医疗焦虑如何化解这家公司用信任给出答案

真正的医疗AI，需要的可能是一场彻底的架构重塑。

江江（化名）最近去爬了一次山，回来觉得骨头痛。

普通人的第一反应大概是“锻炼少了”。但31岁的江江，第一反应却是——“是不是骨转移了？”这种反应，在乳腺癌康复群里，都不叫过度焦虑，而是常态。

去年确诊乳腺癌后，她经历了化疗、手术、放疗、靶向治疗的全套密集流程，目前正处于长达五年的内分泌治疗周期中。医生告诉她，早期乳腺癌治愈率在90%以上，让她安心过日子。但她却时常陷入反复推演的恐惧里，严重时，每周要看两三次心理医生。

这并非个例。在中国，乳腺癌密集治疗结束后，患者往往还要面对5到10年的内分泌治疗。在这个漫长的周期里，各种慢性副作用如潮热、关节疼痛、极度疲劳、情绪崩溃轮番上阵。而在现有的医疗体系下，医生很难有足够时间仔细倾听每一位患者的主观感受，最常见的回应是：“这很正常，你要忍耐。”

压在心里的石头，被一个 APP搬走了

与江江有相似遭遇的，还有佳宇（化名）。33岁的她，也是去年确诊乳腺癌，病理分型与江江完全相同：雌激素、孕激素、HER2均阳性。两人在小红书上因相似的化疗进度相识，成了病友。

佳宇目前正通过注射戈舍瑞林、口服来曲唑进行内分泌治疗。这个方案最大的副作用是浑身酸痛，且位置不固定，今天膝盖疼，明天手腕疼。有一次，服药七个月后，她突然忘记吃了一次药，当时极度慌张，赶紧去问国内一些主流大模型，去平台看各种医生科普视频，“讲来讲去都是车轱辘话，没有一个准信。”

江江一开始很信赖ChatGPT，但它给的推荐经常出错。有一次，她想找一款不含“生育酚”成分的钙片，ChatGPT推荐了一款产品，但她跟客服确认后，发现那款产品其实含有生育酚。随后，她转用国内一款主流大模型，得到的也是同样的错误信息。

佳宇化疗期间副作用极其明显，完全吃不下饭。她问一款热门AI产品“吃不下东西怎么办”，得到的回复无非是“补充蛋白质、多吃鱼虾”。道理她都懂，但当时的身体状况是实在吃不下去。直到后来因为缺钾进了急诊，第六次化疗去掉了卡铂这款药，情况才好转。

江江没想到，那块压在心头的石头，最后是被一个 APP给“搬走”的。

治疗期间，她的淋巴结出现了一个极小的疑似病变。虽然后来被多位权威专家和影像检查交叉确认只是增生，但那个疑虑始终挥之不去——“万一又是假阴性呢？”

因此，每次复查，她都会“折磨”她的医生，让医生反复保证。但这只能管用一个月，剩下的两个月依然极其难熬。直到她把这种极度的焦虑倾诉给Cx橙欣健康——深至科技旗下一款面向患者端的AI健康管理产品。

它没有像普通人那样只说“别瞎想、你没事”，而是帮她把医生已经给出的信息重新梳理成一个完整的逻辑链：你已经达到了pCR（病理完全缓解）；化疗期间淋巴结没有任何恶化变化；放疗主任和主治医生都是权威专家，已经交叉确认过；前哨淋巴结活检取了六七个，覆盖范围已经很广。这些，都是主治团队已经告诉过她的事实。

这种“有理有据”的安慰，瞬间让江江安心了许多。以前她焦虑到一周要看两三次心理医生，使用它之后，频率降到了一周一次。她甚至自我调侃说，“帮我省了看心理医生的钱。”

江江总结，Cx橙欣健康真正打动她的地方有两点：

第一是它敢用“肯定句”。在漫长的康复期里，患者内心经常充满不确定和负面情绪。这款产品不仅会用肯定句给患者吃定心丸，还会基于提交的病历资料，推导出一个完整的逻辑闭环。“我知道它不是在盲目安慰我，而是基于我的真实病情算出来的高概率结果。”

