Jonathan Kron, administrerende direktør for BloodGPT – Intervieuserie

Jonathan Kron er administrerende direktør for BloodGPT. Han er en sundhedsstrateg og iværksætter med 20+ års erfaring i opbygning og skalerings sundhedsprojekter. Før han tiltrådte BloodGPT, grundlagde og solgte han Med24, en klinik i London (hævet 5 millioner pund, solgt i 2022), co-grundlagde PCG, et sundhedsfirma i Monaco, der sikrede kontrakter på over 1 million dollar på en seed-budget på 500.000 dollar, og har rådgivet sundhedsfirmaer, herunder Klarity og LIPS Healthcare om større fundraising og vækst.

BloodGPT er en AI-drevet platform for diagnostiske laboratorier og klinikker, der integrerer nærmest uden problemer i eksisterende arbejdsgange, fortolker blodprøveresultater på få sekunder med en nøjagtighed på 99,99%.

Du har brugt mere end to årtier på at opbygge og skalerings sundhedsprojekter. Hvad var det personlige oplevelse eller industriel smerte, der førte dig til BloodGPT?

Jeg hørte først om BloodGPT tidligt på året fra en kollega. Konceptet resonerede straks, både personligt og fra et forretningsperspektiv. Jeg er en person, der altid har sporet sin egen blodprøver i regneark, trukket tal fra PDF’er og billeder, kun for at løbe ind i inkonsistente enheder, referenceområder og navnekonventioner. Det var kedeligt og ofte upålideligt. Og dybt inde vidste jeg, at jeg ikke var den eneste, der havde problemer med irritation over modtagelse af beskidte, fragmenterede og utilgængelige resultater fra en læge, laboratorium eller klinik.

Af den grund var jeg inden for få dage efter at have hørt om BloodGPT på et opkald med grundlæggerne, og ved afslutningen af det blev jeg CSO. Efter 20+ år med at arbejde på tværs af klinikker, startups og sundhedssystemer, vidste jeg, at dette var lige op min alley.

BloodGPT løser nogle smerte, som jeg har set gentagne gange. Folk får testresultater, men adgangen er fragmenteret, konteksten går tabt, og processen overvælder allerede strakte fagfolk. Tænk på det. Bloddata er en af de rigeste signaler for det overordnede velvære, og alligevel er det stadig så underudnyttet.

Så min rationel var, at hvis vi kan kombinere AI og avanceret datavidenskab med stærk sundhedsviden, kan vi gøre den information brugbar i realtid for alle: enkeltpersoner, sundhedsfagfolk og hele systemer.

BloodGPT lover 99,99% nøjagtighed i fortolkning af blodprøveresultater og integrerer direkte i eksisterende laboratoriearbejdsgange. Kan du føre os igennem, hvordan platformen blev konceptueret, og hvilke nøgleudfordringer du stod over for i at bringe det til markedet?

Faktisk begyndte det hele med en nabo-samtale. Nikita Udovichenko, en biokemiker og sports-ernæringskonsulent, så det samme problem i sin praksis, før han co-grundlagde BloodGPT. Folk fik deres blodprøverapporter og havde ingen idé om, hvad de skulle gøre med dem. Hans nabo Vasilii Lazuka, en serie-iværksætter og nu co-grundlægger og CTO, så straks potentialet. Det, der startede som en casual udveksling, blev hurtigt til et rigtigt projekt. Kort efter sluttede AI-produktudviklingseksperten Nata Savaścienka sig som co-grundlægger og CPO, og jeg kom om bord og arbejdede sammen med dem og trak på min tyve års erfaring med opbygning af sundheds- og data-platforme.

Fra det punkt blev fokus på at bygge et system, der behandler hver enkelt værdi som verificerbar data, ikke noget, som et sprogmodel kan gætte. Vi designede en multi-lagsarkitektur, der normaliserer hver biomarkør til LOINC-koder — Logiske Observation Identifikatorer Navne og Koder, den internationale standard for rapportering af laboratorieprøver — verificerer hver enhed med UCUM, den samlede kode for måleenheder, og altid henviser til laboratoriets egne referenceområder.

Fra mine 20 år med at arbejde med sundhedsfagfolk, ved jeg, hvor central tillid er i denne sektor. Derfor var de største udfordringer, vi fokuserede på, under opbygningen af BloodGPT, stabilitet og tillid. Vi skal huske, at store modeller kan give forskellige svar på samme fil, mislæse datoer eller opfinde områder. Vi gjorde det til vores mission at sikre, at hver output var reproducerbar og fuldt sporbart til sin kilde.

I dag forbinder platformen direkte til laboratoriearbejdsgange gennem FHIR-API’er — Fast Healthcare Interoperability Resources, en moderne standard, der låter sundhedsinformationssystemer dele data sikkert og effektivt. Det fungerer også med legacy-laboratorieinformationssystemer, hvilket giver fagfolk tid tilbage og giver enkeltpersoner øjeblikkelig klarhed.

