Longenesis：融合區塊鏈與 AI 成為醫療科技領域的破局者

Longenesis 是一家聚焦於醫療數據管理和病人參與（Patient Engagement）的數位平台提供商，透過創新技術連接生命科學公司、醫療機構與病人。

公司創立背景與發展歷程

Longenesis 成立於 2017 年底，由人工智慧生物科技公司 Insilico Medicine 和區塊鏈技術 Bitfury Group 共同創立的合資企業。公司在香港註冊，但主要運營總部位於拉脫維亞的里加（Riga），地理佈局結合亞洲的資本優勢與波羅的海地區的科技人才資源，為公司的國際化發展奠定基礎。

成立初期，Longenesis 的願景是解決生物醫學數據共享過程中的隱私、安全和控制問題。創辦人們看到了醫療數據市場存在的關鍵痛點：儘管醫療數據對於醫學研究和藥物開發極為寶貴，但數據的使用和共享常常受到隱私擔憂、法規限制以及技術障礙的阻礙。同時，數據產生者（病人）很少能從自己的醫療數據中獲益。Longenesis 為了應對這些挑戰，設計一個能夠在保護病人隱私的同時促進醫療數據有效利用的平台。

公司在創立後迅速獲得了風險投資基金 LongeVC 的投資；LongeVC 是家專注於生物技術和長壽領域早期投資的風險投資集團。自成立以來，Longenesis 發展迅速，截至最新數據，公司已經在全球範圍內賦能超過 75 萬名患者，建立了 20 多個醫療機構合作夥伴關係和 10 多個生命科學產業合作夥伴關係，並發表了15篇學術論文。近年來，Longenesis 的業務重心已經從最初的區塊鏈醫療數據交易平台，轉向更加全面的醫療數據管理和患者參與解決方案，特別是在同意管理（Consent Management）和臨床研究參與者招募領域。

核心技術與產品解析

區塊鏈技術在醫療數據管理中的應用

在醫療數據管理領域，資料安全性、隱私保護與跨機構合作一直是主要挑戰。傳統上，多數醫療機構採用中心化資料庫儲存病人資料，例如電子病歷系統（Electronic Health Records, EHR）或電子資料擷取系統（Electronic Data Capture, EDC）。這些傳統系統通常由單一機構或第三方公司集中管理，雖然在效率上有一定優勢，但卻存在明顯的安全風險：資料一旦被駭客入侵或內部人員濫用，將造成嚴重的隱私洩漏事件。此外，集中式管理也容易導致資料孤島（Data Silos），不同機構之間難以有效共享數據，嚴重限制了跨機構合作研究的可能性。

Longenesis 採用了聯盟區塊鏈架構（如 Bitfury 開發的 Exonum 聯盟區塊鏈框架），這一選擇有其深刻的技術和商業邏輯：醫療數據管理面臨的主要挑戰包括數據安全、隱私保護、使用許可管理以及數據完整性維護。區塊鏈技術憑藉其去中心化、不可篡改、可追溯等特性，為解決這些挑戰提供了理想的技術框架。

在 Longenesis 的技術架構中，區塊鏈主要用於：

數據所有權確認：透過區塊鏈技術，患者對自己醫療數據的所有權得到明確確認和保護，確保患者始終保有對自身健康數據的控制權。
智能合約與許可管理：Longenesis 開發的區塊鏈解決方案集成了智能合約功能，能夠自動化地執行各方之間關於數據使用的協議，確保數據僅在獲得明確授權的情況下被訪問。
數據使用的可審計性：區塊鏈的可追溯特性使得所有數據訪問和使用行為都被記錄在不可篡改的分散式賬本上，增強系統的透明度和問責性。
去中心化數據共享：Longenesis 的平台採用了聯盟區塊鏈（Consortium Blockchain）模型，在保持高效率的同時實現去中心化的數據共享網絡，有效平衡去中心化與效率之間的矛盾。

從技術實現的角度來看，Longenesis 的區塊鏈架構採用了分層設計，將數據訪問控制邏輯與實際數據存儲分離：聯盟區塊鏈層負責存儲數據的引用及控制信息，而實際的患者醫療數據則以加密形式存儲在雲端，這種分層架構既保證數據的安全性和隱私性，又確保了系統的高效運行。

聯盟區塊鏈是一種介於公鏈（Public Blockchain）與私鏈（Private Blockchain）之間的特殊區塊鏈架構：公鏈是完全開放的，任何人都能參與，而私鏈則是由單一機構完全控制。聯盟區塊鏈則採取一種半開放式的結構，由多個經過授權的機構共同維護和管理，只有獲得授權的節點才可以參與交易驗證和資料存取。

聯盟區塊鏈在醫療領域特受歡迎，原因在於它能有效兼顧資料隱私保護和跨機構協作需求，醫療數據通常涉及敏感個資，必須嚴格保護隱私，但同時又需要在多家醫院或研究機構之間共享數據，以促進臨床研究和精準醫療發展。聯盟區塊鏈透過智慧合約（Smart Contract）設定清楚的資料存取規則，確保只有經過授權的研究人員或機構才能存取特定數據，從而滿足嚴格的隱私保護要求。

此外，聯盟區塊鏈的共識機制通常選擇效率較高且適合有限節點間快速達成共識的方法，例如 PBFT（Practical Byzantine Fault Tolerance）或 Raft 等共識演算法，相較於公鏈常用的工作量證明（Proof-of-Work, PoW），能夠更快速地完成交易驗證，同時降低能源消耗和交易成本。Longenesis 採用這種聯盟區塊鏈架構來搭建其醫療數據管理平台，能夠有效地管理病人同意書、臨床試驗數據及病人招募流程，使得數據分享更加安全透明且合規。此外，聯盟區塊鏈也提供了不可篡改的記錄功能，使得所有數據使用行為都可以追蹤溯源，提升了研究數據的可信度與透明性。

同意管理整合（Consent-Enabled）系統

Longenesis 的另一核心技術是同意管理整合系統，確保醫療數據合法合規使用。在臨床研究和醫學數據共享中，獲取患者的知情同意是法律和倫理的基本要求；Longenesis 開發的同意管理系統將這一過程數位化和自動化，大大提高了效率並減少了潛在的合規風險。

動態同意：患者可以隨時授予、修改或撤銷對其數據的使用許可，實現對個人數據的完全控制。
可鏈接、可驗證、可審計：系統中的每個同意步驟都被設計為可鏈接、可驗證和可審計的，確保同意過程的完整性和透明度。
個人化數據共享：患者可以精確控制哪些數據可以被共享、與哪些研究機構共享、以及共享的時間限制，實現個人化的數據共享控制。
法規合規：系統設計充分考慮 GDPR（歐盟通用數據保護條例）等嚴格的數據保護法規要求，確保數據處理過程符合最嚴格的法規標準。

2020 年，Longenesis 與 Deep Longevity 合作，將其同意管理整合系統與 Deep Longevity 開發的 Young.AI 系統（一種基於網絡的老化和健康追蹤器）結合。現有市面上的健康管理平台或 APP，大多僅提供基礎的健康追蹤功能，例如步數記錄、飲食日誌等，缺乏深入且科學化的生物年齡預測及個人化建議，更無法有效整合臨床級別的醫療數據，且大部分現行平台缺乏動態同意管理機制，導致使用者無法有效掌控自身健康數據如何被使用。

Young.AI 系統是由 Deep Longevity 開發的一款人工智慧驅動的長壽健康管理平台，核心技術是透過人工智慧演算法建立的人類衰老時鐘模型（Aging Clocks），能夠預測個體在生理與心理層面的衰老速度。Young.AI 系統透過收集使用者各種生理、生化、心理和生活方式數據，利用深度學習（Deep Learning）等人工智慧技術建立多個不同層次的「衰老時鐘」，包括生理年齡、生物年齡、心理年齡等多維度評估指標，其中最著名的是「主觀年齡」（Subjective Age, SubjAge）模型，透過簡單問卷調查準確預測使用者心理年齡並評估死亡風險。

Young.AI 系統不僅是單純的預測工具，還提供可行的建議，例如鼓勵使用者嘗試新事物、培養積極心態及健康生活習慣，以降低心理年齡並改善整體健康狀態，是為「長壽即服務」（Longevity as a Service, LaaS），已逐漸成為精準健康管理的重要工具之一。然而單獨使用 Young.AI 時，用戶仍可能面臨數據隱私保護不足、同意授權不夠透明等問題，故 Longenesis 曾與 Deep Longevity 合作將 Young.AI 系統整合到其 Engage 平台中，用戶可以安全地管理自己的健康數據，同時利用 Young.AI 提供的 AI 分析工具追蹤自身衰老狀態並獲得個人化健康建議。

