Chăm sóc sức khỏe bản địa AI: 100 triệu lượt khám bác sĩ, tiết kiệm 10–20 giờ, xác thực trước trong vài phút - Janie Lee & Chai Asawa, Abridge

Giảm giá đặc biệt cho AIE Melbourne (giảm giá LS) và AIE World’s Fair (giảm giá theo nhóm lên tới 25% - CFP vẫn mở cho Autoresearch và Vertical AI) Cya đó! Abridge không bắt đầu như một “trình bao bọc GPT”. Nó được thành lập vào năm 2018, nhiều năm trước sự bùng nổ kỷ Cambri của các công ty sản xuất lớp ứng dụng AI. OpenAI đã ra mắt ChatGPT một cách công khai vào ngày 30 tháng 11 năm 2022. Đến thời điểm đó, Abridge đã dành nhiều năm thực hiện công việc không mấy thú vị là xây dựng niềm tin cho một trong những bối cảnh cao nhất, quy trình công việc quan trọng nhất trong chăm sóc sức khỏe: cuộc trò chuyện giữa bệnh nhân và bác sĩ lâm sàng. Cái nêm ban đầu của Abridge là tài liệu lâm sàng. Lắng nghe chuyến thăm, tạo ghi chú, giảm bớt gánh nặng văn thư và để bác sĩ lâm sàng dành nhiều thời gian hơn cho bệnh nhân thay vì EHR. Bằng cách tập trung vào cách các bác sĩ thực sự ghi lại, cách hệ thống y tế thực sự mua, cách tích hợp EHR thực sự hoạt động, cách các bác sĩ lâm sàng xác minh kết quả đầu ra và việc thiếu bối cảnh trong chuyến thăm khám biến thành xung đột trong quá trình thanh toán, ủy quyền trước, chất lượng và theo dõi, việc áp dụng LLM đã trở thành một hệ số nhân trên quy trình làm việc vốn đã được tối ưu hóa để thu thập bối cảnh nhạy cảm. Công ty đã mở rộng quy mô nhanh chóng: Abridge cho biết họ dự kiến ​​sẽ hỗ trợ hơn 80 triệu cuộc trò chuyện giữa bệnh nhân và bác sĩ trong năm nay trên 250 hệ thống y tế lớn và phức tạp của Hoa Kỳ, với sự hỗ trợ cho hơn 28 ngôn ngữ và hơn 50 chuyên khoa. Nó đã huy động được 300 triệu đô la với mức định giá 5,3 tỷ đô la vào tháng 6 năm 2025, sau vòng 250 triệu đô la vào đầu năm đó. Hôm nay, Janie Lee và Chaitanya “Chai” Asawa của Abridge tham gia cùng chúng tôi trong một nhóm chéo khác với Jacob Effron của Redpoint (người trong hội đồng quản trị của Abridge) để tìm hiểu cách Abridge xây dựng lớp thông tin lâm sàng cho hoạt động chăm sóc sức khỏe bắt đầu bằng tài liệu xung quanh, sau đó mở rộng sang hỗ trợ quyết định lâm sàng, ủy quyền trước, quy trình làm việc của người thanh toán/nhà cung cấp/dược phẩm và cuối cùng là các đại lý thời gian thực hành động trước, trong và sau cuộc trò chuyện với bệnh nhân. Chúng tôi đi sâu vào các lựa chọn về sản phẩm, dữ liệu, cơ sở hạ tầng, đánh giá, quy trình làm việc, quyền riêng tư và thiết kế tổ chức để đưa AI vào một trong những môi trường doanh nghiệp có mức đặt cược cao nhất từ ​​hơn 100 triệu cuộc trò chuyện y tế và đánh giá dành riêng cho chuyên ngành cho đến cảnh báo theo thời gian thực, tích hợp EHR, loại bỏ nhận dạng, nhóm bác sĩ-nhà khoa học lâm sàng và lý do tại sao dịch vụ chăm sóc sức khỏe có thể giải quyết một số vấn đề AI khó khăn nhất trước tiên. Chúng tôi thảo luận: Tại sao Abridge bắt đầu với tài liệu lâm sàng, “thời gian mặc đồ ngủ” và tiết kiệm cho bác sĩ lâm sàng 10–20 giờ một tuần Quá trình chuyển đổi từ lớp ghi chép xung quanh sang lớp thông tin lâm sàng: tiết kiệm thời gian, tiết kiệm tiền và cứu sống Tại sao cuộc trò chuyện giữa bệnh nhân và bác sĩ lâm sàng có thể là quy trình làm việc quan trọng nhất trong chăm sóc sức khỏe (tính năng tóm tắt lượt thăm khám của bệnh nhân) Khung “Glean được mã hóa chăm sóc sức khỏe” của Chai: bối cảnh là quan trọng nhất, nhưng chăm sóc sức khỏe đặt ra yêu cầu cao hơn về an toàn, đánh giá và triển khai Tại sao Abridge muốn AI có cảm giác