挑戰

在大型語言模型尚未成熟的年代，Abridge 的首席技術長 Zack Lipton 教授在卡內基美隆大學開發了一套創新的雙階段模組化摘要系統（Two-Stage Modular Summarization Pipeline），設計理念是將複雜的醫療對話轉換問題分解成兩個可以被管理的子任務。

第一階段是話語提取（Utterance Extraction），使用基於 BERT 的模型對對話中的每句話進行「筆記價值」（Note-Worthiness）分類；這個階段的挑戰在於，醫療對話中包含大量的社交寒暄、重複確認和非醫療相關的內容。AI 需要學會識別哪些內容對於醫療記錄具有實際價值，例如當病人說「我昨天晚上睡得不好，感覺胸口有點悶」時，AI 需要識別出「胸口悶」是重要的症狀描述，而「昨天晚上睡得不好」可能是相關的背景資訊。

第二階段是抽象式摘要（Abstractive Summarization），使用經過微調的 T5 Transformer 模型，將篩選出的重要對話內容轉換成符合醫師習慣的 SOAP 格式病歷；SOAP 是醫療界廣泛使用的病歷格式，分別代表主觀症狀（Subjective）、客觀檢查（Objective）、評估（Assessment）和計畫（Plan），這個階段的技術難點在於如何將自然語言對話轉換成結構化的醫療文件，同時保持醫療術語的準確性和完整性。

數據收集與標註的挑戰

Abridge 早期面臨的最大挑戰之一是獲得足夠的高品質訓練數據，為了解決這個問題，公司採取了一個創新的策略：在 2019 年 7 月推出一個免費的 Consumer 應用程式，讓病人記錄他們與醫師的對話，然後獲得基本的摘要功能。這個應用程式不僅為公司提供了真實世界數據，還讓團隊能夠從用戶那裡獲得知情同意，使用這些數據進行標註和模型訓練，也讓 Abridge 能夠從病人的角度理解醫療對話的需求，這對於後來的產品開發非常重要。

大型語言模型時代的技術革新

2022 年開始，Abridge 將大型語言模型整合到技術堆疊中，帶來顯著的輸出品質提升，Rao 描述這個轉變：「2022 年我們開始將 LLM 拉進來，看到了輸出質量的逐步改進。」目前的系統已經發展成一個複雜的推理引擎（Reasoning Engine），整合了 20–25 個不同的模型，共同協作產生臨床有用且符合申報要求的病歷，架構的複雜性反映了醫療 AI 的特殊要求：不僅要準確轉錄對話內容，還要理解醫療語境、遵循申報規則、確保法規合規性。推理引擎的架構包含多個專門化的模型：負責偵測幻覺（Hallucination）的護欄模型（Guardrail Models）、執行資訊提取的模型，以及能夠在電子病歷中自動產生醫囑模板的模型，每個模型都有其特定的功能，但它們必須協同工作以產生最終的輸出。

多模態資料整合的技術突破

Abridge 最新推出的情境推理引擎（Contextual Reasoning Engine）展現更強大的能力，能夠整合來自多個來源的異質性資料，包括電子病歷、保險給付系統、批價週期系統、醫學教科書、編碼最佳作法，以及特定醫療機構的內部規範，能夠自動處理醫師最不願意做的行政工作。Rao 描述這個痛點：「我記得我曾經在匹茲堡大學醫學中心 UPMC 的臨床病歷改善團隊工作，我們會試圖教不同部門的醫師如何寫可申報的病歷、如何達到 PCP、什麼是風險調整、什麼是HCC、HCC 如何映射到 ICD，如何思考監測、評估或治療，因為這將對醫師得到多少報酬、信貸以及 Medicare 如何給付產生很大的影響。但沒有醫師想被教導如何成為編碼或審計人員、沒有人去醫學院想記住這些東西，他們只想回去看他們的病人。」

醫師在看診前啟動裝置上的 Abridge AI，AI 就會開始錄音並轉譯對話內容成結構化的醫療紀錄​，包括就診的主訴、病史、檢查結果、診斷和治療計畫，每一段 AI 生成的文字都可連回原始醫病對話的片段（Linked Evidence），醫師可核對來源以確保內容無誤​。Abridge AI 使用內部研發的專門模型，語音辨識模組還特別針對醫療場域優化，例如可準確分辨多個說話者（如醫師、護理師、病人）並精準辨識專業醫學的詞彙。根據 Abridge 提供的數據，系統可自動化約 91% 的文書工作量，每位醫師每個月平均可節省約 70小時​。

