Dyania Health kjører Synapsis AI på GPU-systemer eid av sykehus

Dyania Health og NVIDIA kunngjorde 13. november 2026 at Synapsis AI kjører på sykehuseide systemer for NVIDIA-akselerert databehandling. Den innledende studien ved Cleveland Clinic omfatter 7 812 pasienter som fikk operert inn en aortaklaff. Samarbeidet skal gjøre det mulig å gjennomgå journaler på tvers av pasientpopulasjoner uten å flytte dem ut av helsesystemenes nettverk.

Dyania Health beskriver Synapsis AI som en motor for klinisk resonnering som leser notater, operasjonsrapporter, bildediagnostiske rapporter og laboratorieresultater fra flere år, og deretter besvarer kliniske spørsmål med dokumentasjon som er knyttet til journalen. Resultatene er kliniske signaler som skal vise behandlingsteamene hvilke pasienter som trenger oppfølging, og hvorfor. Klinikerne gjennomgår dokumentasjonen og tar alle beslutninger.

Klinisk resonnering i sykehusets egen infrastruktur

Løsningen bruker NVIDIA AI Enterprise gjennom hele programvareløsningen. Dyania trener sine proprietære kliniske modeller med NeMo og bruker deretter TensorRT og TensorRT-LLM til å optimalisere inferens på sykehusenes GPU-servere. Inferensen foregår dermed innenfor sykehusets private nettverk, i stedet for at pasientjournaler sendes til et eksternt miljø.

NVIDIA opplyste at systemet fortsatt er et støtteverktøy: Det henter fram dokumentasjon fra pasientjournaler som klinikerne må bekrefte og handle ut fra. Dette skillet er viktig fordi løsningen automatiserer journalgjennomgang og identifisering av signaler, ikke de påfølgende kliniske beslutningene.

Selskapene retter seg mot en manuell flaskehals innen sykehusforskning og behandlingsadministrasjon. Viktige detaljer står ofte i løpende tekst i stedet for i strukturerte felt, noe som begrenser antallet journaler personalet kan gjennomgå for sykdomsregistre, studier av behandlingsresultater og prediktive modeller. Synapsis AI gjennomgår pasientforløp over tid på tvers av en helsesystems befolkning, med mulige bruksområder som å avdekke udekkede behandlingsbehov, observasjonsforskning og å finne aktuelle kliniske studier for pasienter.

Klaffestudien ved Cleveland Clinic

Studien undersøkte pasienter som fikk skiftet ut aortaklaffen mellom 2005 og 2021, og gjennomgikk opptil 16 års behandling per pasient. Synapsis AI besvarte 88 kliniske spørsmål for hver pasient om klaffens egenskaper, samtidige sykdommer, laboratorieverdier over tid, legemidler, målinger fra oppfølgende ultralydundersøkelser og senere kliniske hendelser. Mye av denne historikken var dokumentert i løpende notater og ekkokardiografirapporter.

NVIDIA opplyste at plattformen gjennomgikk journalene for hele kohorten, en oppgave som ville ha tatt klinikere flere år å utføre manuelt. Datasettet som ble resultatet, ble brukt til å trene en prediktiv maskinlæringsmodell som anslår risikoen for klaffesvikt og nye inngrep etter tre, fem og ti år, og oppdaterer anslagene hver gang en ny ultralydundersøkelse foretas.

Dyania rapporterte at typen implantert klaff var den viktigste faktoren for hvor raskt klaffen ble dårligere, mens alder og andre medisinske tilstander påvirket om og når et nytt inngrep ble utført. Analysen undersøkte også hvordan oppfølgingsinformasjon, som ultralydundersøkelser etter operasjonen, kan øke treffsikkerheten i prediksjoner om framtidige inngrep betydelig.

«Å bruke teknologi til å samle og analysere informasjon som kan hjelpe oss med å forutsi levetiden til implanterte hjerteklaffer, er et lovende skritt mot bedre behandlingsresultater og mer persontilpasset behandling for pasientene», sa Lars G. Svensson, leder for Cleveland Clinics Heart, Vascular & Thoracic Institute.

Studien viser hvordan datasett kan bygges opp og risiko kan forutsies, men ikke at pasientresultatene er blitt bedre. Dyania sier at verktøyet er ment å gi informasjon som kan brukes i behandlingen, og at det må gjennomgå ekstern klinisk validering før det tas bredere i bruk som beslutningsgrunnlag i klinisk praksis.

Plan for videre utrulling

Dyanias kunngjøring av samarbeidet sier at selskapene planlegger å ta løsningen i bruk i helsesystemer i USA og internasjonalt, publisere felles casestudier og integrere Synapsis AI med NVIDIAs programvareplattform for helsesektoren. Teknologier som evalueres, omfatter NVIDIA Confidential Computing for trening og inferens, NVIDIA Dynamo for distribuert inferens og Multi-Instance GPU for å dele opp GPU-er mellom samtidige kliniske arbeidsbelastninger.

Selskapene vurderer også å skalere opp til flere Blackwell Ultra-GPU-er etter hvert som behandlingen går fra gjennomganger i batch til klinisk innsikt nær sanntid der pasientene får behandling. Dette er fortsatt mål for evaluering, ikke utrullinger som er gjennomført. For helsesystemene er det praktiske spørsmålet om modeller som er validert eksternt, kan omsette journalgjennomgang i stor skala til pålitelige kliniske tiltak, samtidig som klinikerne beholder kontrollen over behandlingsbeslutningene.