在OpenEvidence的光環之下，臨床循證支持/決策輔助類應用已成為醫療AI行業版圖中不可或缺的一部分。2025年以來，國內互聯網大廠、垂直領域獨角獸、醫學資訊/醫生社區平臺都紛紛推出類似產品。

醫療AI+大數據領域的頭部公司醫渡科技，也已進場布局。

3月26日，在小程序版臨床循證智能體平臺“醫渡智循”上線半個月之后，醫渡科技正式發布APP版“醫渡智循”，并宣布推出可嵌入臨床工作流的“醫渡智循”醫院版。在當天舉行的中關村論壇活動上，國內首個聚焦循證醫學與人工智能深度融合的行業級共建計劃——由清華大學附屬北京清華長庚醫院等國內多家頂級醫療機構共同發起的“中國臨床循證智能能力建設計劃”也正式啟動，醫渡科技以核心參與方姿態為該計劃提供底層AI能力支撐，核心技術載體便是“醫渡智循”。

AI的發展堪稱字面意義上的“日新月異”，各方“諸侯”都熱衷于爭奪先發優勢。從時間線上看，相較于市場上已活躍數月甚至更久的同類產品，“醫渡智循”的亮相似乎有些“姍姍來遲”。但在醫療這個具有高度專業壁壘和強監管的領域，特別是對于旨在進入核心決策環節的AI產品而言，速度反而不是最關鍵的要素。目前，并未看到有廠商，公布相關產品的用戶規模，包括互聯網大廠。

因此，以醫療大數據治理起家，且已實現AI轉型升級的醫渡科技，此時推出“醫渡智循”，并非簡單的追隨形勢，而是基于自身深厚行業積累的一次戰略卡位，目標直指醫療AI從“可用”到“可靠”甚至“不可或缺”的本質跨越。

審慎的“后發”

早期市場上涌現的不少基于大語言模型的醫療AI助手，雖然都能實現流暢對話和廣泛的信息覆蓋，但普遍難以擺脫“幻覺”，即生成看似正確合理但缺乏堅實證據支撐的答案，甚至憑空編造指南文獻，對于資歷尚淺，專業判斷力不足的醫生，臨床診療中貿然采信這樣的建議，后果嚴重性不言而喻。

也正是基于這樣的洞察，醫渡科技聯合創始人、CEO徐濟銘將醫生描述為“高專業、高挑剔”的群體，其對新技術的運用保持著相對謹慎甚至是保守的態度。

大模型市場的第一波浪潮，在某種意義上完成了對用戶的“啟蒙”與“教育”，醫療大模型在推廣試水中，也清晰劃定了醫生對AI工具的接受底線：可信度與可靠性。

醫渡科技聯合創始人、CEO 徐濟銘

徐濟銘透露，在之前的市場觀察期，醫渡科技得以了解醫生群體對現有同類產品的反饋，看到其中存在的不足，從而更精準地聚焦于醫生的痛點需求：并非簡單的醫學知識問答，而是在真實的臨床和科研工作中，高效整合海量且快速更新的指南文獻，并將標準化證據與復雜的病案信息相結合，快速進行有多元選擇的循證決策。

與許多從通用大模型能力延伸或從消費者端切入的玩家不同，對于醫渡科技，“醫渡智循”并非一個從零開始的項目，它的根基深植于公司過去十余年在B端的長期耕耘。

目前，醫渡科技已構建起覆蓋“醫-藥-險-患”全產業鏈的AI產品與服務體系，截至2025年9月30日，其自研的“AI醫療大腦”YiduCore，已累計處理分析近70億份經授權的醫療記錄，構建的疾病知識圖譜基本覆蓋所有已知疾病，專病庫覆蓋病種98個；醫院合作網絡超10,000家，包括中山大學腫瘤防治中心、北京大學腫瘤醫院等知名專科醫院，以及北京協和醫院、清華長庚醫院等大型綜合型醫院，產品與服務覆蓋診療、科研、運營管理等多個場景。