疾病應用領域與臨床實證

跨專科全方位部署的規模與挑戰

Abridge 目前已在全美各地 100 個以上涵蓋東西各州的學術醫院和大型醫療體系部署，囊括多個專科和臨床場域，不僅限於門診，還包括急診、加護病房，也即將擴展到住院病房，反映 Abridge 對於醫療 AI 市場的深刻理解及解決方案的廣泛適用性。Rao 解釋他們的市場策略：「醫療的同質性相當低，市場的一端是大型整合醫療體系、學術型的醫學中心，70% 的醫師都在這一端的複雜系統，而市場的另一端是獨立的基層醫療醫師、接受現金支付的病人。」目前使用 Abridge AI 平台的臨床醫師已達數千名，服務的病人以數十萬計​。

選擇服務大型醫療體系意味著他們需要滿足更高的技術要求，包括支援所有專科、所有臨床環境（門診、住院、急診），以及多種語言，雖然這增加了技術複雜度，但也建立了更高的競爭門檻。Abridge 的技術能夠處理多種語言的醫療對話，以波士頓為例，系統每天處理數萬筆以海地克里奧爾語（Haitian Creole）和巴西葡萄牙語進行的醫療對話，對於服務多元族群的醫療機構來說極為重要，也展現了 AI 技術在解決醫療可近性問題上的潛力。

Kaiser Permanente 的深度合作案例

Kaiser Permanente 是美國最大的非營利綜合醫療體系，其使用 Abridge 的實證數據提供重要的效果驗證，根據官方數據，63% 的 Kaiser Permanente 醫師現在是 Abridge 的活躍使用者，已經轉錄並摘要了超過 630 萬次病人就診記錄。這個合作案例的意義不僅在於使用率的高度普及，同時顯示了醫師對這項技術的信任度，在醫療領域任何新技術的採用都需要經過嚴格的驗證和長期的信任建立過程。2024 年經過一年的測試驗證後，Kaiser Permanente 將 Abridge AI 的產品擴展至旗下 40 家醫院和 600 多個診所，成為全美最大規模的 AI 臨床病歷導入案例之一​；Kaiser Permanente 在美國是個以品質和效率著稱的醫療體系，對 Abridge 的大規模採用為其他醫療機構提供了重要的範例。

臨床工作流程的實際改善案例

一位在 Tanner Health 工作的基層醫療醫師分享她的使用經驗，生動地展現了 Abridge 對醫師工作生活平衡的實際改善：「上週吃晚餐時，我兒子問我：『媽媽，妳為什麼現在不用工作？』我拿出手機向他解釋，Abridge 是一個新工具，讓媽媽可以早點回家和家人一起吃晚餐。我開始流淚，看向我的丈夫，他說：『媽媽現在每天晚上都可以和我們一起吃晚餐了。』」這個案例突顯了醫療 AI 對於解決醫師工作負擔的實際效果；以前醫師需要在看診結束後花費大量時間整理病歷，這種「作業」嚴重影響他們與家人的相處時間，Abridge 的技術讓醫師能夠在看診過程中就完成大部分的病歷文件工作，顯著改善工作效率。

專科醫療的特殊需求

不同醫療專科對於 AI 輔助文件的需求存在顯著差異，例如心臟科醫師需要詳細記錄心電圖判讀、心臟超音波檢查結果和血管介入性治療的細節；而精神科醫師則更關注病人的情緒狀態、認知功能評估和治療反應。Abridge 的系統需要能夠理解這些專科特異性的醫療語言和文件格式要求，在急診的應用 Abridge 面臨更大的挑戰，急診環境通常非常嘈雜，醫師與病人的對話經常被打斷，而且需要快速做出關鍵決策。AI 系統必須能夠在這種高壓環境中準確捕捉重要的醫療資訊，同時過濾掉環境噪音和非相關對話。在急診的導入測試中，導入 Abridge AI 後醫師病歷紀錄工作減少 86%、下班後補病歷的情況減少 60%、自評職業倦怠感降低 55%​。

