醫師每週花 20 小時寫病歷，Abridge 用 AI 把事前授權從 45 天壓到即時

本文整理自 Latent Space Podcast 2026 年 5 月播出的單集。

{{< youtube vUARtyOvh5U >}}

{{< spotify "episode/7sXRzbVyUHpKUe061mXG8w" >}}

{{< apple-podcast "tw/podcast/latent-space-the-ai-engineer-podcast/id1674008350?i=1000767833040" >}}

---

「睡衣時間」：美國醫療體系最貴的加班

美國的醫師有一個苦澀的術語叫「睡衣時間」（pajama time）。指的是醫師下班回家、換上睡衣後，還得坐在電腦前花好幾個小時補寫當天的病歷。這不是偶爾發生的事，而是每天的日常。根據 Abridge 產品副總裁 Janie Lee 的說法，醫師每週花在文件作業上的時間高達 10 到 20 小時。換算下來，一位醫師每週有兩到三個整天在做行政工作，而不是看病。

這個問題的代價遠超過加班費。美國正面臨嚴重的醫師短缺，而現有醫師卻把大量時間花在鍵盤上而不是病人身上。Abridge 內部有一個 Slack 頻道叫「Love Stories」，專門收集使用者回饋。裡面的故事不是「提升了效率」這種抽象描述，而是非常具體的人生轉折：有醫師說終於可以回家跟孩子吃晚餐了，有人說因此延後了退休，甚至有人說這救了他的婚姻。當一個軟體產品能讓使用者說出「我們不用離婚了」，你知道它解決的痛點有多深。

Abridge 就是從這個痛點切入的。2018 年由心臟科醫師 Shiv Rao 在匹茲堡創辦，一開始的定位很單純：用 AI 把醫病對話自動轉換成結構化的臨床筆記，讓醫師不用再花大把時間手動寫病歷。但八年後的今天，這家公司已經不只是一個「語音轉文字」工具了。

膝蓋痛的 MRI：一個讓人秒懂的場景

要理解 Abridge 正在做的事，最好的方式是聽 Janie Lee 講的這個故事。

你因為膝蓋痛去看醫生，醫師判斷你需要做 MRI。你離開診間，以為一切都在進行中。結果四個禮拜後接到電話：「抱歉，你的 MRI 沒有被保險核准，你要不要再回來一趟？」這個流程叫做事前授權（Prior Authorization），是美國醫療體系中最令人抓狂的行政關卡之一。保險公司要求醫師在執行特定檢查或治療前，先提交申請證明其必要性。這個流程通常需要 45 天，涉及 20 多個接觸點，而且經常因為缺少某項資訊而被退件。

Abridge 的做法是：在病人還沒離開診間之前就搞定這件事。系統在醫師看診的同時，即時分析對話內容，比對病人的保險方案（比如加州的 Aetna 計畫），找出該方案要求的核准條件。假設 Aetna 要求六項條件，Abridge 已經從電子病歷中確認了其中四項（之前的就診紀錄、用藥歷史等），剩下兩項需要醫師在當場確認：病人是否做過物理治療？疼痛是否持續超過六週？

系統會在適當的時機提示醫師：「在病人離開之前，請確認這兩個問題，這樣 MRI 就能在他離開前獲得核准。」不是用那種讓人煩躁的彈窗警告，而是安靜地、在對的時間點提供對的資訊。Lee 用了一個精準的比喻：「我們希望產品像空調一樣，在背景中運作，讓一切變得更好。」

這個場景之所以重要，是因為它同時解決了三個問題：省下醫師的時間（不用事後補件）、省下醫療體系的錢（減少退件和重複就診），以及最關鍵的，病人不用等 45 天才知道自己能不能做 MRI。

三幕劇：從省時間到救命

Abridge 把自己的發展分成三幕。第一幕是省時間，就是最初的臨床文件自動化。第二幕是幫醫療體系省錢和賺錢。第三幕是改善病人的治療結果。聽起來像標準的企業願景包裝，但背後的邏輯其實很扎實。

第二幕的核心在於，醫療體系正面臨史上最低的營運利潤率。健保給付持續壓縮，人事成本持續上升，再加上各種法規要求。在這個背景下，Abridge 的文件自動化不只是讓醫師輕鬆一點，而是直接影響帳單品質。一份完整、精確的病歷文件，能確保醫療體系拿到應得的給付。如果文件不完整，計費團隊就得回頭查問，整個流程的成本就上去了。Lee 強調，對財務長來說，光是「省時間」不夠，他們要看到每一塊錢的投資對應多少營收回報。

第三幕則是利用 Abridge 獨特的資料優勢。這家公司的產品每週被打開數百萬次，涵蓋看診前、中、後的完整流程。當你擁有這麼大量的臨床對話資料，能做的事情就遠遠超過寫筆記了。臨床決策支援、臨床試驗配對、用藥建議，這些都是下一步。而且 Abridge 的產品已經部署在 250 多個醫療體系中，客戶包括 UPMC（12,000 名臨床醫師）、梅約診所、Northwell Health 等頂級機構。

資本市場顯然也買帳。2025 年 2 月的 Series D 估值是 27.5 億美元，四個月後的 Series E 就跳到 53 億美元，由 a16z 領投。2026 年 4 月又追加了 3.16 億美元。這個成長速度在醫療科技領域非常罕見。