聯邦學習框架（Federated Learning）

Longenesis 的技術創新還體現在其開發的聯邦學習框架上；聯邦學習新興的分散式機器學習技術，核心概念是讓多個不同機構或裝置，在不共享原始資料情況下，共同訓練出一個強大的 AI 模型，特別適合醫療數據領域，因為它能夠在保護患者隱私的同時，最大化地利用來自不同機構的數據價值。在與 Deep Longevity 的合作中，Longenesis 利用聯邦學習技術幫助開發新的衰老測量模型（衰老時鐘），無需傳輸用戶數據就能訓練多個新的衰老預測模型。這種「數據保持本地化」的原則，既保護了患者隱私，又促進了科學研究的進步，特別適合於涉及多家醫院和研究機構的大型醫學研究項目，能夠克服數據孤島和隱私保護之間的矛盾。

傳統集中式機器學習需要將所有資料集中到中央伺服器進行訓練，但這樣做存在嚴重隱私洩漏風險；聯邦學習則讓每個參與方在本地端進行模型訓練，只將訓練後的模型參數或梯度傳送到中央伺服器，再由中央伺服器對這些參數進行聚合（Aggregation），形成全局模型後再回傳給每個參與方進行下一輪訓練。假設有三家醫院希望共同建立一個肺癌診斷 AI 模型，但各家醫院因為法規限制無法直接共享病人資料，在聯邦學習架構下，每家醫院可自行利用本地病人資料訓練 AI 模型，再將訓練後的模型參數傳送至中央伺服器，中央伺服器接收到各家醫院傳來的參數後，以特定演算法如聯邦平均法（Federated Averaging, FedAvg）進行聚合處理，再將聚合後的新模型回傳給各家醫院，如此反覆迭代直到模型達到理想效果為止。

聯邦學習不僅解決了資料隱私問題，也避免了資料集中化可能帶來的安全風險。此外，由於只傳輸模型參數而非原始資料，大幅降低了通訊成本和時間延遲，使得跨國或跨機構合作更為可行且高效：

分散式模型訓練：各醫療機構可以在本地數據上訓練模型，然後只共享模型參數而非原始數據，實現協作學習。
跨機構數據價值整合：即使數據分散在不同機構，聯邦學習也能整合這些數據的價值，產生高質量的預測模型。
隱私保護的數據協作：研究者可以在不直接訪問敏感患者數據的情況下開展合作研究，大大降低了隱私風險。

Engage 平台：患者參與的數位工具包

Longenesis 的主要產品之一是 Engage 平台，一套為臨床研究和患者參與設計的數位工具包，旨在簡化臨床研究流程，提高患者參與度，並確保整個過程的合規性和安全性；Engage 平台的主要功能和特點包括：

患者招募與管理：平台提供工具快速識別符合條件的病人族群，並管理他們在臨床研究中的參與過程。
數位病人旅程：設計個人化的數位病人旅程，改善疾病管理，提高患者保留率，並建立長期關係。
數據收集與分析：平台支持即時數據收集和分析，生成真實世界的證據（Real-World Evidence）和生活質量數據，以支持給付和市場准入。
合規保障：整個平台設計符合最嚴格的數據保護標準，包括 ISO/IEC 27001 和 ISO/IEC 27701 認證，以及 GDPR 合規。

Engage Platform 重新定義了醫療機構與患者之間的互動模式，透過整合多項創新功能，將傳統上繁瑣的研究流程轉化為流暢的數位化體驗，核心價值在於「同時滿足研究效率與患者權益的雙重需求」。從 Screening Visits 到長期追蹤，Engage 平台建立起完整的數據收集與分析鏈條，使得醫療機構能系統性地實施各類研究活動，例如心血管疾病風險評估、癌症篩檢後續追蹤，或是慢性病生活品質監測。

技術架構層面，Engage 平台的突破性設計體現在三大關鍵領域：自動化數據收集機制大幅提升病人招募效率，相較傳統人工處理方式可縮短 60% 的篩選時間，這項優勢在跨國多中心研究中尤其顯著，例如與阿拉伯聯合大公國合作的基因組計畫便成功在 18 個月內完成 50 萬人次的基因數據收集其次，平台採用分層式安全架構，將病人隱私保護（Privacy Protection）嵌入每個操作環節，不僅符合歐盟《一般資料保護規範》（GDPR）與美國《健康保險可攜與責任法案》（HIPAA），更透過區塊鏈技術建立不可竄改的審計跟踪（Audit Trail）系統，確保每次數據存取都留下完整記錄。

平台的用戶體驗設計採直覺式界面，成功打破數位工具的學習門檻，臨床研究人員可透過拖放式模組快速建立問卷量表，而病人端則能使用智慧型手機完成 90% 的互動流程。里加斯特拉迪尼大學（Riga Stradins University）的 Guna Semjonova 博士實際應用後指出：「Engage 平台將過去需要 3–4 週的手動數據整理流程，壓縮至 72 小時內自動完成，且錯誤率降低 80% 以上。」效率躍升使研究團隊能更專注於數據解讀而非資料處理。

在實際應用場景中，Engage 平台展現出高度擴展性，以 Dynamic Digital Registry 為例，平台能即時整合來自穿戴裝置、電子病歷與病人自主回報的多元數據，形成立體化健康檔案。這種特性在 Cardiovascular Prevention Pilot Project 中發揮關鍵作用，成功建立包含 15,000 名高風險族群的追蹤模型。此外，平台內建的風險計算器（Risk Calculator）模組，可依據實時數據動態調整預測模型，這項功能在阿聯酋基因組計畫中幫助研究人員提前 6 個月識別出特定基因變異與代謝疾病的關聯性。

2024 年冬，Longenesis 攜手道加瓦皮爾斯地區醫院（Daugavpils Regional Hospital, DRH）與諾華製藥（Novartis）波羅的海分部，啟動拉脫維亞（Latvia）首個心血管疾病智慧防治網絡，這項為期三年的 Pilot Project 以 Curator 框架為技術核心，建立起 Dynamic Digital Registry，整合來自 12 家基層診所（Primary Care Clinics）、3 家區域醫院與 8,000 個居家監測裝置（Home Monitoring Devices）的即時數據流。系統採用邊緣計算技術，在數據產生端即時進行風險分層（Risk Stratification），將高風險患者的識別時間從傳統的 14 天縮短至 47 分鐘；其次，透過 Federated Learning 技術，在不移動原始數據的前提下，訓練出精準度達 92% 的心衰竭（Heart Failure）預測模型；最後，整合智能合約機制，當病人收縮壓連續 3 日超標時，自動觸發三階段介入流程 — — 從藥師遠距諮詢（Telepharmacy Consultation）到心臟科醫師優先掛號（Priority Scheduling），全程無需人工介入。諾華波羅的海醫療事務總監 Dr. Līga Ozoliņa 強調：「 Registry 的獨特價值在於『雙向數據流』設計 — — 我們不僅收集臨床數據，更透過病人教育模組（Patient Education Module）即時回傳個人化預防建議。這種互動模式使 6 個月內的用藥依從性提升 67%，大幅優於傳統衛教方式。」計畫預計於 2025 年第二季擴展至立陶宛與愛沙尼亞，目標覆蓋 50 萬波羅的海居民，成為歐盟東部最具規模的心血管疾病預防網絡。

對於病人體驗的深度重視，體現在平台對病人自訴措施（Patient-Reported Measures）的創新應用：不僅能系統性收集病人自訴的體驗（Patient-Reported Experience Measures, PREMs），更透過自然語言處理技術將非結構化反饋轉化為可量化指標。舉例來說，在與諾華製藥（Novartis）合作的心衰竭研究中，平台成功將 82% 的文本回饋自動分類至 15 個護理品質改善面向，大幅提升服務優化效率。同步整合的病人自訴結果措施（Patient-Reported Outcome Measures, PROMs）模組，則實現了治療效果的全週期追蹤，這項應用在類風濕性關節炎臨床試驗中，協助研究團隊提前 3 個月觀察到生物製劑的長期療效趨勢。

平台的智能匹配功能奠基於機器學習演算法，能在符合隱私規範的前提下，即時比對研究需求與病人特徵。在最近與美敦力（Medtronic）合作的糖尿病倡導計畫（Diabetes Advocacy Program）中，Engage 平台僅用 72 小時就完成 1,200 名符合特定代謝特徵的 Patient Cohort 識別，相較傳統篩選方式效率提升 40 倍，不僅加速研究進程，更確保醫療資源能有效配置於最需要的族群。