Dr. Shiv Rao 的未來規劃與展望

持續參與臨床實務

即使身為一家估值 27.5 億美元公司的執行長，Rao 仍然堅持每週四值班，每月週末輪班一次，維持心臟科醫師的臨床實務。這種堅持不僅是出於對醫療這份職業的熱愛，更是確保公司產品開發始終能貼近臨床實際需求的重要策略。IVP 創投的合夥人 Somesh Dash 認為這一點極為重要：「理論上談論希波克拉底誓言、服務病人和其他醫療工作者是一回事，但實際成為一個醫師、繼續住在年邁的父母附近、從各個角度維度看待醫療體系，這是完全不同的事情。對我來說，沒有什麼比言行一致更重要的了。」Rao 的這種做法在科技業中極為罕見，大多數科技公司的創辦人在公司達到一定規模後，會完全專注於公司營運，很少有人能夠同時維持原有的專業實務。但對於醫療 AI 公司來說，創辦人持續第一手的臨床經驗對產品開發的重要性不言而喻。

技術發展的長期願景

Abridge 將 80% 的募資資金投入研發，這個比例在科技公司中也並不常見，Rao 的策略是透過持續的技術創新來建立長期競爭優勢，而不是僅僅依賴市場先發優勢。公司的技術發展藍圖包括幾個重要方向：首先是擴展到住院醫療環境，這需要處理更複雜的多專科協作和更頻繁的醫療決策記錄，住院場域與門診的最大差異在於，病人的狀況變化更快，涉及的醫療團隊屬性更多元，需要記錄的資訊更加複雜且動態；其次是增強情境推理能力，讓 AI 能夠更好地理解醫療機構的特定流程和內規，每個醫療機構都有其獨特的工作流程、文件格式要求和品質標準，AI 系統需要能夠適應這些差異，提供客製化的服務。

對醫療 AI 未來的哲學思考

Rao 對於 AI 在醫療中所扮演的角色有著深刻的哲學思考，他認為 AI 的目標不是取代醫師，而是讓醫師能夠回到醫療的本質：「我們有一種對從未真正經歷過的事物的懷念，我們對 20 世紀中期那種會到家裡看診、在你痛苦時把手放在你肩膀上、認識你的祖父母和孩子、幫助你創建通往個人化結果的 Google 地圖的醫師，有著浪漫的想像。」他相信，隨著 AI 技術的發展，醫師和病人之間的角色界線將變得越來越模糊，知識將完全民主化，而醫療工作者將更深入地關注每個病人對於不同議題的敏感度、同理心和人性。這個願景反映出他對於醫療本質的深刻理解，醫療不僅僅是技術和知識的應用，更是人與人之間的關懷和連結。

產業生態系統的建構

在醫療 AI 這個龐大而多元的市場中，Rao 認為單一公司無法解決醫療體系的所有問題、滿足所有需求，需要建構一個完整的產業生態系統，出現競爭中帶有合作的狀況。Abridge 正在與其他醫療 AI 公司（如醫療影像）、電子病歷系統廠商、醫療設備製造商建立整合性合作關係，共同推動醫療數位化的進程。生態系統思維體現在 Abridge 的技術架構設計上，公司開發的 API 和整合工具不僅服務自家的產品，也為其他開發者提供了建構醫療 AI 應用的基礎設施，開放的態度有助於加速整個醫療 AI 產業的發展。

Abridge AI 未來藍圖也可能將病歷生成擴展到臨床決策和流程自動化，讓 AI 語義理解能力進一步發展出自動提取對話中的診斷和建議藥物處方等功能​，2024 年 Abridge 與 Wolters Kluwer 合作，將臨床決策工具 UpToDate 的內容接進 AI 記錄中，生成的草稿將自帶相關疾病最新的研究與建議資料，醫師可即時查詢相關的診療建議，顯示 Abridge AI 正從單純的記錄變成臨床智慧助手，不僅記下發生了什麼，還提供「下一步怎麼做」的有用資訊，後續也可能推出非臨床使用的產品，例如醫院行政管理會議記錄 AI、保險理賠給付的對話摘要 AI 等，讓越來越多醫療場域的對話都有 AI 加乘。