事實上，醫渡科技早已在院內場景與上述頂級醫療機構合作，開發并驗證了“醫生Copilot”等AI助手產品。當這些在院內最嚴苛場景中打磨的產品獲得頂尖專家認可后，使其走出“深巷”，覆蓋更多醫療機構和更廣泛的醫生群體，也就順理成章。這個由內而外的需求拉動，被徐濟銘視為“醫渡moment”。

三大差異

相比國內市場上已經出現的同類產品，“醫渡智循”有三大顯著差異。

其一，是從“信息提供”到“證據決策支持”的范式轉換，也就是“句句有來源，結論可驗證”。醫渡科技技術創新副總裁李林峰指出，許多同類產品的技術路徑可概括為“檢索增強生成”（Retrieval-augmented Generation，簡稱RAG），這解決了部分“幻覺”問題，但本質上仍是一種信息整合與呈現。“醫渡智循”試圖更進一步，要求系統不僅給出答案，還必須為每一條關鍵建議明確標注指南/文獻出處，并支持醫生一鍵回溯原文核查，避免“黑箱運行”；同時，系統會依據GRADE等國際循證醫學標準對證據進行分級排序，明確區分高質量證據與專家共識。通過“決策過程透明化”和“證據等級顯性化”，旨在將AI輸出內容直接對標臨床決策所需的證據鏈，而非僅僅是“信息參考”。

其二，是打造了“多智能體協作”體系。面對復雜的臨床問題，例如為腫瘤患者制定治療方案，“醫渡智循”采用“多專科智能體分發引擎”，自動識別臨床問題的核心意圖，并調度多個針對特定任務（如腫瘤分期、藥物推薦、臨床試驗檢索等）訓練的專科智能體協同工作，最終形成綜合答復。這種運行模式事實上模擬了多學科會診（MDT），可以發揮每個智能體在其專業領域的優勢，且決策過程相對獨立、可追溯，從技術上為“句句可溯源”提供了可能。

其三，是針對不同場景的雙線產品布局。除了公開版APP和小程序，“醫渡智循”還有醫院版，兩個版本共享底層循證AI能力，但在功能上形成互補，共同覆蓋醫生院外研究學習、院內直連患者數據并輔助診療全流程的各種真實場景。醫院版可根據醫院學科特色靈活設置專科、專門場景智能體，精準適配院內藥品目錄、診療規范與質控要求，并支持聯合院內專家共建專屬知識庫。更關鍵的是，醫院版可與醫院HIS/EMR系統集成，嵌入醫生臨床診療的工作流，實現基于患者全景數據與循證知識庫緊密聯動的主動提示與決策輔助，從而提升臨床診療工作效率。相比醫院版，公開版“醫渡智循”APP可以作為不受場景約束的醫生隨身工具，支持圖文自由輸入，并重點提供個人知識庫管理、最新文獻速遞等延展功能。徐濟銘還透露，“醫渡智循”正在規劃患者隨訪功能，便于腫瘤等需要長期治療患者的診后管理。

如何商業化？

關于“醫渡智循”的落地應用，徐濟銘明確表示不會“撒胡椒面”，不會盲目追求下載/裝機量。

當前全球每30秒就有一篇新醫學論文發表，指南更新迭代頻繁，特別是國內，指南/共識文獻版本多種多樣，臨床一線獲取和應用高質量循證證據的效率明顯不足。徐濟銘告訴健聞咨詢，“醫渡智循”首先會在腫瘤、自身免疫疾病等復雜、長病程、指南更新迅速的專科領域重點推廣，這些領域的醫生面臨更大的信息整合與決策壓力，對高質量輔助工具的需求更為迫切。醫渡希望通過與這些領域的頂尖醫療機構和專家合作，打造深度應用的標桿案例，在醫生群體中形成專業口碑。

賦能基層醫療是另一條重要路徑。3 月 26 日中關村論壇上，相關專家也指出，臨床工作中循證證據獲取的矛盾在分級診療體系下尤為突出，“中國臨床循證智能能力建設計劃”正是為回應這一結構性痛點而設。

