Aidoc samler 150 millioner dollars i serie E-finansiering for at skala klinisk AI på tværs af sundhedssystemer

Klinisk AI-virksomhed Aidoc har sikret 150 millioner dollars i serie E-finansiering, ledet af Goldman Sachs Alternatives, da sundhedssystemer i stigende grad søger beyond isolerede AI-værktøjer mod integrerede, virksomhedsomfattende platforme.

Runden inkluderer deltagelse fra General Catalyst, SoftBank Investment Advisors og NVentures, hvilket bringer virksomhedens samlede finansiering op over 500 millioner dollars. Finansieringen kommer midt i en stigende pres på hospitaler for at tackle diagnostiske fejl, mangel på personale og stigende billedvolumener—faktorer, der bidrager til hundredtusinder af forebyggelige dødsfald årligt i USA.

Fra punktløsninger til systemomfattende AI

I årevis har AI i sundhedssektoren primært været udviklet som enkeltformålsværktøjer—algoritmer designet til at detektere en tilstand ad gangen. Denne tilgang har begrænset effekt, især i miljøer, hvor kliniske medarbejdere skal fortolke store mængder billeddata på tværs af flere tilstande.

Aidoc er en del af en bredere skift mod foundation model-drevne systemer, der kan fungere på tværs af modaliteter og brugsområder. Deres proprietære CARE™ foundation model er designet til at analysere multimodale kliniske data og udvide AI-dækning på tværs af flere patologier fra en enkelt arkitektur.

Dette skift spejler, hvad der allerede er sket i andre områder af AI: at gå fra snævre værktøjer til generaliserede systemer, der kan understøtte komplekse arbejdsgange.

Opbygning af et operativsystem for klinisk AI

I centrum af Aidocs tilgang er deres enterprise-platform, aiOS™, der fungerer som et klinisk AI-orchestrationslag. I stedet for at implementere enkeltalgoritmer i isolation integrerer aiOS AI direkte i hospitalsinfrastruktur, herunder billedsystemer og elektroniske patientjournaler.

Platformen muliggør, at multiple algoritmer kan køre samtidigt på en enkelt scanning, prioriterer urgente fund og fremhæver både forventede og tilfældige afvigelser. Dette orchestrationslag er designet til at reducere diagnostiske huller, mens det forbedrer arbejdsgangeffektiviteten.

Det introducerer også styre-mekanismer—såsom validering, overvågning og ydelses-sporing—der er stadig mere nødvendige, da AI-systemer bevæger sig ind i regulerede kliniske miljøer.

Skalering af AI i virkelige kliniske miljøer

Aidocs teknologi er allerede implementeret i betydelig skala, analyserer titusinder af patienttilfælde årligt og understøtter sundhedsydelser på tværs af tusinder af hospitaler verden over.

Deres systemer bruges i realtid-kliniske miljøer, især i radiologi, hvor AI kan flagge urgente fund og accelerere triage-beslutninger. Nylig rapportering fremhæver brugsområder, der strækker sig fra detektion af interne skader til prioritering af nødstilfælde baseret på billeddata.

Dette niveau af implementering afspejler en overgang fra eksperimenter til operationel afhængighed—hvor AI ikke længere er et tilføjelsesværktøj, men en del af kerne-klinisk infrastruktur.

Næste fase: End-to-end kliniske arbejdsgange

Den nye finansiering vil understøtte udvidelse af Aidocs foundation model og skubbe yderligere ind i end-to-end arbejdsgange. Et nøgleområde for udvikling er automatiseret udarbejdelse af rapportudkast, der sigter mod at flytte AI fra detektion til fuld klinisk arbejdsgangs-deltagelse.

Denne retning antyder en fremtid, hvor AI-systemer gør mere end blot at fremhæve afvigelser—de kan stadig mere strukturere, sammenfatte og kontekstualisere fund for kliniske medarbejdere.

I praksis kunne dette komprimere tiden mellem scanning, diagnose og behandling, mens det også reducerer den kognitive belastning på sundhedsprofessionelle.

Mod autonom klinisk beslutningsstøtte

Hvad der opstår, er en overgang fra fragmenterede AI-værktøjer til samlede systemer, der fungerer som infrastruktur inden for sundhedssektoren.

Da disse platforme modnes, vil deres værdi stadig mere komme fra, hvordan de koordinerer på tværs af afdelinger, standardiserer beslutningstagning og reducerer variation i sundhedsydelser. Den tekniske udfordring er ikke længere blot at bygge nøjagtige modeller—det er at sikre, at disse modeller kan fungere pålideligt inden for komplekse hospitalsmiljøer under streng regulering.

Over tid kan forskellen mellem “AI-understøttet” og “standard”-sundhedsydelser begynde at udblede. I stedet for at være et synligt værktøj kunne AI blive et underliggende lag, der kontinuerligt fortolker data, flagger risici og understøtter kliniske medarbejdere i realtid.

Hvis denne skift holder, kan forbedringer i diagnostisk nøjagtighed og patientresultater ikke komme fra en enkelt gennembrudsfunktion, men fra den kumulative effekt af AI, der stille og roligt er integreret på tværs af hele den kliniske arbejdsgang.