核心團隊與重要人物背景

Julia Chou：從 Google 到米其林餐廳再到醫療 AI

Abridge 的營運長 Julia Chou 的職業背景十分特殊且多元，她曾是 Google 的工程師，在科技業積累了豐富的產品開發和營運經驗，但後來她做出了一個令人意外的決定：離開科技業，進入烹飪學校學習，甚至在舊金山米其林星級餐廳 Octavia 的廚房工作。這種跨領域的經驗讓她對於產品的使用者體驗有著獨特的敏感度，在餐廳工作的經歷讓她深刻理解在高壓環境中提供優質服務的重要性，直接影響她對 Abridge 產品設計的思考。醫療環境與高端餐廳有著相似之處：都需要在時間壓力下提供專業服務，都需要關注細節，都需要與客戶建立信任關係。

Chou 提及她對於醫療現狀的理解，「醫師人數不足，60% 的醫學生不打算從事臨床工作；作為病人，我們都看到了預約看診所需時間越來越長。醫療可近性變得低落，但醫療成本持續上升，我們真的需要借助一些方法來幫助處理效率低下的問題、照顧病人。」美國醫療體系面臨的醫師短缺不單純是數量級問題，更是結構性問題，許多醫學生選擇不從事臨床工作，部分原因就是臨床工作的行政負擔過重，影響了工作滿意度。

Zack Lipton：從爵士樂手到機器學習教授

首席技術長 Zack Lipton 的背景同樣引人注目，他原本是一位專業的爵士薩克斯風手，後來當到卡內基美隆大學的機器學習教授。當有人問他是否已經不再追求成為藝術家時，他回答：「你可以對什麼是藝術家有狹義的看法，但我認為還有另一種看法 — — 成為藝術家就是成為一個有聲音的人，一個對創造力和能動性有承諾的人，一個對自己正在建造的東西有風格和美學承諾感的人。」Lipton 的這種藝術家思維在 Abridge 的技術開發中發揮了重要作用，他不僅關注技術的功能性，更注重技術的優雅性和使用者體驗；這種思維方式在 AI 系統的設計中特別重要，因為 AI 系統需要與人類使用者進行自然的互動。

在學術界，Lipton 以在機器學習可解釋性方面的研究而聞名，他的研究重點包括深度學習模型的可解釋性、醫療 AI 的安全性和可靠性等，這些研究背景為 Abridge 的技術開發提供了堅實的理論基礎，特別是在處理 AI 系統的透明度和可信度方面。Lipton 在 Abridge 建立了一個被稱為「突變」（Mutants）的團隊，這些團隊成員都是既有醫療專業背景又有深厚電腦科學技能的人才，跨領域的人才組合能夠在自己的腦海中進行跨學科的對話，加速許多溝通流程，並且通常也具有良好的品味。

Andy Weissman：Union Square Ventures 的音樂愛好投資人

Union Square Ventures 的管理合夥人 Andy Weissman 是 Abridge 的早期投資人，Rao 之所以選擇跟 Weissman 合作，是因為他在 Twitter 上 Po 的多元音樂— — 今天是鄉村音樂，明天變成黑金屬音樂 — — 這種多樣性讓 Rao 認為他具有「抽象思考和跳出框架思考」的能力。Weissman 對於 Rao 的印象則是「他最終把我拖入一個有趣且令人愉悅的未來願景，那時我想，好吧，你是醫師，但也是創投投資人，你也在匹茲堡這個偏僻的地方。所以，也許這個奇怪的匹茲堡鋼鐵城市安迪沃荷的組合，能讓你為醫療建造最美麗的 Consumer App。這是一個荒謬的提議，但也許可能實現。」這種投資決策過程反映了投資人不僅看重商業模式和市場機會，更看重創辦人的思維方式和創新能力，Weissman 對 Rao 的音樂品味和跨領域思維的重視，最終證明是正確的判斷。

團隊文化與價值觀

Abridge 的團隊文化深受創辦人多元背景的影響，公司有一個核心價值觀：「你必須品嚐好東西，才能有好品味。We have a company value. You have to taste good things, to have good taste.」這個價值觀不僅體現在產品設計上，也體現在團隊建設和企業文化上。公司內部有一個名為「愛情故事」（Love Stories）的 HIPAA 合規溝通渠道，每天都會收到來自使用者的正面回饋，不僅有助於團隊了解產品的實際效果，也能維持團隊的使命感和動力。Rao 描述早期創業的艱難時期：「我們開玩笑說我們需要成為希望駱駝，一滴希望就能讓我們穿越沙漠。任何時候只要取得小小的勝利，我們都會宣揚鼓勵，確保公司的每個人都得到那一小滴希望來度過難關。」