第二是它有长期记忆。以前用其他主流AI通用模型，答案完全取决于当次“喂”给它的信息。同一个人、同样的病情，两次输入的提示词不一样，答案就可能完全不同。但Cx橙欣健康在后台建立了完整的个人画像，知道患者处于什么阶段、在用什么药。这种被AI深度了解和“托底”的感觉，是通用大模型难以提供的。

改变佳宇对AI看法的，是那次忘服药后的慌乱夜晚。

她去问Cx橙欣健康“要不要补服？”，得到的第一句话是：“没事，不用补服。”

就这简简单单几个字，瞬间让她心里的石头落了地。它先给出极其确切的答案，再去解释药物半衰期等科普内容。这种“在第一时间给出确定性”的能力，对处于焦虑中的患者至关重要。

她还发现了另一个让她兴奋的功能：就医问题汇总。因为康复期很多副作用是一过性的，疼过一阵可能自己就忘了。她养成了习惯，只要一有不适就去跟Cx橙欣健康说。等到真正去医院复查前，只需要说一句“帮我汇总一下就医问题”，它就会把近期所有症状、需要和内分泌医生沟通的重点列得清清楚楚。

佳宇描述，Cx橙欣健康给她的感觉，像一个“就医搭子”，“特别像那种专业医生的小助理，既兼顾了医学上的专业严谨，同时又带有一点现在年轻人喜欢的网感。”

一个“托底”的系统，是怎么建起来的？

很多人会好奇，这款产品到底是怎么做到的？

深至科技创始人兼首席执行官朱瑞星给出的答案，不是“我们的模型更好”，而是“这是一个代际差异的问题。”

互联网时代做的是“功能级产品”：由产品经理主导，优化功能和交互界面，本质是功能驱动与体验优化。而AI时代，深至科技想做的是“架构级产品”，一个由垂域模型、智能体和数据三驾马车共同构成的底层系统。

“如果只是拿一个通用大模型，简单做个后训练，搭一套问答界面，现在懂行的工程师可能一天就能搞定。但这根本不叫医疗产品，充其量只是个聊天机器人。”

这个判断并非凭空而来。深至科技成立于2018年，从超声AI影像软件起步，2024年转型为“硬件+AI服务”一体化模式，自研影像设备并铺设超3.5万台终端，已累计完成千万级疗效数据闭环。

这些数据的价值，不只在于数量大，更在于数据的深度。

“我不仅需要知道你现在的状态，我还需要随着时间的推移，知道我给你的干预方案有没有让你的健康变好？你个人更偏好哪种干预方式？哪种方案你的依从性更高？从而在整个漫长的用药周期里，切实提升你的生存质量。”

这种对单个患者的“线性追踪”，才是深至科技构建的数据壁垒。

但数据只是地基。佳宇后来回想，那句“没事，不用补服”之所以有效，是因为它先给明确答案，再给理由。而这背后，是深至科技在意图理解上做的独特设计。市面上很多医疗AI的设计逻辑是“基于问题分类”，把用户提问划分为医学问题、非医学问题或多模态问题。这种设计本质上还是一个“你问我答”的功能机。

但患者的真实意图远比这复杂。比如，患者半夜关节疼得睡不着，跑来问“我能不能吃止痛药”，这个时候他的真实意图绝不是想听AI科普药物机理，而是迫切需要解决“疼”这个问题。同样是“退烧药能不能吃”，背后的核心诉求其实是做风险等级的判断。

为了精准捕捉这些意图，深至科技在最前端部署了一个经过深度强化的主会话模型。这个模型经过了深度的后训练，并接入了自建的RAG（检索增强生成）系统，专门用来理解患者“为什么这么问”。

