Infinite Healthcare 价值几何？

美国 | 科技 | 观点 | 文化 | 图表

医疗保健是少数几个把使用量上升视为失败的行业之一。这样的框架是错误的。

人们希望健康，而能方便地帮助他们获得并保持健康的服务需求几乎是无限的。但医疗服务的提供一直受限于临床人员的成本和可用性；即便财务激励完全对齐，也无法解决这个问题。

人工智能缓解了这一制约。该技术大幅扩展了我们提供护理的能力，并压低了边际成本。那些以前被推迟、回避或完全放弃的活动开始进入体系，因为体系终于能够吸纳之前结构性无法应对的工作。

由此延伸出的观点是，人工智能给了我们机会去消费大量更多的某种东西——具体指代币消费，以及更广义的具有主体性的护理服务——而这非常重要，有助于让这个庞大体系以新的方式重新定位。代理人是医疗保健中新型的服务提供者，我们可以以极低的成本和巨大的数量来消费几乎无限的这类服务，而这正是要真正改造体系所需要的突破口。

这里令人惊讶的阻碍在于，这在文化上与我们谈论医疗保健的方式不兼容。我们的社会存在一种文化姿态，认为“更多地消费医疗保健是不好的”。这种看法源于可以理解的立场，但如果我们想让每个人更健康，这种态度实际上阻碍了我们想要的变革。在其他行业，我们把“ 杰文斯悖论 ”视为弹性消费的奇迹，帮助生态系统重塑自身：医疗保健也需要这种变化。

关键问题其实很简单：我们如何为可大量消费的基于人工智能的医疗定价？如果我们把这件事做对，医疗保健将获得一种惠及所有人的技术和经济助力。所以，让我们把它做对。

价格从来不只是价格

你可能听说过人工智能领域的 “苦涩教训”，其观点是计算资源是一切的约束；要解决更多问题，你只需要更多计算资源。医疗保健一直以来也是如此，不过与其说是计算，不如说是医生。由于医生和临床人员成本高昂，并且受其可用性限制，医疗服务的价格简化为“更多护理＝更昂贵”，这让更多消费的前景变得相当可怕。在我们已经在医疗保健上的支出超过任何其他领域（约 5.3 万亿美元，或接近经济总量的 20%）的情况下，我们如何为即将到来的护理能力激增定价，以便激励朝着更好健康结果的创新，同时又不让账单失控？

先从问题说起：为什么人工智能威胁要打破现有的医疗支付机制。如今，当医疗支付方为一项医疗服务设定报销费率时，该费率在隐含上假定了某个服务量，以评估该服务的总体预算。

设想人工智能在保持价格不变的情况下，使服务数量大幅增长：医疗费用总额将不可持续地增加。医保支付方的担忧很直接：使用量激增，成本飙升。

但正确的问题不是如何阻止这种扩张，而是“我们能从中得到什么？”要回答这个问题，我们应当考虑更健康人口的价值。

健康的价值

今天的医疗体系以事后反应性护理为主——在问题出现之后提供治疗——以及为配给服务而设置的行政机制。这带来了深远的影响。

想象一下杰克，他一开始总体健康。二三十岁从事久坐的办公室工作，吃方便食品，没有人提醒他改变生活方式。他在 40 岁时出现高血压—— 正如近一半的美国成年人那样。50 多岁时发生心脏病发作。随后是一连串并发症、昂贵的手术和合并症。杰克比计划中更早退休。当然，他可以按自己的方式生活。但这个体系从未真正给过他走上另一条道路的机会。

现在来看 Jill。起点相同，但她获得了充足的、主动的医疗服务——由 AI 支持的辅导、持续监测、早期干预。她与医生的对话感觉像是为她量身定制的，护理建议来源于全球医学界的集体智慧，而不仅仅是她那条街上医生的知识。她饮食更健康、活动更多、睡眠良好。这并不是因为她比 Jack 更有自律，而是因为系统确实被设计成帮助她保持健康。她在很大程度上避免了困扰如今 75% 美国成年人的慢性疾病级联 （高血压、糖尿病、肥胖等）。多年中她做了几次小手术，但她的护理团队——由 AI 代理辅助和扩展的人类临床医护人员——在每次手术后都频繁随访并指导她恢复，帮助她避免再次住院和随后的并发症。晚年时，她服用了几种低成本药物（例如用于体重管理的 GLP-1 激动剂和用于降胆固醇的他汀类药物），遵循治疗计划，享受工作，并按自己的方式退休。

