Aidoc Kerää 150 Miljoonaa Dollaria Sarja E: n Rahoituksesta Kattamaan Kliinisen AI: n Terveydenhuoltojärjestelmissä

Kliininen AI-yritys Aidoc on saanut 150 miljoonan dollarin Series E -rahoituksen, jota johtaa Goldman Sachs Alternatives (GS ), kun terveydenhuoltojärjestelmät etsivät yhä enemmän erillisten AI-työkalujen sijaan integroituja, yritykskohtaisia alustoja.

Rahoitukseen osallistuvat myös General Catalyst, SoftBank Investment Advisors ja NVentures, ja se nostaa yhtiön kokonaisrahoitusta yli 500 miljoonaan dollariin. Rahoitus saadaan aikana, jolloin sairaaloilla on kasvava paine osoittaa diagnostisten virheiden, henkilöstöpulaa ja kasvavan kuvamäärän – tekijöiden, jotka vaikuttavat satoihin tuhansiin ehkäiseviin kuolemiin vuosittain Yhdysvalloissa.

Erilliset Ratkaisut Koko Järjestelmän AI: hen

Vuosiin, AI on terveydenhuollossa pääasiassa otettu käyttöön yksittäisinä tarkoituksina – algoritmeina, jotka on suunniteltu havaitsemaan yhtä oiretta kerrallaan. Tämä lähestymistapa on rajoitettu, erityisesti ympäristöissä, joissa kliinikot joutuvat tulkkaamaan suuria määriä kuvadataa useiden oireiden yli.

Aidoc on osa laajempaa siirtymää perusrakenteen ohjaamien järjestelmien pariin, jotka voivat toimia useiden modaliteettien ja käyttötapausten yli. Sen oma CARE ™ -perusrakenteen on suunniteltu analysoimaan monimutkaisia kliinisiä tietoja ja laajentamaan AI-kattavuutta useiden patologien yli yhdestä arkkitehtuurista.

Tämä siirtymä heijastaa sitä, mitä on jo tapahtunut muiden AI-alojen: siirtymistä kapeista työkaluista yleisiin järjestelmiin, jotka voivat tukea monimutkaisia työvirran prosesseja.

Rakentaminen Kliinisen AI: n Käyttöjärjestelmä

Aidocin lähestymistavan keskiössä on sen yritysala, aiOS ™, joka toimii kliinisen AI-ohjauskerroksena. Sen sijaan, että otettaisiin käyttöön yksittäisiä algoritmeja erillään, aiOS integroi AI-suoraan sairaalan infrastruktuuriin, mukaan lukien kuvajärjestelmät ja sähköiset terveystiedot.

Alusta mahdollistaa useiden algoritmien suorittamisen samanaikaisesti yhdellä skannauksella, priorisoiden kiireelliset löydökset ja pinnan sekä odotetut että sattumanvaraiset poikkeavuudet. Tämä ohjauskerros on suunniteltu vähentämään diagnostisia aukkoja parantamalla samalla työnkulkua.

Se esittelee myös hallintamekanismit – kuten validoinnin, seurannan ja suorituskyvyn seurannan – jotka ovat yhä välttämättömpiä, kun AI-järjestelmät siirtyvät säädeltyihin kliinisiin ympäristöihin.

AI: n Mittaaminen Todellisissa Kliinisissä Ympäristöissä

Aidocin teknologia on jo käytössä merkittävällä mittakaavalla, analysoimalla kymmeniä miljoonia potilastapauksia vuosittain ja tukevaan hoitotoimenpiteiden toimittamista tuhansissa sairaaloissa maailmanlaajuisesti.

Järjestelmät ovat käytössä reaaliaikaisissa kliinisissä ympäristöissä, erityisesti radiologiassa, jossa AI voi merkitä kiireellisiä löydöksiä ja nopeuttaa triage-päätöksiä. Viimeaikaiset raportit korostavat käyttötapauksia, jotka ulottuvat sisäisten vammojen havaitsemisesta kiireellisten tapausten priorisointiin kuvadatan perusteella.

Tämä taso vastaa siirtymistä kokeilusta operatiiviseen riippuvuuteen – jossa AI ei ole enää lisäominaisuus, vaan osa perusklisiikan infrastruktuuria.

Seuraava Vaihe: Loppuun Saakka Kliiniset Työnkulut

Uusi rahoitus tukee Aidocin perusrakenteen laajentamista ja työskentelee loppuun saakka työnkulkuja. Yksi avainalue kehityksessä on automaattinen luonnosraportin generointi, jossa tavoitteena on siirtää AI: ta havaitsemisesta täydelliseen kliiniseen työnkulkuun osallistumiseen.

Tämä suunta viittaa tulevaisuuteen, jossa AI-järjestelmät tekevät enemmän kuin korostavat poikkeavuuksia – ne voivat yhä enemmän rakentaa, tiivistää ja kontekstualisoida löydöksiä kliinikoille.

Käytännössä tämä voisi puristaa aikaa skannauksen, diagnosoinnin ja hoidon välillä, samalla vähentäen kognitiivista kuormitusta terveydenhuollon ammattilaisten keskuudessa.

Kohti Automaattista Kliinistä Päätöksenteon Tukea

Mitä nousee, on siirtymä fragmentoituneista AI-työkaluista yhdenmukaisiin järjestelmiin, jotka toimivat infrastruktuurina terveydenhuollossa.

Näiden alustojen kypsentäessä niiden arvo tulee yhä enemmän siitä, miten ne koordinoivat osastojen yli, standardoivat päätöksentekoa ja vähentävät hoidon vaihtelua. Tekninen haaste ei ole enää vain tarkin mallin rakentaminen – se on varmistaminen, että nämä mallit voivat toimia luotettavasti monimutkaisissa sairaalaympäristöissä tiukassa sääntelyvalvonnassa.

Ajan myötä ero ”AI-tuen” ja ”standardihoidon” välillä saattaa alkaa hävitä. Sen sijaan, että se olisi näkyvä työkalu, AI voisi muuttua taustakerroksesi, joka jatkuvasti tulkkaa dataa, merkitsee riskejä ja tukee kliinikoita reaaliajassa.

Jos tämä siirtymä toteutuu, parannukset diagnostisen tarkin ja potilastuloksien osalta eivät välttämättä tule yhdestä mullistavasta ominaisuudesta, vaan AI: n kummallisen upotetuista vaikutuksista koko kliinisen työnkulun yli.