中国医疗AI加速追赶OpenEvidence：六款产品率先破局，循证医学成关键

中国医疗AI产品正全力追赶OpenEvidence

种种迹象显示，未来三年将是医疗AI发展的黄金时期。在追赶OpenEvidence的浪潮中，已有六款中国产品率先起跑，其未来发展值得期待。

01 中国医生真正需要什么？

追赶OpenEvidence，首先要理解它为医生带来了什么价值。

OpenEvidence的突破点在于建立了从数据源头到结论输出的全链条信任机制，而这正是此前中国医疗AI大模型普遍缺乏的能力。这一实践直击中国医疗AI的核心痛点：数据量虽大但质量不高且缺乏权威性。尽管中国拥有全球最大的临床数据，但疾病谱差异、数据标注不规范导致高质量数据稀缺，多数模型也缺少顶级期刊级别的权威背书。

此外，OpenEvidence的成功在于将AI工具无缝嵌入美国医生的工作流程，而非增加额外负担。同时，它的定位并非取代医生，而是提供证据支持和思路拓展，特别是在复杂病例和罕见病诊疗中展现价值。这种定位既防止了医生过度依赖，也避免了责任边界模糊。

那么，中国医生的工作流程中，究竟需要哪些帮助？

在诊断环节，面对疑难杂症、罕见病或症状不典型的患者，医生需要查阅文献辅助诊断。在治疗方案制定环节，医生需依据最新研究成果制定最佳治疗策略，例如肿瘤治疗中，新药和新疗法不断涌现，医生必须查阅文献了解其疗效与安全性。在疾病预后评估环节，医生需通过文献了解疾病发展规律和预后影响因素，以便向患者及家属提供合理的预后信息，并制定相应干预措施。

除了临床诊疗，科研工作同样要求医生在循证上投入大量精力。

比如在选题阶段，医生需要广泛查阅文献，追踪学科前沿和研究热点，确定具有创新性和临床价值的课题。在研究设计阶段，医生需参考既往文献中的研究方法、技术路线和样本量估算，确保研究的科学性和可行性。在数据分析阶段，医生需借助文献中的统计学方法和分析技巧。最后在论文撰写阶段，必须引用大量文献支撑研究背景、方法和结论。医生往往需要花费大量时间筛选、阅读和整理文献，确保引用的准确性和可靠性。

总体而言，中国医生在诊疗和科研工作中，文献循证是一个贯穿全程且耗费大量精力的环节。医生们迫切需要提高文献检索、筛选、阅读和评估的效率，以便将更多时间投入到临床诊疗和科研创新中。

那么医生是否需要AI？答案是肯定的，但AI不能添乱。

医生需要的是一个能从海量文献、指南和案例中，筛选出最契合当前病例的信息，并以直观形式呈现，同时不自行下结论，而是由医生做出最终判断的工具。医生可以容忍AI在某些问题上的无知，但无法接受一个充满幻觉的答案。

正是洞察到这些实际需求，一些企业开始开发能融入医生工作流程的AI工具，构建结合本土医疗生态、以可信为基础、以临床价值为导向的产品，让AI成为提升医生工作效率的助手。

02 中国式OpenEvidence的破局路径

内容资源决定能力上限

医疗AI的可信度建立在数据的权威性之上，而核心内容数据库的构建，正是当前中国企业从技术追随者迈向价值引领者的第一道关卡。从公共数据库的免费陷阱，到顶级期刊授权的天价门槛，再到商业合作的隐形约束，每一道障碍都在考验企业的战略眼光和资源整合能力。

公共数据库是医疗AI企业的入门级数据来源，开放性降低了初期研发成本，但免费背后隐藏的数量有限、质量参差不齐和使用限制等问题，使其难以支撑更多实际应用场景。在公共数据库之外，顶级医学期刊的核心内容不仅费用高昂，而且合作条件苛刻。

看似丰富的资源实际上存在供需错配，例如公共数据库的开放并非毫无边界，其使用限制成为中国企业商业化的隐形门槛。部分国际公共数据库采用科研优先的授权原则，明确禁止商业化用途。而顶刊内容，即便是开放获取文章，也需遵守特定知识共享协议（如CC BY-NC），部分商业用途受限。非开放获取文章则需订阅才能浏览全文，否则仅能看到摘要，部分资源用于AI训练还需额外商业授权。此外，一些顶级期刊机构对合作还有地域、应用范围和溯源责任等限制。

对于中国医疗AI企业而言，挑战更为严峻。

2025年4月4日，美国国立卫生研究院（NIH）的一纸禁令震惊全球科研界。包括中国在内的多国科研人员被禁止访问NIH旗下的核心生物医学数据库，如人类基因型表型数据库dbGaP、癌症基因组图谱TCGA、SEER癌症数据库等。PubMed数据库也时常停更。

“还有成本问题，部分期刊一篇论文的单次浏览成本就要几元钱。”一位业内人士对动脉网表示，“如果采用OpenEvidence那种用户免费模式，企业成本压力巨大，但如果不构建较全面的数据库，产品又缺乏竞争力。”因此，中国式OpenEvidence产品在拥有可靠内容数据库的同时，还需要设计合理的商业模式。