吉尔对自身健康的价值是无价的。对社会而言，其价值巨大，可在三个维度上量化：

1. 减少可避免的医疗开支。半数美国年度医疗支出集中在约 5%的人口上。五分之一的总支出仅用于 1%的人——这些人正遭受慢性疾病流行，这正是 Jack 所处的境地。能够帮助患者坚持用药并避免住院的人工智能，或在筛查中更早发现癌症并避免高昂治疗的人工智能，能从少数患者中产生巨额节省。仅慢性病如心力衰竭、高血压和糖尿病的药物依从性就能每人每年带来 1,300 至 7,800 美元的净节省，并使住院天数减少 1 至 6 天。

2. 提高经济生产力。 人生病时生产力会下降，甚至完全退出劳动力市场。美国大约有 1.6 亿名劳动者。如果只有 1%，约 160 万人——相当于典型年度退休群体的大约一半——因为健康状况足以多工作一年，那么他们将创造约 $2,600 亿的附加 GDP。如果他们再多工作五年，推迟至约 66 岁退休，则大约会创造 1.3 万亿美元的额外经济产出。

3. 提高税收收入。 更健康、工作时间更长的人口会向体系缴纳更多税款并减少领取。上述情景中，仅该年龄组每多工作一年就大约为联邦、州和工资税带来 300 亿美元的收入——同时推迟约 670 亿美元的社会保障和医疗保险支出。五年内，综合财政影响超过 4850 亿美元。随着每一新的达到退休年龄的年龄组出现，这一效应每年都会重复（ 根据 IRS、SSA 和 CMS 数据得出 ）。

使人们保持健康的价值在所有三个维度上呈复合增长。问题不再是我们是否负担得起扩大医疗服务的覆盖，而是我们是否负担得起不这么做。

面向充裕消费的医疗商业模式

如果更健康的人口价值如此明显，我们如何构建一个能够捕获这一价值的定价模型？

随着护理能力的扩展和就医摩擦的消除，对医疗服务的需求自然增长，经济单元也随之改变。单次就诊不再是护理的主要计量单位。其他行业此前也经历过类似转型。

电信业曾因网络容量稀缺而按分钟计价语音和数据。随着基础设施改善，无限量套餐起初看似风险很大，但在使用量增加的同时并未导致系统崩溃。定价模式从完全基于计量逐步转向以销售接入为主，而总市场价值也随着消费增长而扩大。

音乐也遵循同样的轨迹。iTunes 按单曲销售歌曲，Spotify 则出售访问权限。听歌量激增，消费者行为被重塑，按单曲定价逐渐消退。消费者剩余大幅扩大。

对此的通称是杰文斯悖论 ：随着某项服务变得更便宜，我们往往会大量增加对它的消费，商业模式也不可避免地从计量单位转向出售访问权。之所以会出现商业模式的转变，正是因为我们在大量消费某种东西， 这为体系内的参与者提供了机会主义行为的空间，也为体系本身的调整留下了余地。

医疗保健正适合这种转变。如今大量被计量的工作是信息类工作——临床评估、诊断解读、心理治疗、分诊。人工智能将这些工作的边际成本逼近于零。保持昂贵的则是实体部分：程序、手术、亲手进行的治疗。正是这种区分使得变革性定价成为可能。对信息层提供颠覆性低价或无限访问，并将按次付费保留给那些真正消耗稀缺资源的干预措施。

越来越多的公司已经在这一谱系上运作，且启用人工智能的护理正以至少四种不同的模式定价，从按任务付费到无限访问不等：

• 按任务： 按协商费率支付的单一人工智能服务。

  • 例如，Valar Labs 已训练出可分析癌症组织病理以预测针对特定患者最有效治疗方案的 AI 模型，这在传统分子诊断中从未可能实现。他们正在争取 CPT 代码，以便每当治疗肿瘤科医生下达他们的新型诊断测试时都能获得固定支付。

  • 这可能演变为一套针对多种 AI 诊断任务的透明费率表（即更多的 AI 测试、用于更多患者、覆盖各种疾病），前提是每项测试都有严格的临床验证数据并由人工参与监督。每一费率将通过参考人类临床医师执行相同任务的现有报销标准或该服务的增量价值来确定，尤其是在该服务在 AI 出现之前根本不可行的情况下。尽管我们设想会显著增加许多 AI 诊断测试的使用量，但该体系将节省数十亿美元本可能被浪费在对患者无效疗法上的开支。

• 按工作流程计费： 一套多步骤任务，按每个工作流程的固定费用支付。

  • 例如，Hippocratic AI 提供基于语音的人工智能代理，作为护理团队的扩展拨打电话给患者以处理亚临床任务——安排体检、回答入院/入诊问题、识别护理缺口等。他们按每个工作流程收取固定费用。容量可以根据真实需求按需启动或缩减，具有人力劳动力无法实现的灵活性。