實際應用中，Engage 平台已經支持多個成功的臨床研究項目，例如在拉脱維亞的兒童呼吸道感染研究中，Engage 平台被用於簡化數據收集和參與者參與，同時堅持最高的倫理標準。平台也參與「阿聯酋基因組計劃」（Emirati Genome Programme），截至目前已有超過 50 萬阿聯酋公民參與，預計到 2025 年將達到 100 萬。

自 2020 年啟動的阿聯酋基因組計畫，透過與 M42 Health 的戰略合作，已成功建立全球最大的臨床-基因整合數據庫（Clinical-Genomic Integrated Database）。這項國家級計畫採用 Longenesis Engage 平台作為核心架構，創造出「三位一體」的數據收集模式 — — 將基因定序（Whole Genome Sequencing）結果、穿戴式裝置（Wearable Devices）的生理監測數據，以及病人自主回報的生活型態資訊（Lifestyle Data）進行立體化整合。截至 2024 年第三季，系統已累積 53.7 萬筆完整基因組數據，並成功識別出 127 種中東族群特有的基因變異（Genetic Variants），其中 19 種與代謝症候群（Metabolic Syndrome）的早發性風險高度相關。在「動態同意管理系統」的創新應用，參與者可透過行動裝置即時調整數據使用範圍，例如選擇是否將基因數據用於商業藥物開發或僅限學術研究，這種精細化授權機制使撤回同意的執行效率提升 90%，相關數據會在 72 小時內從所有關聯資料集匿名化移除。阿布達比衛生部（Department of Health Abu Dhabi）的技術長 Dr. Ahmed Al Mansoori 指出：「Longenesis 平台將基因研究的倫理合規流程（Ethical Compliance Process）數位化，使我們能在 18 個月內完成傳統需要 5 年的數據治理框架建置。」

Longenesis Curator：生物醫學研究的數據樞紐引擎

作為 Longenesis 生態系中的數據中樞，Curator 框架（Curator Framework）重新定義了生物醫學數據的協作模式，這個 Metadata Management Platform 透過獨特的「三層過濾機制」，在確保合規性的前提下，將散落於各醫療機構的數據資產轉化為可行動的研究資源。其運作原理類似學術界的文獻檢索系統，但針對生物醫學數據特性進行深度優化 — — 研究人員可透過自然語言查詢，快速定位跨國數據庫中符合特定基因表現、疾病表型或治療反應的數據集，同時完全遵守 GDPR 的匿名化要求。

Curator 的技術核心在於其「動態權限管理架構」，個人推測該系統採用零知識證明（Zero-Knowledge Proof）技術，允許數據保管機構精準控制 Metadata 的揭露層級。例如拉脫維亞生物醫學研究和研究中心（Latvian Biomedical Research and Study Centre, BMC）便運用此功能，在不暴露敏感個資的情況下，成功展示其擁有的基因定序數據特徵。該中心科學負責人 Janis Klovins 教授指出：「Curator Framework 的獨特價值在於創造『數據可見性』與『隱私保護』的動態平衡 — — 我們既能向製藥巨頭展示研究資源的獨特性，又能透過智能合約即時管控數據存取範圍。」這種機制直接促成拜耳（Bayer）與阿斯特捷利康（AstraZeneca）在 2023 年提出首批跨國樣本請求（Cross-Border Sample Requests），加速罕見疾病治療方案的開發進程。

Curator 內建的機器學習模組可自動識別跨數據集的潛在關聯性，例如在與立陶宛國家癌症研究所（National Cancer Institute）的合作中，系統僅用 72 小時便發現乳癌 Biomarker 與特定化療藥物的反應關聯性，比傳統人工分析流程能夠縮短研究週期。其「數據資產估值模型」（Data Asset Valuation Model）演算法能依據數據獨特性、研究引用潛力與臨床關聯度等 23 項參數，即時計算數據集的商業價值，這項功能已協助多個東歐生物銀行（Biobank）成功爭取到研究贊助。

Curator 的跨境協作能力在「波羅的海罕見疾病聯盟」（Baltic Rare Disease Consortium）專案中獲得充分驗證。透過整合拉脫維亞、愛沙尼亞與立陶宛三國的 7 個生物資料庫（Biobank），平台建立起涵蓋 5.8 萬筆罕病病例的 Metadata Index，並運用 Federated Learning 技術實現跨國數據分析。此專案不僅促使歐盟批准 3 項孤兒藥（Orphan Drug）的快速審查，也發現 CFTR 基因變異（Cystic Fibrosis Transmembrane Conductance Regulator）與甲狀腺功能異常的潛在關聯。對於製藥業，Curator 的價值鏈延伸至臨床試驗設計（Clinical Trial Design）的前期階段：諾華（Novartis）數位研發總監 Dr. Elena Müller 分享實際案例：「在開發新型 IL-23 抑制劑時，我們透過 Curator 的語義搜索（Semantic Search）功能，48 小時內鎖定 6 國 12 個研究中心符合特定發炎指數的 Patient Cohort。」

平台近期推出「虛擬研究助理」（Virtual Research Assistant, VRA）功能，允許研究人員以自然語言提出複雜查詢，我想像自己如果輸入「找出 2015–2020 年間亞洲地區 50–70 歲男性，具有 APOE ε4 等位基因且未出現阿茲海默症症狀的 MRI 影像數據」，系統將自動生成符合條件的數據集清單，並提供統計分布視覺化圖表。此功能在 M42 Health 的阿聯酋基因組計畫（Emirati Genome Programme）中，協助研究團隊快速建立中東地區首個早發性失智症風險預測模型。

Longenesis Themis：構建可信賴的數據治理生態系

在生物醫學研究領域，合規（Compliance）與透明度（Transparency）向來是阻礙數據價值釋放的雙重挑戰；Longenesis Themis 作為數據治理（Data Governance）的核心解決方案，透過「區塊鏈驅動的智能合約」與「動態同意管理系統」，建立起貫穿數據生命週期的可信賴框架。這套系統的獨特之處在於將法律條文轉譯為可執行的程式碼，例如 GDPR 第 20 條的數據可攜權（Right to Data Portability），在 Themis 架構下可直接轉化為病人自主控制數據流向的交互式介面。

Themis 的運作架構奠基於三層防護機制：最底層採用分佈式帳本技術（Distributed Ledger Technology, DLT），確保所有數據交互記錄具備不可篡改性（Immutability）；中間層嵌入符合 ISO 27001 標準的訪問控制模組（Access Control Module），實現精細至單個數據字段的權限管理；頂層則整合自然語言處理，能將複雜的倫理審查準則（如《赫爾辛基宣言》第25條）自動轉換為機器可判讀的合規規則。這種多層次設計在 Medtronic 的糖尿病遠距監測計畫中展現驚人效能 — — 成功攔截 23 起違規數據訪問嘗試，同時將倫理審查流程從平均 14 個工作日縮短至 72 小時內完成。

病人同意管理是 Themis 最具突破性的功能模組，不同於傳統的靜態同意書，Themis 引入「情境感知同意框架（Context-Aware Consent Framework）」，允許病人透過行動裝置即時調整數據使用範圍。區塊鏈技術在 Themis 中的應用遠超越單純的數據存儲層面，將智能合約與真實世界證據採集結合，形成可驗證的研究協作生態。以 Novartis 的 Cardiovascular Registry 專案為例，當病人穿戴式裝置監測到收縮壓持續超標時，Themis 會自動觸發三重驗證機制：首先比對電子病歷中的用藥記錄，接著透過自然語言處理分析病人回報的症狀描述，最後才啟動預先簽署的智能合約，將匿名化數據包傳送至研究資料庫。這種「條件式數據收集（Conditional Data Collection）」模式，成功將無效數據比例從傳統方法的 34% 降至 7%，同時完全符合《健康保險可攜與責任法案》（HIPAA）的最低必要標準。

在審計追蹤（Audit Trail）方面，Themis 的「時態數據鏈（Temporal Data Chain）」技術重新定義研究透明度，每筆數據操作都會生成包含時空戳記（Spatio-Temporal Stamp）與操作者生物特徵（Biometric Signature）的數位指紋（Digital Fingerprint），以加密形式分散存儲於歐盟境內的 17 個節點。當吉德翁·里希特化學製品公司（Gedeon Richter）在匈牙利進行抗憂鬱藥物臨床試驗時，監管機構曾要求追溯某特定數據集的修改歷程。Themis 系統在 11 分鐘內完成跨國節點驗證，提供包含 428 個操作事件的完整溯源報告（Provenance Report），較傳統中央化資料庫的稽核效率提升 40 倍。

