数字疗法(DTx)与软件处方：一张“训练营处方”的兴衰史

可视化演示

展示DTx生态系统各方利益相关者、FDA审批流程路径、Pear Therapeutics从成立到破产的兴衰时间线及主流DTx产品疗效对比，含粒子场背景和发光动画。

1. 概念与定义：一张“训练营入学卡”

想象一个失眠多年的朋友去看医生。医生没有递给他药盒，而是给了一张卡片：“扫码下载 App，完成 8 周睡眠训练营。”这张卡片就是软件处方，App 里的课程就是数字疗法。它和我们手机里的健康 App 有本质区别——不是“提醒你多运动”的小工具，而是“软件本身就是药”：要能治病、要经过临床验证、要拿到药监局的批文。这套标准就像“持证办学”：随便开个兴趣班不需要审批，但想挂“训练营”的招牌收病人，必须有官方认证。

DTx 的完整定义有三根支柱：第一，软件即治疗主体，算法和交互内容承担活性成分；第二，必须通过随机对照试验（RCT）证明疗效，不能只靠用户好评；第三，获得监管授权，纳入医疗器械管理。Pear Therapeutics 的 reSET 针对物质使用障碍，Somryst 针对慢性失眠，都满足这三条。而普通健康 App 只是“健身小视频”，不属于处方级“训练营”。判断一个数字疗法“够不够格当药”，临床上常用 NNT（Number Needed to Treat，需要治疗的人数）来量化——平均要治疗多少位病人，才能比对照组多避免一例不良结局。

用训练营的话说，NNT 就是“要招多少学员，才有一个学员是因为训练营的课程而免于复发”。这个数字越小，说明课程的“功力”越接近特效药；反之，如果 NNT 大到几十，那保险公司的老板就会觉得“还不如直接发教材，何必花钱办营”。

2. 疗效作用机制：教练、课程与打卡闭环

训练营不是把学员关进教室背书，而是给每人配一个“贴身教练”：每天推送一段 20 分钟的认知重构课程，晚上让你上交睡眠日记，系统根据你的进度决定明天练什么。数字疗法就复制了这套“教练-课程-打卡-反馈”的闭环，只是教练换成了算法。学员每完成一次训练，都是在往自己的“疗程”里加一剂药。

DTx 最成熟的底层心理学武器是认知行为疗法（CBT）。失眠 App 用 CBT-I（失眠认知行为疗法），成瘾康复用 CBT 式技能训练：识别触发场景、练习替代行为、记录心瘾强度。这套方法原本靠治疗师面对面实施，成本高、供给少；软件把它标准化、规模化，让一个 App 就能同时服务上万名学员。

数字疗法的高明之处，是让“使用量”变成“药量”。患者完成多少模块、登录多少次、任务正确率如何，都被记录成数字生物标志物。产品团队用这些指标做剂量-反应分析，找出最低有效剂量和脱落风险拐点。临床上通常用 Emax 模型描述疗效随“剂量”上升的饱和曲线——剂量再大，疗效也有天花板。

对训练营来说，ED50 就是“上多少节课才能让学员明显感觉变了”。如果 8 周课程共 60 个模块，而 ED50 只有 15 个模块，那么学员前两周就能感受到变化，留存率才扛得住——这直接决定了训练营能不能撑到“毕业考核”。

3. 监管审批路径：想挂“官方认证”招牌要闯几关

训练营要开张，光有教练和课程不够，还得挂“官方办学许可”。医疗监管就是这个发证的部门：你的软件声称能治疗失眠，就必须证明它真的能，而且要说明给谁用安全、给谁用危险。牌照没下来之前，一切宣传都只能叫“健身兴趣班”，不能叫“治疗”。