在國家推動“強基工程”和分級診療的大背景下，同時由于醫保DRG/DIP支付改革，大三甲也傾向于把“低分值”病重患者分流到基層，基層醫療機構亟需提升診療水平，來承接首診和下轉的患者。徐濟銘表示，未來“醫渡智循”還將進一步適配基層需求，加強區域化落地。基于醫渡科技的數據治理能力和資源積累，不僅可以打通區域內不同級別醫療機構的數據，將大三甲的能力下沉到基層，還有助于推動大三甲與基層醫院在臨床科研方面的合作。

徐濟銘透露，“醫渡智循”的基礎功能將堅持免費，以降低使用門檻。未來的盈利模式，一是面向醫生提供高級別、定制化的增值服務，如深度科研分析工具、增強版患者管理模塊等；二是更具想象空間的產業端變現，即利用產品在輔助臨床研究患者篩選、加速真實世界研究、賦能保險產品精算與風險管控等方面的能力，向藥企、商保公司等B端客戶提供服務。這與OpenEvidence的商業化路徑有某些相似之處。

本質上，“醫渡智循”的商業化，并非單純依賴用戶流量進行廣告或訂閱變現，而是基于既有龐大業務生態（合作網絡覆蓋萬余家醫療機構、500多家生命科學公司，累計為5省13市惠民保業務提供服務）和數據積累，旨在成為連接醫生、醫院、藥企、保險公司等各個環節的“智能樞紐”，通過解決各方核心痛點，融入醫療健康產業價值鏈進行變現。

“數據合伙人”的戰略升維

從一個產品的角度，“醫渡智循”的發布只是醫渡科技在AI臨床輔助能力上的一次向外延展和普及，但如果縱向審視醫渡科技的傳統核心業務，也不難看出，這是一場關鍵的戰略演進，它試圖將公司過去十余年積累的核心資產進行轉化，開辟新的增長路徑。

過去十余年，醫渡科技一直專注于醫療數據治理和為醫療機構提供定制化解決方案，但這種項目制、定制化的模式，也存在交付周期長、規模化復制難的挑戰。“醫渡智循”的推出，意味著公司在將沉淀在“后臺”的數據能力、模型能力和場景認知，產品化、標準化為一套可被廣大醫生直接使用的“前臺”工具的道路上，成功邁出了第一步。

此類深度嵌入臨床決策流程的工具，一旦建立信任，將自然具備向醫院系統集成、醫保管理優化、以及人群健康管理延伸的平臺級潛力。

徐濟銘表示，醫渡科技一直在打造“一腦兩端三大功能區”的架構體系，這也是公司的核心戰略，“一腦”即YiduCore“AI大腦”與數據基礎，“兩端”分別是醫生端和通過醫生帶動的患者端，三大功能區則是指醫療、醫藥研發和普惠保險。

最新發布的“醫渡智循”，正好成為銜接“一腦兩端三大功能區”的關鍵樞紐：它既汲取了經過機構驗證的能力，又服務于醫生端新增的需求；同時，醫生在院內院外的使用反饋，又可反哺“大腦”的進化，形成“數據-模型-場景”的增強飛輪。

對醫渡而言，這無疑是全新的商業版圖。這一戰略拓展如果成功，將意味著從定制化方案提供商，逐步升級為可規模化復制的智能產品與平臺服務商，未來發展空間更具想象力。

“盡管我們是從數據治理起步，但我們并不僅僅是一家大數據公司，更是一家真正的醫療AI公司。”基于這個定位，徐濟銘認為，在AI技術迅速迭代、概念不斷更新的當下，更需要在諸多變量中尋找常量。“我覺得深耕醫療核心場景，沉淀高質量數據的重要性是毋庸置疑的，隨著AI的基礎模型從語言模型向世界模型升級，數據作為核心要素的價值還會繼續放大。”