Alianzas
Dyania Health ejecuta Synapsis AI en sistemas GPU propiedad de hospitales
Añade Unite.AI a tus fuentes preferidas en Google
Puntos claveSynapsis AI keeps patient records inside hospital networks by running inference on…
Ver más
- Synapsis AI keeps patient records inside hospital networks by running inference on on-premises GPU servers.
- Cleveland Clinic's study used Synapsis AI to build a predictive model of valve failure and reintervention risk.
- The system automates chart review and signal detection while clinicians retain every clinical decision.
Dyania Health y NVIDIA anunciaron el 13 de noviembre de 2026 que Synapsis AI se ejecuta en sistemas de computación acelerada de NVIDIA propiedad de hospitales, y que un estudio inicial en Cleveland Clinic abarca a 7.812 pacientes sometidos a reemplazo de válvula aórtica. La colaboración busca revisar historias clínicas de poblaciones de pacientes sin sacarlas de las redes de los sistemas de salud.
Dyania Health describe Synapsis AI como un motor de razonamiento clínico que lee años de notas, informes quirúrgicos, informes de diagnóstico por imágenes y resultados de laboratorio, y luego responde preguntas clínicas con evidencia vinculada a la historia clínica. Sus resultados son señales clínicas destinadas a indicar a los equipos de atención qué pacientes requieren atención y por qué; los profesionales clínicos revisan la evidencia y toman todas las decisiones.
Razonamiento clínico en las instalaciones
La implementación utiliza NVIDIA AI Enterprise en toda la pila de software. Dyania entrena sus modelos clínicos propios con NeMo y luego usa TensorRT y TensorRT-LLM para optimizar la inferencia en los servidores GPU de los hospitales. Por lo tanto, la inferencia permanece dentro de la red privada del hospital, en vez de enviar las historias clínicas de los pacientes a un entorno externo.
NVIDIA afirmó que el sistema sigue siendo una herramienta de asistencia: presenta evidencia de las historias clínicas que los profesionales deben confirmar y utilizar. Esta distinción importa porque la implementación automatiza la revisión de historias clínicas y la detección de señales, pero no las decisiones clínicas posteriores.
Las empresas buscan resolver un cuello de botella manual en la investigación hospitalaria y la gestión de la atención. A menudo, los datos importantes están en textos narrativos y no en campos estructurados, lo que limita la cantidad de historias clínicas que el personal puede revisar para elaborar registros, realizar estudios de resultados y desarrollar modelos predictivos. Synapsis AI permite revisar longitudinalmente a la población de un sistema de salud, con posibles aplicaciones como detectar brechas en la atención, realizar investigaciones observacionales y encontrar candidatos para ensayos clínicos.
Estudio de Cleveland Clinic sobre válvulas
El estudio examinó a pacientes que recibieron reemplazos de válvula aórtica entre 2005 y 2021 y revisó hasta 16 años de atención por paciente. Synapsis AI respondió 88 preguntas clínicas por paciente sobre las características de la válvula, las afecciones coexistentes, las tendencias de laboratorio, los medicamentos, las mediciones de las ecografías de seguimiento y los eventos clínicos posteriores. Gran parte de esos antecedentes constaba en notas narrativas e informes de ecocardiogramas.
NVIDIA afirmó que la plataforma completó la revisión de las historias clínicas de toda la cohorte, una tarea que habría llevado años a los profesionales clínicos si la hubieran realizado manualmente. El conjunto de datos resultante se utilizó para entrenar un modelo predictivo de aprendizaje automático que estima el riesgo de fallo de la válvula y de reintervención a los 3, 5 y 10 años, y actualiza esas estimaciones con cada nueva ecografía.
Dyania informó que el tipo de válvula implantada era el factor más determinante de la rapidez con que se deterioraba, mientras que la edad y otras afecciones médicas influían en si se realizaba un segundo procedimiento y cuándo. El análisis también examinó cómo la información de seguimiento, como las ecografías posteriores a la cirugía, puede aumentar considerablemente la precisión de las predicciones sobre futuras intervenciones.
«Usar tecnología para reunir y analizar información que pueda ayudarnos a predecir la duración de las válvulas cardíacas implantadas es un paso prometedor hacia mejores resultados y una atención más personalizada para los pacientes», afirmó Lars G. Svensson, jefe del Heart, Vascular & Thoracic Institute de Cleveland Clinic.
El estudio demuestra la creación de conjuntos de datos y la predicción de riesgos, no la mejora de los resultados de los pacientes. Dyania señala que la herramienta está concebida para orientar la atención y que requiere validación clínica externa antes de que se pueda confiar en ella de forma más amplia en la práctica clínica.
Hoja de ruta de implementación
El anuncio de colaboración de Dyania señala que las empresas planean impulsar implementaciones en sistemas de salud de Estados Unidos y de otros países, publicar estudios de caso conjuntos e integrar Synapsis AI con la pila de software sanitario de NVIDIA. Entre las tecnologías en evaluación figuran NVIDIA Confidential Computing para el entrenamiento y la inferencia, NVIDIA Dynamo para ofrecer inferencia distribuida y Multi-Instance GPU para dividir las GPU entre cargas de trabajo clínicas simultáneas.
Las empresas también están evaluando la posibilidad de ampliar el sistema a varias GPU Blackwell Ultra, a medida que el procesamiento pasa de revisiones por lotes a información clínica casi en tiempo real en el punto de atención. Estos son objetivos que aún se están evaluando, no implementaciones ya realizadas. Para los sistemas de salud, la pregunta práctica es si los modelos validados externamente pueden convertir la revisión de historias clínicas a escala poblacional en acciones clínicas fiables, mientras los profesionales clínicos mantienen el control de las decisiones sobre la atención.