美国的监管框架把“软件当医疗器械”（SaMD，Software as a Medical Device）按风险分三类：I 类风险极低（如健康记录），II 类中等风险（多数治疗性 DTx），III 类高风险（如控制生命支持设备）。II 类常见路径是 510(k) 证明与已上市产品实质等同；没有可参照产品的创新器械则走 De Novo 通道。Pear 的 reSET 在 2017 年拿到 FDA De Novo 授权，成为全球第一个处方数字疗法；Somryst 在 2020 年获批。

无论走哪条通道，核心都是随机对照试验的硬证据。要设计一个有足够把握度的 RCT，样本量不是拍脑袋，而是由预期疗效差、数据波动和统计显著性共同决定。样本太少，疗效差会被噪声淹没；样本太多，融资烧不起。

官方认证就是训练营的“办学资质”。审批部门要看你的毕业率是不是真比“放羊式自学”高，样本量公式回答的就是“要招多少学员做试点才有说服力”。但请记住：拿到办学许可，只是拿到了开营的资格，离赚钱还隔着十万八千里。

4. 商业模式探索：训练营究竟该向谁收费

训练营办起来了，效果也不错，但最大的问题来了：谁来交学费？病人觉得自己交了医保，保险公司觉得训练营不是药，医院觉得课程不是收入项。Pear 想照搬卖药的套路——医生开方、药房发药、保险买单——结果发现管道里流淌的是药丸，不是课程。

Pear 采用 B2B2C 模式：自己不直接卖 C 端，而是卖给保险公司、雇主和医疗系统，再由他们转给患者。同时与诺华、山德士等药企合作，把 DTx 打包进药品方案。定价参考处方药，一个疗程约 1500-3500 美元。表面看“药该有的它都有”，实际上最大的死结在支付环节：美国医保的 CPT 编码体系里没有“软件疗程”这个条目，药品福利管理商（PBM）的目录不收录 DTx，导致八成以上患者需要自费，依从率断崖式下跌。

用财务公式看，只要单张净收入打不平固定成本，开多少张处方都是亏。设 F 为年固定成本（研发、销售、服务器），P 为疗程定价，c 为报销比例，v 为单张可变成本，则盈亏平衡处方量为：

把学费定价、保险报销比例、场地教练成本代入公式就会发现：如果报销率只有 10%，每招一个学员的净收入是负的——招生越多，亏损越大。这种“规模不经济”就是训练营最阴险的死亡螺旋。

5. 兴衰历程复盘：明星连锁店的现金流之死

这家训练营一度是资本市场的明星：拿了豪华投资、开了上百家分店、还敲了纳斯达克的钟。但它的账上，每个月付出去的房租、教练工资和广告费，远远大于收到的学费。现金就像浴缸里的水，进水口小，排水口大，终于在某一天见了底。

Pear Therapeutics 2013 年成立，2017 年 reSET 获批，2019 年完成 6400 万美元 C 轮，2020 年疫情让数字健康站上风口，2021 年通过 SPAC（特殊目的收购公司）上市，估值一度冲到 13 亿美元。但 2022 年开始裁员重组，2023 年 4 月申请破产保护：资产约 5700 万美元，负债约 2.5 亿美元。产品没有被 FDA 撤销，疗效数据也没有造假——它死于商业模式。

破产的直接推手是财务模型：SPAC 上市募到的钱要承担高额发行费用和业绩对赌，销售端支付没打通导致收入远低于预期，研发和商业化费用居高不下，每个季度烧掉数千万美元。这种“烧钱速度”可以用现金跑道公式量化——它决定公司没有新融资时还能活多久。

浴缸里的水取决于进水口和排水口的差值。Pear 的进水口是处方收入分成，排水口是研发与销售的巨大开支，差值大得吓人，投资人又停止供水，浴缸见底只是时间问题。这家“明星训练营”的关门，给整个行业上了一堂现金流启蒙课。

6. 未来发展方向：活下来的训练营长什么样

Pear 关门了，但“训练营”这个物种没有消失。幸存者们开始改造模式：有的把训练营打包卖给企业做员工福利，有的跟保险公司签“按效果付费”——学员毕业且指标改善才收学费，还有的引入 AI 教练，根据每个人的打卡数据动态调整课程难度与推送时机。

