Z Product｜Tennr：AI如何重塑美国医疗“转诊前台”

Z Highlights

• 美国每年有超三分之一患者需跨机构转诊，但复杂行政流程导致转诊完成率不足一半。Tennr以AI为底座切入这一高摩擦、高错误率的关键节点，重构信息交互与操作流程，为医疗机构与患者带来更高效、更可控的转诊体验。

• 通过自研文档识别引擎、医保提取模型RaeLM、电话文本解析系统T3与病情编码引擎QLM（Qualification Logic Model），Tennr利用NLP、大模型微调与上下文建模等AI能力，将传统依赖纸质、人工、电话的“转诊前台”结构化为智能流程网络，提升文档解析、数据提取与患者匹配的准确率，有效释放行政负担。

• Tennr创始团队来自Stanford工程学院，具有医疗一线经验与大模型研发背景，曾任职于Strava、Goldman Sachs、McKinsey等公司，具备跨界协作与流程工程化能力。自2023年起公司融资提速，于2025年6月完成1亿美元C轮融资，估值达6.05亿美元，正在成为“医疗转诊操作系统”的品类定义者。

01 Tennr在美国医疗领域重塑“转诊前台”，用AI打造贯穿全链路的智能基础设施

在美国，每年有超过三分之一的患者被转诊至专科、影像或器械服务提供方。然而这一流程至今依赖传真、纸质文档和电话沟通，在信息脱节、操作繁琐与流程断裂等多重摩擦中形成了行业广泛诟病的“黑洞”：患者流转路径缺乏可见性，转诊成功率不足一半，最终导致拒付率飙升、等待时间拉长、就诊流程中断等系统性问题。Tennr正是切入这一前台流程最密集、错误率最高的环节，以AI驱动信息处理与智能协同，为医生、医保支付方、患者及后台运营人员建立起一套高效、可靠的转诊操作系统。

Tennr成立于2021年，总部位于纽约，由三位具有工程与产品背景的创始人共同创办，目标是以技术手段解决医疗服务流程中的结构性堵点。公司自创立以来融资节奏稳健：2023年完成Pre-Seed与Seed轮，2024年完成A轮与B轮融资，并于2025年6月完成由IVP领投的C轮融资，估值达到6.05亿美元，总融资额达1.62亿美元。与传统的流程自动化工具不同，Tennr的理念是“让AI适应医疗，而不是反过来”。CEO Trey Holterman曾公开表示：“强迫医生改变流程从来都行不通。”因此，Tennr无需用户更换现有的EMR系统（Electronic Medical Record：电子病历系统），也不依赖大规模重新培训，而是通过工程化手段和模型组合嵌入现实操作流程，贴合机构日常运作，逐步解耦前台各个关键节点。

Tennr服务的用户主要包括专科诊所、影像中心、DME供应商（Durable Medical Equipment：耐用医疗设备）以及长期护理机构等。这些机构在接收转诊过程中需处理大量来自医生、患者与医保方的信息，既依赖人工又高度分散，运营成本高昂且风险集中。借助Tennr，机构能够自动化完成入组接收、文件解析、资格预审、保险验证和患者通知等流程，有效提升转诊成功率并缩短医保回款周期。从长远来看，Tennr希望构建的是一套“嵌入式的AI基础设施”，在不打破原有体系的前提下，为医疗链条提供底层数据流转与交互能力。它并不试图重塑医生的行为，而是通过自动识别文档、理清保险规则、精准对接患者信息等方式，释放基层运营压力，让医生专注诊疗、患者更快获得服务，最终重构医疗前台的效率范式。

02 Tennr正在重塑美国医疗服务前台，用AI构建贯穿全链路的“转诊操作系统”

美国医疗体系长期受困于复杂的转诊链路，无论是初诊患者、高频复诊人群，还是跨保单、跨机构的转诊场景，都会不可避免地面对冗长的行政流程：多方表单、手工核对、纸质传真、电话验证，以及混乱的患者数据同步。这些问题直接影响了转诊效率与医疗资源匹配，而Tennr正试图用AI技术将整个“转诊前台”结构化重建。

