에이독, 1억 5천만 달러의 시리즈 E 투자 유치로 임상 AI 확대

임상 AI 회사인 에이독은 1억 5천만 달러의 시리즈 E 투자를 유치했으며, 골드만 삭스 알터너티브스가 주도했다. 이는 의료 시스템이 단일 AI 도구를 넘어 통합된 엔터프라이즈급 플랫폼을 향해 나아가고 있는 가운데 이루어진 것이다.

이 라운드는 제너럴 캐탈리스트, 소프트뱅크 인베스트먼트 어드바이저스, 및 엔벤처스의 참여로 이루어졌으며, 회사의 총 투자 금액은 5억 달러를 넘어섰다. 이 투자는 병원에서 진단 오류, 인력 부족, 그리고 증가하는 영상 데이터량을 해결해야 하는 압박이 높아지는 가운데 이루어진 것이다. 이러한 요인들은 미국에서 매년 수백만 건의 예방 가능한 사망에 기여하고 있다.

점별 솔루션에서 시스템 전반의 AI로

수년 동안 의료 분야에서 AI는 주로 단일 목적의 도구로 배치되어 왔다. 즉, 한 번에 하나의 상태만을 감지하기 위한 알고리즘이다. 그러나 이러한 접근 방식은 특히 임상 의사가 여러 상태에 걸쳐서 방대한 양의 영상 데이터를 해석해야 하는 환경에서 큰 영향을 미치지 못한다.

에이독은 기초 모델 기반의 시스템으로 전환하는 더 광범위한 추세의 일부이다. 이러한 시스템은 여러 모달리티와 사용 사례에서 작동할 수 있다. 에이독의 자체 개발한 CARE™ 기초 모델은 다중 모달리티 임상 데이터를 분석하고 단일 아키텍처에서 수많은 병리학적 상태를 다루는 AI 범위를 확장하기 위해 설계되었다.

이러한 전환은 이미 다른 AI 분야에서 발생한 것과 유사하다. 즉,좁은 도구에서 복잡한 워크플로를 지원할 수 있는 일반화된 시스템으로의 이동이다.

임상 AI를 위한 운영 체제 구축

에이독의 접근 방식의 중심에는 aiOS™라는 엔터프라이즈 플랫폼이 있다. 이는 임상 AI 오케스트레이션 레이어로 작동한다. 개별 알고리즘을 분리하여 배치하는 대신, aiOS는 병원 인프라에 직접 AI를 통합한다. 이는 영상 시스템과 전자 건강 기록을 포함한다.

이 플랫폼은 단일 스캔에서 여러 알고리즘이 동시에 실행되도록 허용하며, 긴급한 발견을 우선순위로 하고 기대되는 이상과 우연한 이상을 모두 표면화한다. 이 오케스트레이션 레이어는 진단 격차를 줄이고 워크플로 효율성을 개선하도록 설계되었다.

또한, 이는 검증, 모니터링, 성능 추적과 같은 거버넌스 메커니즘을 도입한다. 이러한 메커니즘은 AI 시스템이 규제된 임상 환경으로 이동함에 따라 점점 더 필요하다.

실제 임상 환경에서 AI 확대

에이독의 기술은 이미 대규모로 배포되어 있으며, 매년 수천만 건의 환자 사례를 분석하고 전 세계 수천 개의 병원에서 치료 제공을 지원한다.

이 시스템은 실시간 임상 환경에서 사용되며, 특히 영상의학과에서 사용된다. 여기서 AI는 긴급한 발견을 플래그할 수 있고,_triage 결정의 가속화를 지원할 수 있다. 최근 보고서는 내부 부상의 감지에서 긴급 사례의 우선순위를 지정하는 것을 포함한 다양한 사용 사례를 강조한다.

이러한 수준의 배포는 실험에서 운영적 의존도로의 전환을 반영한다. 즉, AI는 더 이상 추가 기능이 아닌 핵심 임상 인프라의 일부가 된다.

다음 단계: 임상 워크플로의 종단 간 확장

새로운 자금은 에이독의 기초 모델 확장과 종단 간 워크플로로의 확장을 지원할 것이다. 하나의 주요 개발 영역은 자동으로 초안 보고서 생성이다. 이는 AI를 감지에서 전체 임상 워크플로 참여로 이동하는 것을 목표로 한다.

이 방향은 AI 시스템이 이상을 강조하는 것 이상으로, 임상 의사들에게 발견을 구조화하고, 요약하고, 맥락화하는 미래래를 암시한다.

실제적으로, 이는 스캔, 진단, 및 치료 사이의 시간을 압축할 수 있으며,동시에에 의료 전문가의 인지적 부담을 줄일 수 있다.

자율적인 임상 의사 결정 지원으로

나타남하는 것은 단편적인 AI 도구에서 통합된 시스템으로의 전환이다. 이러한 플랫폼은 의료 환경 내에서 인프라로 작동한다.

이러한 플랫폼이 성숙함에 따라, 그들의 가치는 점점 더 의료 환경에서 신뢰할 수 있게 작동하는 모델을 구축하는 것에서 비롯될 것이다. 기술적인 도전은 더 이상 정확한 모델을 구축하는 것이 아니라, 이러한 모델이 복잡한 병원 환경에서 규제 감독하에 신뢰할 수 있게 작동하도록 하는 것이다.

시간이 지남에 따라, “AI 지원”과 “표준” 치료 사이의 구분이 점점 더모호해질 수 있다. AI는 더 이상 눈에 띄는 도구가 아닌, 지속적으로 데이터를 해석하고, 위험을 플래그하고, 임상 의사들에게 실시간으로 지원하는 밑바탕의 레이어가 될 수 있다.

이러한 전환이 발생한다면, 진단 정확도와 환자 결과의 개선은 단일 혁신적인 기능에서 비롯되는 것이 아니라, 임상 워크플로 전반에 걸쳐 조용히 내재화된 AI의 누적 효과에서 비롯될 수 있다.