Dyania Health käyttää Synapsis AI:ta sairaaloiden omistamissa GPU-järjestelmissä

Dyania Health ja NVIDIA ilmoittivat 13. marraskuuta 2026, että Synapsis AI toimii sairaaloiden omistamilla NVIDIA-kiihdytetyillä laskentajärjestelmillä. Ensimmäisessä Cleveland Clinicissä toteutetussa tutkimuksessa oli mukana 7 812 aorttaläpän vaihtopotilasta. Yhteistyön tavoitteena on tarkastella potilasryhmien potilastietoja siirtämättä niitä terveydenhuoltojärjestelmän verkkojen ulkopuolelle.

Dyania Health kuvaa Synapsis AI:ta kliinisen päättelyn järjestelmäksi, joka lukee vuosien ajalta potilasmerkintöjä, leikkauskertomuksia, kuvantamisraportteja ja laboratoriotuloksia ja vastaa sitten kliinisiin kysymyksiin potilaskertomukseen linkitetyn näytön perusteella. Järjestelmä tuottaa kliinisiä signaaleja, joiden tarkoituksena on osoittaa hoitotiimeille, mitkä potilaat tarvitsevat huomiota ja miksi. Kliinikot arvioivat näytön ja tekevät kaikki päätökset.

Kliininen päättely sairaalan omissa järjestelmissä

Käyttöönotossa hyödynnetään NVIDIA AI Enterprisea koko ohjelmistopinossa. Dyania kouluttaa omat kliiniset mallinsa NeMolla ja optimoi sitten päättelyn TensorRT:n ja TensorRT-LLM:n avulla sairaalan GPU-palvelimilla. Näin päättely tapahtuu sairaalan yksityisessä verkossa sen sijaan, että potilastietoja lähetettäisiin ulkoiseen ympäristöön.

NVIDIAn mukaan järjestelmä toimii edelleen kliinikkojen tukena: se tuo esiin potilastiedoista näyttöä, joka kliinikkojen on vahvistettava ja jonka perusteella heidän on toimittava. Ero on tärkeä, sillä käyttöönotto automatisoi potilaskertomusten tarkastelun ja signaalien tunnistamisen, ei niitä seuraavia kliinisiä päätöksiä.

Yhtiöt pyrkivät ratkaisemaan sairaaloiden tutkimusta ja hoidon hallintaa hidastavan manuaalisen pullonkaulan. Tärkeitä tietoja on usein tekstimuotoisissa kertomuksissa rakenteisten kenttien sijaan, mikä rajoittaa niiden potilaskertomusten määrää, joita henkilöstö voi tarkastella rekistereitä, hoitotulostutkimuksia ja ennustemalleja varten. Synapsis AI tarkastelee terveydenhuoltojärjestelmän väestöä pitkittäisesti. Mahdollisia käyttökohteita ovat hoidon puutteiden tunnistaminen, havainnoiva tutkimus ja kliinisiin tutkimuksiin soveltuvien potilaiden etsiminen.

Cleveland Clinicin läppätutkimus

Tutkimuksessa tarkasteltiin potilaita, joille oli tehty aorttaläpän vaihtoleikkaus vuosina 2005–2021. Kunkin potilaan hoitohistoriaa käytiin läpi enintään 16 vuoden ajalta. Synapsis AI vastasi jokaisesta potilaasta 88 kliiniseen kysymykseen, jotka koskivat läpän ominaisuuksia, samanaikaisia sairauksia, laboratoriotulosten kehitystä, lääkityksiä, seurantakäyntien ultraäänimittauksia ja myöhempiä kliinisiä tapahtumia. Suuri osa näistä tiedoista oli tekstimuotoisissa potilasmerkinnöissä ja kaikukardiografiaraporteissa.

NVIDIAn mukaan alusta kävi läpi koko kohortin potilaskertomukset. Kliinikoilta olisi kulunut tähän työhön vuosia, jos se olisi tehty manuaalisesti. Tuloksena saatua aineistoa käytettiin ennustavan koneoppimismallin kouluttamiseen. Malli arvioi läpän pettämisen ja uusintatoimenpiteen riskiä kolmen, viiden ja 10 vuoden kohdalla ja päivittää arviot jokaisen uuden ultraäänitutkimuksen perusteella.

Dyanian mukaan potilaalle asennetun läpän tyyppi vaikutti eniten siihen, kuinka nopeasti läppä rappeutui. Ikä ja muut sairaudet vaikuttivat siihen, tehtiinkö toinen toimenpide ja milloin se tehtiin. Analyysissa tarkasteltiin myös sitä, miten seurannasta saatavat tiedot, kuten leikkauksen jälkeiset ultraäänitutkimukset, voivat parantaa huomattavasti tulevia toimenpiteitä koskevien ennusteiden tarkkuutta.

”Teknologian avulla voidaan koota ja analysoida tietoa, joka auttaa ennustamaan potilaalle asennetun sydänläpän kestävyyttä. Tämä on lupaava askel kohti parempia hoitotuloksia ja yksilöllisempää potilaiden hoitoa”, sanoi Cleveland Clinicin Heart, Vascular & Thoracic Instituten johtaja Lars G. Svensson.

Tutkimus osoittaa, miten aineistoa voidaan koota ja riskejä ennustaa, mutta ei sitä, että potilaiden hoitotulokset olisivat parantuneet. Dyanian mukaan työkalun tarkoituksena on tukea hoitoa, ja sen laajempi kliininen käyttö edellyttää ulkopuolista kliinistä validointia.

Käyttöönoton etenemissuunnitelma

Dyanian yhteistyöilmoituksen mukaan yhtiöt aikovat edistää käyttöönottoja terveydenhuoltojärjestelmissä Yhdysvalloissa ja kansainvälisesti, julkaista yhteisiä tapaustutkimuksia sekä integroida Synapsis AI:n NVIDIAn terveydenhuollon ohjelmistopinoon. Arvioitaviin teknologioihin kuuluvat NVIDIA Confidential Computing koulutukseen ja päättelyyn, NVIDIA Dynamo hajautettuun päättelyn tarjoamiseen sekä Multi-Instance GPU grafiikkasuorittimien jakamiseen samanaikaisten kliinisten työkuormien kesken.

Yhtiöt arvioivat myös järjestelmän skaalaamista useille Blackwell Ultra -grafiikkasuorittimille, kun käsittely siirtyy eräajoina tehtävistä tarkasteluista kohti lähes reaaliaikaista kliinistä tietoa hoitopaikassa. Nämä ovat edelleen arvioinnin tavoitteita, eivät toteutettuja käyttöönottoja. Terveydenhuoltojärjestelmien kannalta keskeinen kysymys on, voivatko ulkopuolisesti validoidut mallit muuttaa väestötason potilastietojen tarkastelun luotettavaksi kliiniseksi toiminnaksi niin, että kliinikot säilyttävät päätösvallan hoidosta.