行业共识是 DTx 必须从“药品逻辑”转向“价值医疗逻辑”：证明自己在同样甚至更低成本下，比药物或传统治疗带来更好的健康产出。价格不再看齐药价，而是按“每多获得一年高质量生活花多少钱”来谈判。卫生经济学用 ICER（增量成本效果比）衡量性价比，支付方通常设定每 QALY（质量调整生命年）的支付意愿阈值，超过阈值就不报销。

DTx 产品要在立项时就规划真实世界证据和经济学模型，才能进医保目录或商保清单。同时，AI 个性化——用强化学习动态调整个性化干预强度——和订阅制（雇主团购、患者月付）正在成为新的收入组合。活下来的训练营，不再是“另一个卖药的”，而是“帮保险省钱的数据健康管家”。

未来的训练营招生广告不再是“课程好”，而是“每花 5 万元帮学员多活一年高质量生活”——这个数字比医保自己买药还划算，保险公司的财务总监才会签字掏钱。AI 教练则让每个学员的课表和强度都不一样，把“因材施教”从口号变成一行行代码。

AI 应用场景

Python 演示

class DTxBusinessSim:    """数字疗法公司盈亏平衡与现金流模拟"""     def __init__(self, price=3500, var_cost=1200, fixed_cost=8e6, cover=0.1):        self.price = price            # 单张处方定价(元)        self.var_cost = var_cost      # 单张可变成本(元)        self.fixed_cost = fixed_cost  # 年固定成本(元)        self.cover = cover            # 医保报销比例        self.cash = 0.0               # 累计净现金(元)        self.scripts = 0              # 累计处方量(张)     def net_per_script(self):        """单张处方净收入 = 定价x报销率 - 可变成本"""        return self.price * self.cover - self.var_cost     def break_even_scripts(self):        """盈亏平衡处方量 = 固定成本 / 单张净收入"""        net = self.net_per_script()        if net <= 0:            return None        return self.fixed_cost / net     def run_year(self, scripts):        """按年追加处方量, 更新累计净现金流"""        self.scripts += scripts        year_cash = scripts * self.net_per_script() - self.fixed_cost        self.cash += year_cash        return year_cash  def main():    sim = DTxBusinessSim(cover=0.1)    for year, scripts in enumerate([3000, 6000, 12000, 25000, 50000]):        sim.cover = 0.15 + 0.15 * (year + 1)   # 报销比例逐年上升        year_cash = sim.run_year(scripts)        tag = "盈利" if year_cash > 0 else "烧钱"        print("第{}年: 处方{}张, 报销率{:.0f}%, 当年{} {:.0f}万元, 累计 {:.0f}万元".format(            year + 1, scripts, sim.cover * 100, tag, year_cash / 1e4, sim.cash / 1e4))    be = sim.break_even_scripts()    if be is None:        print("结论: 单张净收入为负, 永远无法盈亏平衡")    else:        print("结论: 盈亏平衡点为 {:.0f} 张/年, 报销率是生死线".format(be))  if __name__ == "__main__":    main()

1. return self.price * self.cover - self.var_cost单张净收入是定价乘报销率再扣可变成本，为负时意味着卖一张亏一张
2. if net <= 0: return None净收入非正时盈亏平衡点不存在，这正是低报销率下 Pear 的处境
3. self.cash += year_cash把当年现金流累到账上，直观观察账上现金何时转正
4. sim.cover = 0.15 + 0.15 * (year + 1)逐年抬高报销比例，模拟支付方逐步接纳 DTx 的过程
5. year_cash = scripts * self.net_per_script() - self.fixed_cost当年净现金流，由处方收入扣可变成本再扣固定成本得出
6. if be is None:判断盈亏平衡是否存在，对应公式 Q\*=F/(P·c−v) 的现实检验

常见误区

面试题