数据库搭建成为竞争关键

数据容量是中国式OpenEvidence产品的基础。

灵犀EviMed专注于AI医学科研选题分析，依托约3800万篇海外文献，AI系统根据选题关键词及其同义词拓展，生成10个科研选题，并从科研价值、论文写作难度、发表难度和可行性等多维度打分并生成分析报告。同时，通过文献挖掘，AI系统自动发现选题的新兴研究方向，并推荐相关期刊、学者和研究机构。

六款中国AI医疗模型特点（据公开信息整理）

MedPeer定位为科研人员的效率倍增器和成果加速器，通过“科研工具+数据中心+论文写作”的深度整合，使科研人员摆脱重复劳动。其核心功能Deep Search整合全球近3亿篇学术文献，科研工具模块覆盖文献处理、数据可视化、格式优化等高频需求，数据中心模块为科研决策提供可靠支撑，让医生专注于探索未知，而非被琐事消耗。

豆蔻医生超级助理则聚焦专科领域，是钉钉上首个面向医生的专业AI应用。它能在1分钟内整合全球超4000万医疗文献及国内诊疗指南、共识，并进行全链路溯源，确保每次输出有据可依、有证可循，为妇产科医生提供可信的辅助决策。

由此可见，千万级学术内容数据已成为中国式OpenEvidence产品的入门门槛。

挖掘附加价值是重要商业化抓手

“数据库的建立只是起点，如何基于数据库构建附加价值才是产品商业化落地的关键。”灵犀医疗创始人王则远对动脉网表示。

EviMed除了通过循证和科研功能帮助医生完成本职工作外，还深入挖掘产品附加价值。例如学术推广，过去企业需要多个环节且效果不佳，EviMed可根据企业需求规划上百个学术证据进行精准推送。这一切基于对医生使用行为的深入解读：医生在使用EviMed时关注的领域、疾病、药物等画像，平台能精准解析并推送最新学术进展，为企业提供了更精准的学术推广途径。

目前，学术推广收入已成为EviMed的主要营收来源。与EviMed类似，零假设也选择了B端反哺C端、C端吸引B端的路径。即先切入对内容专业性和合规性要求高的头部药企，在为药企提供AI工具及服务的过程中，积累高质量标注数据、迭代算法，再将面向医生的“KnowS”模型及智能体推向市场。

可见，中国产品并未完全照搬OpenEvidence，但抓住了其发展本质：以可信数据为核心。

值得关注的还有垂直领域的豆蔻医生，它未走大而全路线，而是聚焦于妇产科这种跨学科极强的科室。该领域文献多且来源分散（产前诊断领域每年新增超200万篇文献），患者个体差异大，临床证据组合难，判读需要丰富经验。豆蔻医生从一线思维出发，精准做减法，打造真正有临床价值的工具。同时，接入钉钉嵌入医生工作流，使商业化落地更为便利，上线10天后即有超300家医疗机构主动开通使用。

百川M2Plus虽有自己的“百小应”应用，但为摆脱单一应用局限，选择通过API将六源循证推理能力标准化输出。API面向医院信息化部门、互联网医疗平台及医疗AI开发者，客户群体更宽泛，三甲医院和基层医疗机构均易触达。同时，作为底层技术供应商，更容易嵌入医院现有系统。

医渡临床Copilot定位为“医生最便捷的临床决策工具”，深度融合医疗垂直大模型、动态循证知识体系与院内患者数据，通过循证校验解决AI幻觉问题，实现顶级证据一键溯源，确保决策建议精准。更重要的是，它能自动对接患者数据，将医学证据与个体化病情无缝衔接，省去医生手动匹配的繁琐步骤，打通临床应用“最后一公里”。

总体而言，面对OpenEvidence以免费+广告验证的商业模式，中国创新力量并未简单复制，而是基于本土医疗体系特点，特别是B端主导的付费逻辑，在诊疗辅助和科研辅助两条路径上，形成了场景化深耕、专科化突破、生态化协同的集体破局模式。

尽管发展路径各异，但中国医疗AI产品已形成三大共识：第一，数据权利至上，将政策合规从成本转化为竞争优势，实现“数据不出域”的本地化部署或私有云；第二，证据质量分层，国产AI普遍采用“原始文献→临床指南→真实世界数据→专家共识”的多源证据权重分配机制，通过PICO框架结构化检索与多轮交叉验证，将循证医学方法论内化为模型基因；第三，务实的商业模式，放弃OpenEvidence的免费模式，全面转向B端收费，通过服务医院、药企等付费能力强的机构实现资金回流，避免C端流量陷阱。

中国式OpenEvidence产品的核心理念，并非复制一个免费查询工具，而是将循证医学能力原子化、标准化、基础设施化，最终使每位医生和科研团队都能以可负担的成本，获得媲美国际顶级医学中心的证据支持。这是一场关乎医疗决策平权的持久战，而非流量变现的闪电战。未来三年，将是他们奋力冲刺的三年，谁能率先突围，我们拭目以待。