Healthleap 融资达到 3800 万美元，医院 AI 面临更严峻的临床考验

Healthleap 已融资 3800 万美元，用于扩展一套 AI 系统，该系统可标记病历显示可能存在被忽视医疗风险的住院患者。此次 Healthleap 融资包括 800 万美元种子轮和 3000 万美元 A 轮融资。更大的考验如今开始：从一个已获验证的筛查问题，迈向数十种更复杂的临床状况。

Sequoia Capital 和 First Round Capital 共同领投种子轮，Hummingbird Ventures 领投 A 轮。该公司未披露估值。据报道的融资详情，Healthleap 计划投资于工程、产品开发、销售和客户支持。

这家初创公司目前已在超过 50 家医院筛查患者，而一年前其合作医院仅有三家。据报道，其客户包括 Penn Medicine、Cedars-Sinai、Intermountain、Houston Methodist 和 Emory Healthcare。

Healthleap 最初聚焦医院营养不良领域，已发表同行评审验证研究，并公布了已部署项目的财务结果。如今，该公司希望将相同的基本方法应用于谵妄、吸入性肺炎、压疮和心力衰竭再入院风险。

这一扩张构成了新一轮融资背后的核心矛盾。一套帮助营养团队确定患者优先级的模型，并不必然已准备好筛查病历中隐藏的所有状况。

Healthleap 融资实际带来了什么变化

这笔新资金使 Healthleap 从一家专注于营养不良的供应商，转型为更广泛的临床监测公司。

Healthleap 由兄妹 Jemima 和 Josiah Meyer 在南非创立。临床营养师 Jemima Meyer 最初开发了一款工具，帮助营养师计算营养需求并安排工作优先级。

