手术室周转控制层——核验终末清洁步骤，帮助多院区系统更快腾出手术间。

1. 医院正在为在实体病房内主动行动的 AI 买单，而非仅辅助文档记录。
2. 边缘原生部署降低了对复杂医院 IT 集成的依赖，消除了实体工作流软件落地的主要障碍。
3. 感染控制已有可量化的结果故事——引用的 AI 加 UV-C 系统在相关研究中将污染率降低逾 93%。
4. 手术室周转时间和人员动线已被明确列为核心瓶颈，为初创公司提供了一个窄切口和即时 ROI。
5. 管理层明确表示向洁净室和制药环境扩张，说明同一控制层可以生长到单一医院工作流之外。

催化因素。 Shyld 完成融资且引用的 93% 污染降低数据表明，医院正在为能直接在病房内起效、无需大规模 IT 改造 就能降低感染风险、释放手术容量的智能体买单。

产品是一套用于手术室周转的原生运营层。它通过边缘摄像头和房间传感器识别手术结束、人员进出、 设备移除、清洁里程碑、UV-C 完成及最终就绪状态，并将这些活动汇聚成供责任护士和 EVS 负责人使用的 实时控制层。每次周转都会生成一条可审计的顺序记录、SLA 计时、遗漏步骤的异常告警， 以及预测就绪时间——而非人工猜测。医院从单个院区和排班数据接入开始，无需庞大的 EMR 集成， 缩短了实施周期，让首个 ROI 证明直接绑定在周转分钟数、准时开台率和感染防控合规上。 随着时间推移，系统积累出关于房间规律、人员瓶颈和污染风险特征的专有数据集， 可驱动基准对比和相邻工作流自动化。

差异化。 大多数医疗 AI 厂商卖的是环境笔记录入、通用分析或止步于观察的横向计算机视觉。 这家公司从一个高风险工作流切入——在那里，证明实体操作步骤的确切顺序比宽度更重要—— 然后把观察结果转化为运营决策和审计证据。 护城河来自房间级别的工作流数据、专科就绪规则，以及与围手术期运营的深度集成，而非单靠通用模型。

待完成任务

flowchart LR
  Buyer[VP Perioperative Services] --> Pain[Slow turnover and missed clean steps]
  Pain --> Product[Room-native turnover control plane]
  Product --> Outcome[More surgical capacity and lower infection risk]

高管要点

• 切口是排班 AI 和 UV-C 硬件都留下的那个缺口——房间就绪信号。
• 只要方案能直接绑定手术室产能回收和感染防控证据，医院就会买单。
• 最具防御性的扩展路径是多院区基准对比和工作流可审计性，而非通用计算机视觉。

市场定义

相关品类是围手术期工作流软件加能核验周转完成情况的房间感知，而非完整的手术室集成市场或泛智慧医院软件。

用户与买方

主要用户是围手术期运营和感染防控团队；经济买方是负责手术吞吐量和质量风险的围手术期高管、护理负责人和 COO。

购买触发点

• 吞吐量和利润率改善计划让闲置手术室时间和延迟开台在管理层层面变得可见。 [16][15]
• HAI 审查或审计压力使清洁顺序的证明比人工日志更有价值。 [2][3][10]
• 外科增长计划暴露了计划产能与实际准时就绪手术室之间的缺口。 [19][4][5]

支付意愿

只要能展示手术量、利用率或取消手术影响，医院已经在为围手术期优化买单。房间原生控制层在被定位为产能回收加合规证据时最容易获得资金。 [15][16][19]

品类动态

增长信号 12.1% CAGR

验证信号

• 只要能产生可见的利用率或手术量结果，医院已经在为围手术期 AI 买单。
• 运营文献和 AORN 案例工作表明，首台手术准时开台和周转纪律是持续存在的管理痛点，且有可量化的改善空间。
• Shyld 的融资和产品材料表明，房间原生 AI 加 UV-C 正在从概念走向有预算支持的部署。
• 相邻感染防控厂商持续投入手术室专项 UV-C 定位，印证了买方对房间就绪卫生的关注。

