Healthleap融资3800万美元，AI预警患者病情恶化

编者按：当医院床位紧张、护理人力吃紧时，最先被漏掉的往往是那些"看起来还行"、实际正在恶化的病人。Healthleap想用AI把这些人提前找出来。这笔3800万美元的融资，是资本市场对"临床恶化预警"这一细分赛道投下的又一张信任票。

据TechCrunch报道，医疗AI初创公司Healthleap宣布完成总额3800万美元的融资。本轮融资由两部分组成：800万美元种子轮由红杉资本（Sequoia Capital）与First Round Capital联合领投；3000万美元A轮由Hummingbird Ventures领投。公司的核心产品是一套面向医院的AI系统，用于识别住院患者中可能需要"多看一眼"的高风险个体——也就是那些病情可能正在悄悄恶化、但尚未触发传统警报的病人。

从"事后抢救"到"事前发现"

医院里最昂贵、也最致命的延误，往往发生在病情恶化的早期阶段。传统做法依赖护士定时查房、手工记录生命体征，再由医生凭经验判断。问题在于，生命体征是连续变化的，而人工巡检是离散的、间歇的；当患者从"稳定"滑向"危重"的窗口只有几个小时，任何一次疏忽都可能代价高昂。

败血症、呼吸衰竭、心搏骤停等院内急症，通常都有可被数据捕捉的前兆——心率变异、呼吸频率微升、血压缓慢下滑、血氧饱和度波动。这些信号单独看都不足以触发警报，但组合起来就是一条清晰的恶化曲线。Healthleap要做的，正是把这条曲线从海量、碎片化的电子病历数据中提取出来。

融资结构里的信号

值得注意的是，种子轮与A轮被同时披露。种子轮规模800万美元，由红杉资本与First Round Capital联合领投；A轮3000万美元由Hummingbird Ventures领投。这种"两级跳"的融资节奏，通常意味着公司在产品验证与早期客户拓展上走得比一般早期项目更快，也意味着投资方愿意在临床证据尚未完全铺开时就提前下注。

红杉与First Round是硅谷最活跃的早期投资机构之一，Hummingbird Ventures则长期关注以工程能力见长的技术型公司。三家机构同时出现在一家临床工作流AI公司的股东名单上，某种程度上反映了投资人对"AI+医疗"的重新定价：经历了前几年的估值回调后，资本开始更看重有明确临床痛点、能嵌入既有流程的产品，而不是泛泛的"医疗大模型"叙事。

行业背景：预警评分与"告警疲劳"

住院患者病情恶化预警并不是新概念。改良早期预警评分（MEWS）、国家早期预警评分（NEWS）等工具已经在不少医院使用了十几年，逻辑是把心率、血压、呼吸频率、体温、意识状态等指标加权打分，超过阈值就触发升级处置。但这些评分体系灵敏度与特异度都有限，假阳性率高，护士常常被大量"虚惊一场"的警报淹没，久而久之形成所谓"告警疲劳"（alert fatigue），反而可能忽略真正危险的信号。

机器学习模型的引入被认为能改善这一问题：模型可以同时处理几十上百个变量，捕捉非线性关系与时间趋势，并且随着数据积累持续校准。但行业也踩过坑——例如某些商用脓毒症预测模型在被独立研究评估后，被发现预测能力明显低于厂商宣称，且在部分人群中存在系统性偏差。这提醒所有后来者：医疗AI的门槛不在模型能否跑通，而在能否被严格验证。

真正的难点不在模型，而在工作流

如果AI只是往护士的手机上再推一条警报，它几乎注定失败。决定这类产品生死的，是几个非常"不性感"的问题：

其一，告警能否自动进入医院既有的电子病历（EHR）工作流，而不是要求医护人员打开另一个系统；其二，系统能否解释"为什么这个人被标记"，让医生在几秒内建立信任；其三，它是否真的减少了而非增加了护理团队的认知负担；其四，也是最关键的——能否用数据证明它降低了死亡率、非计划ICU转入率和住院天数。这些硬指标，才是医院愿意为软件付费的理由。

竞争格局与监管现实

Healthleap面对的竞争并不轻松。一方面是电子病历巨头与监护设备厂商，它们掌握数据入口，倾向于把预警能力内置到自己的平台里；另一方面是一批专做脓毒症或临床恶化预警的创业公司，赛道虽小但玩家不少。此外，医院采购周期长、系统集成成本高、数据合规要求严，都意味着销售扩张需要真金白银和时间。

监管同样不可忽视。在美国，用于辅助临床决策的软件可能被划入医疗器械（SaMD）范畴，需要走相应审评路径；而如果产品定位为"信息提示"而非"诊断建议"，监管负担会轻一些，但医院采购时的信任门槛反而更高。可以预期，这3800万美元中的相当一部分，将流向临床研究、真实世界证据积累与院内落地团队的建设。

结语：决定成败的不是AUC

3800万美元在当下的AI融资环境里算不上巨额，但它出现的时机与结构值得玩味。在生成式AI吸走大部分注意力的同时，一批专注于具体临床场景的公司正在安静地积累数据与客户。对Healthleap而言，真正的考验不是模型在论文里的曲线下面积（AUC）有多高，而是能否让护士在正确的时间、以正确的方式，看到那个最需要被多看一眼的病人。

本文编译自TechCrunch