Aidoc pozyskał 150 milionów dolarów w ramach rundy finansowania serii E, aby rozszerzyć sztuczną inteligencję kliniczną w systemach opieki zdrowotnej

Firma Aidoc, specjalizująca się w sztucznej inteligencji klinicznej, zabezpieczyła 150 milionów dolarów w ramach rundy finansowania serii E, pod przewodnictwem Goldman Sachs Alternatives (GS ), gdy systemy opieki zdrowotnej coraz częściej szukają rozwiązań wykraczających poza izolowane narzędzia sztucznej inteligencji i zmierzają ku zintegrowanym, przedsiębiorczym platformom.

W rundzie finansowania uczestniczą również General Catalyst, SoftBank Investment Advisors oraz NVentures, co zwiększa łączne finansowanie spółki do ponad 500 milionów dolarów. Zbiórka ta odbywa się w czasie, gdy szpitale są pod wpływem rosnącej presji, aby rozwiązać problemy z błędami diagnostycznymi, brakami kadrowymi oraz rosnącymi objętościami obrazowania – czynniki, które przyczyniają się do setek tysięcy niepotrzebnych zgonów rocznie w Stanach Zjednoczonych.

Od rozwiązań punktowych do sztucznej inteligencji na poziomie systemowym

Przez lata sztuczna inteligencja w ochronie zdrowia była wdrażana głównie jako narzędzia o pojedynczym przeznaczeniu – algorytmy zaprojektowane do wykrywania jednej choroby na raz. Ten podejście ma ograniczony wpływ, szczególnie w środowiskach, w których klinicyści muszą interpretować ogromne ilości danych obrazowych dotyczących wielu chorób.

Aidoc jest częścią szerszego trendu w kierunku systemów napędzanych przez modele podstawowe, które mogą działać w różnych modalnościach i przypadkach użycia. Ich własny model podstawowy CARE™ jest zaprojektowany do analizy danych klinicznych o wielu modalnościach i rozszerzania pokrycia sztucznej inteligencji na wiele patologii z jednej architektury.

Ten trend odzwierciedla to, co już nastąpiło w innych obszarach sztucznej inteligencji: przechodzenie od wąskich narzędzi do uogólnionych systemów, które mogą wspierać złożone przepływy pracy.

Budowanie systemu operacyjnego dla sztucznej inteligencji klinicznej

Centralnym elementem podejścia Aidoc jest ich platforma przedsiębiorcza, aiOS™, która funkcjonuje jako warstwa orchestracji sztucznej inteligencji klinicznej. Zamiast wdrażania poszczególnych algorytmów w izolacji, aiOS integruje sztuczną inteligencję bezpośrednio z infrastrukturą szpitala, w tym systemami obrazowania i elektronicznymi kartotekami pacjentów.

Platforma umożliwia jednoczesne uruchamianie wielu algorytmów na jednym skanie, priorytetowe znaleziska pilne i prezentowanie zarówno oczekiwanych, jak i przypadkowych nieprawidłowości. Ta warstwa orchestracji jest zaprojektowana do redukowania luk diagnostycznych oraz poprawy wydajności przepływu pracy.

Wprowadza również mechanizmy zarządzania – takie jak walidacja, monitorowanie i śledzenie wydajności – które stają się coraz bardziej niezbędne, gdy systemy sztucznej inteligencji wchodzą do regulowanych środowisk klinicznych.

Skalowanie sztucznej inteligencji w prawdziwych środowiskach klinicznych

Technologia Aidoc jest już wdrożona w znacznym stopniu, analizując dziesiątki milionów przypadków pacjentów rocznie i wspierając dostawę opieki w tysiącach szpitali na całym świecie.

Ich systemy są wykorzystywane w czasie rzeczywistym w środowiskach klinicznych, szczególnie w radiologii, gdzie sztuczna inteligencja może flagować pilne znaleziska i przyspieszać decyzje dotyczące trybu.

Ten poziom wdrożenia odzwierciedla przejście od eksperymentowania do uzależnienia operacyjnego – gdzie sztuczna inteligencja nie jest już dodatkiem, ale częścią podstawowej infrastruktury klinicznej.

Następna faza: pełne przepływy pracy klinicznych

Nowe finansowanie wesprze rozwój modelu podstawowego Aidoc i posunięcie się dalej w kierunku pełnych przepływów pracy. Jednym z kluczowych obszarów rozwoju jest automatyczna generacja projektów raportów, zmierzająca do przeniesienia sztucznej inteligencji z wykrywania do pełnego udziału w przepływie pracy klinicznej.

Ten kierunek sugeruje przyszłość, w której systemy sztucznej inteligencji nie tylko wyróżniają nieprawidłowości, ale coraz częściej strukturalizują, podsumowują i kontekstualizują znaleziska dla klinicystów.

W praktyce mogłoby to skrócić czas między skanowaniem, diagnozą a leczeniem, a także zmniejszyć obciążenie poznawcze personelu medycznego.

Ku autonomicznej decyzji klinicznej

Co się wyłania, to przejście od fragmentarycznych narzędzi sztucznej inteligencji do zintegrowanych systemów, które funkcjonują jako infrastruktura w ochronie zdrowia.

Podczas dojrzewania tych platform ich wartość będzie coraz bardziej pochodzić z tego, jak koordynują one działania między departamentami, standaryzują podejmowanie decyzji i redukują zmienność w opiece. Wyzwaniem technicznym nie jest już tylko budowanie dokładnych modeli – ale upewnienie się, że te modele mogą działać niezawodnie w złożonych środowiskach szpitalnych, pod ścisłą kontrolą regulacyjną.

Wraz z czasem różnica między “wspieraną przez sztuczną inteligencję” a “standardową” opieką może zacząć zanikać. Zamiast być widocznym narzędziem, sztuczna inteligencja mogłaby stać się podstawową warstwą, która ciągle interpretuje dane, flaguje ryzyko i wspiera klinicystów w czasie rzeczywistym.

Jeśli ten trend utrwali się, poprawa dokładności diagnostycznej i wyników pacjentów może nie wynikać z jednej przełomowej funkcji, ale z kumulatywnego efektu sztucznej inteligencji cicho wbudowanej w cały przepływ pracy kliniczną.