监管与技术约束

• 联网设备和房间感知工作流必须符合医疗机构的安全风险分析和 ePHI 保护实践。
• 如果产品对外宣传直接的临床或消毒疗效声明，证据要求将接近相邻医疗器械审批标准。
• 清洁核验必须映射到公认的围手术期和环境清洁规范，否则医院会将告警视为建议性噪音。

现有厂商聚集在排班层 AI、广义环境智能平台和消毒硬件三个方向，没有人天然掌握房间状态的真实来源。

为什么现有厂商不会默认胜出

• 排期优化厂商. 优化计划利用率，但不核验实际的房间内周转完成情况。
• 智慧医院平台. 感知覆盖面广，但周转专项审计逻辑不是其默认切口。
• UV-C 硬件厂商. 自动化了清洁步骤之一，但不覆盖完整的就绪顺序、告警和多院区运营层。
• 手工流程改善. 精益管理和问责机制能提升开台率，但依赖周期性人工执行，而非持续的房间仪器监控。

手术室周转仍依赖人工清单、走廊交接和不完整的系统时间戳协调——但每次清洁延误都会推后手术开台， 每个遗漏步骤都会抬高感染防控风险。最理想的首批客户是运营 10–40 间住院手术室、且存在明显延迟开台 或周转波动压力的美国多院区医疗系统，因为同一个买方同时负责产能与质量结果。产品切口是一套边缘部署的 周转控制层：核验终末清洁和 UV-C 完成情况、记录人员动线时间戳，并为责任护士生成可信的房间就绪信号， 无需大规模替换 EHR。GTM 策略保持聚焦：在吞吐量改善计划、HAI 审查或外科增长计划让闲置手术室时间 产生经济压力后，向围手术期领导层发起销售，先在单个院区开展付费试点，再向全系统扩展。定价应绑定 监控手术间数量和实施复杂度，因为买方购买的是可回收的吞吐量和可审计性，而非通用 AI 自动化。 战略优势在于房间级别事件数据集、专科就绪规则，以及排班软件、环境智能平台和 UV-C 硬件天然不具备的 基准对比层。刻意的推进顺序：先在手术室周转中证明房间就绪准确率和试点转化，再向消毒供应、住院 EVS 或受监管洁净室扩展。最大的证伪风险是医院将该系统视为仅供参考——运营层面的信任度不足以支撑真实的 排班和人员调度行为。公开证据支持痛点和品类势头，但最相近的类比产品未披露任何公开定价或部署数量， 因此第一年必须靠客户自有数据证明安装摩擦、付费意愿和生产环境转化。

问题

• 围手术期团队仍缺乏房间级别的真实来源，无法确认终末清洁步骤是否按顺序完成——责任护士只能靠人工巡查和碎片化日志来判断下一台手术能否开始。
• 医院已经能买到排期优化、RTLS 和消毒硬件，但这些工具无法核验实际的房间就绪状态，导致吞吐量提升和感染防控问责均不完整。

解决方案

• 部署一套原生于房间的控制层，用边缘摄像头和传感器实时检测手术结束、人员流动、设备移除、清洁里程碑、UV-C 完成及最终房间就绪状态。
• 将每次周转转化为可审计的顺序记录，附带 SLA 计时、异常告警和预测就绪时间——从排班数据接入和本地房间仪器起步，无需大规模医院 IT 改造。

为什么我们会赢

• 产品只解决一个高风险运营决策——"这间手术室现在真的就绪了吗？"——在这里，证据质量比覆盖广度更重要，而现有排期工具和智慧医院平台都不掌握这个工作流。
• 每次部署都在积累跨院区周转事件、异常和基准规律的专有数据集，提升告警质量并创造向相邻已审计房间工作流扩展的杠杆。