  • 可以想象为人工智能工作流程制定一个更广泛的固定费率报销附表，同时要求在适当情况下持证临床医生保留最终决策权——就像今天在医师监督下由医师助理提供的服务那样获得报销。

• 按疗程计费： 在规定的治疗周期内以固定费率管理患者病情。

  • 例如，Thyme Care 为癌症患者提供就诊导航和临床支持。为了在可持续的成本结构下提供全天候的高关注度护理，Thyme 的护理团队借助人工智能工具进行扩充，这些工具帮助他们主动预测问题、管理复杂的线下护理提供者网络，并在分钟级而非天级内对患者问题进行分诊。他们在患者整个癌症治疗期间按月按患者收取费用，同时与患者的健康计划共同对特定人群的总体医疗费用承担财务责任。

  • 我们可以通过明确将人工智能供应商指定为有资格的“疗程护理管理者”来扩展这一模式，授权其在获得有力的临床验证和安全监督的前提下，承担多年的、带有风险承担的患者病情管理合同。

• 按人计费： 在限定的医疗服务范围内不限次使用，“吃到饱”式定价，鼓励患者自由使用该服务。

  • 例如，Counsel Health 是一项由内科医生监督的医疗人工智能服务，向患者提供不限次的医疗分诊、医疗建议和临床护理。患者在大部分需求上与个性化医疗人工智能互动，而 Counsel 的医生可以授权受限的医疗任务，例如开处方、申请诊断检查和转诊专科。Counsel 向每位患者收取固定的年费。

  • 此外，付款方可以为广泛的医疗人工智能服务订阅创建报销代码，允许无限制使用该服务，同时配套安全保障和临床验证要求以确保患者安全。

所有这些定价模型中隐含的另一个顺风因素是：能够自动化行政工作（如临床文档、排班和接诊）的人工智能工具，例如 Ambience 和 Tennr，正在帮助临床人员更快、更智能地工作，扩展他们照护更多患者的能力，并创造出使新定价结构可行的效率提升。此外，任何这些模型都可以与“按结果”覆盖层结合，其中部分费用处于风险之中，与特定临床指标挂钩。其一实施例是 CMMI 的“采用有效、可扩展解决方案推进慢性护理模型”（ACCESS），该模型是按病例支付和按结果支付混合的模式。

关键的组合转变

对这一切的自然反驳是：我们在医疗上的开支已经太多了，为什么还要让总体消费增加 ？

因为问题从来不在于数量——而在于分配 。我们在治疗本可早期发现的疾病上花费巨额，在因无人监测而恶化的慢性病管理上投入大量资源，并维持一个旨在限制进入、无法承受更大服务量的官僚体系。我们在错误的地方、在过晚的时机花费太多。

随着人工智能将我们的支出从被动转向主动，我们首先应该考虑的是什么能改善健康结果，然后再考虑在人工智能改变护理提供经济学时，我们可以在哪些方面增加更多的消费——是每天或每月，而不是每年。当更多的消费能省钱并使我们更健康时，就把消费提高十倍！我们希望看到的是医疗支出的结构从昂贵的、被动的护理转向主动的、持续的服务提供。

那么 Infinite Healthcare 值多少钱？

比我们今天的支出更多，也超出现有框架的识别范围。

当产能不再是限制性约束时，问题就会改变。不再是如何在固定的临床时间供应中分配访问权，而是当获取持续、可负担且充足，且供应具备超越人类推理能力的无限智能时，一个卫生系统能产生多少健康成果。

无限医疗更有价值，因为它使目前几乎不存在的大类护理在大规模上成为可能：全天候监测、早期信号检测、实时指导和预防——所有这些都必须在病情恶化之前发生。它更有价值，因为其下游影响——更健康的劳动力、更少可避免的危机、更轻负担的公共体系——的乘数效应远超医疗保健部门本身。

能够取胜的定价模型正是认识到这一点的模型。不是那种按服务收费、将价格压低以反映人工智能较低交付成本的费率，而是通过订阅和按人每月费用（PMPM）出售持续访问权、并将激励与长期健康和经济增长对齐的模式。那些为充裕而非稀缺定价的公司将赢得最大回报：消费者行为改变、患者参与度提升以及真实健康结果的改善。由此产生的体系——在服务构成上将发生根本性变化——将比我们之前构建的任何体系都能以更少的支出带来更多的健康收益。