模型星座與資料飛輪

讓事前授權的場景真正運作起來，技術上的挑戰遠比想像中複雜。Chai Asawa（臨床決策支援工程主管，前 Glean 創始工程師）把這個問題拆成三個維度：品質、延遲、成本。

品質要夠高，因為錯誤的警報等於沒有警報。醫療界已經有嚴重的「警報疲勞」問題，超過 90% 的系統警報被醫師直接忽略。如果 Abridge 的提示也跟那些雜訊一樣，醫師根本不會理你。延遲要夠低，因為這一切要在病人還在診間的時候完成，而不是事後通知。成本要可控，因為當你每週處理數百萬筆對話時，用最貴的模型燒 token 是不可能持續的。

Abridge 的解法是所謂的「模型星座」（constellation of models）策略。快速、便宜的小模型負責前端分類和初步判斷，遇到複雜的推理任務才交給更強大的模型處理。Asawa 用「快思慢想」來比喻這個架構。同時，Abridge 手上有一個極其獨特的資料集：超過一億筆醫病對話。Asawa 把這些對話稱為「agent trace」，因為它完整記錄了醫療場景中最關鍵的互動過程。用這些資料做後訓練，能讓模型在特定任務上比通用模型更準確、更快、更便宜。

他也觀察到一個有趣的趨勢：所有模型底層都在變成「coding agent」。這對 Abridge 是好消息，因為電子病歷系統（EHR）本質上就是一個巨大的檔案系統，裡面存放著大量結構化和非結構化的資料。如果 AI 模型越來越擅長操作檔案系統、讀取和寫入資料，那它們處理 EHR 的能力也會跟著提升。Abridge 不需要自己從頭訓練這些能力，只需要提供正確的工具和上下文。

80-20 法則在這裡行不通

在一般的消費者軟體或企業軟體中，「做到 80% 就夠好了」是常見的產品策略。先把主要場景覆蓋，邊緣案例以後再說。但在醫療 AI 中，這個邏輯不成立。Lee 直接點破：「80-20 在這裡不管用。」

原因很現實：如果系統漏掉一個藥物過敏的警告，後果可能是致命的。如果一份病歷缺少關鍵資訊導致計費錯誤，一筆失誤就能吃掉 30 筆交易的利潤，跟 Lee 之前在房地產科技公司 Opendoor 做定價模型時的經驗一模一樣。這不是「出了錯道歉一下」就能解決的問題。

這種高標準直接影響了 Abridge 的開發文化。公司內部有一個叫「LFD」的流程，全稱是「Look at the F***ing Data」。這個略帶粗魯的名字反映了一個深刻的洞察：在機器學習的世界裡，人們很容易只看指標在往上走就覺得一切順利，而忽略了實際產出的品質。LFD 要求團隊必須手動檢視 AI 的輸出，確保它不只是在統計意義上「正確」，而是在臨床意義上也站得住腳。

Abridge 還有一個獨特的角色叫「臨床科學家」（clinician scientist）。這些人同時擁有醫學學位和深厚的技術背景，被嵌入到每個產品團隊中。公司內部戲稱他們為「突變人」（mutants），因為同時具備這兩種能力的人確實非常稀少。他們的存在確保了評估標準不是由工程師或產品經理拍腦袋決定的，而是由真正懂臨床實務的人來把關。一個心臟科的「好筆記」長什麼樣？什麼樣的文件才算「可計費」？這些判斷需要深厚的專科知識，而且不同專科之間差異巨大。

週末 Demo 跟大規模上線是兩個世界

訪談中最發人深省的一段話來自 Lee 對產品開發方法論的反思。在 AI 圈，「快速原型、快速迭代」幾乎是不容質疑的信條。PRD（產品需求文件）被視為過時的官僚產物，應該被原型取代。但 Lee 公開持不同意見。

她的論點是：在軟體成本趨近於零的時代，真正稀缺的不是實作能力，而是判斷力。原型可以在一個週末做出來，但它捕捉不到醫療場景的全部複雜性，包含安全合規、邊緣案例、系統整合、資料契約。更重要的是，當你可以什麼都做的時候，「該不該做」變成了比「能不能做」更關鍵的問題。這個功能是否加深我們的護城河？如果明天 20 個競爭對手也做了同樣的東西，我們的獨特優勢在哪裡？這些問題在一個炫酷的原型裡找不到答案。

「週末 demo 跟在最大的醫療體系上線運作，中間是一道巨大的鴻溝。」Lee 這句話很好地總結了她的觀點。她並不反對原型，而是認為原型應該在清晰的策略思考之後才啟動。先想清楚為什麼要做，再用原型來驗證怎麼做。

Asawa 補充了一個工程師的角度：有時候他其實更想看到清晰的書面規格，而不是一個模糊的原型。判斷力和書寫的清晰度，這些東西不會因為 AI 的進步而過時。在一個所有東西都在快速變化的環境裡，反而更需要這種穩定的錨點。

這場對話讓我想到一個更大的命題：醫療 AI 可能是所有 AI 應用場景中標準最高的。但也正因為標準高，從這裡鍛造出來的方法論、評估框架和開發文化，很可能會回過頭來影響整個 AI 產業。Lee 自己也說，她原本以為醫療會是 AI 創新的末班車，但現在她認為，最難的 AI 問題反而會在這裡率先被解決，因為別無選擇。