里程碑

flowchart LR
  Wedge[OR room-ready wedge] --> MVP[Room instrumentation and turnover control MVP]
  MVP --> Proof[Trusted ready signal plus audit proof]
  Proof --> Expansion[Multi-campus benchmark and adjacent workflow expansion]

创始团队

实验路线图

风险评估

必须成立的条件

• 试点院区必须在 90 天内让责任护士在实际运营中使用房间就绪信号。
• 前 3 个付费试点必须各自在一个季度内降低周转波动或每间监控手术室节省至少 5–10 分钟的中位时间。
• 至少 50% 的付费试点必须在试点完成后六个月内转为年度生产合同。
• 安全、隐私和设施审查必须允许标准试点部署，不能因每次销售都需要定制治理工作而变成特定项目。
• 硬件支持、实施人工和人工异常复核纳入计算后，毛利率仍须维持在 70% 以上。

待尽调问题

• 围手术期管理者目前有多频繁地量化周转延误带来的手术容量损失，其程度是否足以开辟新预算项目？
• 责任护士能容忍多高的误报或漏报率，超过该阈值就会退回到人工房间核查？
• 谁才是真正的预算掌控者：围手术期运营、感染防控、EVS 还是医院运营领导层？
• 第一间监控手术室上线前需要多少安装和治理工作？
• UV-C 或围手术期 AI 合作伙伴能否加速销售，还是会让房间就绪信号的所有权变得复杂？

模型合理性

• 收入引擎. 基础情景由付费院区从 Y1 末 3 个增长至 Y3 末 40 个驱动，每院区年经常性收入爬坡至研究稳态 $270K。
• 必须做对的事. 公司必须证明可信的房间就绪信号和 8 周以内的部署，使首院区试点在同一医疗系统内真正扩展至第二院区。
• 模型崩溃条件. 若隐私审查导致 Y3 院区数停留在 30 出头，或稳态 ARPU 停滞在 $240K 附近，现金缓冲将大幅压缩，下一轮融资很可能提前。
• 下一轮融资证明. 下一轮融资的依据是达到 8–10 家生产系统、展示第二院区扩展，并证明基准分析能在不大规模重置服务的情况下扩大合同范围。

情景

敏感性

flowchart LR
  WorkflowAudits --> PaidCampuses
  PaidCampuses --> ActiveCampuses
  ActiveCampuses --> Revenue
  Revenue --> GrossProfit
  GrossProfit --> Cash

警示项: Rule-of-40 数值异常高，因为 Y2 收入基数仍小，该指标夸大了成熟运营效率。 · CAC 和流失率在院区等效层面建模，但实际采购发生在医疗系统层面，因此客户群指标在实际续约数据存在前仍是启发式估算。 · 基础情景毛利率改善假设部署模板和异常处理在最初几次上线后降低了高触达人工成本。 · 模型排除了一次性部署费，收入端较为保守，但这意味着服务收款时间未被明确呈现。

• 临床信任危机. 一次错误或遗漏的周转核验可能制造感染风险，并迅速摧毁围手术期管理者的信任。 缓解措施: 起步阶段保留人工异常复核、设置保守告警阈值，并将审计记录绑定到现有感染防控流程。
• 房间传感部署阻力. 摄像头、传感器和工作流监控可能触发隐私、设施和工会方面的顾虑，拖慢部署进度。 缓解措施: 使用边缘处理且尽量少保留录像，提前让护理和设施负责人参与，并在有明确治理框架的小范围试点中启动。
• 跨部门预算归属不清. 围手术期运营、感染防控、EVS 和 IT 可能各自认为是自己的职责范围，即便痛点真实存在也会导致采购卡住。 缓解措施: 围绕一个量化指标（如每个手术室每次周转节省的分钟数）来销售，将项目负责人锁定在围手术期领导层，并将首次部署打包为容量 ROI 试点。