Dyania Health запускает Synapsis AI на GPU-системах, принадлежащих больницам

13 ноября 2026 года Dyania Health и NVIDIA объявили, что Synapsis AI работает на ускоренных вычислительных системах NVIDIA, принадлежащих больницам. Первое исследование в Cleveland Clinic охватило 7 812 пациентов, перенёсших замену аортального клапана. Сотрудничество призвано обеспечить анализ медицинских записей пациентов без передачи данных за пределы сетей систем здравоохранения.

Dyania Health описывает Synapsis AI как систему клинического анализа, которая изучает записи за несколько лет, протоколы операций, отчёты по результатам визуализации и лабораторные анализы, а затем отвечает на клинические вопросы, приводя подтверждения со ссылками на медицинскую карту. Система формирует клинические сигналы, призванные показывать медицинским бригадам, каким пациентам требуется внимание и почему; врачи проверяют обоснование и принимают все решения.

Клинический анализ на локальной инфраструктуре

В программном стеке решения используется NVIDIA AI Enterprise. Dyania обучает собственные клинические модели с помощью NeMo, а затем применяет TensorRT и TensorRT-LLM для оптимизации инференса на больничных GPU-серверах. Таким образом, инференс выполняется внутри частной сети больницы, а медицинские записи пациентов не передаются во внешнюю среду.

По словам NVIDIA, система остаётся вспомогательным инструментом: она извлекает из медицинских записей данные, которые врачи должны проверить и использовать в работе. Это различие важно, поскольку решение автоматизирует анализ медицинских карт и выявление сигналов, но не последующие клинические решения.

Компании намерены устранить узкое место, связанное с ручной обработкой данных в больничных исследованиях и управлении медицинской помощью. Важные сведения часто содержатся в текстовых записях, а не в структурированных полях, что ограничивает объём медицинских карт, которые сотрудники могут просматривать для ведения регистров, исследований результатов лечения и разработки прогностических моделей. Synapsis AI анализирует данные пациентов за длительный период в масштабах системы здравоохранения. Среди возможных применений — выявление пробелов в медицинской помощи, обсервационные исследования и подбор пациентов для клинических испытаний.

Исследование клапанов в Cleveland Clinic

В исследовании рассмотрели данные пациентов, которым в период с 2005 по 2021 год заменили аортальный клапан, изучив медицинскую историю каждого пациента за период продолжительностью до 16 лет. Synapsis AI ответила для каждого пациента на 88 клинических вопросов о характеристиках клапана, сопутствующих заболеваниях, динамике лабораторных показателей, принимаемых препаратах, результатах контрольных ультразвуковых исследований и последующих клинических событиях. Значительная часть этих сведений содержалась в текстовых записях и отчётах об эхокардиографии.

По словам NVIDIA, платформа завершила анализ медицинских карт всей когорты — работа, на которую у врачей вручную ушли бы годы. Полученный набор данных использовали для обучения прогностической модели машинного обучения, которая оценивает риск отказа клапана и повторного вмешательства через три, пять и 10 лет, а затем пересчитывает эти оценки при каждом новом ультразвуковом исследовании.

По данным Dyania, тип имплантированного клапана был самым значимым фактором, определявшим скорость его износа, тогда как возраст и другие заболевания влияли на то, потребуется ли пациенту повторная процедура и когда именно. В анализе также изучили, как данные последующего наблюдения, например результаты УЗИ после операции, могут существенно повысить точность прогнозирования будущих вмешательств.

«Использование технологий для объединения и анализа информации, которая помогает нам прогнозировать срок службы имплантированных сердечных клапанов, — многообещающий шаг к улучшению результатов лечения и более персонализированному подходу к пациентам», — сказал Ларс Г. Свенссон, руководитель Института сердца, сосудов и грудной хирургии Cleveland Clinic.

Исследование демонстрирует формирование набора данных и прогнозирование рисков, но не улучшение результатов лечения пациентов. По словам Dyania, этот инструмент призван помогать в принятии решений о лечении; прежде чем на него можно будет шире полагаться в клинической практике, необходима внешняя клиническая валидация.

План внедрения

В объявлении о сотрудничестве Dyania говорится, что компании планируют внедрять решение в системах здравоохранения в США и других странах, публиковать совместные тематические исследования и интегрировать Synapsis AI с программным стеком NVIDIA для здравоохранения. Среди технологий, проходящих оценку, — NVIDIA Confidential Computing для обучения и инференса, NVIDIA Dynamo для распределённого обслуживания инференса и Multi-Instance GPU для разделения GPU между одновременно выполняемыми клиническими задачами.

Компании также оценивают возможность масштабирования решения на несколько GPU Blackwell Ultra, чтобы перейти от пакетного анализа к получению клинических данных почти в реальном времени непосредственно в месте оказания медицинской помощи. Пока это цели оценки, а не завершённые внедрения. Для систем здравоохранения практический вопрос состоит в том, смогут ли прошедшие внешнюю валидацию модели преобразовать анализ медицинских записей в масштабе всей популяции в надёжные клинические действия, сохранив за врачами контроль над решениями о лечении.