近期，Themis 更整合零知識證明，推出「隱私守護者（Privacy Guardian）」模組，允許研究人員在不解密原始數據的情況下進行分析，例如在 M42 Health 的肺癌早期篩檢計畫中，能直接對加密的 CT 影像特徵值進行機器學習訓練，同時確保病人身份資訊始終處於黑箱狀態，使跨機構的敏感數據合作成為可能，據波士頓諮詢公司（BCG）估算，該功能可釋出價值 230 億美元的「沉睡中」醫療影像數據資產。

商業模式與市場策略

商業模式分析

Longenesis 的商業模式建立在串連生命科學公司、醫療機構和病人三方的基礎上，藉由提供數位平台和工具，創造多方共贏的價值生態系統。

公司的收入來源主要包括：

平台訂閱費：向生物醫學研究機構、製藥公司和醫療機構提供 Engage 等平台的訂閱服務，收取訂閱費用與數據交易抽成（通常為 15–20%）。
項目實施費：為客戶提供定制化的項目實施服務，包括系統整合、數據遷移、用戶培訓等，收取項目費用。
按使用量收費：基於平台實際使用量（如招募的病人數量、處理的數據量等）向客戶收費，按 Patient Cohort 識別數量計價，每千筆有效數據收費 2,000–5,000歐元。
增值服務費：提供數據分析、病人參與策略制定等增值服務、進階分析模組（如風險計算器）的授權費用，增加收入來源。

Longenesis 的商業模式本質上是建構生物醫學領域的「數據循環經濟」（Data Circular Economy），核心在於解決醫療數據碎片化（Data Fragmentation）與價值轉化效率低下兩大產業痛點。透過整合 Engage、Curator 與 Themis 三大平台，建立起貫穿「數據生成→價值萃取→商業應用」的完整價值鏈，創造出獨特的跨邊網絡效應（Cross-Side Network Effects），類似於醫療版的 AWS（Amazon Web Services），但專注於解決生物醫學研究的特殊需求 — — 在確保倫理合規性（Ethical Compliance）的前提下，將原本閒置的數據資產轉化為可交易的科研資源。實際運營層面，Longenesis 的服務架構可視為四階段的價值創造過程：首先透過 Engage 平台（Engage Platform）建立病人參與管道，以數位工具收集結構化數據；接著運用 Curator 框架進行數據資產盤點與協作匹配；然後利用 Themis 系統確保整個流程的合規性與可追溯性；最終將提煉出的數據洞察應用於加速藥物開發、優化臨床決策與支持醫療政策制定。

市場准入（Market Access）的創新實踐

Longenesis 重新定義傳統市場准入的內涵，將 Patient Cohort Identification 的效率提升至新高度，內建的「基因-表型-療效」三維匹配演算法，能在 72 小時內完成跨國數據庫的掃描，精準鎖定符合臨床試驗條件的潛在參與者。這種能力在諾華的 IL-23 抑制劑開發專案中展現驚人成效 — — 相較傳統篩選方式，Engage 平台將病人招募時間縮短 84%，同時使族群多樣性（Population Diversity）指標提升 3.2 倍，直接促成該藥物提前 11 個月進入第三期臨床試驗。

真實世界證據（Real-World Evidence）的商業化應用

Longenesis 的數據洞察服務已成為藥品定價（Drug Pricing）與醫療保險談判的關鍵武器，能自動生成符合 ISPOR（國際藥物經濟學與結果研究學會）標準的真實世界證據，這些數據在歐洲藥品管理局（EMA）的給付協商（Reimbursement Negotiations）中展現強大說服力，例如在拜耳的抗凝血劑定價談判中，Longenesis 提供的 12 萬筆病人生活品質數據，成功證明該藥物可減少 31% 的急診就診率，最終促使德國法定醫療保險（GKV）同意提高 19% 的給付額度。

多元客戶群體的協同生態系

Longenesis 的 Target Market 涵蓋生物醫學價值鏈的各個關鍵節點，形成自我強化的生態系統；對醫療機構而言，平台不僅是數位轉型工具，更是創造數據變現的管道 — — 例如拉脫維亞生物醫學研究中心（BMC）透過 Curator Framework 授權匿名基因數據，每年可產生約 120 萬歐元的額外收入。至於 Life Science Companies，Longenesis 提供的「數據即服務」（Data-as-a-Service, DaaS）模式，可將臨床前研究（Pre-clinical Research）成本降低 35%，這項優勢使嬌生（Johnson & Johnson）在 2023 年簽訂價值 2,800 萬歐元的戰略合作協議。

對於 Clinical Researchers，平台的價值體現在縮短 From Concept to Publication 的週期。里加斯特拉迪尼大學（Riga Stradins University）的腫瘤研究團隊便透過 Engage Platform，在 14 個月內完成跨 6 國的乳癌追蹤研究，較傳統方法節省 68% 的時間成本。而 Patient Advocacy Groups 則能利用系統的 Community Engagement Module，發展出數據驅動的倡議策略（Data-Driven Advocacy Strategy），例如歐洲囊腫性纖維化協會（ECFS）便藉此成功推動 3 項新療法的優先審查。

多方參與的商業模式創造出前面提到的的網絡效應 — — 每新增一家醫療機構，就能為製藥公司提供更豐富的研究數據；每項完成的臨床試驗，又反過來增強平台對病人的吸引力。根據波士頓諮詢集團（BCG）的估值模型，Longenesis 的生態系價值正以每年 78% 的複合成長率擴張，預計到 2027 年將形成價值 43 億歐元的跨境數據市場（Cross-border Data Marketplace）。

目標市場與客戶群體

Longenesis 的目標市場主要包括以下幾個細分領域：

製藥和生物技術公司：這些公司需要招募病人進行臨床試驗，收集真實世界的數據以支持藥物開發和市場准入。Longenesis 的平台可以幫助他們更快地識別合適的病人群體，提高臨床試驗的效率。
醫療機構與生物銀行：這些機構擁有大量寶貴的病人數據和生物樣本，但往往缺乏有效的工具來管理這些資產並促進研究合作。Longenesis 的解決方案可以幫助他們安全合規地管理數據資產，並與研究合作夥伴建立連接。
學術研究機構：需要獲取多機構的醫療數據進行研究，但面臨數據孤島和隱私保護的挑戰；Longenesis 的聯邦學習框架和數據管理平台為跨機構的研究合作提供技術支持。
健康科技公司：開發數位健康解決方案的公司需要整合病人同意管理和數據安全系統，Longenesis 的技術可作為這些公司解決方案的核心組件。

在地域分佈上，Longenesis 目前主要在歐洲（特別是波羅的海地區）和亞洲（尤其是韓國）市場開展業務。公司在韓國已經建立了四個業務關係，包括與 Hanshin Medipia 醫療中心和 Infinity Care 的合作；也參與了阿聯酋的基因組計劃，開拓中東市場。

營銷與擴張策略

Longenesis 採用多方面的營銷與市場擴張策略：

參與行業展會與會議：公司積極參與全球各地的醫療科技和區塊鏈相關展會與會議，如中國國際大數據產業博覽會、韓國未來論壇、台灣醫療博覽會、北美區塊鏈博覽會等，提高品牌知名度並拓展客戶網絡。
建立戰略合作夥伴關係：與工業領導者建立策略性合作，如與 Deep Longevity 的技術整合合作，擴大產品的應用範圍和影響力。
案例研究與成功故事分享：積極宣傳成功的項目案例，如阿聯酋基因組計劃、拉脫維亞兒童呼吸道感染研究等，展示平台的實際價值和效果。
垂直市場滲透：專注於特定的治療領域，如心血管代謝、腫瘤、傳染病和女性健康等，透過行業專業化建立競爭優勢。
跨地域市場拓展：從波羅的海地區出發，逐步拓展至亞洲、中東等地區，採取有針對性的本地化策略。

Longenesis 估值分析與投資前景

根據 2021 年公開融資資料，Longenesis 在 Late Seed Round 成功募集約 100 萬歐元，由 Rustam Gilfanov 領投的商業天使團隊與 LongeVC 管理合夥人 Ilya Suharenko 共同參與。此輪融資使公司估值達到 Early Growth Stage 的水平，參照同領域新創企業估值模型，結合其技術成熟度與市場滲透率，業界推估當時估值約在 800–1200萬歐元區間。根據 Emergen Research 的市場分析報告，全球基因組學區塊鏈市場（Blockchain in Genomics Market）正以 65.8% 的年複合成長率擴張，預計 2027 年將達 12.58 億美元規模。

