AI患者管理驶入深水区：如何让「管得住」变成「管出疗效」

在腺癌领域，AI 辅助筛查与早期诊断的能力已逐步成熟，使得更多患者能够得到精准的诊断。但筛查能力的提升，恰好把一个关键的问题推到了台前：患者被筛出来，被确诊之后，漫长的治疗期由谁来管理？

中国乳腺癌发病率以年均约 3%~4% 的速度增长。其中约 70% 为激素受体阳性（HR+），需接受 5 到 10 年内分泌辅助治疗，确诊只用几天，围手术期只有几周，但治疗却需要持续五到十年。一项由中国抗癌协会乳腺癌专业委员会牵头的多中心研究显示，国内 39.1% 的乳腺癌患者未能坚持为期五年的规范化内分泌辅助治疗。这意味着，每十位本应从长期治疗获益的患者中，有近四位在中途放弃治疗 —— 而这也并非医学决策失误，而是日常管理缺乏支撑。

确诊之后，最难的是在日复一日中找到确定感

刘女士确诊 HER2 阳性（ER/PR/HER2 三阳性）浸润性乳腺癌时，还不到四十岁。此后她经历了新辅助化疗、保乳手术、辅助化疗及靶向治疗的完整流程，虽然治疗本身算得上顺利。但长达数年的内分泌辅助治疗期带来的是持续的关节僵硬、情绪波动。

另一位确诊九年的患者陈女士面对的则是不同的困扰：九年间积累的检查报告装满了两个文件袋，每次复查前她都要翻一遍，试图回忆上次某个指标是多少。治疗信息、用药变更、历次影像检查结果 —— 九年的 "账"，她至今都没办法理清。

她们的处境虽不相同，但在漫长的治疗周期里，困扰她们的却是同一个问题，那就是：一种相对确定和舒适的生活。消耗她们的，不是某个确定时刻的重大决策，而是每天反复出现、无人回应、日常又琐碎的一个个小问题。

一位乳腺癌患者曾说：“我不是不相信医生，是很多问题还没到必须看医生的程度，但我真的需要有人帮我判断一下。” 早晨手指僵硬是药物副作用还是关节炎？复查报告某项指标比上次高了 0.3 意味着什么？患者有被管理的需求，但是这些 “反复出现但又不能被忽略” 的问题却变成了患者遭遇的重重困难。

传统患者管理试图弥合这道裂缝，但始终困于一个三角矛盾：人力模式能做到深度陪伴却无法规模化，内容推送能覆盖大量用户却无法个性化。 近两年，AI 大模型的能力让行业看到了突破口，但接入一个大模型远不等于做好了患者管理 —— 大多数泛健康应用的特征是什么都能聊、什么都不深，但患者问完三个问题后就发现 AI 并不真正理解自己的病情，也无法给出自己想要的答案。

AI 患者管理需要回答一个更根本的问题：如何让 AI 同时具备"医学上不能错的深度"和"只对这一个人有效"的精准度？这不是一道选择题，而是一道必选题。单靠更大的模型、更全的语料库无法同时满足这两个要求 —— 它需要的是一整套从数据源头到临床闭环的工程化设计。过去几年间，行业中陆续有企业开始进行深度探索，深至科技就是其中一家，面对这个三角矛盾，它的核心判断是：患者管理不是一个算法问题，而是一个系统问题 —— 一个必须同时解决数据从哪来、管理谁来做、效果谁来证的系统问题。

从一个系统性缺口出发

深至科技创始人朱瑞星曾提及一个转折性问题：我们在基层做了六年智能超声，覆盖了近 700 家等级医院和 30000 多家基层机构，每月新增 3000 多个乳腺 BI-RADS 3 类及以上用户。但随着筛查的深入，我们发现患者被筛查出来了，但后续的管理呢？

