Aidoc Mengumpulkan $150M Seri E untuk Mengembangkan AI Klinis di Seluruh Sistem Kesehatan

Perusahaan AI klinis Aidoc telah mengamankan $150 juta dalam pendanaan Seri E, dipimpin oleh Goldman Sachs Alternatives (GS ), karena sistem kesehatan semakin melihat beyond alat AI yang terisolasi menuju platform terintegrasi, enterprise-wide.

Putaran ini termasuk partisipasi dari General Catalyst, SoftBank Investment Advisors, dan NVentures, membawa total pendanaan perusahaan ke lebih dari $500 juta. Penggalangan dana ini datang di tengah tekanan yang meningkat pada rumah sakit untuk mengatasi kesalahan diagnosa, kekurangan staf, dan volume pencitraan yang meningkat—faktor-faktor yang menyumbang ratusan ribu kematian yang dapat dicegah setiap tahun di Amerika Serikat.

Dari Solusi Titik ke AI Sistem-Wide

Selama bertahun-tahun, AI di bidang kesehatan sebagian besar diterapkan sebagai alat tujuan tunggal—algoritma yang dirancang untuk mendeteksi satu kondisi pada satu waktu. Pendekatan ini memiliki dampak terbatas, terutama di lingkungan di mana klinisi harus menafsirkan sejumlah besar data pencitraan di seluruh kondisi.

Aidoc adalah bagian dari pergeseran yang lebih luas menuju sistem yang didorong oleh model dasar yang dapat beroperasi di seluruh modalitas dan kasus penggunaan. Model dasar CARE™ miliknya dirancang untuk menganalisis data klinis multimodal dan memperluas cakupan AI di seluruh banyak patologi dari satu arsitektur.

Pergeseran ini mencerminkan apa yang telah terjadi di area AI lainnya: berpindah dari alat yang sempit ke sistem yang umum yang dapat mendukung alur kerja yang kompleks.

Membangun Sistem Operasi untuk AI Klinis

Di pusat pendekatan Aidoc adalah platform enterprise-nya, aiOS™, yang berfungsi sebagai lapisan orkestrasi AI klinis. Alih-alih menerapkan algoritma individual dalam isolasi, aiOS mengintegrasikan AI langsung ke infrastruktur rumah sakit, termasuk sistem pencitraan dan catatan kesehatan elektronik.

Platform ini memungkinkan beberapa algoritma untuk berjalan secara bersamaan pada satu pemindaian, memprioritaskan temuan yang mendesak dan menampilkan baik kelainan yang diharapkan maupun insidental. Lapisan orkestrasi ini dirancang untuk mengurangi celah diagnostik sambil meningkatkan efisiensi alur kerja.

Ini juga memperkenalkan mekanisme tata kelola—seperti validasi, pemantauan, dan pelacakan kinerja—yang semakin diperlukan karena sistem AI bergerak ke lingkungan klinis yang diatur.

Mengembangkan AI di Lingkungan Klinis Nyata

Teknologi Aidoc sudah diterapkan dalam skala yang signifikan, menganalisis puluhan juta kasus pasien setiap tahunnya dan mendukung penyampaian perawatan di seluruh ribuan rumah sakit di seluruh dunia.

Sistemnya digunakan dalam pengaturan klinis waktu nyata, terutama dalam radiologi, di mana AI dapat menandai temuan yang mendesak dan mempercepat keputusan triase. Pelaporan terbaru menyoroti kasus penggunaan yang berkisar dari mendeteksi cedera internal hingga memprioritaskan kasus darurat berdasarkan data pencitraan.

Tingkat penerapan ini mencerminkan transisi dari eksperimen ke ketergantungan operasional—di mana AI tidak lagi merupakan tambahan, tetapi bagian dari infrastruktur klinis inti.

Fase Berikutnya: Alur Kerja Klinis Ujung ke Ujung

Pendanaan baru akan mendukung ekspansi model dasar Aidoc dan mendorong lebih jauh ke alur kerja ujung ke ujung. Salah satu area pengembangan kunci adalah generasi laporan draft otomatis, yang bertujuan untuk memindahkan AI dari deteksi menuju partisipasi alur kerja klinis yang lengkap.

Arah ini menunjukkan masa depan di mana sistem AI melakukan lebih dari sekadar menyoroti kelainan—mereka mungkin semakin membangun, meringkas, dan mengkontekstualisasi temuan untuk klinisi.

Dalam arti praktis, ini bisa mengompresi waktu antara pemindaian, diagnosis, dan perawatan, sambil juga mengurangi beban kognitif pada profesional kesehatan.

Menuju Dukungan Keputusan Klinis Otonom

Apa yang muncul adalah transisi dari alat AI yang terfragmentasi ke sistem yang terintegrasi yang berfungsi sebagai infrastruktur dalam kesehatan.

Ketika platform ini matang, nilainya akan semakin berasal dari bagaimana mereka mengoordinasikan di seluruh departemen, memstandarisasi pengambilan keputusan, dan mengurangi variabilitas dalam perawatan. Tantangan teknis tidak lagi hanya membangun model yang akurat—tetapi memastikan model tersebut dapat beroperasi secara andal dalam lingkungan rumah sakit yang kompleks, di bawah pengawasan ketat.

Seiring waktu, perbedaan antara “perawatan yang dibantu AI” dan “perawatan standar” mungkin mulai kabur. Alih-alih menjadi alat yang terlihat, AI bisa menjadi lapisan yang menerjemahkan data, menandai risiko, dan mendukung klinisi dalam waktu nyata.

Jika pergeseran ini terjadi, perbaikan dalam akurasi diagnosa dan hasil pasien mungkin tidak berasal dari satu fitur terobosan, tetapi dari efek kumulatif AI yang tertanam secara diam-diam di seluruh alur kerja klinis.