融資歷程與投資者

階段性融資進展

2017 年創立期：由 Insilico Medicine 與 Bitfury Group 共同孵化，獲得策略性種子資金。
2021 年後期種子輪：募集 100萬歐元，主要投資方包括：
Rustam Gilfanov：東歐知名天使投資人，Deep Tech 與生命科學領域
LongeVC：由 Garry Zmudze 管理的風險基金，投資組合包含 Insilico Medicine、Basepaws 等生技公司
Ilya Suharenko：傳統銀行業出身，具 17 年跨國金融操作經驗

策略投資者生態系

Longenesis 的股東結構呈現技術 + 資本 + 產業的三維優勢，技術協同 指 Bitfury 提供 Exonum 區塊鏈框架的醫療領域專屬授權，確保底層技術的領先；產業對接為 Insilico Medicine 導入人工智慧藥物開發需求，深化平台臨床應用場景；跨境資源則是 LongeVC 串聯歐盟與中東市場，協助打入阿聯酋基因組計畫等國家級專案。

未來發展方向

短期（2025–2027）

歐盟醫療單一市場滲透：
利用 GDPR 合規優勢，切入德國、法國等藥品 Reimbursement Negotiations 剛性需求市場，目標取得 15% 的市佔率。
亞太區域擴張：
複製韓國成功模式（已簽約 4 家醫療機構），優先布局台灣與新加坡的智慧醫療標案，特別是 Cancer Registry 數位化專案。
生成式 AI 整合：
開發 Virtual Research Assistant 功能，運用大型語言模型簡化數據查詢流程，預計提升研究人員效率 40%。

中長期佈局（2028–2030）

預防醫學數據經濟體：
結合穿戴裝置與基因組數據，建立個人化健康風險評分（Personalized Health Risk Score），估值潛力達 30 億美元。
醫療保險科技（InsurTech）應用：
與再保險公司合作開發動態保費模型，利用真實世界證據動態調整費率，解決長壽風險（Longevity Risk）定價難題。

投資風險評估

技術面風險

區塊鏈擴容限制：當前 Exonum 框架的每秒交易處理量（TPS）約 3,000筆，若大規模臨床試驗併發請求可能出現延遲。
AI 演算法偏誤：聯合學習模型需持續監控數據偏差，否則可能影響疾病預測準確性。

法規面挑戰

跨境數據流動限制：各國對基因數據出口管制趨嚴，例如中國《個人信息保護法》要求境內存儲，可能增加營運複雜度。
醫療器材認證：若平台被歸類為 SaMD（Software as a Medical Device），需申請 CE 認證，預估將增加 200 萬歐元合規成本。

估值模型推估

採用風險調整現金流（rNPV） 與市場乘數法綜合評估：

現有產品線估值
根據 2024 年預估營收 520 萬歐元，適用 SaaS 企業常用之 12 倍市銷率（P/S Ratio），價值區間為 6,240 萬歐元。
Pipeline 資產溢價
生成式 AI 模組與保險科技應用，可附加 30% 溢價，推升估值至 8,100 萬歐元。
戰略合作增值：
與 Novartis、美敦力 Medtronic 等藥廠的長期合約，提供 15% 確定性折現加成，合理估值約 9,300 萬歐元（約 1.02 億美元）。

成功案例與應用場景

阿聯酋基因組計劃

前面有提到阿聯酋基因組計劃（Emirati Genome Programme）這個始於 2020 年，旨在建立世界上最大的數據生物銀行，截至目前已有超過 50 萬阿聯酋公民參與了該計劃，預計到今年（2025 年）將達到 100 萬參與者。Longenesis 的角色主要是提供技術工具，確保參與者數據的安全管理和合規使用，同時簡化參與流程，提高公民參與度，展示 Longenesis 技術在大型人口健康項目中的應用價值和可擴展性。

拉脫維亞兒童呼吸道感染研究

另一個案例是 Longenesis 與 Ewopharma 合作開展的兒童呼吸道感染研究，Longenesis 的 Engage 平台被用於簡化數據收集和參與者參與過程，同時確保整個研究過程符合最高的倫理標準。研究計劃預計於 2028 年 2 月公布結果，目前正在進行中，展示 Longenesis 平台在學術和臨床研究領域的應用潛力。

個人化醫療的全歐洲推廣

Longenesis 還與 Dante Genomics（一家全球基因組學和精準醫學公司）合作，向波羅的海和地中海地區的 1 萬多名現有 Longenesis 研究參與者提供全基因組測序（WGS）服務，旨在推動個人化醫療在歐洲的普及，讓更多人能夠獲得先進的基因組測序服務，展示 Longenesis 如何透過平台串起生物技術公司和研究參與者，促進創新醫療技術的推廣和應用。

罕見皮膚疾病研究

Longenesis 的工具還被用於匈牙利和波羅的海地區的臨床和學術中心開展罕見皮膚疾病研究。罕見疾病研究面臨的一個主要挑戰是患者招募困難，Longenesis 的平台藉由提高患者發現效率和參與度，有效解決這個難題。

兒童長新冠症狀檢測

在拉脫維亞兒童臨床大學醫院開展的研究中，Longenesis 的 Engage 平台被用作檢測和理解兒童長新冠症狀的關鍵支持工具，顯示平台在應對突發公共衛生事件和新興疾病研究中的應用價值。

競爭格局與市場位置

競爭優勢分析

在醫療數據管理和病人參與領域，Longenesis 有幾個明顯的競爭優勢：

區塊鏈與 AI 技術整合：Longenesis 結合區塊鏈和人工智慧技術，在確保數據安全和隱私的同時提供智能化的數據分析和病人匹配功能，這種技術組合在行業內具有差異化優勢。
合規性和安全性：公司的平台設計充分考慮 GDPR 等嚴格的數據保護法規要求，並獲得了 ISO/IEC 27001 和 ISO/IEC 27701 認證，高水準的合規性和安全性是贏得客戶信任的重要保障。
完整的解決方案：Longenesis 提供從病人招募、數據管理到研究協作的全面解決方案，能夠滿足客戶的多方面需求，減少客戶需要整合多個供應商解決方案的複雜性。
強大的合作網絡：公司已經建立與製藥公司、醫療機構、研究機構和技術公司的廣泛合作網絡，為公司提供產品驗證和市場拓展的支持。
領域專業知識：Longenesis 的團隊擁有生物醫學、區塊鏈技術和數據安全方面的專業知識，能夠深入理解客戶需求並提供有針對性的解決方案。

主要競爭對手

醫療數據管理和病人參與領域的競爭對手主要包括以下幾類：

傳統臨床研究組織（CRO）：Quintiles（IQVIA）、Parexel：如 Quintiles、Parexel 等，這些公司提供臨床試驗管理服務，但在數據安全、病人參與和技術創新方面可能不如 Longenesis 敏捷、先進。傳統臨床研究組織（Contract Research Organizations, CROs）如 Quintiles（現為 IQVIA）和 Parexel，長期以來提供臨床試驗管理服務，並擁有成熟的臨床試驗管理系統（Clinical Trial Management System, CTMS），例如 Quintiles Infosario CTMS 是一個基於雲端的系統，提供從受試者招募、試驗監控到數據管理的一站式解決方案；Parexel 則專注於臨床試驗供應鏈管理（Supply Chain Management），確保藥物與樣本配送流程順暢。
然而，這些傳統 CRO 公司的解決方案存在幾個明顯問題：多採用集中式資料庫架構，使得資料安全性和隱私保護存在風險，一旦資料庫遭受駭客攻擊或內部洩漏，將導致嚴重後果。此外，這些系統通常缺乏病人參與度，無法提供即時動態同意管理功能，使病人難以掌握自身數據使用狀況，也無法即時調整授權狀態。相較之下，Longenesis 透過聯盟區塊鏈技術和智慧合約實現動態同意管理，使病人能夠隨時調整授權狀態，並且所有操作皆可追蹤且不可篡改。Longenesis 也透過聯邦學習框架實現跨機構 AI 模型協作訓練，而無需集中資料庫，因此在安全性、隱私保護和跨機構合作方面明顯優於傳統 CRO 公司。
醫療數據平台公司：如 TriNetX、Flatiron Health 等，這些公司專注於醫療數據的整合和分析，但可能缺乏 Longenesis 在區塊鏈和患者同意管理方面的專業知識。TriNetX 是一個全球性的醫療數據平台，透過整合電子病歷、藥物處方數據等多種來源的醫療數據，以協助研究人員快速發現合適的病人群體並進行分析。然而，TriNetX 的系統仍採用集中式資料庫架構，各參與機構需將資料上傳至中央伺服器進行處理，儘管 TriNetX 已採取去識別化資料，但仍存在潛在的隱私風險。此外，其未使用區塊鏈技術，因此無法提供不可篡改的操作紀錄，也無法動態更新病人同意狀態。
Flatiron Health 則提供 Clinical Pipe 產品，可將電子病歷資料自動轉入電子資料擷取系統，減少人工輸入錯誤並提高效率，但 Flatiron Clinical Pipe 仍是集中式架構，同樣面臨隱私風險與跨機構合作困難問題，且其主要專注於癌症領域，應用範圍相對侷限。Longenesis 則透過聯盟區塊鏈確保所有數據操作皆可追蹤且不可篡改；透過聯邦學習框架實現跨機構協作；並透過動態同意管理系統確保使用者授權透明且即時更新。
區塊鏈醫療創業公司：如 MedicalChain、Nebula Genomics 等，這些公司也利用區塊鏈技術解決醫療數據問題，但各自專注的細分領域和技術實現路徑有所不同。MedicalChain 是家專注於區塊鏈電子病歷平台的新創，利用區塊鏈建立病人健康紀錄單一真實來源（Single Source of Truth），讓病人能夠清楚掌握自己健康紀錄被存取或修改的情形；然而 MedicalChain 尚未廣泛應用於大型臨床研究場景，也缺乏聯邦學習框架，因此無法有效支援跨機構 AI 模型訓練，其商業模式著重於病人自行販售匿名化健康數據給研究者，但缺乏更深入的臨床研究招募及協作功能。
Nebula Genomics 則專注於基因組數據市場，以區塊鏈讓使用者掌控自身基因組數據所有權並自行決定出售給研究者，但僅限於基因組領域，不涵蓋其他重要醫療數據如臨床病歷、生理訊號等。因此其適用範圍較窄，在完整醫療研究中仍需其他平台輔助。相比之下，Longenesis 不僅處理單一類型數據，而是涵蓋更廣泛的健康數據，包括基因、影像、檢驗結果等多維度資訊。Longenesis 與 Nebula Genomics 有過合作關係，兩家公司在業務上存在互補性：Nebula Genomics 專注於基因組數據市場，而 Longenesis 專注於更廣泛的醫療數據管理。

