Aidoc Haalt $150 Miljoen Op in Serie E om Clinische AI te Schalen in Gezondheidssystemen

Clinische AI-bedrijf Aidoc heeft $150 miljoen aan financiering opgehaald in een Serie E-rondje, geleid door Goldman Sachs Alternatives (GS ), omdat gezondheidssystemen steeds vaker kijken naar geïntegreerde, ondernemingsbrede platforms in plaats van geïsoleerde AI-hulpmiddelen.

De ronde omvat deelname van General Catalyst, SoftBank Investment Advisors en NVentures, waardoor het totale financieringsbedrag van het bedrijf meer dan $500 miljoen bedraagt. De financiering komt op een moment dat ziekenhuizen onder druk staan om diagnostische fouten, personeelstekorten en groeiende beeldvormingsvolumes aan te pakken – factoren die bijdragen aan honderdduizenden voorkombare sterfgevallen per jaar in de Verenigde Staten.

Van Oplossingen voor Specifieke Problemen naar Systeembrede AI

Gedurende jaren is AI in de gezondheidszorg voornamelijk ingezet als enkelvoudige hulpmiddelen – algoritmes die zijn ontworpen om één aandoening tegelijk te detecteren. Deze benadering heeft een beperkt effect, vooral in omgevingen waar clinici grote hoeveelheden beeldvormingsgegevens over meerdere aandoeningen moeten interpreteren.

Aidoc maakt deel uit van een bredere verschuiving naar foundation model-gedreven systemen die over meerdere modaliteiten en use cases kunnen opereren. Het eigen CARE™ foundation model is ontworpen om multimodale klinische gegevens te analyseren en de AI-dekking over meerdere pathologieën uit te breiden vanuit één architectuur.

Deze verschuiving weerspiegelt wat al is gebeurd in andere gebieden van AI: van smalle hulpmiddelen naar gegeneraliseerde systemen die complexe workflows kunnen ondersteunen.

Het Bouwen van een Besturingssysteem voor Clinische AI

Centraal in de benadering van Aidoc staat het ondernemingsplatform aiOS™, dat fungeert als een klinische AI-orchestratielaag. In plaats van individuele algoritmes in isolatie in te zetten, integreert aiOS AI rechtstreeks in het ziekenhuisinfrastructuur, waaronder beeldvormingssystemen en elektronische gezondheidsdossiers.

Het platform maakt het mogelijk om meerdere algoritmes tegelijkertijd op één scan uit te voeren, waarbij urgente bevindingen worden geprioriteerd en zowel verwachte als incidentele afwijkingen worden blootgelegd. Deze orchestratielaag is ontworpen om diagnostische hiaten te verminderen en de workflow-efficiëntie te verbeteren.

Het introduceert ook governance-mechanisme – zoals validatie, monitoring en prestatiebewaking – die steeds noodzakelijker worden naarmate AI-systemen zich in gereguleerde klinische omgevingen bewegen.

Het Schalen van AI in Echte Klinische Omgevingen

Aidoc’s technologie wordt al op grote schaal ingezet, waarbij het jaarlijks tientallen miljoenen patiëntgevallen analyseert en de zorgverlening ondersteunt in duizenden ziekenhuizen over de hele wereld.

De systemen worden gebruikt in real-time klinische omgevingen, met name in radiologie, waar AI urgente bevindingen kan markeren en triage-beslissingen kan versnellen. Recent onderzoek benadrukt use cases variërend van het detecteren van interne verwondingen tot het prioriteren van noodgevallen op basis van beeldvormingsgegevens.

Dit niveau van inzet weerspiegelt een overgang van experimenten naar operationele afhankelijkheid – waar AI geen add-on meer is, maar onderdeel van de kernklinische infrastructuur.

De Volgende Fase: End-to-End Klinische Workflows

De nieuwe financiering zal de uitbreiding van Aidoc’s foundation model ondersteunen en verder gaan in end-to-end workflows. Een belangrijk ontwikkelingsgebied is de geautomatiseerde generatie van concept-rapporten, met als doel AI van detectie naar volledige klinische workflow-deelname te verplaatsen.

Die richting suggereert een toekomst waarin AI-systemen meer doen dan alleen afwijkingen markeren – ze kunnen steeds vaker structureren, samenvatten en contextualiseren van bevindingen voor clinici.

In praktische zin kan dit de tijd tussen scan, diagnose en behandeling comprimeren, terwijl het ook de cognitieve belasting op zorgprofessionals vermindert.

Naar Autonome Clinische Beslissingsondersteuning

Wat naar voren komt, is een overgang van gefragmenteerde AI-hulpmiddelen naar geïntegreerde systemen die fungeren als infrastructuur binnen de gezondheidszorg.

Naarmate deze platforms volwassen worden, zal hun waarde steeds meer komen van hoe ze over afdelingen heen coördineren, besluitvorming standaardiseren en variatie in zorg reduceren. De technische uitdaging is niet langer alleen het bouwen van nauwkeurige modellen – het is ervoor zorgen dat die modellen betrouwbaar kunnen opereren in complexe ziekenhuisomgevingen, onder strikte regelgevende toezicht.

Na verloop van tijd kan het onderscheid tussen “AI-ondersteund” en “standaard” zorg beginnen te vervagen. In plaats van een zichtbaar hulpmiddel te zijn, kan AI een onderliggende laag worden die continu gegevens interpreteert, risico’s markeert en clinici in real-time ondersteunt.

Als die verschuiving plaatsvindt, kunnen verbeteringen in diagnostische nauwkeurigheid en patiëntresultaten niet komen van één enkel doorbraakkenmerk, maar van het cumulatieve effect van AI dat stilzwijgend over de hele klinische workflow is ingebed.