医疗 AI 公司 Concurrence 推出“超智能AI照护” :让每次照护,都成为下一位病人的经验

原文链接: https://x.com/khookhar/status/2115137228846567684 来源: x.com 发现于: 小互 · AI 解读站 · 2026/10/28 说明: 本文由 AIHot 自动聚合(原文即中文,未翻译)。正文取自小互 AI 解读


全文 Markdown · 会员

作者:Ali Khokhar / Concurrence10-28 · 8分钟

患者说,最近血糖一直偏高。医院的 AI 助手没有停在记录这个数字,而是接着问:最近生活有什么变化?每天都在吃药吗?

这才问出一条关键线索:“那个药让我晚上恶心,所以大概两周前就停了。”

这是医疗 AI 公司 Concurrence 发布视频中的一段演示。

视频/音频

官方演示,约 2 分 34 秒,英文原声,中英双语字幕。中段展示停药原因的追问、记录更新,以及医生选择方案后的药房协调;具体处方由临床医生决定。片尾称“超过 1000 万名患者”;研究说明计的是“超过 1000 万次患者互动”,两者口径不同。

助手把新信息写入记录、同步给照护团队;医生选择方案之后,Agent 再联系药房确认库存,给患者发送取药和使用说明。演示展示的是这条工作流程,没有给出患者长期疗效的验证。

Concurrence 的前身叫 Amigo,原本就在做接诊、记录、随访和医疗协调。现在,它提出一项更大的研究计划,称为“超智能照护”(Superintelligent Care):把这些日常工作里发现的事情积累起来,帮助理解一个病人的处境,再让经过验证的经验帮助下一位病人。

Concurrence 联合创始人兼 CEO Ali Khokhar 说,自己 13 岁时母亲因癌症去世,她的病本应更早被发现。他希望建成的,是一家能够记住此前病人经历的医院。技术上要回答的问题则很具体:医院怎样才能从每次照护中学到东西,并把它用对地方?

AI 要接上的是病人回家之后的生活

平时对着聊天窗口问健康问题,常常到“得到一段回答”为止。Concurrence 想把 AI 放进医院持续运转的工作里:询问患者情况、帮助预约、记录反馈、跟进复诊,以及和医护、药房协调。

这样做的价值,不只是少打几个电话。病历记着医生开了什么药,却未必记着病人为什么没继续吃;系统显示患者没有预约复诊,却未必知道他已经没有交通工具。这些情况会影响方案能否落实,但往往发生在两次门诊之间。

开头的血糖演示就是一个例子。单看指标,照护团队知道“需要了解发生了什么”;问到服药情况后,医生多了一条评估线索:患者遇到的困难包括服药后的不适和中断用药。下一步可以围绕这个具体困难评估,而不是只盯着血糖读数。

同一条血糖异常,多一段信息会改变什么?

把演示中的追问加入判断

左侧保留起点;右侧显示新线索怎样改变下一步。这里只比较信息和工作流程,不预测治疗结果。

固定参照 · 目前掌握的信息患者报告血糖偏高还不知道有没有按时服药?是否有不适或其他生活变化?能够推进的下一步核实原因,把信息提供给照护团队。 新增信息之后尚未加入新线索理解发生的变化目前无法判断是执行方案遇到困难,还是需要重新评估其他原因。下一步怎样变化先向患者核实用药与生活情况;治疗选择仍交给临床医生。

只有血糖读数,原因仍有缺口。点击加入演示中的患者回答,比较流程怎样继续。

同一次追问,既在服务眼前这个人,也留下了可以研究的记录:当时发生了什么、为什么没有继续执行方案、后来采取了什么行动,以及结果如何。这正是整套构想的起点。

先记住一个人,再比较更多人的经历

Concurrence 把针对单个患者、持续更新的计算模型称为数字孪生(Digital Twin)。这里的重点是随时间变化的病人信息:过去的诊疗、现在的身体状态、对既往照护的反应,以及会影响下一步照护的生活情境。新信息到来后,模型更新,研究目标是据此估计可能的健康走向。

在另一段官方演示中,系统展现了同一位患者未来的两种可能走势:延续当前生活,或是增加日常安排与随访支持。临床团队可据此与患者核对具体变化,并随新的读数和证据持续更新。

它还在建设一个叫**健康世界模型(Health World Model)**的系统,按时间组织病人的历史与当前状态。数字孪生在这套系统中形成;研究团队希望让病人观察记录、照护行动与后续变化可以连在一起分析。

不同人的经历并非完全没有相似之处。一个人从出现某种困难,到接受支持,再到情况变化,这样的一段经历叫轨迹片段(Arc)。许多病人身上反复出现的相似模式,叫照护原型(Archetype)。

官方研究说明举了一个设想:发现一些患者在第一个月后服药减少,接受结构化提醒后又恢复了。这可能提示一个值得研究的支持时机。但要让它帮助新病人,还得弄清楚:此前的人为什么减少服药?恢复是提醒带来的,还是其他变化造成的?新病人的困难是否真的相似?