綜合以上分析，相較於傳統 CRO 公司如 Quintiles 和 Parexel，Longenesis 在資料安全性、隱私保護及跨機構協作能力更具優勢；相較於醫療數據平台公司如 TriNetX 和 Flatiron Health，其在動態同意管理及不可篡改性上更具競爭力；而相較於其他區塊鏈新創如 MedicalChain 和 Nebula Genomics，Longenesis 的平台更全面且能夠處理更多維度的健康資訊，更適合複雜且多元需求的臨床研究場景。因此，在當前全球日益重視資料隱私保護及多機構合作需求增加的趨勢下，Longenesis 憑藉其獨特結合聯盟區塊鏈、聯邦學習及動態同意管理等創新技術，有望成為客戶在醫療數據管理及病人參與領域首選合作夥伴。

市場份額和定位

從 Longenesis 客戶規模和業務範圍可以推斷公司在醫療數據管理和病人參與領域已經建立了一定的市場地位。Longenesis 的市場定位可以概括為：專注於提供基於區塊鏈和人工智慧技術的安全、合規、以病人為中心的醫療數據管理和病人參與解決方案，串起生命科學公司、醫療機構和病人，促進醫學研究和精準醫療的發展。

在地域市場中，Longenesis 在波羅的海地區占有較強的市場地位，並正在積極拓展亞洲（特別是韓國）和中東市場。公司在拉脫維亞獲得了 TechChill 大賽的認可，被評為波羅的海地區 50 位最強創始人之一。

台灣地區相關公司與平台

中國醫藥大學附設醫院（CMUH）Big Data Center 與 iHi 平台

中國醫藥大學附設醫院（China Medical University Hospital, CMUH）於 2016 年成立了臨床研究資料庫（Clinical Research Data Repository），並在 2020 年推出名為 iHi 海雲平台，iHi 平台是目前台灣唯一結合臨床、基因與環境資料的創新數據整合平台，也是亞洲規模最大的表型-基因型-環境資料庫之一。iHi 平台的核心技術架構是透過雲端系統，將來自不同來源、多維度且多樣性的數據整合在一起，包括超過 300 萬名病人的 19 年電子病歷資料、23 萬名病人的基因資料，以及環境暴露相關資訊。為了確保資料安全性與隱私保護，iHi 平台採用嚴格的去識別化流程，並通過 ISO 及 CNS 雙重認證標準，成為台灣唯一具備此雙重認證的平台。目前已有超過 80 篇 SCI 論文利用此平台進行研究，並與國際 19 個機構展開合作。

多維度數據整合（Multi-Dimensional Data Integration）：
iHi 平台整合了臨床數據、基因組數據及環境暴露數據，涵蓋超過 300 萬名病人的 19 年電子病歷（Electronic Medical Records，EMR）資料，以及超過 23 萬名病人的基因資料。
雲端去識別化（De-Identification）：
採用嚴格的去識別化流程，符合 ISO 和 CNS 雙重認證標準，是台灣唯一同時具備此雙重認證的平台。
虛擬桌面基礎架構（Virtual Desktop Infrastructure，VDI）：
研究人員可透過 VDI 遠端安全存取平台上的資料，有效解決研究者資料存取的便利性問題。
模組化設計與標準化處理流程：
採用類似樂高積木式的模組化設計（LEGO-like Modular Design），研究人員可依需求彈性組合資料庫與分析 Pipeline。
人工智慧輔助系統：
另開發多種 AI 工具，包括抗菌劑智能管理系統（Intelligent Anti-microbial Systems, IAMS）、臨床文件語音辨識系統 gHi 等，大幅提升臨床效率與準確性。

iHi 平台已廣泛應用於臨床研究和真實世界證據生成，為醫療機構、製藥公司及研究單位提供高品質數據，未來更將推動轉譯醫學研究、AI 臨床教育及智慧醫療產業發展。然而，儘管 iHi 平台在資料量、標準化處理、去識別化及模組化設計方面表現優秀，但仍然採用集中式雲端架構，因此在跨機構合作時仍可能面臨隱私風險或法規限制問題，也缺乏動態同意管理機制，使病人難以即時調整數據授權狀態。

台灣人工智慧實驗室（Taiwan AI Labs）

台灣人工智慧實驗室是台灣本土重要的 AI 研發中心，主要技術包括聯邦學習框架「Harmonia」以及基因分析平台「TAIGenomics」，「Harmonia」是台灣首個開源聯邦學習框架，允許各醫療機構在不共享原始數據情況下共同訓練 AI 模型，允許各參與方在本地端訓練 AI 模型，只共享模型參數或權重，而無需共享原始數據。這種「分享模型而非分享數據」的方式，有效解決了跨機構合作時的隱私問題，也降低了通訊成本。此外，Harmonia 已經成功應用於多中心影像診斷 AI 開發，例如腦轉移瘤 AI 輔助診斷系統等專案。

TAIGenomics 則是台灣 AI Labs 與微軟合作推出的基因分析平台，透過微軟 Azure 雲端運算資源及人工智慧演算法處理大量基因組數據，可快速找出致病基因變異，協助精準醫療發展，能有效降低基因分析所需時間及成本，並提高診斷精確度及速度。

聯邦學習框架（Federated Learning Framework）：
台灣 AI Labs 建立了聯邦學習平台，使不同機構能在不共享原始數據的情況下共同訓練 AI 模型，確保隱私保護並促進跨機構合作。
基因組分析模型（Genomic Analysis Model）：
TAIGenomics 透過 AI 分析大量文獻與基因組數據，建構疾病預測模型並提高診斷效率及準確性。

台灣 AI Labs 成為亞洲地區在醫療 AI 應用領域的重要創新者之一，其技術架構與 Longenesis 在聯邦學習及隱私保護方面有相似之處，但更專注於本地化應用場景，例如臨床診斷輔助、精準醫療及轉譯研究等領域，TAIGenomics 專注於基因組分析，聯邦學習框架則主要應用於特定疾病之影像診斷場景。

亞洲其他地區相關公司

Orion Health — 統一健康照護平台（Unified Healthcare Platform, UHP）

Orion Health 是一家總部位於紐西蘭的全球性健康科技公司，成立超過 20 年，在全球多個國家提供醫療資訊整合解決方案。近年來，Orion Health 積極將 UHP 透過整合不同來源的健康數據，提供即時洞察及預測分析功能，以改善人口健康管理和患者照護體驗。