早期产品解决的是一个明确的运营问题。医院营养师通常需要管理超出其人工评估能力范围的患者数量，而相关营养信号则分散在病历各处。

公司后来从治疗计算转向自动化患者筛查。其当前系统连接医院的电子健康记录，即 EHR，并审查护理过程中已收集的信息。

EHR 包含实验室结果、用药、体重、生命体征、诊断和饮食医嘱等结构化字段，也包含医生、护士、营养师及其他临床人员撰写的叙述性记录。

Healthleap 表示，语言模型会从这些记录中提取临床概念，例如食欲不振、近期体重下降、肌肉流失或吞咽困难。

该软件将这些概念与结构化数据结合，并生成患者风险评分。每天早晨，临床团队可通过既有工作流程和配套仪表板审查被标记的患者。

这一区别很重要。Healthleap 表示，该软件不会诊断患者，而是识别值得进一步临床审查的病历。

这一定位将产品置于临床决策支持范畴，即通过整理患者特定信息来辅助医疗专业人员判断的软件。它不会取代这种判断。

该公司称，目前系统可筛查营养不良和谵妄。包括吸入性肺炎和压疮在内的其他项目仍在接受进一步临床验证。

Healthleap 还希望预测充血性心力衰竭患者的再入院风险。其长期计划涵盖 40 多种主要状况，随后将扩展至门诊和居家护理。

因此，最新一轮 Healthleap 融资支持的不只是客户增长，也为从专业化筛查产品转向可复用的医院风险检测平台提供资金。

这是一个雄心大得多的产品类别，也带来了沉重得多的证据负担。

为什么医院记录会掩埋重要信号

Healthleap 押注于医院已掌握许多预警信号，但缺乏足够的人手时间持续地将它们整合起来。

医院记录信息丰富，但这些信息并不会以单一、整洁的格式呈现。实验室数值可能易于查询，而关于食欲下降的记录则需要语言理解。

当含义取决于语境时，问题会变得更复杂。一则称患者存在吞咽困难的记录，与一则明确否认该症状的记录，含义截然不同。

语言模型可帮助从叙述性文本中提取肯定和否定提及的信息。随后，Healthleap 会将这些发现与结构化测量数据一起输入针对特定状况的风险模型。

据 CEO Josiah Meyer 称，该公司每晚都会对成年住院患者的记录运行这一流程，团队会在次日早晨收到更新后的评分。

这种定时方法不同于回答问题的消费级聊天机器人。它更像是一层医院监测机制，持续审查记录并引导稀缺注意力的分配。

营养不良为 Healthleap 提供了一个实用的起点，因为相关证据分布在病历的许多部分。体重变化、食物摄入、药物、诊断和临床人员观察都可能影响风险。

这种状况也经常被遗漏。原始融资报道中审阅的研究表明，营养不良影响了相当比例的住院患者，并可能使康复过程更加复杂。

人工筛查工具存在局限。它们依赖完整回答、一致执行以及及时转诊至营养师。

自动化系统可以审查每一份符合条件的记录，包括从未触发预期人工流程的患者。更广泛的覆盖范围正是 Healthleap 医院 AI 的核心运营论点。

Healthleap 已发表的营养不良模型在超过 166,000 次入院记录、涉及超过 106,000 名患者的数据中进行了评估。数据覆盖约 3.75 年。

这项同行评审验证研究报告称，模型在入院当天的受试者工作特征曲线下面积为 0.92。这一指标通常称为 AUROC，用于评估模型区分高风险与低风险病例的能力。

在整个住院期间，报告的 AUROC 上升至 0.95。研究人员还将该系统与营养师记录和出院编码进行了比较。

研究发现，该模型平均比营养师首次记录营养不良早四天识别出患者。研究还报告称，其敏感性高于经修改的营养不良筛查工具。

不过，研究作者中包括多位与 Healthleap 有关联的人士。这并不会使研究结果失效，但使独立重复验证显得重要。

这些证据为营养不良筛查奠定了可信基础，但并不能证明其在谵妄、肺炎、压伤或心力衰竭再入院方面具有同等表现。

Healthleap AI 遭遇医院工作流程难题

该公司真正的对手不是另一种模型，而是有用预测与完成临床行动之间的鸿沟。

医院数十年来一直在采购决策支持系统。许多系统能够生成警报、评分、提醒和工作列表。

持续存在的挑战在于，让这些输出及时、易懂且可执行。当技术上准确的警报发送给错误的人，或到达得太晚时，其价值微乎其微。

Healthleap 的方法试图减少这种摩擦。风险评分会出现在医院现有工作流程中，而额外的患者趋势则可通过仪表板查看。

对于营养团队而言，这些输出可帮助确定哪些患者应更早接受评估。当人员配置使营养师无法立即审查每一位入院患者时，这一点尤为重要。

该公司将其商业推介与可量化的医院结果联系起来。它根据许可床位数量签订多年期合同，并采用与结果挂钩的条款。

Healthleap 声称，每位客户都获得了至少相当于合同成本五倍的硬性投资回报。一些客户据报道测得的年度总回报更高。

这些数据仍由公司自行报告，并不等同于受控临床试验。医院财务团队可以验证本地节省，但无法据此证明每项观察到的改善都源于某一款软件产品。

在 Hospital of the University of Pennsylvania，Healthleap 报告的年化财务影响为 2380 万美元。该数字包括 630 万美元的额外报销，以及归因于缩短住院时间的 1750 万美元。

公司的临床证据称，Penn 的分析还发现每年可节省 8,632 个床日。据报道，Penn Medicine 的 Strategic Decision Support 团队审查了这些财务计算。

Healthleap 还单独报告称，Cedars-Sinai 在未增加人员配置的情况下，营养不良诊断数量增加了 39%。该公司还报告，营养不良患者的住院时间减少了 1.1 天。