公司營運狀況與商業模式

融資歷程與估值分析

Abridge 在 2025 年 2 月完成了 2.5 億美元的 D 輪融資，由知名企業投資人 Elad Gil 和創投公司 IVP 共同領投，公司估值達到 27.5 億美元，反映投資市場對於醫療 AI 領域的高度看好，以及對 Abridge 商業模式的信心。這個估值的背後有幾個重要因素：首先是醫療 AI 市場的巨大潛力，根據市場研究，全球醫療 AI 市場預計將從 2023 年的 150 億美元增長到 2030 年的 1480 億美元，年複合增長率達到 37%；其次是 Abridge 在技術和市場方面的領先地位，特別是在醫療對話 AI 這個細分領域。Abridge 能夠在相對短的時間內達到如此高的估值，與其在醫療 AI 領域的獨特定位密切相關，在一個通常需要長期驗證和緩步採用的醫療市場中，Abridge 展現了罕見的快速成長能力。

商業模式的創新性

Abridge 的商業模式建立在解決醫療體系的核心痛點上，在美國的醫療體系中，醫師的收入不是取決於他們提供的照護品質，而是基於他們記錄的照護內容，意味著詳細準確的病歷記錄直接影響醫療機構的收入。Rao 解釋：「在這個國家，我們作為醫師不是因為我們提供的照護而獲得報酬，我們是因為我們記錄自己所提供的照護而獲得報酬。」這個看似荒謬的現實創造了一個巨大的市場機會，因為任何能夠改善醫療文件品質和效率的技術都能直接影響醫療機構的財務表現。公司的情境推理引擎能夠自動處理複雜的醫療編碼和申報要求，包括風險調整編碼（Risk Adjustment Coding）、階層條件類別（Hierarchical Condition Categories, HCC）、國際疾病分類編碼（ICD Coding），以及監測、評估、評估或治療（Monitoring, Evaluating, Assessing, or Treating, MEAT）標準。目前 Abridge 主要採取 B2B 模式，向醫療機構或電子病歷系統廠商提供軟體授權或訂閱服務，未來商業模式可能趨於平台化，根據使用量或每月多少醫師使用人次的模式來分潤。Abridge 建立的應用市集或 API，允許第三方開發者在它的基礎上開發應用，帶來新的營收。

市場滲透策略的深度分析

Abridge 採用針對大型整合醫療體系的策略，這與許多競爭對手專注於小型診所的策略形成鮮明對比，這個策略選擇背後有深刻的市場洞察和技術考量，選擇服務大型醫療體系的優勢包括：更高的客戶價值、更穩定的收入來源、更強的市場影響力、更高的競爭門檻，但也意味著更高的技術要求和更長的銷售週期，Rao 解釋這個策略邏輯：「為個別醫師或小型診所這個族群服務與為大型複雜醫療系統服務是完全不同的事業，你必須從一開始就做對。」

競爭對手分析

在醫療 AI 病歷這個領域，Abridge 面臨來自多個面向的競爭，Abridge 的競爭優勢主要體現在技術的先進性和可靠性、對醫療工作流程的深度理解、強大的研發投入、以及創辦人的醫療背景，多家大型醫療機構與企業的風險投資部門也是 Abridge 的股東，例如 Kaiser Permanente、CVS Health Ventures、美國梅約診所、麻州總醫院 Brigham AIDIF 基金等​，讓 Abridge 更容易打入醫療市場。

Nuance Communications（2022 年被微軟以近 200 億美元收購）：作為醫療語音辨識領域的老牌主流業者，Nuance 擁有深厚的技術積累和廣泛的客戶基礎，但其技術主要基於傳統的語音辨識，在自然語言理解和生成式 AI 方面相對落後。微軟近期推出基於 Nuance 技術的 Dragon Copilot 語音助理，將醫病對話轉成臨床摘要並整合進電子病歷​。

Suki.ai：專注於 AI 醫療助手，提供類似的醫療對話轉錄和文件生成服務，市場定位主要針對小型診所，技術架構相對簡單，在 2024 年獲得了 7000 萬美元融資。