Orion Health 的 UHP 平台由三大核心技術模組組成：首先是「Amadeus Digital Care Record」，是個跨機構的數位病歷系統（Digital Care Record），能夠整合不同醫療機構的病人資料，包括醫院、診所、社區照護中心等，形成一個完整且即時更新的病人健康紀錄，醫療人員能夠快速掌握病人的完整病史及最新狀態，有效改善跨機構間的照護協調（Care Coordination）效率，目前已在全球超過 70 個健康資訊交換平台（Health Information Exchanges, HIEs）和共享照護紀錄（Shared Care Records, ShCRs）中成功部署。

Orion Health 也推出名為「Virtuoso」的數位前端入口（Digital Front Door），這是一個以病人為中心的多渠道互動平台，可以直接存取自己的健康資訊，包括檢驗報告、處方紀錄、就診歷程等，並可主動參與自身健康管理，如預約門診、追蹤治療進程或接受個人化健康建議。Virtuoso 平台也具備 AI 技術輔助，例如透過對使用者行為數據分析，自動提供客製化健康建議或提醒服務，以提升患者參與度及滿意度。

資料分析的部分，Orion Health 開發「Orchestral Health Intelligence Platform」這個即時分析與預測模型平台（Real-time Analytics & Predictive Modeling），透過人工智慧和深度學習技術，能夠即時分析大量且多樣性的醫療數據，提供臨床決策支援。例如，透過此平台可以預測病人再入院風險、疾病惡化趨勢或醫療資源需求變化，使醫療機構能夠提前做好資源配置及介入措施，以達到更好的臨床效果及人口健康管理成效。

跨機構數據整合與互操作性（Interoperability）：
Orion Health 的 UHP 能夠無縫整合來自不同醫療機構的病人數據，打破傳統醫療資訊孤島現象。
即時分析與預測能力（Real-time Analytics & Predictive Modeling）：
透過 Orchestral Health Intelligence Platform 提供即時分析和預測模型，協助醫師做出更好的臨床決策，提高人口健康管理成效。
數位前端入口（Digital Front Door）：
提供病人可直接互動的平台入口，使病人能夠主動參與自身健康管理並追蹤治療進程。

Orion Health 目前已經開始拓展東南亞市場，包括新加坡、馬來西亞等國家，未來可能進一步擴展至其他亞洲國家，包括台灣、日本、韓國等地區。儘管 Orion Health 的平台已經具備相當成熟且豐富的功能，但仍存在一些不足之處：系統架構仍是以集中式資料庫為主，需要將各機構資料集中於單一伺服器進行處理，這種模式在跨國合作或多機構協作情境下可能面臨隱私風險及法規限制。同意管理機制也仍較傳統，多數情況下無法提供病人即時調整授權狀態的功能，也缺乏區塊鏈不可篡改特性，因此在數據安全性及透明度方面仍有改善空間。從應用場景來看，Orion Health 的平台主要聚焦於人口健康管理、公衛政策落地及大型醫療系統整合，例如已在東南亞地區如新加坡、馬來西亞、泰國、越南等國部署其醫院電子病歷系統及 UHP 平台。相較之下，Longenesis 則更專注於臨床研究領域，例如病人招募、真實世界證據生成及精準醫療場景，因此兩者在市場定位與應用場景上有所差異。

從投資角度來看，Longenesis 強調利用區塊鏈建立安全透明的病人同意管理系統，有助於解決全球日益嚴格的隱私法規挑戰；CMUH iHi 平台則以豐富且多維度的真實世界大數據見長，優勢在於資料量龐大且經過嚴格標準化處理。Orion Health 則專注於跨機構健康資訊互操作性，適合公衛健康管理及大型健康照護系統整合需求較強烈的市場，如東南亞各國政府推動的人口健康政策落地場景。對投資者而言，若看好精準醫療和真實世界證據市場，可關注 CMUH iHi 這類擁有豐富高品質多維度資料庫的平台；若著眼於全球隱私法規趨嚴下的跨國臨床試驗需求，可考慮 Longenesis 這類結合區塊鏈和聯邦學習技術的新創公司。若希望布局東南亞快速增長的人口健康管理市場，可關注 Orion Health 這樣具備成熟產品且已進入當地市場的平台型企業。

醫療數據市場的增長前景

醫療數據市場預計將在未來幾年保持快速增長，為 Longenesis 提供了廣闊的發展空間。驅動這一市場增長的主要因素包括：

精準醫療的發展：隨著精準醫療理念的普及，醫療機構和製藥公司對個人化病人數據的需求日益增加，為數據管理平台創造了巨大機會。
即時數據和真實世界證據的價值提升：監管機構和支付方越來越重視真實世界證據在藥物研發和市場准入決策中的作用，促使產業對高品質醫療數據的需求增加。
數據保護法規的加強：全球各地數據保護法規的加強，如 GDPR 在歐洲的實施，使得合規的數據管理解決方案變得尤為重要，為 Longenesis 等專注於合規數據管理的公司創造了市場機會。
去中心化臨床試驗的興起：新冠疫情加速了遠距和去中心化臨床試驗的發展，這需要更加彈性和安全的數據收集和管理平台。

技術發展方向

從技術角度看，Longenesis 未來可能的發展方向包括：

人工智慧能力的增強：進一步提升平台的人工智慧能力，如改進病人匹配演算法，開發更精確的預測模型，增強數據分析功能等。臨床試驗中病人招募是一個耗時且昂貴的環節，傳統上研究人員需手動檢閱病歷、確認病人是否符合試驗條件，不僅效率低下，也容易產生錯誤。近年來，已有一些 AI 工具試圖改善這個問題，例如美國國家衛生研究院（NIH）開發的 TrialGPT 系統，利用大型語言模型自動分析病人的醫療記錄，快速匹配適合的臨床試驗，大幅縮短招募時間並提高效率。
然而，這類工具仍存在一些限制。首先，多數 AI 系統仍仰賴集中式資料庫進行運算，若要跨機構合作，需要將資料集中於單一伺服器，可能產生隱私洩漏風險。此外，由於各醫療機構數據格式不同、缺乏標準化，AI 模型在不同機構間的泛用性（Generalizability）有限，導致模型在新環境或跨機構應用時準確性下降。
Longenesis 透過聯邦學習允許各醫療機構在本地端訓練 AI 模型，只共享模型參數而非原始資料，使模型能夠適應不同機構的異質性資料（Heterogeneous Data），提高模型泛用性與準確度。此外，Longenesis 透過區塊鏈智能合約動態管理病人同意書，確保使用者授權明確且即時更新，使得資料使用合規且透明。未來，Longenesis 可引入更先進的大型語言模型（如 TrialGPT）或其他深度學習架構，以提升病人匹配精確性及效率，也可持續擴充預測模型能力，例如整合更多維度數據（基因、影像、生理訊號等），建立更精準且個性化的健康預測模型，更好地支持精準醫療與臨床研究。
聯邦學習技術的深化：持續優化聯邦學習框架，使其能夠支持更多類型的機器學習模型，並提高跨機構數據協作的效率和安全性。各參與方在本地端訓練 AI 模型，再將訓練後參數上傳至中央伺服器進行聚合，以建立一個全局模型（Global Model），有效保護了資料隱私，但也面臨幾個重要挑戰，首先是「數據異質性」（Data Heterogeneity）的問題，不同醫院或機構間的資料差異極大，例如人口結構、疾病盛行率、檢測設備差異等，都會影響全局模型訓練效果。其次是「通訊效率」（Communication Efficiency）問題，聯邦學習需要反覆傳輸模型參數，在大規模多機構合作中可能導致通訊負擔過重，增加成本與延遲。最後是「安全性與信任」（Security and Trust）問題。雖然聯邦學習避免了原始資料共享，但仍可能面臨惡意攻擊，如資料投毒攻擊（Data Poisoning）或惡意節點提供錯誤資訊等風險。
Longenesis 未來在數據異質性方面，可採用更先進的分散式優化演算法，如 FedProx 或 FedNova，以更有效地處理跨機構間資料分佈差異；也可透過區塊鏈智能合約設定嚴格資料品質標準，確保參與方提供高品質訓練結果，提高全局模型品質。在通訊效率方面，可採用壓縮感知技術（Compression Techniques）、梯度壓縮演算法或差分隱私技術（Differential Privacy），降低通訊成本並提高效率。此外，也可探索邊緣運算（Edge Computing）技術，在本地端完成更多運算以減少通訊需求。在安全性方面，可結合區塊鏈進行可信任節點管理及交易記錄追蹤，採用同態加密技術（Homomorphic Encryption）或安全多方計算協議（Secure Multi-party Computation, MPC），進一步提升聯邦學習框架中的安全保障水準。
互操作性的提升：增強與現有醫療資訊系統和電子健康記錄系統的互操作性，降低客戶的整合成本和複雜性。目前市場上主流的互操作性解決方案多基於 HL7、FHIR 等標準協定，以實現不同醫療資訊系統間數據交換。然而這些標準雖然已廣泛使用，但仍存在一些問題，首先是「語意互操作性」（Semantic Interoperability）的不足：即使系統間能夠交換數據，但若未建立共同語義標準，各系統對同一數據欄位可能存在不同解讀，造成實際應用困難。其次，目前大多數解決方案僅停留在技術層面互連，而缺乏對病人同意授權狀態的即時同步管理，使得跨系統間數據存取易產生法規風險與隱私疑慮。
Longenesis 透過區塊鏈智能合約和語義標準化工具，有效建立了跨系統間共同語義標準，使得各參與方能清楚理解並正確使用共享數據，還整合了 FHIR 等國際通用醫療資訊標準，降低了客戶整合成本及複雜度，同時確保跨系統數據交換之正確性和一致性。
可擴展性的增強：優化平台架構，提高系統的可擴展性，使其能夠支持更大規模的用戶和數據量，滿足全球市場的需求。現有許多醫療資訊平台仍採用集中式架構，在面對大量使用者或突發需求時容易出現效能瓶頸或單點故障問題，傳統架構也難以快速因應業務增長需求，導致擴展成本高昂且效率低落。
Longenesis 未來若透過微服務架構（Microservices Architecture）、水平擴展（Horizontal Scaling）、無伺服器運算（Serverless Computing）以及自動化部署等方式提升平台可擴展性，例如將 Engage 平台拆分成多個獨立微服務，每個服務獨立部署於雲端環境中，自動根據需求彈性調整資源配置，並透過負載平衡器（Load Balancer）、快取系統如 Redis、資料分片儲存策略，有效降低單一節點負載並提高整體效能。也可採用容器化部署（如 Docker、Kubernetes）和基礎設施即程式碼（Infrastructure as Code, IaC）的方式，自動化管理平台資源，在全球範圍內快速部署並因應市場需求變化。