Tennr的第一步，是让无序的医疗文档流动变得可控。其“Universal Inbox”模块内置专为医疗场景开发的文件识别与调度引擎，能够以接近100%准确率完成对传真、PDF等格式文档的解析与分类。不同于传统OCR（Optical Character Recognition：光学字符识别）或图像识别路径，Tennr自研的文档类型算法专门训练于转诊文档中的复杂结构与不规范排版，能识别如CR（Clinical Report：临床报告）、CMN（Certificate of Medical Necessity：医疗必要性证明）、ABNABN（Advance Beneficiary Notice：先知同意书）等细分表单类型，甚至能处理包含手写注释、多患者交叉信息或20页以上内容的传真文档。在识别基础上，系统通过上下文信号与视觉提示进行页面拆分，并使用Levenshtein模糊匹配算法（一个通用基础算法，用来衡量两个字符串之间的最小编辑距离，即将一个字符串变成另一个字符串所需的插入、删除或替换的最小步数）对不完整或错误拼写的患者信息进行比对与绑定，从而确保每一份材料都能被分发到正确患者与流程节点上，不再因信息错位造成转诊断点。

当患者文档流转进入医保资格验证阶段，Tennr则借助名为RaeLM的模型处理复杂的数据提取与标准化问题。美国医疗保险系统高度分裂，不同保单、不同付费者的字段填写方式各异，标准名称存在大量拼写变体，且患者与保单持有者之间常存在身份、关系等多重交集。RaeLM以超过1亿份医疗文档为训练语料，专为医保类PDF、传真、影像等格式打造，不仅能够抓取保单ID、主保人信息、有效日期等关键字段，还能自动识别表单间的上下文关联，并将清洗后的数据同步至EHR系统（Electronic Health Record：电子健康记录）与转诊方。RaeLM的强项并非在语言建模本身，而在对“医疗行政语言”的深入理解，它能分辨某个保险公司名称的拼写差异，也能识别患者身份与其保单之间的微妙关系，极大降低因信息误读而导致的医保验证失败。

在福利核查环节，Tennr解决的核心问题是“人工成本高但信息结构化程度低”。以往的保险核保电话往往长达30分钟，充满等待、重复口述与信息确认。Tennr自主研发的T3系统（Transcript Translation Technology）通过将电话录音文本翻译为结构化数据，避免了重复听写与二次整理。T3模型融合启发式规则、确定性算法与概率推断三种逻辑，能够识别并理解医疗电话中反复陈述的保单号、计划类型、审批节点等内容，并将其快速整理入系统流程。这意味着一项复杂福利调查可以在后台自动完成，医护人员只需做最终审核即可，大幅降低行政负担与沟通时延。

Tennr在病情资格匹配模块的能力则进一步向医保支付机制深入。医疗编码是一项高度依赖经验的工作，医生常以“叙述性语言”记录病情，而实际报销流程要求精确映射至ICD（国际疾病分类）、CPT（当前操作术语）、HCPCS（医疗通用程序编码）等标准代码。Tennr通过Health Code Extractor系统（THCE）与QLM模型（Qualification Logic Model）对叙述性文本进行结构化解析，能够从“患者因慢性疼痛夜间入睡困难”自动识别出相关编码要求，判断是否满足当前保单的理赔条件。QLM进一步整合RaeLM提取的数据与保单逻辑规则，对每一患者的材料进行全流程审查，自动识别信息缺失、文档不合规等风险点，并提示所需补充，确保材料合格、转诊顺利、账单有效。这种预处理能力本质上是为医保审核“做减法”，让转诊在起点就少出错。

最后，Tennr通过全自动的信息收集与反馈系统打通患者沟通环节。在多数场景中，患者需要补交信息、转诊方需要确认状态，电话、邮件往往延迟严重且缺乏跟踪机制。Tennr并未依赖机器学习模型处理这一步，而是通过可编排的系统逻辑，判断所需材料是否已齐全、哪些方需要被通知、是否应启动提醒或关闭流程。当某项任务完成后，系统会立即终止自动化指令，避免冗余操作。这种“流程即代码”的设计，使Tennr更像一个真实的AI助理：理解场景、预测动作、执行决策，而不是一个孤立的文档工具。

这些能力的协同效应，正在被一线医疗服务方所感知。正如Total Sleep Management总裁Chip Holland所言：“我把它称为‘Tennr效应’（Tennr Effect）！每一个前台动作都会引发连锁反应。我们在最开始提速，整个流程的下游环节也跟着发生改变。”