giống như “điều hòa không khí”: luôn ở chế độ nền nhưng chỉ gián đoạn khi nó thực sự quan trọng Ví dụ về ủy quyền trước: biến kết quả chụp MRI bị từ chối vài tuần sau đó thành hướng dẫn theo thời gian thực trong khi bệnh nhân vẫn ở trong phòng Tại sao các chính sách của người trả tiền, dữ liệu EHR, tài liệu y khoa và hướng dẫn cụ thể của bệnh viện lại khiến vấn đề trở nên khó khăn và cũng tạo ra con hào Cách Abridge nghĩ về các yếu tố hình thức xung quanh: thiết bị di động, máy tính để bàn, thiết bị trong phòng, quy trình điều dưỡng, đa phương thức và AR trong tương lai Khách hàng chăm sóc sức khỏe đa diện: CMIO, CFO, CIO, bác sĩ lâm sàng, bệnh nhân, người trả tiền và dược phẩm Vấn đề AI khó nhất tại Abridge: hỗ trợ thời gian thực chất lượng cao, độ trễ thấp, chi phí thấp trong môi trường lâm sàng có rủi ro cao Khi Abridge sử dụng các mô hình biên giới so với các mô hình độc quyền và tại sao dữ liệu duy nhất của nó từ các cuộc trò chuyện y tế lại quan trọng Tại sao “mọi tác nhân đều là một tác nhân mã hóa bên dưới” và làm thế nào EHR có thể được coi là một hệ thống tệp dành cho các tác nhân chăm sóc sức khỏe Cách Abridge tiếp cận việc cá nhân hóa giữa từng bác sĩ, chuyên khoa và hệ thống y tế Tại sao “AI dốc” là AI không có ngữ cảnh và cách các chỉnh sửa, ký ức và sở thích của bác sĩ lâm sàng tạo ra bánh đà dữ liệu Nhóm đánh giá của Abridge: LFD, thẩm phán LLM, bác sĩ lâm sàng nội bộ, người đánh giá bên thứ ba, đánh giá theo chuyên khoa cụ thể và triển khai tiến bộ HIPAA, PHI, khử nhận dạng, ẩn danh một chiều, hợp đồng khách hàng và học hỏi từ dữ liệu chăm sóc sức khỏe một cách an toàn Điều gì thay đổi khi bạn vận hành ở hơn 100 triệu cuộc hội thoại: độ tin cậy, chi phí, đào tạo sau, định tuyến mô hình và tối ưu hóa cơ sở hạ tầng Tại sao cùng một cuộc trò chuyện lâm sàng có thể phục vụ bác sĩ, bệnh nhân, người trả tiền, dược phẩm và quy trình thử nghiệm lâm sàng trong tương lai Cách Abridge hoạt động với EHR và tại sao khả năng tương tác sâu lại là yếu tố quan trọng để bác sĩ lâm sàng áp dụng Tại sao AI trong lĩnh vực chăm sóc sức khỏe lại có những thuận lợi về quy định, tại sao 80/20 không hoạt động ở đây và tại sao các miền có mức độ rủi ro cao có thể thúc đẩy AI phát triển Tại sao Abridge đưa “các nhà khoa học lâm sàng” vào nhóm sản phẩm và đánh giá Chai học được gì từ Glean về tìm kiếm, chất lượng và cơ sở hạ tầng AI bền vững Tại sao tương lai của cơ sở hạ tầng AI có thể trông giống như các lớp ngữ cảnh, hệ thống hướng sự kiện, Kafka, Temporal, socket, CRDT và các công cụ được xây dựng cho con người Tại sao Janie thay đổi quan điểm về “PRD đã chết” và tại sao sự rõ ràng bằng văn bản rõ ràng lại quan trọng hơn trong các sản phẩm AI phức tạp Cách Abridge sử dụng Mã Claude, Con trỏ và tác nhân mã hóa trong nội bộ Abridge: Trang web: https://www.abridge.com/ X: https://x.com/AbridgeHQ Janie Lee: LinkedIn: https://www.linkedin.com/in/janiejlee Chaitanya “Chai” Asawa: LinkedIn: https://www.linkedin.com/in/casawa Dấu thời gian 00:00:00 Giới thiệu và công việc của Abridge 00:02:05 Từ tài liệu về môi trường xung quanh đến thông tin lâm sàng 00:04:04 Hỗ trợ quyết định lâm sàng và bối cảnh là vua 00:06:57 Cảnh báo mệt mỏi, chủ động thông minh và ủy quyền trước 00:12:36 Các yếu tố hình thức AI xung quanh và khách hàng chăm sóc sức khỏe 00:16:59 Những vấn đề AI khó nhất trong chăm sóc sức khỏe 00:18:26 Mô hình biên giới, dữ liệu độc quyền và chiến lược mô hình 00:21:07 EHR là hệ thống tệp dành cho đại lý 00:24:03 Pers