从一个人,到下一位病人

经验要经过验证,才能成为下一次照护的依据

健康世界模型 · 按时间组织病人的历史与当前状态 病人甲就诊*→*出现服药困难 → 接受支持 → 记录变化 病人乙就诊*→*出现服药困难 → 接受支持 → 记录变化 病人丙就诊*→*出现服药困难 → 采取其他行动 → 记录变化

每个人持续更新的计算模型是数字孪生;其中一段经历是轨迹片段(Arc)。上面是概念示意,不是患者数据。

↓ 比较相似片段,寻找反复出现的模式 照护原型(Archetype)“服药遇到困难”可能相似,困难的原因、支持方式与结果仍需逐项比较。 提出假设哪种支持可能有用?*→评价与临床批准是否有效,适用于谁?→***未来照护**经批准的 Agent 与医护协作

这是研究中的学习路径。新病人的实际反应还会反过来检验已有认识。

原型的用途,是让团队找到值得比较的经历和待检验的解释。最终希望做到的,是从“大家平均会怎样”,走向“眼前这个人在这些条件下,可能怎样回应不同的照护方案”。

为什么病历更多,判断却未必更准

这条路最难的地方之一,是病历没有完整记录现实,也没有自动告诉模型什么导致了什么。

首先,来医院的机会不同,被记录的机会就不同。经常就医的人有更多检查和观察;很少就医的人,记录可能稀疏。如果模型忽略了谁来就医、为什么来,就可能把“更容易被发现的问题”当成“这类人更容易发生的问题”。研究说明把这种现象称为 Informed Presence。

其次,得到某种治疗的人,本来就可能病得更重。如果这些人的结局较差,直接按治疗与结局作统计,可能反而把有用的治疗判成有害。这叫适应症混杂(Confounding by Indication):治疗的选择受到病情影响,比较结果时也必须考虑这个影响。

官方研究说明引用过一个肺炎死亡风险模型的例子:模型学到“伴有哮喘的患者风险更低”。背后的原因是,这些患者更容易被送入重症监护,得到额外照料。模型没有看见这层行动,便把较好的结果归到了哮喘本身。

所以,预测谁有风险,与判断做什么能降低风险,是两件不同的事。多问到一些生活细节能补充线索;要证明某项行动改善结果,还需要处理这些偏差,并在证据不足时开展进一步研究。模型在模拟中算出的结果依赖它自己的假设,仍要用真实照护中的观察检验。

看见风险之后,AI 还要知道何时行动

研究不能停在预测界面。想帮助病人,还得有人采取适当行动。

Concurrence 已部署的 Agent 在成熟、既定的临床流程内协助医护。它把规模化模拟验证称为 Digital Residency,借用医生接受临床训练的意思:先让 Agent 与模拟病人进行对话,在真实患者接触系统之前找出失败,再用实际照护经验改进测试。

这里有一个容易忽略的问题。一个做日常随访的 Agent,可能已经获准调用某项分诊评估。但它还得识别:患者刚刚说的情况,是否到了应该启动这项评估的时刻?即使评估工具本身可靠,漏掉该启动的时机,前面的流程也会失效。

因此,模拟测试之后,真实照护场景的验证仍然必要。新发现如果要改变临床协议或扩大 Agent 的能力,也需要临床医生批准。演示中的分工同样如此:助手捕获信息、提供支持,医生选择方案,Agent 再承担后续协调。

什么算好结果,需要病人参与决定

开头的演示还说明了另一个问题:一个方案即使指向更好的血糖指标,病人也可能因为不适而难以坚持。

Concurrence 的研究计划把“结果”单独列为一项:医生确定哪些选择在临床上合理,患者则在合理选项之间权衡自己在意的事情——症状能减轻多少、副作用能否承受、日常生活要付出多少负担。机构的成本和服务能力构成约束,但不应取代患者结果成为优化目标。

这会改变 AI 该交出的答案。它需要尽可能说明每个选项对不同结果的影响,让患者和医生能看着取舍作决定。对一个人值得接受的代价,对另一个人可能太重;病情变化后,同一个人的优先事项也可能改变。

让下一位病人受益,要先检验学到了什么

研究团队正在开发 AI Discovery Agents,让它们协助检查患者轨迹,提出哪些做法可能有用的假设。仍以“服药减少后又恢复”为例,找到这种模式只是开始;发现要经过评价,并获得临床批准,才会用于之后的照护。

