医生圈病毒式传播的 AI 产品：OpenEvidence CEO Daniel Nadler 深度对话
摘要
本期节目邀请了 OpenEvidence 的联合创始人兼 CEO Daniel Nadler。OpenEvidence 是一个基于同行评审医学文献训练的 AI 助手，旨在帮助医生在诊疗过程中做出更好的决策。这个产品在医生群体中实现了病毒式增长，成为 AI 在医疗领域最引人注目的应用案例之一。
Daniel 分享了一个令人深思的观察：医生们反复告诉他，"我用 OpenEvidence 查找了一个我整个职业生涯可能只见一两次的病例"。然后同一个医生又说了另一个病例，又一个病例，又一个病例——直到你意识到，OpenEvidence 的大多数使用场景恰恰是那些医生可能只见一两次的罕见情况。这就是产品的"长尾"价值所在。
Daniel 深入阐述了他对 AI 在医疗领域应用的核心信念：AI 在医学中的价值是"毋庸置疑的好"。与许多其他行业不同，医疗领域不存在 AI 取代人类工作者的零和博弈——医生永远供不应求，AI 只是帮助他们做更多、更好的事情。他分享了 OpenEvidence 如何从构建医学文献搜索引擎发展到成为医生的 AI 辅助诊断伙伴，以及他对 AI 在医疗领域的监管、信任和采纳等关键问题的深刻见解。
正文
产品核心：医学长尾的力量
Daniel 以一个反复出现的场景开启了对话："我们经常听到医生说，'我用它查找了一个我整个职业生涯可能只见过一两次的病例'。然后同一个医生又说了另一个不同病例，然后又是一个。直到你意识到，如果大多数使用场景都是你职业生涯中只见一两次的病例，那才算真正抓住了这个产品的本质。"
这个观察揭示了 OpenEvidence 的核心价值主张。医学知识的体量庞大且持续增长——每年有超过百万篇新论文发表。没有任何医生能够跟上所有的最新研究，更不用说回忆起那些罕见病例的相关文献。OpenEvidence 的 AI 在同行评审的医学文献上训练，能够在几秒内为医生提供基于最新证据的建议，覆盖那些不常见但仍需要精确处理的临床场景。
产品使用的是同行评审的医学文献，这意味着其建议建立在经过验证的科学基础之上，而非互联网上的未经验证的信息。这为医生提供了关键的信任基础。
AI 在医学：毋庸置疑的好
Daniel 提出了一个强有力的论点：在所有 AI 应用领域中，医学是少数几个 AI "毋庸置疑是好的"领域之一。这一判断基于几个关键事实。
首先，全球范围内医生严重短缺。根据世界卫生组织的数据，到 2030 年全球将有约 1000 万医疗工作者的缺口。AI 不是来取代医生的，而是来增强他们能力的——这是一个正和博弈（positive-sum game）而非零和博弈。
其次，医学错误的代价极高。根据约翰·霍普金斯大学的研究，医疗错误是美国第三大死因。很多错误源于信息不完整或知识更新不及时——这正是 AI 可以大幅改善的领域。
第三，医学知识的增长速度远远超过人类的学习能力。1950 年，医学知识大约每 50 年翻一番；到 2020 年，预计每 73 天翻一番。在这种环境下，没有 AI 辅助的临床决策几乎注定会遗漏重要信息。
从长尾到主流：医生的采纳之路
Daniel 描述了 OpenEvidence 在医生群体中的采纳路径。最初的增长完全是有机的——医生试用后向同事推荐。这种"医生对医生"的口碑传播在医疗领域尤为有效，因为医生群体高度互联且对同行的推荐信任度极高。
产品的设计哲学是"让医生更快地找到正确答案"，而不是"教医生如何做医生"。Daniel 强调，OpenEvidence 始终将自己定位为辅助工具（co-pilot），而非诊断替代品。这个定位在赢得医生信任方面至关重要。
医生们对工具的使用方式也在不断演进。最初，他们用它来查找不常见病例的相关文献；随后，他们开始在常见病例中也使用它来确认自己的判断是否与最新证据一致；最终，一些医生开始在产品中构建自己的工作流，将其融入到日常诊疗的各个环节。
信任与准确性：医疗 AI 的生命线
在医疗领域，准确性不仅仅是锦上添花——它是生命线。Daniel 坦诚地讨论了 AI 幻觉（hallucination）问题。OpenEvidence 的策略是多层次的：首先，训练数据严格限定在同行评审的医学文献范围内，大大降低了模型编造信息的可能性；其次，每一条建议都附带具体的文献引用，医生可以追溯验证；第三，产品在呈现信息时明确区分"确定性结论"和"参考性信息"。
Daniel 还提到了一个重要的产品设计原则：在医疗场景中，"我不知道"往往比"可能是这样"更有价值。因此，OpenEvidence 被设计为在信息不足时主动承认不确定性，而不是冒险给出可能不准确的建议。
AI 在医疗监管环境中的角色
Daniel 对 AI 医疗产品的监管路径有清晰的认识。他指出 FDA 正在积极制定 AI/ML 医疗设备的监管框架，但目前的框架主要针对"锁定"算法（不随使用而更新的算法）。对于持续学习和大语言模型（Large Language Model, LLM）这类能力持续进化的系统，监管体系仍在形成中。
他认为合理的方法是关注"预期用途"和风险等级。低风险的临床决策支持工具（如文献检索和摘要）不应与高风险的诊断设备面临相同的监管负担。但这种分层监管需要监管者和行业之间持续的对话和协作。
未来的医疗 AI 生态
展望未来，Daniel 认为医疗 AI 将沿着几个方向发展。第一，从通用型 AI 助手向专科 AI 进化——心脏病学的 AI 助手需要不同于肿瘤学的训练数据和优化目标。第二，从被动回答问题到主动预警——AI 可能会在医生输入患者数据时主动标记潜在风险。第三，从个体工具到系统集成——直接接入电子健康记录（Electronic Health Record, EHR）系统，嵌入到医疗工作流中。
Daniel 最后强调，无论技术如何发展，AI 在医疗领域的终极使命是不变的：让每一位患者都能获得基于最新、最佳证据的诊疗——无论他们身处哪个城市、看的是哪一位医生。这是 AI 对"医疗公平"最有力的贡献。