这个转折的背后，是一个贯穿整个患者管理赛道的系统性缺口：不是某一个环节做得不好，而是环节与环节之间的 "接缝" 问题。AI 辅助诊断、早筛覆盖率提高，但筛出来的患者往往面对一段真空：筛查报告提示需要进一步就诊，确诊后进入治疗通道，可治疗结束后的长期随访管理又是断裂的，即便有随访，产生的数据也散落在各个系统中，无法回流形成对诊疗决策的有效支撑。筛查、诊断、治疗、随访、疗效验证 —— 段与段之间缺乏连续的数据流和管理逻辑，患者在 "接缝" 中反复脱落。对于乳腺癌这类需要五到十年持续管理的疾病而言，这道缺口造成的代价更大。

深至科技就站在缺口的起始端。自 2018 年起深至科技深耕基层智能影像设备，目前设备已覆盖全国约 3.8 万家基层医疗机构，日均活跃设备约 1.5 万台，日均出具诊断报告约 5 万份，设备活跃率约为 42%。

这组数字的意义不在于商业规模，而在于它构成了一个结构性优势：当拥有了设备源头，筛出的患者从第一天起就带着完整的影像数据进入管理体系 ——AI 从第一天起就 "认识" 她 / 他 —— 知道 BI-RADS 分级、病灶位置和特征，后续的治疗信息、用药记录、随访数据在使用过程中不断累积，数据不是后补的，而是从源头起就连续存在的。

三端协同：不靠单点工具

深至团队意识到，要解决这个缺口就不能靠单点工具：一个随访 App 解决不了数据断裂的问题，一个 AI 问答机器人解决不了管理深度的问题，一个数据看板解决不了疗效归因的问题。真正有效的方案必须让数据 "流" 到患者管理中去，让管理中产生的证据 "流" 回医生决策中来。这是深至科技做患者管理的结构性起点，也催生了深至科技旗下三端智能产品矩阵 —— 面向患者的橙欣健康（Cx）、面向医生的暖欣健康（Dx）、面向药企服务的信欣健康（Px）—— 将患者、医生、药企三端的数据与服务贯通，共同解决：数据从哪里来、价值在哪里交付、证据向哪里回流。

橙欣健康（Cx）的核心设计是一套为乳腺癌垂直疾病领域构建的智能体协同架构，它以两条轴线的乘法关系运转：

第一条轴线解决 "我是谁" 的问题。智能体通过每天的陪伴 —— 用药打卡、饮食记录、症状上报、情绪表达 —— 持续收集信息、更新画像，最终将每位患者精确定位到一张矩阵中。横轴是治疗阶段（从确诊到内分泌治疗各年份），纵轴是分子分型（Luminal A / Luminal B HER2- / Luminal B HER2+）。每个患者在任一时刻只处于矩阵的精确一格 —— 但 "她在哪一格"，是靠日常陪伴一点点积累出来的，是精准的。

第二条轴线解决 "给她什么" 的问题。 一旦将患者精准定位，在充分的信息与画像基础上，系统就开始交付对应的临床医学深度 —— 医学上对的选择方案有哪些。同一格人群该管什么、盯什么阈值、踩什么红线，临床上高度确定。

AI 自动承接 80% 以上低风险场景下的管理工作；当识别到中高风险信号 —— 涉药决策、副作用超出居家管理范围、复查结果需要临床解读 —— 系统主动向医生推送预警，医生通过 Dx 端复核处置，决策结果回传至 Cx 端更新管理计划。“AI 管日常、医生管风险”，这个分工解决了行业长期悬而未决的困局：纯 AI 方案患者不敢信，纯人力方案扛不住规模。

而 "管住" 患者的关键，不是功能多，而是持续提供超出预期的服务。 橙欣健康（Cx）不造新需求，而是将能力嵌入患者每天就要做的事 —— 用药、吃饭、睡觉、情绪及心理辅助。在使用橙欣健康（Cx）的患者中，用药提醒和复查提醒被反复提及为最有价值的功能 —— 对需要长期服药的患者而言，一个稳定的提醒工具帮助她们更从容地安排治疗节奏；近期内测版还迭代新增了治疗计划统一管理、病历时间线、以及结合身体状态推送的每日早晚问候机制。

临床验证：从产品逻辑到真实诊疗场景

除了在线上服务患者，橙欣健康还通过 AI 能力与医生建立协作，解决更为复杂与个性化的临床问题。深至科技近期披露了与上海两家三甲医院（一家综合医院、一家肿瘤专科医院）的三项临床合作，分别指向术式证据、运营证据与学术证据。三者共同回答一个问题：AI 管理能力能否真正有效嵌入乳腺癌诊疗全程？