还要检验经验能走多远。在一家机构、某类人群中成立的发现,换到另一种照护环境后,可能遗漏了重要条件。如果新病人的反应与预期不同,系统应重新检查这条经验是否适用。

系统的行动也会改变自己后来看到的数据。假如它过早认定某个患者“不太会回应”,于是减少联系,后面自然收到更少回复;若再把这当成原先判断正确的证据,就会越学越偏。研究计划明确把识别、打断这类错误反馈列为问题。

跨机构学习同样还在研究。目标是在机构同意、各自保管患者信息的条件下,传递保护隐私且有临床价值的模式与发现。官网平台说明称,其标准数据处理协议禁止用客户数据训练 AI,并提供租户隔离和区域边界等保护措施;前面说的“学习”,包括研究团队发现规律、验证后改进照护流程;未来生成模型怎样安排训练数据,公开说明尚未展开。怎样让经验流通并保住隐私,也仍需研究验证。

AI 已在做随访,整套学习系统还要验证

据公司主题帖,它已与 10 个国家的 30 多家医疗机构开展合作,范围包括医疗系统、生命科学企业、保险机构和公共部门。官方研究说明采用的服务口径是超过 1000 万次患者互动,这些 Agent 的部署刻意限定在已有临床标准、能够评价表现的流程中。

更完整的个人病程预测、对照护行动效果的估计,以及保护隐私的模式发现和跨场景迁移,仍属于正在推进的研究。首批重点是验证:照护过程中捕获的新情境,是否比单靠病历带来更好的预测;这些信息经过隐私保护后还有多少价值;换个环境能否继续成立。

持续监测与临床团队响应值得研究,已有独立临床先例。例如,2017 年《JAMA》报告的一项单中心研究,在 766 名接受化疗的转移性实体瘤患者中比较电子症状上报与常规照护,严重或恶化症状会触发护士提醒。两组中位总生存期分别为 31.2 和 26.0 个月。这个生存分析属于事后分析,研究的是电子监测与临床团队响应,并非 Concurrence 或生成式 AI 的临床试验。

Concurrence 提出的变化,是把 AI 放到持续照护之中,让它既能帮助完成工作,也能捕获过去容易遗漏的经历。要让一家医院真正“记住每一位病人”,还要把经历变成经得起检验的知识,再把知识用在适合的人身上。最终要看的,是病人用了这套系统之后,是否确实过得更好。

来源Concurrence:Superintelligent Care 主题帖(完整8条)Ali Khokhar·查看主材料延伸Superintelligent Care:研究计划全文·Concurrence 产品平台·Amigo is now Concurrence·Basch等:电子症状监测随机试验生存结果(2017)本站说明主题帖通过浏览器核对完整链条,原文由FxTwitter保存;视频为官方流程演示,临床结果按原始研究归属。

Concurrence · Superintelligent Care

医院怎样才能从每次照护中学到东西?

从单次门诊走向连续生活:AI 不仅要接上病人回家后的生活断点,更要将个体的照护经历,沉淀为经检验、可帮助后来病人的经验。 核心机制解读 · 临床因果陷阱 · 前沿实验边界

AI 要接上的是病人回家之后的生活

平时对着聊天窗口问健康问题,常常到“得到一段回答”为止。但医疗的真实断点,往往发生在两次门诊之间:病历记着医生开了什么药,却未必记着病人为什么没继续吃;系统显示患者没有预约复诊,却未必知道他已经没有交通工具。

在 Concurrence 的核心演示中,AI 随访助手面对偏高的血糖数值,没有停在记录指标,而是继续深入追问,查出患者“因夜间恶心两周前已停药”的关键线索。助手把新信息写入记录、同步给照护团队;医生选择方案之后,Agent 再按流程联系药房确认库存,给患者发送取药和使用说明,把原本脱节的生活孤岛重新接回照护链条。

**追问的真正价值:**不仅在于眼前少打几个电话,而在于让遗失在门诊之外的生活情境被结构化捕获,成为后续医学分析与群体学习的客观起点。

Research Vision

超智能照护学习闭环:从个体经历到群体原型(研究构想)

为了让医院从每一位病人身上学到知识,Concurrence 提出了由计算模型驱动的研究构想,设想通过四个递进层级,让个体的干预经验能够有序流动(整套闭环目前仍属前沿研究,尚在开发与验证中):

01

个体数字孪生(Digital Twin)

随时间连续更新患者的既往诊疗、身体状态、干预反应与生活情境,在健康世界模型中按时间线组织数据并估计未来走向。

↓

02

沉淀轨迹片段(Arc)与原型(Archetype)