江江感受到的那种“有理有据的安慰”，佳宇感受到的那种“活人感”，背后其实是深至科技接入的共情模型在起作用。

但共情并不是一味地温柔，而是要深刻理解患者所处的具体场景，从而动态调整“共情浓度”。

举个例子，患者因为药物副作用导致关节疼，来问能不能吃止痛药，这属于低危急场景，此时AI的共情浓度要高一些，给予更多的情感安抚和陪伴；但如果癌症患者发烧到38.5度，这属于高危急场景，这个时候AI的共情浓度必须降到最低，表现得非常严肃、直接，甚至带有指令性。只有通过这种方式，才能强有力地影响患者，促使她们做出正确的医疗选择。

深至科技把患者的真实诉求拆分成了上百个不同的具体场景，针对每一种场景预设一个共情等级，然后根据患者的方案依从性，反复验证和调整这条边界。这是一套完全基于数据驱动的动态迭代方案。

除此之外，深至科技在底层接入了多个专业模型协同工作。例如，药物相互作用模型专门处理复杂的药物冲突。因为药理极其复杂，简单把用药指南和说明书拼凑在一起是无效的，必须有专门的模型来处理。此外，还有针对特定疾病的临床模型以及副作用模型。

在AI时代做产品，核心其实是垂直领域的高质量模型加上驾驭工程（Harness Engineering）。目前AI的基础能力已经达到了很高的水平，真正的壁垒在于如何更好地驾驭它、给它设定合理的约束。在医疗这种非常严肃的领域，只有把这些边界设计好，AI才会真正安全且有效。

先建立信任的人，先拿到医疗AI的入口

在AI医疗赛道，关于路径选择一直有两种思路：一种是从平台切入再下沉垂直，另一种是从单一病种深耕再向外扩张。这个争论不只存在于医疗行业。

其实，战略本身没有绝对的对错，真正重要的是，能否用极强的韧性，把自己选择的策略，变成今天无可替代的优势。

对于医疗场景而言，最核心的基石是价值感和安全感。深至科技想做的，就是成为患者侧的信任基础设施，打造一个基于高等级循证医学、可被信任的AI助手，同时平台上必须有医生来完成最终的信任闭环。

目前，深至科技聚焦乳腺癌单病种，处于小规模测试阶段。但其留存率和方案依从性已经达到头部水准。这些都说明了一件事：当患者真正感受到“被托底”，她们会留下来。

下一步的关键在于，真正的产品深度，在于帮用户“端到端”解决实际问题，而不只是回答问题。以患者援助项目（PAP）申请为例。很多乳腺癌患者都面临高昂的治疗费用，非常需要申请这类援助，但这个申请的流程极其繁琐。未来如果患者提出这类需求时，AI可以直接帮她在全国范围内精准匹配最适合的援助项目，自动梳理出所有需要医院盖章的证明资料，甚至直接帮患者把复杂的申请表格全部填好。

从“回答问题”到能“完成任务”，这是AI医疗助手从工具升级为基础设施的关键一步。

三到五年后，深至科技给自己定的目标是：覆盖人类前100个重大疾病中的50个。很多人可能会好奇，从乳腺癌向其他病种能迁移吗？再进一步，哪些能力可以迁移，哪些不能迁移呢？

这取决于底层的架构设计。用盖房子打比方，一栋极具特色的单体建筑迁移能力弱，一栋毫无特色的通用大楼又会丧失医疗服务的深度。最好的解法，是把服务能力拆解成功能模块，再根据不同病种的场景重新组装。

在这套架构里，临床数据和特定病种模型必须重新训练，但共情模型、药物相互作用模型、底层交互架构，可以低成本平移。

AI医疗赛道里，有很多公司在比拼模型精度、数据量和医院资源。但这些都可以被复制，可以被追平。

有一个底层判断是：医疗领域一定会出现一个独立的AI入口，而这个入口的核心壁垒不是数据，不是算法，是信任。

在江江和佳宇的故事里，她们选择深至科技的产品不是因为名气大，或者是营销活动，而是因为它在她们手忙脚乱时给予的确定感和安心感。这种信任不是靠营销建立的，是靠一次次精准的、有温度的回答，一点一点积累起来的。

（以上江江、佳宇均为化名。）

*头图来源：深至科技