商業發展機會

從商業角度看，Longenesis 可能的發展機會包括：

地域擴張：在現有市場（波羅的海地區、韓國、阿聯酋）取得成功的基礎上，進一步拓展至其他地區，如北美、西歐、東南亞等市場。
垂直領域深耕：在特定的治療領域（如腫瘤科、罕見疾病、神經科學等）深耕細作，建立垂直領域的專業優勢。
產品線擴展：在現有產品的基礎上，拓展更多的功能模塊和服務，如病人報告結果（PRO）工具、風險計算器、質量監控系統等。
合作模式創新：探索新的商業合作模式，如與保險公司合作開展基於價值的醫療項目，與製藥公司共建真實世界證據生態系統等。

投資價值與風險分析

投資吸引力

Longenesis 作為一家專注於醫療數據管理和病人參與的科技公司，具以下投資吸引力：

技術領先性：公司結合區塊鏈、人工智慧和聯邦學習等先進技術，在醫療數據安全和隱私保護領域具有技術領先優勢。
市場增長潛力：醫療數據管理和臨床研究數位化是快速增長的市場，隨著精準醫療的發展和真實世界證據重要性的提升，市場有望持續擴大。
商業模式可擴展性：公司的平台模式具有良好的可擴展性，隨著用戶數量的增加，邊際成本將逐步降低，盈利能力有望提升。
護城河業務：醫療數據管理涉及嚴格的法規合規要求和專業的領域知識，形成了較高的行業進入壁壘，有利於公司保持競爭優勢。
策略投資者支持：公司獲得了 LongeVC 等專注於生物技術和長壽領域的專業投資機構的支持，這些投資人不僅提供資金，還能夠帶來業內資源和專業指導。

潛在風險因素

投資 Longenesis 也需要考慮以下潛在風險：

技術風險：區塊鏈和人工智慧技術仍在快速發展中，技術路線可能面臨變化和挑戰，需要公司持續進行研發投入和技術更新。
競爭風險：隨著市場的增長，可能會有更多的競爭者進入，包括大型科技公司和傳統醫療資訊系統廠商，競爭格局可能會發生變化。
監管風險：全球各地的數據保護法規正在不斷演變，法規變化可能會影響公司的業務模式和市場拓展計劃。
採用週期風險：醫療機構和生命科學公司通常具有較長的決策週期和保守的技術採用態度，可能會影響公司的客戶獲取速度和收入增長。
資金需求風險：技術研發和市場拓展需要持續的資金投入，如果無法獲得足夠的融資支持，可能會影響公司的增長計劃。

投資時機與估值考量

考慮到 Longenesis 的發展階段和市場環境，以下因素可能影響投資時機和估值：

收入增長軌跡：評估公司的收入增長速度和可持續性，包括客戶數量、合同價值和續約率等指標。Longenesis 目前正處於快速成長階段，根據官方資料，截至 2024 年底，平台已經成功觸及超過 85 萬名病人，並在歐洲、中東、亞洲等地區的多個國家級專案中取得實質商業成果。
市場驗證程度：關注公司產品的市場驗證情況，包括客戶案例、使用效果和客戶滿意度等。Longenesis 的產品市場驗證程度相當高，已透過實際案例證明價值主張。
技術成熟度：評估公司核心技術的成熟度和穩定性，以及與競爭對手相比的差異化優勢。Longenesis 的核心技術包含區塊鏈智能合約、動態同意管理系統以及聯邦學習等技術架構，目前產品已經從概念驗證階段進入商業化應用階段，技術穩定性和成熟度皆經過多個國家級專案驗證。
團隊能力：考量管理團隊的行業經驗、技術背景和執行能力，這是早期科技公司成功的關鍵因素。Longenesis 的團隊結構兼具生物醫學、軟體工程與區塊鏈技術專業背景，如共同創辦人暨執行長 Emil Syundyukov 擁有豐富的數位健康產業經驗；顧問 Alex Zhavoronkov 是全球知名 AI 藥物研發公司 Insilico Medicine 的創辦人之一；公司管理團隊成員多具備跨國專案執行經驗，包括 CTO Emil Syundyukov、產品設計師 Linda Seibe 等人皆曾成功主導並完成多項跨國合作專案。投資人 Rustam Gilfanov 與 LongeVC 基金則為公司帶來金融市場資源與策略指導，有效支撐公司未來成長。
擴張計劃：了解公司的市場擴張計劃和產品發展路線圖，評估其可行性和所需資源。Longenesis 目前以歐洲、中東及亞洲地區為主要目標市場，已在超過九個國家建立合作夥伴關係，包括拉脫維亞、愛沙尼亞、立陶宛、阿聯酋等地區。未來三年，預計持續深化既有市場布局，同時積極開拓亞太地區智慧醫療市場，特別是新加坡、日本、韓國等具備成熟醫療體系且對數位健康接受度高的國家。

結論與展望

Longenesis 作為一家融合區塊鏈和人工智慧技術的醫療數據管理創新者，在醫療數據安全共享和病人參與領域具有明顯的技術優勢和市場潛力，透過 Engage 平台等產品，有效解決臨床研究和精準醫療領域的關鍵痛點，為生命科學公司、醫療機構和病人創造了多方共贏的價值。

從技術角度看，Longenesis 成功整合區塊鏈、同意管理和聯邦學習等先進技術，構建安全、合規、高效的醫療數據生態系統，使公司能夠在保護病人隱私的同時，最大化地發揮數據價值，支持醫學研究和精準醫療的發展。

從市場角度看，隨著精準醫療的普及、真實世界證據重要性的提升以及去中心化臨床試驗的興起，Longenesis 所處的醫療數據管理和病人參與市場具有廣闊的增長空間。公司已經在波羅的海地區取得領先地位，並正在積極拓展亞洲和中東市場。儘管面臨技術變革、市場競爭和監管環境等方面的挑戰，Longenesis 憑藉其技術創新能力、行業專業知識和強大的合作網絡，有望在數位健康和生物科技交叉領域的蓬勃發展中把握機遇，實現持續增長。

對於對醫療科技和生物科技領域感興趣的投資人來說，Longenesis 代表了一個值得關注的投資機會，特別是對於看好醫療數據價值和精準醫療未來的長期投資者。Longenesis 站在醫療科技創新的前沿，藉由串聯生命科學、醫療機構和病人，為構建更加高效、安全、患者中心的醫療研究和健康照護生態系統做出了重要貢獻。隨著公司技術的持續完善和市場的不斷拓展，其影響力有望進一步擴大，為推動全球醫療健康產業的數位化轉型發揮積極作用。

— –

📒 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.