Mange patienter søger nu til almindelige formål LLM’er for at fortolke laboratorieprøveresultater. Hvad ser du som risici i den trend, og hvordan giver BloodGPT en sikrere, mere pålidelig alternativ?

Almindelige sprogmodeller er ikke bygget til laboratoriedata. De kan mislæse enheder, blande datoer eller opfinde referenceværdier, og de viser ikke, når de er usikre. En patient kan indsætte resultater og få et poleret svar, der blot er forkert. Og det skræmmende er, at det lyder så overbevisende, at du måske ikke tænker på at stille spørgsmål.

BloodGPT er trænet og valideret specifikt til patologiske arbejdsgange. Hver værdi er knyttet til LOINC-identifikatorer og kontrolleres med UCUM-måleenhedsstandarder, og platformen bruger altid laboratoriets egne referenceområder som den endelige målestok. Multi-lags sikkerhedsforanstaltninger sporer hver output tilbage til sin kilde, så samme input producerer samme, fuldt auditerbar resultater.

Den formål-byggede design, fokuseret på reproducerbarhed og gennemsigtig herkomst, giver fagfolk og enkeltpersoner et niveau af pålidelighed, som en almindelig chatbot simpelthen ikke kan give.

Din karriere har omfattet grundlæggelse af klinikker, rådgivning af startups og nu ledelse af et AI-drevet sundhedsfirma. Hvordan er din perspektiv på sundhedsinnovation ændret under denne rejse?

Tidligt var innovation bygning af mursten og mortar — opbygning af nye faciliteter og tjenester for at reducere ventelister og strømlinje patientforløb. Senere blev det til forretningsmodeller, der indebærer levering af sundhedsydelser mere effektivt, drift mere bæredygtig og forbedring af den overordnede patientoplevelse.

I dag handler det om intelligens og skala. AI åbner muligheder, der var utænkelige, da jeg startede, men en lære har forblevet konstant. Teknologi alene transformerer ikke sundhedsydelser. Systemer, incitamenter og adoption gør.

I denne henseende er min tænkning skiftet fra “Hvordan bygger vi?” til “Hvordan integrerer vi?” Jeg er overbevist om, at de virksomheder, der lykkes, ikke nødvendigvis har de mest avancerede algoritmer. De vil være dem, hvis værktøjer nærmest og stille magter daglige rutiner for læger, patienter og sundhedssystemer.

En tilbagevendende tema i sundheds-teknologi er balancen mellem automatisering og det menneskelige touch. Hvordan forestiller du dig, at AI som BloodGPT vil forme lægernes rolle — især i reduktion af udbrændthed, mens man stadig bevare dom og medfølelse?

Læger brænder ikke ud af at tage sig af mennesker. De brænder ud af papirarbejde, gentagne tests, fragmenterede systemer og alle de administrative opgaver, der trækker dem væk fra deres patienter. Hver læge, jeg kender, ville hellere bruge fem minutter på at tale med en patient end på at udfylde endnu en formular. Den ekstra arbejdsbyrde, desværre, vokser, og det undergraver tiden og energien, de har til rigtig klinisk behandling.

BloodGPT blev bygget for at lettet noget af det tryk. Platformen overtager det tungt arbejde med at organisere og fortolke laboratorieinformation og leverer klare, strukturerede indsigt, der passer ind i eksisterende arbejdsgange. Når disse rutine-trin er håndteret automatisk og pålideligt, kan læger bruge mere af deres dag på det, de er bedst til, som er at lytte, udøve dom og bygge tillid med de mennesker, de behandler.

Jeg tror ikke, at AI vil erstatte læger. Hvis noget, giver det dem mulighed for at vende tilbage til hjertet af deres profession, bruge mere tid i samtale og mindre tid på at jagte data. Det er, hvor teknologi kan gøre medicin mere menneskelig, ikke mindre.

En af dine erklærede mål er at spare klinikker millioner om året i effektivitetsgevinster. Hvad er de mest konkrete omkostningsreducerende mekanismer, som BloodGPT leverer?

Besparelserne kommer fra tre hovedområder.

Først er det tid. Gennemgang og kommunikation af laboratorieprøveresultater er stadig en langsom, manuel proces i mange sundhedssystemer. BloodGPT reducerer gennemgangs- og fortolkningstiden fra flere minutter til få sekunder for hver test. På tværs af tusinder af resultater hver uge, oversætter det sig til hundredvis af kliniske timer, der returneres til patientbehandling.

Andet er kontinuitet. Platformen holder en løbende historik over hver patients bloddata, så tendenser og afvigelser er lette at spotte. Det reducerer gentagne tests og fanger fejl, der ellers kunne udløse unødvendige opfølgende aftaler eller gentagne laboratorieprøver.

Tredje er ressourceanvendelse. Når information leveres præcis og øjeblikkeligt, kan personalet fokusere på højere-værditasker, og laboratorier kan operere med leanere supportteams.

