Aidoc keräsi 150 miljoonaa dollaria E-sarjan rahoitusta kliinisen tekoälyn laajentamiseen terveydenhuoltojärjestelmissä

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

Rahoitukseen osallistuvat myös General Catalyst, SoftBank Investment Advisors ja NVentures, ja se nostaa yhtiön kokonaisrahoituksen yli 500 miljoonaan dollariin. Rahoitus saadaan tilanteessa, jossa sairaaloilla on kasvava paine puuttua diagnoosivirheisiin, henkilöstöpulaan ja kuvantamistutkimusten määrän kasvuun. Nämä tekijät myötävaikuttavat vuosittain satoihintuhansiin ehkäistävissä oleviin kuolemiin Yhdysvalloissa.

Erillisratkaisuista koko järjestelmän kattavaan tekoälyyn

Terveydenhuollossa tekoälyä on vuosien ajan otettu käyttöön pääasiassa yksittäisiin tarkoituksiin: algoritmeina, jotka on suunniteltu havaitsemaan yksi sairaus kerrallaan. Tämän lähestymistavan vaikutus jää rajalliseksi etenkin ympäristöissä, joissa kliinikoiden on tulkittava valtavia määriä kuvantamisdataa useiden sairauksien osalta.

Aidoc on osa laajempaa siirtymää perusmalleihin pohjautuviin järjestelmiin, jotka voivat toimia eri modaliteeteissa ja käyttötapauksissa. Sen oma CARE™-perusmalli on suunniteltu analysoimaan monimodaalista kliinistä dataa ja laajentamaan AI-kattavuutta lukuisiin sairauksiin yhdellä arkkitehtuurilla.

Tämä siirtymä heijastaa sitä, mitä tekoälyn muilla alueilla on jo tapahtunut: siirtymistä kapeista työkaluista yleisiin järjestelmiin, jotka voivat tukea monimutkaisia työnkulkuja.

Kliinisen tekoälyn käyttöjärjestelmän rakentaminen

Aidocin lähestymistavan keskiössä on sen organisaatiotason alusta, aiOS™, joka toimii kliinisen AI-ohjauskerroksena. Sen sijaan, että otettaisiin käyttöön yksittäisiä algoritmeja erillään, aiOS integroi tekoälyn suoraan sairaalan infrastruktuuriin, mukaan lukien kuvantamisjärjestelmät ja sähköiset potilastietojärjestelmät.

Alusta mahdollistaa useiden algoritmien ajamisen samanaikaisesti samalle kuvantamistutkimukselle. Se priorisoi kiireelliset löydökset ja tuo esiin sekä odotetut että sattumalta havaitut poikkeavuudet. Tämän orkestrointikerroksen tarkoituksena on vähentää diagnostiikan aukkoja ja parantaa samalla työnkulkujen tehokkuutta.

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

Tekoälyn skaalaaminen todellisissa kliinisissä ympäristöissä

Aidocin teknologia on jo käytössä merkittävässä mittakaavassa: se analysoi vuosittain kymmeniä miljoonia potilastapauksia ja tukee hoidon tarjoamista tuhansissa sairaaloissa eri puolilla maailmaa.

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 käyttöönoton laajuus kuvastaa siirtymää kokeiluista toimintaan, jossa tekoälyyn tukeudutaan: tekoäly on osa kliinisen toiminnan keskeistä infrastruktuuria.

Seuraava vaihe: kliiniset työnkulut alusta loppuun

Uusi rahoitus tukee Aidocin perusmallin laajentamista ja etenemistä kohti alusta loppuun kattavia työnkulkuja. Yksi keskeinen kehityskohde on lausuntoluonnosten automaattinen tuottaminen. Tavoitteena on laajentaa tekoälyn roolia havaitsemisesta koko kliiniseen työnkulkuun osallistumiseen.

Tämä suunta viittaa tulevaisuuteen, jossa AI-järjestelmät tekevät enemmän kuin korostavat poikkeavuuksia – ne voivat yhä enemmän jäsentää ja tiivistää löydöksiä sekä asettaa niitä asiayhteyteen kliinikoille.

Käytännössä tämä voisi lyhentää aikaa kuvantamistutkimuksen, diagnoosin ja hoidon välillä, samalla vähentäen kognitiivista kuormitusta terveydenhuollon ammattilaisten keskuudessa.

Kohti autonomista kliinistä päätöksenteon tukea

Kehittymässä on siirtymä hajanaisista tekoälytyökaluista yhtenäisiin järjestelmiin, jotka toimivat infrastruktuurina terveydenhuollossa.

Näiden alustojen kehittyessä niiden arvo tulee yhä enemmän siitä, miten ne koordinoivat toimintaa eri osastojen välillä, standardoivat päätöksentekoa ja vähentävät hoidon vaihtelua. Tekninen haaste ei ole enää vain tarkkojen mallien rakentaminen, vaan sen varmistaminen, että nämä mallit voivat toimia luotettavasti monimutkaisissa sairaalaympäristöissä tiukassa sääntelyvalvonnassa.

Ajan myötä ero ”tekoälyavusteisen hoidon” ja ”standardihoidon” välillä saattaa alkaa hävitä. Sen sijaan, että se olisi näkyvä työkalu, AI voisi muuttua taustalla toimivaksi kerrokseksi, joka jatkuvasti tulkitsee dataa, merkitsee riskejä ja tukee kliinikoita reaaliajassa.

Jos tämä siirtymä toteutuu, diagnoosien tarkkuuden ja hoitotulosten paraneminen ei välttämättä tule yhdestä mullistavasta ominaisuudesta, vaan tekoälyn huomaamattoman käytön yhteisvaikutuksesta koko kliinisessä työnkulussa.