在具体合作中，Cx 被嵌入乳腺癌围手术期、术后康复及长期随访的全流程。术前阶段，系统以患者的病情分期、治疗方案（含重建术式）、既往治疗信息建立数字画像，同时记录疼痛、肢体功能、心理社会状态与患者报告结局（PRO），据此匹配个体化的教育内容。出院后，患者可持续向系统提交症状量表、伤口及引流图像、疼痛评分、活动量、康复训练完成情况、用药及复诊信息；规则引擎与多模态 AI 负责识别异常并分级推送，由医生完成临床复核、风险确认和处置决策；新的教育内容、追问、康复训练与提醒再回到 Cx 端，患者执行反馈后进入下一轮管理循环。

关键边界：AI 只做辅助识别和分级，不替代医生决策；预警、复核、处置和随访均留痕，形成可执行、可追溯的 SOP。

对患者而言，这意味着 AI 不再停留在 "回答一个问题" 的层面，而是将一次院内诊疗延伸为院外仍有人接住、风险能被及时识别、医生可以据此行动的连续照护过程。

在这套管理底座之上，三项临床合作各有各的临床命题。

共建真实世界数据： A 医院在大网膜乳房重建术式上有过硬的案例数量，但该术式在创伤与恢复上的优势长期停留在经验叙述层面。合作中，Cx 的 ePRO 系统将按治疗节点自动回收拔引流袋时间、淋巴水肿发生率、患者满意度三类指标，结构化入库并全程留痕，形成该术式 "技术下沉" 的核心证据材料。

共建科室级患者管理与 IIT 数据能力： 在与 B 医院的乳腺外科合作中，Cx 将以 AI 智能交互、患教与电话随访接管常规患者沟通。与既往 "提醒类" 工具不同，Cx 的依从性干预作用于动机层 —— 通过副作用归因分析回应患者 "主动抗拒" 的深层原因，并在上线即建立护士工时基线，使 "AI 替代人工随访" 的降本增效能力首次可被量化验证。

针对该院的 IIT 研究，Cx 提供 ePRO 高频采集与可审计质控：依从性、副作用、月经状态、生活质量等传统门诊无法获取的长期连续数据，配合随访完成率、缺失率、依从曲线的全程留痕，目标支撑影响因子 20 分以上的 Luminal 型乳腺癌内分泌治疗真实世界研究。

底座统一，数据不出院，能力可复用

三项合作共用同一套数据采集底座，但各医院原始患者数据均留在自身合规边界内。Cx 沉淀的是脱敏后的管理路径、字段标准与质控模型 ——“数据不出院、能力可复用”。这一架构设计是后续面向多中心扩展和药企合作的前提：围术期 PRO 数据为学术推广提供可审计支撑；科室运营模型直接作用于用药依从性与治疗持续性（DOT）；高分论文与 KOL 网络为相关管线提供学术背书。

从医生到药企：三端闭环的协同逻辑

如果 Cx 是面向患者的 "管理中枢"，那么 Dx（暖欣健康）和 Px（信欣健康）则分别承担了医生端和药企端的协同能力。

暖欣健康（Dx）解决了 "灰色地带" 里的决策支持。 临床决策中最消耗精力的不是有标准答案的问题，而是指南给出路径、但具体到眼前这位患者如何决策时，医生仍然需要在海量文献中自行搜索、交叉比对。Dx 将分散的循证信息收敛为结构化建议，接收医生通过文字、语音、图片提供的患者信息，也承接 Cx 端传来的院外动态数据 —— 这是传统院内系统完全没有的信息来源。通过完整的院内院外信息获取，Dx 将帮助医生把临床决策自动转化为 Cx 端的执行指令，让医嘱不再停留在纸上，而是直接驱动 AI 管理系统的调度与更新。

