OpenAI 办了一场内部分享，主题是 ChatGPT Health 和 OpenAI for Healthcare
三位嘉宾，都是 OpenAI 的高管：
• Kate Rouch ，OpenAI CMO，此前在 Coinbase 主导了超级碗弹跳二维码广告，在 Meta 待了十年
• Nate Gross ，OpenAI 健康副总裁，医学博士，Doximity 和 Rock Health 联合创始人
• James Hairston ，OpenAI 创新政策总监，负责健康、设备和机器人领域，此前在 Meta 领导 VR/AR 政策团队十年
Kate 站在台上，讲的第一件事，便是是自己过去一年的乳腺癌诊疗经历
她说自己有很棒的医生，但分布在太多专科。有大量复杂的临床文献和临床决策，她需要有人用她能理解的水平解释清楚
她用 ChatGPT 做了这些事：
理解临床文献
问 ChatGPT 某篇论文的样本量是多少，统计显著性适不适用于她的特定乳腺癌亚型。她说这是「更高级的用法」，需要理解的不只是乳腺癌，还有具体亚型的研究现状
处理保险理赔
理赔被拒，让 ChatGPT 帮她重写申请，最终获批。她说诊断中的很多压力来自行政方面：理赔被拒、不理解保障内容
跟孩子沟通
她有三岁和六岁的孩子。问 ChatGPT「如何用适合三岁孩子的方式谈论癌症」，有什么书可以参考
准备专科就诊
帮她优先排列要问各位专家的最重要问题。她说与专科医生的时间很宝贵，必须确保问出最重要的问题
理解治疗副作用
某个症状是不是正在接受的治疗的副作用？人们通常怎么缓解这些症状？
Kate 在 UCSF 接受治疗，那里和 OpenAI 在同一条街上。她所有的医生都知道她在用 ChatGPT，会一起讨论她查到的东西、医生的看法
她说这让她「感到更知情、更有信心，理解自己一路上做出的决定」
插入个题外话：听了她的分享，我莫名想到了牢A的「斩杀线」理论，也莫名想到了绝命毒师中的老白
每天 4000 万人
Nate Gross 给了一组数据：
每周使用 ChatGPT 的 8 亿人中，四分之一会提交健康相关问题 相当于每天约 4000 万人
还有一个数据：九分之七的对话，发生在医生下班后
Nate 说大量医疗行为发生在就诊之外。预约前后的问题、迟迟才到的检查结果、围绕诊疗的各种文书和后勤工作。人们已经在用 ChatGPT 来准备、翻译、总结、核对这些环节中的信息
1 月初各家都在发医疗产品。OpenAI 1 月 7 日发 ChatGPT Health，Anthropic 1 月 11 日发 Claude for Healthcare，相隔四天
碎片化整合
Nate 说医疗系统是碎片化的、孤立的
部分原因是诊疗服务、商业模式、保险、监管环境各自演化的结果。部分原因是专业化带来的权衡，高级诊疗需要不同地方的不同专家
但最终，这些孤岛造成了知识断层和诊疗挑战
你的检验结果在这里，病历在那里，可穿戴设备的数据在另一个地方。互不连通，患者成了整个系统的集成层
ChatGPT Health 做的事情是打破这些孤岛
同步病历
通过 b.well 连接 220 万美国医疗机构和 320 个健康计划。用户可以选择同步分散在不同系统中的病历，这些系统今天互不连通
接入可穿戴设备
Apple Health、Peloton、MyFitnessPal、Function Health。Nate 说大多数医生没有时间或界面来轻松查看这些数据
个性化回答
搜索引擎每次都「失忆」，不知道你是 25 岁还是 75 岁。ChatGPT 的查询会基于用户选择分享的个人背景
Nate 举了个例子：去餐厅拍一张菜单照片，问 ChatGPT「我今晚点餐应该注意什么」
它会基于你的检验数据和健康目标给建议
他说 ChatGPT 是向「个人超级助手」迈出的又一步，能用信息和工具支持用户实现生活各方面的目标
目前 ChatGPT Health 是 waitlist 阶段
临床端
OpenAI for Healthcare 给医院和临床医生用
首发合作伙伴 8 家，覆盖不同诊疗场景：
• 儿童医院：波士顿儿童医院、Stanford Medicine Children's Health
• 学术医疗中心：UCSF
• 专科医院：纪念斯隆-凯特琳癌症中心