Otter.ai：雖然不是專門的醫療 AI 公司，但其會議轉錄技術也被一些醫療機構使用，然而相較之下缺乏醫療專業知識和 HIPAA 合規能力。

DeepScribe：另一家醫療 AI 文件公司，採用類似的技術路線，但在技術深度和市場滲透方面都落後於 Abridge。

收入模式與成長軌跡

Abridge 採用軟體即服務（SaaS）的收費模式，根據使用量和功能範圍向醫療機構收費，具體定價策略包括基礎版本提供基本的對話轉錄和摘要功能，適合小型診所使用；企業版本包含高級功能如情境推理、多語言支援、客製化整合等，適合大型醫療體系；API 服務為其他軟體開發商提供 AI 功能，創造額外的收入來源。公司的成長軌跡顯示典型的 SaaS 企業特徵，初期成長緩慢，但一旦達到產品市場契合 Product-Market Fit，就會出現指數級成長；Abridge 目前正處於快速成長階段，每年的收入增長率超過 200%。

台灣醫療 AI 發展現況與挑戰

台灣醫療 AI 產業的發展基礎

台灣在發展醫療 AI 方面有強大的資通訊產業基礎，包括半導體、電腦硬體、軟體開發等領域的技術實力；其次是完善的全民健保制度，提供豐富的醫療數據資源；最後是高品質的醫療體系，為 AI 技術的驗證和應用提供了良好的環境。台灣的 AI 智慧醫療應用開始遍地開花，吸引廣達、緯創、英業達等科技大廠，以及明達醫、新穎生醫、長佳智能等生技廠商，還有台大醫院、中國附醫等醫療院所分別從各個面向著手搶進。

科技廠商的醫療 AI 布局

廣達技轉自國防醫學院與三軍總醫院合作研發的「心電圖 AI 人工智慧判讀平台」，結合 AI 技術快速進行心電圖的判讀，並能針對一張心電圖準確地輔助診斷超過 50 種疾病。英業達旗下 AI 團隊開發智慧傷口辨識軟體，以純軟體設計，能替使用機構省去硬體設備的購買與維護成本，並達到快速且大量在機構內部署的目標。緯創旗下醫學科技聚焦各種應用開發，包含生命科學儀器、體外檢測、醫學影像、智慧醫院，歷經五年開發的外骨骼機器人，已成為主流醫院採用的復健設備。宏碁智醫開發的 AI 骨質密度異常篩檢軟體「VeriOsteo OP 智骨篩」已獲得醫材許可證，成為台灣第一個以胸腔 X 光影像分析骨質密度異常的智慧醫材。

醫療院所的 AI 應用

台大醫院利用世界首創的人工智慧胰臟癌輔助偵測系統，已能做到早期診斷胰臟癌，更獲得美國 FDA「突破性醫材」認定，也有訓練本地端大型語言模型應用到疾病分類編碼任務；台大醫院與 NVIDIA 的合作項目則包括語音輔助診斷、線上藥物諮詢與電子病歷整合，生成式 AI 結合語音、搜尋與生成式臉部模型等專案，可以實現數位護理師功能。

中國醫藥大學醫療體系則早就設置人工智慧中心，並擁有龐大的醫療數據，利用 AI 幫助生成逐字稿與病歷摘要，幫助醫護人員書輸入病歷等時間減少 75%；中國附醫人工智慧中心主任許凱程分享，智慧醫療必須建立在大數據的基礎之上，因此中國附醫從 2003 年就開始建置大數據中心，歷經 20 年收集 300 萬人的資料，有利於後續整合健保醫療雲。

台灣醫療 AI 面臨的挑戰

儘管台灣在醫療 AI 領域有不少亮點，但也面臨著顯著的挑戰，資誠聯合會計師事務所的分析指出，台灣生技產業在採用 AI 方面相較其他領域仍顯落後，AI 要真正落實於醫療，有落地、取證、健保如何給付等三大問題必須解決；早期有一家 AI 公司 Deep01，是台灣第一家取得美國 FDA 的公司，國際上也獲獎無數，應用在病人腦出血電腦斷層，AI 可以立刻判斷出血量、出血部位，進而讓醫生馬上判斷該病人要內科處理還是外科手術，但經過了四五年的努力仍宣布停止營業，這說明台灣目前還沒有一個成熟的環境可以支持智慧醫療產業的發展。另一方面行政院訂定了人工智慧基本法草案，要確保 AI 的使用符合七大價值，包括自主、當責、透明、安全、公平、永續、隱私等，但在醫療領域的具體實施細則仍在制定中，這為企業的投資決策帶來了不確定性。最後儘管台灣有強大的資通訊產業基礎，但缺乏既懂醫療又懂 AI 技術的跨領域人才，限制了醫療 AI 產品的開發品質和速度。