将“出现困难→接受支持→情况变化”切片为 Arc;当相似模式在大量患者身上反复出现,便汇聚成待检验的“照护原型”。

↓

03

AI Discovery Agents(开发中)提出待检假设

研究团队正在开发 AI Discovery Agents,协助检查患者轨迹,探寻服药依从性变化等规律,提出哪些做法可能有用的待检假设与解释。

↓

04

临床评估批准与照护支持

发现若要用于之后的照护,必须经过评价并获得临床批准,才会用于之后的照护,将此前经验转化为对新患者的照护支持。

**适用条件与反馈校正:**经验迁移并非自动成立,换人或换照护环境必须重新检查适用条件;系统行动还会改变后续数据——若过早认定患者不回应而减少联系,制造了更少回复,绝不能当成原判断正确的证据,必须识别并打断错误反馈。

**构想目标:**从“大家平均会怎样”,走向“眼前这个人在这些条件下,可能怎样回应不同的照护方案”。

为什么病历数据更多,判断却未必更准?

病历并没有完整记录现实,更不会自动告诉模型什么导致了什么。直接拿海量病历做统计,极易掉入两大因果推断陷阱:

偏差一 · 就医机会

就医记录偏差(Informed Presence)

经常就医的人有更多检查和观察,很少就医的人记录可能稀疏。若忽略谁来就医、为什么来,模型就可能把“更容易被发现的问题”误判为“这类人更容易发生的问题”。

偏差二 · 病情影响治疗

适应症混杂(Confounding by Indication)

得到某种治疗的人,本来就可能病得更重。如果这些人的结局较差,直接按治疗与结局做统计,可能反而将有用的治疗判为有害,必须考虑病情对治疗选择的影响。

官方研究说明引用的肺炎死亡风险模型例子显示:伴有哮喘的患者死亡风险更低,实因他们更容易被送入重症监护、得到额外照料,模型没有看见这层行动,便把较好的结果错误归因于哮喘本身。因此:**预测谁有风险,与判断做什么能降低风险,是两件不同的事。**模型在模拟中算出的结果依赖自身假设,仍要用真实照护中的观察检验。

看见风险之后:何时行动与什么算好结果

研究不能停在预测界面,AI 还必须识别患者刚刚说的情况是否到了应该启动分诊评估的时机。Concurrence 引入了类似医生规范化培训的“Digital Residency”,在面向真实患者前,让 Agent 在海量模拟对话中暴露漏洞并持续修正。

**什么算好结果,需要病人参与决定:**一个方案即使指向更好的指标,病人也可能因为不适而难以坚持。医生确定哪些选择在临床上合理,患者则在合理选项之间权衡自己在意的事情——症状减轻多少、副作用能否承受、日常生活要付出多少负担。机构的成本和服务能力构成约束,但不应取代患者结果成为优化目标。AI 需要尽可能说明每个选项对不同结果的影响,协助患者与医生取舍决定。

客观边界:成熟落地与科研命题的清晰分野

据公司主题帖与官方说明,Concurrence 的 Agent 已与 10 个国家的 30 多家医疗机构开展合作,其落地应用与前沿实验有着明确边界:

1000万+次 患者互动服务口径(公司自报,限定于既定临床流程)

30+ 合作医疗机构(涵盖医疗系统、保险与生命科学等)

10国 公司合作覆盖范围(跨机构经验迁移仍属前沿研究)

阶段维度 既定临床流程 仍在推进的前沿研究
功能范畴 接诊记录、随访追问、药房与医护调度 更完整的个人病程预测、对照护行动效果的估计
决策机制 医生选择既定方案,Agent 承担流程协调 AI Discovery Agents 协助提出可能有用的假设
数据边界 租户隔离与区域边界,标准协议禁止用客户数据训练 AI 跨机构保护隐私的模式发现与经验迁移验证

持续监测与团队响应已有独立临床先例:2017 年《JAMA》报告的一项单中心研究,在 766 名接受化疗的转移性实体瘤患者中比较电子症状上报(严重或恶化提醒护士)与常规照护,两组中位总生存期分别为 31.2 与 26.0 个月。该生存分析为事后分析,研究的是电子监测与临床团队响应,并非 Concurrence 或生成式 AI 的临床试验。从成熟工作流协助到实现“从每次照护中学到知识”,仍需严谨的科学实证。

↑ 正文结束 ✓ 本篇全文免费开放

会员可复制、下载全文 Markdown,还能让你的 AI 订阅和提问。 订年卡 $59/年看权益对比 →

阅读原文 ↗

📮 新解读每晚进邮箱

读完觉得有用?留个邮箱,每晚一封当天的新解读,随时退订。