这些结果解释了投资者为何看到了平台机会。更早识别患者可能改善护理，同时帮助医院记录状况、管理床位并更高效地使用专科人员。

然而，财务激励使故事变得更复杂。更完整的记录可能带来额外报销，即便软件的直接临床效果仍难以隔离。

因此，医院买方必须区分三个问题：模型是否发现了相关患者，临床人员是否根据这些发现采取行动，以及患者是否获得更好的结果？

Healthleap 在营养不良的第一个问题上拥有有意义的证据。其部署报告为第二和第三个问题提供了令人鼓舞的信号，但更广泛的独立证据仍然有限。

同样的标准应伴随公司进入每一种新状况。可复用的技术管线并不能免除针对特定状况的验证和工作流程设计需求。

超越营养不良的扩张提高了风险

成功的营养不良模型赋予 Healthleap 可信度，但每一种新状况都会带来不同的错误、用户和临床后果。

压疮、谵妄、吸入性肺炎和心力衰竭再入院并不共享同一条临床路径。它们涉及不同的专科人员、干预措施、时间跨度以及对错误的容忍度。

筛查项目中的假阳性会占用员工时间，并加剧警报疲劳。假阴性则可能使高风险患者无法获得及时审查。

这些错误之间的平衡会因状况而异，也会随医院、患者群体、记录实践和可用资源而变化。

在一个医疗系统中训练的模型，可能会在其他地方遇到不同的记录结构。术语、医嘱集、记录习惯和患者人口统计特征都可能改变模型表现。

Healthleap 必须证明，其语言提取能力在这些变化中仍保持准确。它还必须证明每个风险模型在部署后仍然保持校准。

校准关注的是预测风险是否与观察到的结果发生率相匹配。一个模型即使能较好地对患者进行排序，仍可能高估或低估其实际风险。

当医院使用评分来设定临床优先级时，这一区分至关重要。团队需要了解评分代表什么、患者为何被标记，以及错误发生的频率。

当前美国政策还重视临床医生能否独立审查系统建议。更新后的 FDA guidance 将部分非器械类决策支持功能与作为医疗器械受监管的软件区分开来。

分类取决于产品的预期用途和运行方式。关键问题包括：它是否支持专业判断，以及临床医生能否审查其输出所依据的基础。

Healthleap 表示其功能是标记患者而非进行诊断，这与辅助性角色相符。不过，监管处理方式可能取决于针对各项功能作出的具体声明。

有关营养优先级的提醒，与旨在指导紧急诊断行动的软件相比，可能具有不同的风险特征。因此，扩展业务除了带来技术问题，也可能引发新的监管问题。

由于该平台会分析整个医院病历中的受保护健康信息，隐私与安全仍然不可或缺。Healthleap 表示其符合 HIPAA 要求、使用 AWS 基础设施，并拥有 SOC 2 Type II 认证。

这些声明是有用的采购信号，但并不能免除医院自身的责任。HHS 指导意见要求受监管机构评估电子受保护健康信息面临的风险，并采取适当的 privacy safeguards。

医院还必须考虑数据访问、保留、事件响应、供应商监督和模型监测。能够读取广泛临床记录的 AI 系统，使严格访问控制的重要性进一步提升。

偏差是另一项挑战。Healthleap 表示，其营养不良研究考察了模型在不同种族和性别群体中的表现，但每增加一个模型，都需要进行独立分析。

文档本身可能编码了不平等的就医机会、不完整的病史或不一致的临床关注。即使排除敏感属性，语言模型也可能复现这些模式。

Healthleap 产品最理想的形态，是帮助临床医生更早发现患者的透明优先级排序工具。最糟糕的形态，则会是团队逐渐忽视的不透明警报流。

融资能够加速开发，但无法安全地压缩每一个验证周期。扩展速度将与宣布的病种数量同样重要。

Healthleap 在临床 AI 领域给谁带来压力

Healthleap 挑战的是那些将单一数据流、单一专科或单一文档任务视为医院智能核心的供应商。

临床 AI 市场包含若干不同的产品类别。它们彼此重叠，但解决的并不是完全相同的问题。

Aidoc 和 Viz.ai 以针对特定病症的检测及护理协调而闻名，尤其是在医学影像领域。它们的系统可帮助分流紧急病例，并连接专科团队。

Regard 审查患者记录并支持临床文档工作。Eon 专注于识别和管理需要针对某些疾病及偶然发现进行随访的患者。

传统临床监测供应商同样会将患者数据与规则或预测模型结合。大型医疗技术公司则提供文档、编码、质量管理和决策支持工具。

Healthleap 的预期优势在于，能够覆盖结构化记录和叙述性病历，并结合为住院患者排序优先级的工作流。其源于营养领域的背景，也为其提供了一个明确的专科应用场景。