台灣學習 Abridge 的機會與策略

技術基礎建設的發展路徑

台灣要發展類似 Abridge 的醫療 AI 產品，首先需要建立強大的技術基礎建設，包括大型語言模型的在地化訓練、繁體中文醫療語料庫的建立，以及符合台灣醫療法規的 AI 系統開發。台灣需要開發專門針對繁體中文醫療語言的大型語言模型，不僅涉及語言的差異，更重要的是醫療文化和實務的差異，台灣的醫療用語、診療流程、病歷格式都與美國有所不同，需要專門的模型來處理。建立高品質的繁體中文醫療語料庫是發展醫療 AI 的基礎，需要醫療機構、學術單位和政府部門的共同努力，在保護病人隱私的前提下，建立標準化的醫療數據集。我們還需要強大的雲端運算能力，台灣可以利用現有的資通訊產業優勢，建立專門服務醫療 AI 的雲端平台，提供安全、可靠、符合法規的運算環境。

醫療資料標準化的推動策略

台灣的醫療體系雖然高度數位化，但不同醫療機構使用的電子病歷系統和資料格式仍存在差異，要開發有效的醫療 AI 系統，需要推動醫療資料的標準化和互通性。HL7 FHIR 標準建議參考美國標準，建立台灣版本的醫療資料交換標準，應該考慮台灣醫療體系的特殊性，包括全民健保制度、中醫藥整合等特色。考量到電子病歷系統的整合，推動不同廠商的電子病歷系統之間的互通性，建立統一的 API 標準，讓 AI 系統能夠無縫整合到現有的醫療工作流程中。最後是關於資料品質的提升，建立醫療資料品質的評估和改善機制，確保 AI 系統能夠獲得高品質的訓練數據和輸入數據。

跨領域人才培養機制

Abridge 成功的關鍵因素之一是擁有具備醫療背景和技術能力的跨領域人才，台灣醫學院和理工科系應該加強合作，培養既懂醫療又懂 AI 技術的複合型人才，醫學院增設醫療資訊學程，讓醫學生從早期就接觸 AI 技術和數據科學，有助於培養未來的醫療 AI 專家，也能提升一般醫師對 AI 技術的理解和接受度。理工科系可考慮增設醫療 AI 專業課程，讓學生了解醫療領域的特殊需求和挑戰，包括醫療倫理、法規合規、臨床工作流程等內容。建立系統性的在職醫師 AI 教育計畫也是可考慮的手段之一，幫助現有的醫療人員掌握 AI 技術的基本概念和應用方法，透過繼續教育學分、線上課程、實作工作坊等形式進行。鼓勵醫療機構與科技公司、學術單位建立長期的產學合作關係，共同培養跨領域人才，推動技術創新。

法規環境的優化建議

台灣的醫療 AI 法規環境仍在發展中，要成功開發和部署醫療 AI 產品，需要建立清晰、合理、有利於創新的法規框架，建議成立醫療 AI 產業聯盟，集合產業界、學術界、醫療界的力量，與政府主管機關保持密切溝通，共同推動有利於創新的法規環境。建立醫療 AI 的監管沙盒機制，允許創新產品在受控環境中進行測試和驗證，為法規制定提供實證基礎。另應積極與國際主要市場的法規接軌，特別是美國 FDA 和歐盟的醫材法規，提升台灣醫療 AI 產品的國際競爭力。

商業模式的在地化策略

台灣的醫療給付制度與美國不同，主要採用全民健保制度，要在台灣成功推廣醫療 AI 產品，需要設計符合健保給付邏輯的商業模式。如果與健保署合作，探討將 AI 輔助診療納入給付項目的可能性，需要建立 AI 技術的效果評估機制，證明對醫療品質和效率的改善效果。也可努力開發能夠提升醫療效率、降低醫療成本的 AI 應用，以獲得醫療機構和健保署的支持，包括減少醫療錯誤、提高診斷準確率、縮短住院時間等效益。分級收費模式這類設計靈活的收費模式，適應不同規模醫療機構的需求和支付能力，可以考慮基礎功能免費、進階功能收費的 Freemium 模式。