Når du tilføjer disse effekter sammen, kan et midtsized sundhedssystem se årlige besparelser på millioner, samtidig med at det forbedrer resultater. I sundhedssektoren er det usædvanligt at reducere omkostninger og forbedre kvalitet på samme tid, og det er præcis, hvad vi sigter mod.

Du har bemærket, at kortfristede investorhorisonter ofte dræber systemisk innovation i sundheds-AI. Hvordan mener du, at grundlæggere og investorer kan tilpasse sig for at sikre langsigtede effekter?

Det begynder med en fælles mission. Hvis en investor søger en tolv-måneders flip, er sundhedssektoren det forkerte område. Denne sektor kræver tålmodighed, streng overholdelse og år med tillidsbygning.

Grundlæggere har en rol at spille i at sætte forventninger. De skal forklare regulatoriske tidsrammer, adoptionscykler og realiteterne omkring refundering, så investorerne forstår, hvorfor fremgang kan se langsom ud udefra.

Investorerne skal på deres side støtte milepæl-baseret vækst og modstå jagten på flade metrikker. De virksomheder, der virkelig ændrer sundheds-AI, vil blive bygget af partnere, der er villige til at tænke på en fem- til ti-årig horisont og forblive engageret i hele rejsen, ikke kun det første opsving i værdi eller en hurtig exit.

Med reguleringer, der strammes omkring AI i sundhedssektoren, hvordan tilgår BloodGPT overholdelse, sikkerhed og tillidsbygning hos både kliniske og patienter?

Fra begyndelsen behandlede vi ansvarlig design som en del af produktet, ikke en eftertanke. Vores team følger de større privatlivs- og sikkerhedsstandarder, der bruges i sundhedssektoren, og holder et nøje øje på udviklingen i reguleringer i USA, Europa og andre nøglemarkeder. Vores fokus er på stærke datahåndteringssædvaner, gennemsigtige algoritmer og outputs, der kan fuldt ud auditeres.

Som jeg nævnte tidligere, var tillid vores største udfordring fra starten, og det er forblevet vores nordstjerne. For os handler det om mere end blot at afkrydse regulatoriske kasser. Fagfolk kan se, hvor hver enkelt værdi kommer fra og hvordan den blev behandlet, hvilket giver dem tillid til informationen. Patienter værdsætter den samme klarhed. BloodGPT er et værktøj til at organisere og præsentere deres egne resultater, ikke til at erstatte rollen som kliniker. I den forstand er sikkerhed og tillid ikke funktioner, vi tilføjer senere. De er produktet i sig selv.

Med henblik på fremtiden, ser du AI-fortolkning udvide sig ud over blodprøver til andre diagnostiske områder — og hvis ja, hvor tror du, de største gennembrud kommer først?

Det er allerede i gang.Radiologi, genomik og oftalmologi er gået langt beyond det eksperimentelle stadium. I disse felter hjælper AI-systemer med at identificere tidlige kræftformer på scanninger, analysere komplekse genetiske variationer og pege på tegn på diabetisk retinopati i retinabilleder. I hvert tilfælde går outputtet til en kvalificeret kliniker til gennemgang, så fagfolket forbliver i kontrol over den endelige beslutning.

Den næste bølge vil være om forbindelse og integration snarere end enkelt-domæner. Tænk på, at billedanalyse, genetik, wearables og laboratoriedata stadig behandles som separate strømme. AI vil stadig mere bringe dem sammen, korrelerer subtile signaler — en blodmarkør, en genetisk variation, en mønster fra en wearable — for at afsløre risiko lang tid før nogen enkelt test kunne.

Det virkelige gennembrud vil være denne type integration: et lag af intelligens, der forbinder multiple inputs til at give læger og patienter en kontinuerlig, realtidsvisning af sundhed og risiko. Den skift fra episodisk behandling til præventiv, proaktiv behandling er, hvor den største effekt ligger.

Til sidst, hvad ophidser dig mest om fremtiden for AI i sundhedssektoren, og hvilken rol ser du BloodGPT spille i formning af den fremtid?

Hvad ophidser mig mest, ærligt talt, er det, jeg lige diskuterede om skiftet fra reaktiv til proaktiv sundhedsydelser. I årtier har vi ventet, til folk blev syge, før vi greb ind. Ja, forebyggelse og personlig ansvar har altid været en del af samtalen, men AI kan endelig gøre den vision praktisk, ved at identificere risiko tidligt, guide sundere valg og personliggøre information på en skala, vi aldrig har set før.

BloodGPT er designet til at være en del af den grundlæggelse. Bloddata er den mest almindelige og vidt tilgængelige sundheds-signal, og alligevel er det ofte underudnyttet. Ved at gøre den information lettere at forstå og handle på, hjælper vi med at transformere rå tal til klar indsigt og indsigt til sundere liv. Til sidst handler det om at tage noget komplekst og omdanne det til noget, folk kan bruge. Vi lægger grundlaget for den type sundhedsydelser, folk vil have brug for i årene, der kommer, samtidig med at vi også gør hverdags-sundhedsydelser bedre lige nu. 

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge BloodGPT.