在
上一篇研究图谱
中，我们指出医疗领域很可能是 Vertical Agent 最先落地的领域，
其中最有代表性的公司之一是 OpenEvidence，一款专为医生设计的 AI 专业诊断 Copilot。
面对医学知识的爆炸式增长和临床信息的严重过载，OpenEvidence 致力于用类似垂直领域 Deep Research 的产品形态，帮助医生提高诊断效率与决策质量。
创始人 Daniel Nadler 是 AI 领域的连续创业者，他在采访中提到，OpenEvidence 在美国医生群体中迅速普及，目前已有超过 10 万名医生每月使用他们的产品。
2025 年 2 月，OpenEvidence 完成了由 Sequoia Capital 独家投资的 A 轮融资，融资规模 7500 万美元，投后估值突破 10 亿美元。
有别于传统医疗软件依赖医院系统的复杂采购流程，OpenEvidence 采用直接面向用户的增长策略：直接向医生个人提供服务，省去了冗长的审批与集采环节。
凭借精准契合日常临床需求的功能设计，以及医生间的口碑传播，产品实现了病毒式增长。
其商业模式则通过与制药企业、医疗器械厂商合作，嵌入精准广告投放，
将 AI Agent 顺利切入传统医药代表和学术会议的广告预算分配中，开启了全新的变现路径。
目录
01 背景
02 产品和技术
03 商业化与竞争
04 团队与融资
05 结语
01.背景
在当今医疗领域，医生们正面临前所未有的挑战。医学知识的爆炸式增长让临床诊断和信息处理变得异常复杂：
医学知识每 5 年会有一次更新，文献以每两分钟一篇的速度增加，PubMed 已索引了 3600 万篇摘要，每年新增 100 万篇；
Google Scholar 包含约 4 亿篇文章、引文和专利。
在这样的背景下，医生在诊疗过程中需要处理大量临床信息，但传统搜索工具难以快速找到深藏在文献中的特定信息，导致信息过载问题愈发严重。
与此同时，医疗资源分配的不均衡进一步加剧了问题。
世界卫生组织（WHO）的报告显示，低收入国家医生接触前沿医学证据的频率仅为高收入国家的 1/9 ，形成了显著的“认知剪刀差”。
即便在美国本土，乡镇医院购买临床决策系统（如 UpToDate）的渗透率也不及教学医院的 1/7。
此外，随着老龄化社会的到来，多病共存的复杂病例愈发频繁。
数据显示，65 岁以上患者平均服用 5 种以上药物，其药物交互作用的可能性超过 3 亿种组合，而传统诊疗指南在此类场景的覆盖率不足 7%。
在如此复杂的诊疗环境下，医生仅凭经验作出决策的难度显著增加。
具有 world knowledge + long context 优势的 LLM 能否改善这一困局？实验显示通用 AI 大模型在医疗领域的应用仍存在明显局限性。
纽约科恩儿童医疗中心的研究人员将 100 份儿科病例报告输入 ChatGPT，结果显示其错误率比经验丰富的医生高出 83%；
而在 Medscape 的 150 个病例测试中，ChatGPT 的诊断准确性曲线下面积（ AUC ）仅为 66%，这些数据表明，AI 在处理复杂疾病时的诊断能力仍存在较大不足。
这种局限性直接影响了临床医生对通用 AI 的信任度。
当 AI 的建议与医生的临床推理不一致时，医生往往倾向于相信自己的判断忽略 AI 的建议，导致 AI 在实际诊疗中的潜力未能被充分挖掘。
面对医学知识爆炸、资源分配不均以及通用 AI 局限性等多重挑战，医疗行业需要找到新的解决方案，以提升诊疗效率和准确性，同时弥合医疗资源分配的鸿沟。
OpenEvidence 是这个方向的代表性公司。
02.产品和技术
OpenEvidence 是一款专注于辅助医疗诊断的 Chatbot 产品，旨在为医生和医学生提供高效、精准的临床支持。
其交互界面设计独具特色，每句回答均标注交叉引用编号，并在文末附上参考文献清单，确保信息的可溯源性和验证性。
它提供“护理指南”与“临床证据”双模式回答，分别侧重实践建议与理论数据支持。每个问题答案后还列出可能的 Follow-up 问题，方便用户进行多轮深入交互。
此外，OpenEvidence 提供全面的临床诊断与治疗支持。症状分析模块可快速解析模糊症状，提供潜在病因分析并推荐相关检查路径。
治疗决策支持功能基于最新研究，推荐治疗方案并对比药物疗效及耐药性数据，特别适用于罕见病与复杂交叉病例。
系统还内置实时指南访问功能，支持快速调取临床指南与标准，如 CHA2DS2-VASc 评分等。
行政与工作流程辅助功能同样实用。系统可自动生成预先授权信、患者出院指导等医疗文书，并自动附上引用文献。
此外，集成的 50+ 临床计算器覆盖疾病评分、药物剂量计算等高频场景，简化复杂计算流程。
医学知识跟踪学习功能（TL；DR）则通过每日精选新发表论文，生成可视化图表与专科分类总结，帮助用户快速掌握学科前沿动态。
这种结构化的知识更新机制，为医生和医学生提供了持续学习的便捷途径。
OpenEvidence 对话界面
OpenEvidence 产品主要面向以下用户群体：
• 医生（核心用户）：包括全科医生、专科医生及偏远地区医疗资源不足的社区医生，用于查询罕见病例、优化诊疗方案、提效工作流程等。
• 护士、医师助理、药剂师等：用于查询护理指南、药物信息等。
• 医学生：用于学习最新临床指南、备考医学考试（如美国医师执照考试 USMLE），获取结构化知识支持。
• 医学研究人员：用于追踪学科动态、关注最新论文摘要与可视化数据，缩短文献综述时间。
以医生为例，一个使用 OpenEvidence 产品的典型用例如下：
根据其产品设计思路可以看出，OpenEvidence 核心价值主张在于帮助医生快速获取最新、最相关的医学证据，并提供直截了当的临床诊断建议。
系统通过整合跨学科医学信息，支持复杂临床决策，尤其在罕见和边缘病例处理中表现出色。
更重要的是，OpenEvidence 旨在实现医学信息的民主化，让所有医生，而不仅仅是大型医疗机构的从业者，能够平等获取高质量医学资源。
在技术表现上，OpenEvidence 展现出显著的可靠性。
作为首个在美国医学执照考试（USMLE）中得分超过 90% 的 AI 系统，其在 USMLE 三项考试中的表现均优于 ChatGPT，整体错误率比 ChatGPT 低 77%。
这种低错误率的表现大幅降低了通用 AI 大模型的幻觉问题，显著提高了医生对 AI 助手的信任度。
通过这些特性，OpenEvidence 正在重新定义医疗 AI 的实用性和可信度标准。
USMLE 是美国医学生获得临床执业资格的唯一准入测试，考试内容分为三个步骤，分别侧重于考察基础医学、临床医学和技能应用的情况。
那么 OpenEvidence 是如何从技术上实现其价值主张的呢？自 2022 年创立之初，OpenEvidence 便选择了与众不同的技术路径。
当时，行业普遍将注意力放在开发更大参数规模的通用 LLM，而 OpenEvidence 团队却专注于开发小型专业化模型。
这一选择虽然一定程度上牺牲了模型的泛化能力，却显著提升了其在专业医学医疗领域的精准性和可靠性。