Aidoc henter inn 150 millioner dollar i serie E-finansiering for å skalle klinisk AI på tvers av helsesystemer

Klinisk AI-selskap Aidoc har sikret 150 millioner dollar i serie E-finansiering, ledet av Goldman Sachs Alternatives (GS ), ettersom helseystemer stadig mer ser bort fra isolerte AI-verktøy og mot integrerte, bedriftsvidde plattformer.

Runden inkluderer deltakelse fra General Catalyst, SoftBank Investment Advisors og NVentures, og bringer selskapets totale finansiering til over 500 millioner dollar. Økningen skjer midt i en økende press på sykehusene for å håndtere feil i diagnose, personalmangel og økende volumer av bildeundersøkelser – faktorer som bidrar til hundredtusener av forebyggelige dødsfall hvert år i USA.

Fra punktløsninger til systemomfattende AI

I mange år har AI i helsevesenet hovedsakelig vært brukt som enkeltformål-verktøy – algoritmer designet for å detektere en tilstand om gangen. Denne tilnærmingen har begrenset effekt, spesielt i miljøer der kliniske ansatte må tolke store mengder bilde-data over flere tilstander.

Aidoc er en del av en bredere skift mot foundation model-drevne systemer som kan operere på tvers av modaliteter og brukstilfeller. Deres proprietære CARE™ foundation model er designet for å analysere multimodale kliniske data og utvide AI-dekning over flere patologier fra en enkelt arkitektur.

Denne skiftningen speiler hva som allerede har skjedd i andre områder av AI: å gå fra smale verktøy til generaliserte systemer som kan støtte komplekse arbeidsflyter.

Bygging av et operativsystem for klinisk AI

I sentrum av Aidocs tilnærming ligger deres bedriftsplattform, aiOS™, som fungerer som en klinisk AI-koordineringslag. I stedet for å deployere enkeltalgoritmer i isolasjon, integrerer aiOS AI direkte i sykehusinfrastrukturen, inkludert bilde-systemer og elektroniske helsejournaler.

Plattformen muliggjør at flere algoritmer kan kjøres samtidig på en enkelt skanning, prioriterer urgente funn og viser både forventede og tilfeldige avvikelser. Denne koordineringslaget er designet for å redusere diagnostiske hull og forbedre arbeidsflyteffektiviteten.

Den introduserer også styringsmekanismer – som validering, overvåking og ytelsessporing – som er stadig mer nødvendige når AI-systemer flyttes inn i regulerte kliniske miljøer.

Skalering av AI i virkelige kliniske miljøer

Aidocs teknologi er allerede deployert i betydelig skala, og analyserer titall millioner pasienttilfeller årlig og støtter levering av omsorg på tvers av tusenvis av sykehus verden over.

Deres systemer brukes i sanntid kliniske miljøer, spesielt i radiologi, hvor AI kan flagge urgente funn og akselerere triage-beslutninger. Nylig rapportering fremhever brukstilfeller som går fra å detektere interne skader til å prioritere nødsaker basert på bilde-data.

Dette nivået av deployering reflekterer en overgang fra eksperimentering til operasjonell avhengighet – hvor AI ikke lenger er et tillegg, men en del av kjerne-klinisk infrastruktur.

Neste fase: End-to-end kliniske arbeidsflyter

Den nye finansieringen vil støtte utvidelsen av Aidocs foundation model og drive videre mot end-to-end arbeidsflyter. En viktig utviklingsområde er generering av automatiske utkast til rapporter, med mål om å flytte AI fra deteksjon mot fullt klinisk arbeidsflytdeltagelse.

Denne retningen antyder en fremtid hvor AI-systemer gjør mer enn å høydeppe avvikelser – de kan stadig mer strukturere, summerere og kontekstualisere funn for kliniske ansatte.

I praksis kan dette komprimere tiden mellom skanning, diagnose og behandling, mens det også reduserer den kognitive belastningen på helsepersonell.

Mot autonomt klinisk beslutningsstøtte

Hva som oppstår, er en overgang fra fragmenterte AI-verktøy til samlede systemer som fungerer som infrastruktur innen helsevesenet.

Ettersom disse plattformene modnes, vil deres verdi stadig mer komme fra hvordan de koordinerer på tvers av avdelinger, standardiserer beslutningsprosesser og reduserer variasjon i omsorg. Den tekniske utfordringen er ikke lenger bare å bygge nøyaktige modeller – det er å sikre at disse modellene kan operere pålitelig innen komplekse sykehusmiljøer, under strenge reguleringer.

Over tid kan skillet mellom “AI-støttet” og “standard” omsorg begynne å bli uklart. I stedet for å være et synlig verktøy, kan AI bli et underliggende lag som kontinuerlig tolker data, flagger risiko og støtter kliniske ansatte i sanntid.

Hvis denne skiftningen tar hold, kan forbedringene i diagnostisk nøyaktighet og pasientresultater ikke komme fra en enkelt gjennombrottsfunksjon, men fra den kumulative effekten av AI som stille er innbygget på tvers av hele den kliniske arbeidsflyten.