视频来源：YouTube

03 从Stanford校园到诊疗一线：三位创始人构建AI转诊底层引擎

Tennr的创始团队由Trey Holterman、Diego Baugh与Tyler Johnson三人组成，三人均毕业于Stanford工程学院，长期合作于AI系统开发、LLM训练与医疗工作流建模项目。在创办Tennr之前，他们的经历横跨Strava、Goldman Sachs、Health IQ、Tanduo等技术与金融机构，既积累了消费级产品设计的工程经验，也亲身感受过“转诊黑洞”“纸质堵点”等医疗系统深层痛点，Diego曾因自身转诊延误紧急入院，Trey则在家人行医背景下目睹过无数次患者在流程中被“遗漏”。相比远距离观察医疗的创业者，他们更像一支愿意扎入混乱系统、从工作流第一线重构结构性效率的技术团队。三人分工清晰——Trey主导产品落地与商业节奏；Diego深入用户现场，塑造产品形态与多线并行能力；Tyler负责AI引擎架构，将模型嵌入医疗场景实现自动化闭环。他们共同构建了Tennr的技术底座：一个理解医疗语境、响应业务节奏、并能真正流动于诊疗环节中的AI转诊操作系统。

Trey Holterman是Tennr联合创始人兼CEO，毕业于Stanford University计算机科学专业。在校期间，他是斯坦福划船队成员，曾担任计算机科学课程助教，也曾在Health IQ担任软件工程师，参与医疗保险平台的系统开发。在家人长期从事基层医疗工作的影响下，Trey对“转诊黑洞”与纸质流程造成的患者流失有切身认知，亲历数据延迟带来的系统性效率瓶颈。他后加入Strava担任软件工程师，主导移动端架构优化，积累了将复杂场景产品化的工程经验。作为Tennr的核心推动者，他主导产品落地与商业化节奏，是公司穿越医疗系统复杂性的稳定支点。

图片来源：Linkedin

Diego Baugh是Tennr联合创始人兼首席产品官（CPO），同样拥有Stanford University计算机科学背景。大学时期，因一次转诊延误亲历急诊，成为他投身医疗基础设施改革的起点。早在本科前，他就曾在Children's National Hospital与Cleveland Clinic参与儿科肿瘤研究与医院行政工作，积累了第一手临床与运营观察。他曾短暂加入Goldman Sachs担任技术分析师，具备金融系统的逻辑建模与数据结构化能力。Diego主导Tennr早期产品设计与多条产品线拓展，擅长以医生与患者双重视角重构产品路径，是团队中最贴近现场使用情境的产品设计者。

图片来源：Linkedin

Tyler Johnson是Tennr联合创始人兼首席技术官（CTO），同样毕业于Stanford University，长期专注AI基础设施与大语言模型研究。在Tanduo Technical Partners Inc.工作两年间，他从实习生做到软件工程师，积累了大规模系统架构设计经验。他主导了Tennr核心模型RaeLM的架构与训练流程，将其打造为文档解析与转诊工作流自动化的底层技术支撑。目前，Tyler带领分布式技术团队推进包括QLM与T3模块在内的高密度工程落地，是将AI能力与一线工作流高效融合的关键桥梁。

图片来源：Linkedin

04 从Pre-Seed到1亿美元C轮融资，Tennr正在成为“医疗转诊操作系统”的定义者

Tennr的融资节奏持续提速，充分显示其在医疗转诊自动化场景中的产品契合度与商业潜力。自2023年4月完成来自Y Combinator的Pre-Seed轮融资后，公司在5月迅速获得种子轮支持，2024年3月完成由a16z领投的1800万美元A轮；7个月后再获Lightspeed领投的3700万美元B轮融资。短短两个季度之后，Tennr于2025年6月完成由IVP领投的1.01亿美元C轮融资，公司估值跃升至6.05亿美元，累计融资额达到1.62亿美元。本轮融资阵容星光熠熠：a16z、Lightspeed、GV、ICONIQ、Foundation Capital等老股东持续加码，Snowflake前董事长Frank Slootman亦以个人身份参与，显示出资本与产业共同押注“Tennr定义医疗转诊基础设施”的信心。

创始人Trey Holterman透露，公司至今尚未动用B轮资金，而在过去两个季度内，Tennr营收已实现三倍增长。此次融资将主要用于加强技术团队建设、扩展客户成功体系，以及深入更多专科垂直场景，持续构建从文档接收到账单生成、患者旅程协同的一体化“转诊前台操作系统”。Tennr的中长期目标，是打造一个AI驱动的医疗服务网络核心层——以结构化、自动化、协同化的方式，让医疗转诊不再成为“黑盒操作”，而是透明、高效、兼容现实规则的智能引擎。

参考资料：

https://www.fiercehealthcare.com/health-tech/tennr-clinches-101m-build-out-ai-automates-patient-referral-workflows

https://www.ycombinator.com/companies/tennr

https://www.crunchbase.com/organization/tennr

https://www.linkedin.com/in/trey-holterman-09b904153/

https://www.linkedin.com/in/diego-baugh/

https://www.linkedin.com/in/tyler-johnson-482a42158/

文章来自于微信公众号“Z Potentials”。