• 大型医疗服务系统：HCA Healthcare、Cedars-Sinai
Nate 自己是医生，他说临床医生可以用它做三件事：
基于证据的综合分析
回答植根于真实医学来源，包括同行评审研究、公共卫生指南、临床指南。带引用链接，可以验证标题、发表日期、期刊，点击阅读原文。AI 成为你仍可深入核实的合作伙伴
与机构政策对齐
美国各地诊疗实践不同。通过 SharePoint 集成，回答可以反映该医院批准的政策、诊疗路径和治疗方案，让团队遵循同一套规范
加速文档工作
出院摘要、患者须知、临床信件、转诊信、事先授权支持。还可以将患者材料调整为易读、翻译后的版本
Nate 说医院最大的瓶颈是时间
临床医生没有足够时间阅读所有内容、解释清楚、跟上信息洪流。AI 做初步的繁重工作，综合知识、起草、翻译复杂信息
还有一个瓶颈是碎片化。诊疗越来越分散在不同专家、不同场所、不同 IT 系统之间，这些系统互不连通。AI 擅长汇集这些信号，病历、影像报告、检验结果、床位问题、可穿戴设备，呈现一个连贯的故事
还有一个现实：医院领导知道临床医生已经在用 ChatGPT 了
Nate 说需求是真实的，假装不知道只会制造行政和 IT 风险
机会在于把这种使用以安全、可审计、透明、符合机构政策的方式纳入企业
250 名医生参与训练
安全性方面，OpenAI 和超过 250 名医生合作改进模型处理健康问题的方式
训练内容包括：何时提出追问、如何表达不确定性、何时引导用户寻求专业诊疗
他们做了 HealthBench 评估。评分项包括：事实准确性、是否包含关键考量、是否遗漏重要风险。Nate 说这给了一个非常现实的信号，展示模型在真实医疗工作流中的表现，而非选择题式的考试评估
外部基准方面，OpenAI 的模型在 GPDVal 的所有健康职业领域优于行业专家
ChatGPT for Healthcare 发布前经历了 9 轮医生主导的红队测试，历时 5 个月
Nate 说目标不是追求完美，是构建在高风险场景中始终表现得深思熟虑、保守、透明的系统
Q&A 环节
分享会后半段是观众问答，有几个有价值的问题
关于 EMR 集成
UCLA 儿科医学院的 Sharam Yazdani 问是否有计划直接集成到 Epic 等 EMR 系统
Nate 说技术已经有了，现在是部署挑战。科技行业和医疗行业长期以来像油和水，解决方案往往不完全契合工作流。他们和早期合作伙伴一起决定：在什么时刻，EMR 集成最有价值？
可能是开车上班时讨论患者名单。可能是整合一个从远方转诊来的、有大量分散数据点的患者
关于情感支持
有人问 AI 在情感上可以扮演什么角色，边界在哪里
Kate 说这个产品专注于身体健康。对于困难健康状况中的情感支持，会引导用户到产品之外的支持资源
但她认为诊断中的很多压力来自行政方面：保险理赔被拒、不理解保障内容。把产品定位在「帮我理解发生了什么、帮我准备就诊、帮我理解保障」这些事情上，实际上是减轻患者压力的核心
关于十年后的未来
有人问这次发布作为信号，预示十年后会怎样
Kate 说很难理解变化的速度。ChatGPT 本身才发布三年。如果想十年后，当然要脚踏实地，但全球数以百万计的人有可能获得变革性的结果
Nate 说医学一直是一套积木。ChatGPT Health 中构建的东西来自数十年的工作：两党政府团体为患者数据访问权所做的努力、数据交换标准、各种支撑 AI 和帮助翻译内容的底层技术
他希望这将成为又一块积木。医疗领域有太多挑战，没办法在一年内宣布任务完成，可能十年也不行
一年后的成功
James 问了一个问题：
一年后来说，成功会是什么样子？
Nate 说，对消费者，成功是「感觉不那么孤独、不那么不知所措，有一个可信赖的地方来理清事情，准备与临床医生的对话，理解自己的诊疗过程」
对临床医生，成功是「解脱」。更少时间损失在行政工作上，更有信心自己在基于正确的证据工作，减少倦怠，有更多时间陪孩子
对企业合作伙伴，成功是「信任」。知道 AI 的使用是安全的、可审计的、与临床判断保持一致的
Kate 说，帮助人们理解涌来的健康信息，把信息转化为更好的结果
她在台上的最后一句话：
产品团队做得很出色，确保使用这项技术的人的声音被纳入 我的声音是其中之一，但还有很多很多声音
热门跟贴