國際市場拓展策略

台灣醫療 AI 產業要實現可持續發展，必須放眼國際市場，借鑑 Abridge 的國際化經驗，制定適合台灣的國際拓展策略，結合政府的新南向政策，優先拓展東南亞市場，這些市場與台灣在文化和語言方面有一定的相似性，且醫療 AI 需求正在快速增長，不僅輸出技術產品，更要輸出整套的解決方案和服務模式，包括技術培訓、系統整合、維護支援等，與國際大型醫療機構、科技公司建立合作夥伴關係，透過合作進入國際市場，降低拓展風險。

醫療 AI 的人文思考與台灣機會

Abridge 的故事告訴我們，真正成功的醫療 AI 不僅僅是技術的勝利，更是對醫療本質的深刻理解，Dr. Shiv Rao 從一個音樂創作者到心臟科醫師，再到 AI 公司創辦人的轉變，體現了跨領域思維在創新中的重要性。他的經歷證明了一個重要觀點：最好的醫療 AI 創新往往來自於那些真正理解臨床需求的醫師。

醫療 AI 的發展不能脫離臨床實際需求，技術創新必須服務於改善醫師和病人的關係，而不是取代人與人之間的連結；跨領域的人才和思維是醫療 AI 成功的關鍵因素，單純的技術專家或醫療專家都很難獨自推動這個領域的發展。台灣在發展醫療 AI 方面具有獨特的優勢，包括強大的資通訊產業基礎、完善的全民健保制度、高品質的醫療服務體系，以及豐富的醫療數據資源，但同時也面臨著技術落地、法規環境、人才培養等挑戰。要成功發展類似 Abridge 的醫療 AI 產品，台灣需要在技術創新、人才培養、法規制定、商業模式等多個方面進行系統性的努力。

正如 Rao 所言：「我們的目標是讓醫師能夠回到醫療的本質 — — 專注於眼前這個最重要的人，也就是他們的病人。」這個願景不僅適用於美國的醫療體系，也為台灣醫療 AI 的發展指明了方向，在 AI 技術快速發展的時代，我們需要記住的是，最好的技術是那些能夠增幅人性，而不是取代人性的技術。

台灣有機會在醫療 AI 領域創造屬於自己的成功故事，透過結合本土的醫療需求、文化特色和技術優勢，台灣可以開發出具有國際競爭力的垂直領域醫療 AI 產品，不僅服務本土市場，更能輸出到國際市場，不僅是一個商業機會，更是一個為全球醫療體系做出貢獻的機會。Abridge 的成功，正是這個理念的最佳實踐，證明了當技術與人文關懷相結合時，可以創造出真正有價值的創新。這不僅是台灣學習的標竿，更是一個可以超越的目標，在醫療 AI 的賽道上，台灣有能力、有機會成為下一個 Abridge，創造出更適合亞洲醫療環境的創新解決方案，減輕第一線醫療人員的行政負擔（俗稱雜事），提升醫療照護品質。

我們接下來可能需要討論的是，台灣醫師最迫切的行政痛點到底是哪些環節，是醫療 AI 必須先解決的關鍵？也就是說，在台灣的臨床生態與法規架構下，哪些最核心的行政及流程問題，必須先被解決，才能讓醫師願意 — 而且 AI 也有能力 — 真正減輕繁雜的紙本與電子病歷工作？台灣很多院所電子病歷系統彼此不通，不同醫院之間缺乏統一的資料標準，醫師端最大的困擾可能不是單純「病歷太長要寫」，而是「同一個病人轉院時要重複填寫導致大量重複作業」，如果不先釐清這些具體痛點，就算有最先進的 AI 模型，也很難大幅翻轉工作流程。許多台灣廠商一開始就忙著打造「中、台、英語都能識別的模型」，或「多科別都能做摘要」，卻沒有先問：「哪一些科別醫師常被寫病歷搞到半夜？病歷摘要最難做的到底是哪種醫療場域？」真正該先問的是：最需要自動化的場景是哪些？這些場景裏頭的關鍵資訊到底長什麼樣子？若先問「台灣缺什麼？」，可能得到「資料互通性不足」「缺少保險給付對 AI 服務的支持」「醫院 EHR 各自為政」「醫師沒時間上手新工具」等結論，反過來回答這些問題，才能先著手建構「可用的中台英文醫療語料庫」、「制定符合健保給付的 AI 檢驗標準」、或「在 AI 草案裡爭取醫療 AI 試點沙盒」，才是最根本的起點。

— –

📒 Compiled by — 台中慈濟醫院復健科 R3 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.