Px 解决了药企 "投入能否量化回报" 的根本焦虑。 传统患者支持项目（PSP）面临一个结构性困境：每年投入可观预算，能清晰汇报覆盖了多少患者、发放了多少物料，但当管理层追问 "诊疗依从性到底提升了多少" 时，几乎无人能给出确切答案。2026 年的政策环境让这个问题更为严峻 —— 国家医保局连发两份真实世界价值评价指南，在 11 省市启动 RWE 试点，"真实世界证据"不再是学术加分项，而是可能决定产品市场生命周期的准入条件。Px 的回应是将每一条患教内容变成一个"干预变量"，通过内置的 PSM 与 DiD 归因引擎，在数据准备就绪后 48 小时内产出完整归因报告，让药企第一次可以明确回答：我们的 PSP 项目究竟让患者的诊疗依从性提升了多少，带来了多少健康获益。真实落地数据显示，某 TOP20 药企引入 Px 后患者依从性提升 22%，AI 管理组较对照组依从性延长≥2 个月且具统计学显著性。

深至科技构建的竞争壁垒在于将三端之间的数据闭环 —— 每一端产生的数据都同步其他两端，形成一个持续转动的飞轮：

Cx 端采集的日常行为与症状数据流入 Dx 端，为医生提供院外连续信息；医生的决策和随访数据汇入 Px 端，成为疗效归因的证据基础；Px 端的分析结论又反向驱动 Cx 端的干预策略优化。医生在闭环中扮演 "疗效证据共同签署人" 的角色，提升了数据结论在合规和学术层面的公信力。

这个飞轮的壁垒是多层叠加的：在数据层面，深至同时掌握影像、诊断、用药、随访、疗效的全链路纵向真实世界数据 —— 行业稀缺。在网络层面，3.8 万家基层机构构成的筛查网络是天然的患者入口，获客不依赖广告投放而依赖真实医疗场景，用户质量和数据完整度远高于流量打法。在技术层面，300 余项国内外专利中 62% 集中在 AI 算法领域，研究成果发表于 Science、Nature Communications 等顶刊，AI 大模型算法已通过国家网信办备案 —— 这是 8 年持续投入形成的技术积累。

从"偶尔惊艳"到"每天帮到一次"

陈女士和刘女士只是众多遭受乳腺癌内分泌治疗困扰的患者代表，但她们的困扰从来不是缺少一次 "惊艳" 的 AI 对话体验，而是需要一个系统能在五年、十年的时间尺度上，每天帮到她们一次，帮助她们坚持下去。

AI 到底能否解决患者管理中"规模化、个性化、持续性"的三角矛盾？深至科技给出了自身的答案：双 Agent 架构让个性化深度和医学深度以乘法关系协同，解决了"又准又深"；Px-Cx-Dx 三端闭环让数据越用越多、模型越跑越准、医生协同越来越顺畅。

最终，这个正向飞轮指向一个行业判断：医疗 AI 的真正价值不在单点工具的效率提升，而在"数据 — 算法 — 生态"协同进化形成的规模效应。 数据越多模型越准，模型越准用户越留，用户越留数据越多 —— 这个循环一旦转起来，后来者需要同时补齐硬件网络、患者规模、医生生态和纵向数据，壁垒就不再是某一项技术，而是整个系统。

当这套系统覆盖的乳腺癌用户已超过 15000 人，次日留存 > 70%，并且用户以每月 3000 + 的速度持续增长时，一个行业级的命题正在被具体地回答：患者管理正在从"人力驱动的经验系统"走向"智能体驱动的演化系统"。 这不是遥远的愿景，而是正在深至发生的事。

([1]) 抢滩 AI 医疗器械市场：医疗科技巨头如何布局？| 内窥镜 | 医疗器械 | 医疗科技 | 美敦力 | 达芬奇_手机网易网

([2]) 2025 年中国 AI 医疗器械行业现状与展望（附市场规模、区域分布、获批数量及产品覆盖领域）「图」_华经情报网_华经产业研究院

([3]) 乳腺癌内分泌治疗依从性亟待提高 - 丁香园

([4]) 乳癌内分泌治疗依存性需提高 - 好大夫在线

([5]) 2025 年 AI Agent + 医疗行业报告 | 附全文下载_2025 ai agent + 医疗行业研究报告 - CSDN 博客