该公司进入的并非空白市场。医院采购方已经在管理 EHR 警报、分析平台、专科系统和内部开发的风险评分。

新供应商必须证明，其信号能够在既有系统之外增加新的信息价值。它还必须实现整合，而不是再制造一个孤立的仪表盘。

Healthleap 从三家医院增长至超过 50 家，表明其初始主张已获得市场认可。该公司称同期营收增长超过十倍，但未披露具体营收。

在企业医疗领域，客户名称也很重要。Penn Medicine、Cedars-Sinai、Houston Methodist、Intermountain 和 Emory 的部署，可降低后续采购方感知到的采用风险。

Houston Methodist 于 2026 年 6 月宣布在全系统部署营养筛查。该项目在最新一轮融资前，扩大了 Healthleap 在大型医院网络中的覆盖范围。

不过，安装数量并不能反映使用深度。一家医院可能每天通过平台积极分派工作，另一家则可能仍处于有限实施阶段。

最有参考价值的采用指标将与临床医生的响应有关。医院应考察团队审查标记的频率、其中多少促成评估，以及行动是否更早发生。

它们还应监测覆盖模式和警报负担。即便模型表现优异，如果用户无法识别最重要的信号，它也可能在运营层面失败。

Healthleap 的结果导向型合同，为回应采购方的怀疑提供了一个值得注意的答案。将报酬与可衡量结果挂钩，会把部分实施风险转回供应商。

这种做法可能迫使竞争对手提供更明确的经济保障，也可能迫使 Healthleap 对客户、病种和指标保持选择性。

财务回报本身不应成为最终评分标准。医院需要证据证明，文档效率提升和住院时间缩短并非以牺牲医疗质量为代价。

该公司更广泛的机会，在于连接这些目标。它必须证明，更早的临床关注能够同时为患者、临床医生和医院运营带来益处。

将决定 Healthleap 下一阶段的三个信号

下一篇章将取决于经过验证的病种上线、可衡量的临床采用情况，以及公司支持研究之外的独立证据。

第一个信号，是 Healthleap 某一新病种完成验证。谵妄、吸入性肺炎、压疮或心力衰竭再入院，任何一项都将构成有意义的测试。

可信的结果应说明研究人群、参考标准、错误率、亚组表现和外部验证情况，还应描述临床医生如何使用输出结果。

如果 Healthleap 发布这些证据，其平台论点将更有说服力。如果新模块仍仅通过公司声明加以描述，营养不良领域的成功就会显得更难推广。

第二个信号，是来自现有医院客户的更深入采用数据。该公司已披露客户增长和部分财务结果，但运营细节仍然有限。

有用的衡量指标包括：符合条件患者的筛查比例、临床医生审查率、转诊变化、干预所需时间，以及实施后的持续使用情况。

独立医院的报告将增强这些数字的可信度，也能帮助采购方区分真正活跃的临床部署与仅有合同的站点数量。

第三个信号，是随着模型变得更复杂，Healthleap 如何处理透明度问题。临床医生需要足够的信息，以评估某位患者为何会被标记。

这一要求影响信任、安全和监管定位。它还会影响系统究竟仍是决策辅助工具，还是变成用户未经充分审查便会遵循的权威。

Healthleap 的 3,800 万美元融资，为公司追求这三个目标提供了时间和资源。但这并不能解决一种筛查架构是否能够支持超过 40 种病症的问题。

该公司已经走过医疗 AI 的最早阶段。它拥有知名医疗系统、经同行评审的营养不良研究，以及来自真实部署的已报告财务结果。

如今，它必须证明其最有力的证据代表的是可重复的方法，而非一个异常适合的单一病症。这才是 Healthleap 融资轮次的真正含义。

正在评估这一类别的医院领导者，应关注模型给出评分后发生了什么：合适的临床医生是否看到、理解，并更早采取行动？

开发者应关注，Healthleap 是否会以宣布新应用同样的速度，发布模型特定的局限性。投资者则应追踪客户增长是否能在多个病种中带来持久使用。

下一个决定性的更新不会是另一项融资总额，而将是证明 Healthleap 能够在不削弱验证、透明度或床旁信任的前提下扩大临床覆盖范围的证据。