当AI不再治病，而是帮医院活下去

这场演讲没有谈影像识别或新药研发，而是把镜头对准了医疗体系中最不性感、却最烧钱的角落：收入周期管理。Nathan Wan 结合自己在 Google、医疗 AI 创业公司以及 Ensemble Health 的经历，讲述了为什么“让 AI 把钱收回来”，可能是当下对医疗系统影响最大的一件事。

一半医院在亏钱，问题不在医生

为什么一家医院明明每天都在看病救人，却依然活得如此艰难？Nathan Wan 一开场就抛出一个刺眼的数据：目前美国大约 40% 的医院处于负利润状态。“几乎一半的医院在亏钱”，而原因并不主要来自临床成本，而是来自一个长期被忽视的系统——收入周期（Revenue Cycle）。

收入周期管理（RCM）指的是患者从第一次接触医疗系统开始，到医院最终收到钱为止的整套流程。它涵盖资格核验、注册、临床文档、医疗编码、理赔、拒付、申诉等一连串步骤。问题在于，这套系统高度依赖人工、规则复杂且极不一致，导致延迟、拒付、反复返工和直接的收入流失。

Nathan 直言，这不是个小问题。过去几十年里，医疗行政人员数量增长了 30 倍，而临床医生人数却几乎只翻了一倍。这意味着医疗系统的复杂度几乎全部堆积在“非临床”环节，而这些环节，正是 AI 最有机会发挥作用、却最少被讨论的地方。

从 Google 到癌症检测，他为何转向“不性感”的领域

Nathan 的职业路径本身，就是这场演讲最有说服力的故事之一。他早年在 Google 工作，做过运营软件，也参与过语音识别和语言模型的研发。“十多年前，我们还在比较传统模型和深度学习模型，看谁在大规模数据下表现更好。”

他也参与过早期的“环境式（ambient）”项目，试图用语音技术减少医生的文书负担。虽然当时并未成功，但他提到，如今这类项目已经真正商业化落地，这让他感到非常振奋。

之后，Nathan 进入医疗 AI 创业领域：先是在诊断公司中带团队用机器学习从血液中识别癌症信号；再到治疗型初创公司，研究复杂微生物群落数据，用于药物发现。这些，正是大众眼中“AI+医疗”最光鲜的方向。

但正因如此，他看得更清楚另一面：这些问题极其困难，周期极长，而与此同时，医疗体系中还有一个同样重要、却更快能产生现实影响的领域——财务和行政系统。“它不那么炫酷，但影响是真实、可量化的。”

一张被拒四次的账单，揭示系统性浪费

为了让问题具体化，Nathan 展示了一张真实的理赔案例。一次患者就诊，对应的理赔被拒绝了四次，又被申诉了四次。提供方需要通过多个系统、重复提交文档，最终在手术发生 200 天之后，才收到应得的付款。

更糟糕的是，AI 并不只在“帮助医院”。支付方（保险公司）同样在用 AI 提高审核和拒付的效率，结果是拒付率上升、积压更严重，医院的现金流压力进一步加剧。

但 Nathan 强调，大多数拒付并不需要“更强的申诉系统”。它们往往源于非常基础的技术性错误：注册信息不全、字段缺失、规则匹配失败。“如果我们能在第一次就把数据以正确的方式组合起来，这些问题本可以避免。”这句话点出了核心：AI 的价值不在于事后补救，而在于事前预防。

端到端视角，是 AI 真正产生价值的前提

Ensemble Health 的独特之处，在于它是一家端到端的收入周期管理服务商，覆盖从患者接触到最终收款的整个链条。这让他们能够看到“纵向的、长期的数据”，而不是某一个孤立环节。

Nathan 反复提到一个关键词：在错误发生之前“连接点”。例如在事前授权（prior authorization）或临床拒付场景中，团队可以利用历史数据、规则和上下文，预测哪些请求最有可能出问题，并提前修正路径。

即便如此，他也很坦诚：并非所有拒付都能避免。这正是生成式 AI（GenAI）开始发挥作用的地方。在临床拒付案例中，GenAI 被用于加速文档理解、总结和响应，结果是流程时间缩短了约 40%。

他并没有把 AI 描述成灵丹妙药。“我不会声称 AI 能一夜之间解决所有问题。”但在一个高度依赖人工、长期积累低效的系统里，即便是 10%、20% 的改进，乘以整个医疗体系的规模，都是巨大的改变。

总结

这场演讲最打动人的地方，不是某个炫目的模型，而是一种视角的转变：AI 的价值，不只在于治病救人，也在于让系统本身不再失血。Nathan Wan 用自己的职业转向说明，有时，真正重要的创新，恰恰发生在最不被关注的角落。对所有做 AI 应用的人来说，这也是一个提醒：衡量影响力的标准，或许应该更多地回到现实世界的“可持续性”上。

关键词： 医疗AI， 收入周期管理， 生成式AI， 医疗行政， Ensemble Health

事实核查备注： Nathan Wan：Ensemble Health Partners AI 负责人；40% 医院负利润；RCM 覆盖患者全流程；医疗行政人员 30 倍增长、临床医生约 2 倍；案例中理赔被拒 4 次、200 天后收款；生成式 AI 将部分流程时间缩短约 40%；Nathan 曾在 Google 从事语音识别与语言模型工作