ความร่วมมือ
Dyania Health ใช้ Synapsis AI บนระบบ GPU ที่โรงพยาบาลเป็นเจ้าของ
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญSynapsis AI keeps patient records inside hospital networks by running inference on…
ดูเพิ่มเติม
- Synapsis AI keeps patient records inside hospital networks by running inference on on-premises GPU servers.
- Cleveland Clinic's study used Synapsis AI to build a predictive model of valve failure and reintervention risk.
- The system automates chart review and signal detection while clinicians retain every clinical decision.
Dyania Health และ NVIDIA ประกาศเมื่อวันที่ 13 พฤศจิกายน 2026 ว่า Synapsis AI ทำงานบนระบบประมวลผลเร่งความเร็วของ NVIDIA ที่โรงพยาบาลเป็นเจ้าของ โดยมีการศึกษาเบื้องต้นที่ Cleveland Clinic ซึ่งครอบคลุมผู้ป่วย 7,812 รายที่เข้ารับการผ่าตัดเปลี่ยนลิ้นหัวใจเอออร์ตา ความร่วมมือนี้มีเป้าหมายเพื่อตรวจทานเวชระเบียนของผู้ป่วยจำนวนมากโดยไม่ย้ายข้อมูลออกนอกเครือข่ายของระบบสาธารณสุข
Dyania Healthอธิบายว่า Synapsis AI เป็นเครื่องมือให้เหตุผลทางคลินิกที่อ่านบันทึกการรักษา รายงานการผ่าตัด รายงานภาพวินิจฉัย และผลตรวจทางห้องปฏิบัติการย้อนหลังหลายปี จากนั้นตอบคำถามทางคลินิกโดยอ้างอิงหลักฐานที่เชื่อมโยงกับเวชระเบียน ผลลัพธ์ของระบบเป็นสัญญาณทางคลินิกที่มีจุดประสงค์เพื่อชี้ให้ทีมดูแลทราบว่าผู้ป่วยรายใดต้องได้รับการดูแลและเพราะเหตุใด โดยแพทย์จะตรวจสอบหลักฐานและเป็นผู้ตัดสินใจทุกกรณี
การให้เหตุผลทางคลินิกภายในสถานพยาบาล
การติดตั้งใช้งานนี้ใช้ NVIDIA AI Enterprise ครอบคลุมทั้งชุดซอฟต์แวร์ Dyania ฝึกโมเดลทางคลินิกที่บริษัทเป็นเจ้าของด้วย NeMo จากนั้นใช้ TensorRT และ TensorRT-LLM เพื่อปรับการอนุมานให้มีประสิทธิภาพบนเซิร์ฟเวอร์ GPU ของโรงพยาบาล ดังนั้น การอนุมานจึงดำเนินการอยู่ภายในเครือข่ายส่วนตัวของโรงพยาบาล แทนการส่งเวชระเบียนผู้ป่วยไปยังสภาพแวดล้อมภายนอก
NVIDIA ระบุว่าระบบยังคงทำหน้าที่สนับสนุน โดยแสดงหลักฐานจากเวชระเบียนที่แพทย์ต้องยืนยันและนำไปดำเนินการ ความแตกต่างนี้สำคัญ เพราะการติดตั้งใช้งานดังกล่าวทำให้การตรวจทานเวชระเบียนและการตรวจจับสัญญาณเป็นไปโดยอัตโนมัติ แต่ไม่ได้ทำให้การตัดสินใจทางคลินิกที่ตามมาเป็นไปโดยอัตโนมัติ
บริษัททั้งสองมุ่งแก้ปัญหาคอขวดจากการทำงานด้วยมือในงานวิจัยและการจัดการดูแลผู้ป่วยของโรงพยาบาล รายละเอียดสำคัญมักอยู่ในข้อความบรรยายแทนที่จะอยู่ในช่องข้อมูลที่มีโครงสร้าง ทำให้จำนวนเวชระเบียนที่บุคลากรตรวจทานเพื่อจัดทำทะเบียนผู้ป่วย ศึกษาผลลัพธ์ และสร้างแบบจำลองคาดการณ์มีจำกัด Synapsis AI ตรวจทานข้อมูลย้อนหลังตามช่วงเวลาของประชากรผู้ป่วยทั้งระบบสาธารณสุข โดยอาจนำไปใช้ตรวจหาช่องว่างในการดูแล ทำวิจัยเชิงสังเกต และจับคู่ผู้ป่วยกับการทดลองทางคลินิก
การศึกษาลิ้นหัวใจที่ Cleveland Clinic
การศึกษานี้ตรวจสอบผู้ป่วยที่ได้รับการผ่าตัดเปลี่ยนลิ้นหัวใจเอออร์ตาระหว่างปี 2005 ถึง 2021 โดยทบทวนประวัติการดูแลของผู้ป่วยแต่ละรายย้อนหลังนานสูงสุด 16 ปี Synapsis AI ตอบคำถามทางคลินิก 88 ข้อต่อผู้ป่วยแต่ละราย ครอบคลุมลักษณะของลิ้นหัวใจ โรคร่วม แนวโน้มผลตรวจทางห้องปฏิบัติการ ยา ค่าที่วัดได้จากการตรวจอัลตราซาวนด์ติดตามผล และเหตุการณ์ทางคลินิกที่เกิดขึ้นภายหลัง ประวัติส่วนใหญ่ดังกล่าวอยู่ในบันทึกข้อความบรรยายและรายงานการตรวจคลื่นเสียงสะท้อนหัวใจ
NVIDIA ระบุว่าแพลตฟอร์มตรวจทานเวชระเบียนของผู้ป่วยในกลุ่มศึกษาทั้งหมดได้ครบถ้วน ซึ่งเป็นงานที่หากแพทย์ทำด้วยตนเองจะใช้เวลาหลายปี ชุดข้อมูลที่ได้ถูกนำไปฝึกแบบจำลองการเรียนรู้ของเครื่องเพื่อคาดการณ์ความเสี่ยงที่ลิ้นหัวใจจะทำงานล้มเหลวและความเสี่ยงที่จะต้องเข้ารับการผ่าตัดซ้ำในระยะสาม ห้า และ 10 ปี พร้อมปรับค่าประมาณดังกล่าวใหม่ทุกครั้งที่มีผลตรวจอัลตราซาวนด์ครั้งใหม่
Dyania รายงานว่าประเภทของลิ้นหัวใจที่ฝังเป็นปัจจัยที่มีอิทธิพลมากที่สุดต่อความเร็วในการเสื่อมสภาพของลิ้นหัวใจ ขณะที่อายุและภาวะทางการแพทย์อื่น ๆ มีผลต่อการเกิดหัตถการครั้งที่สองและช่วงเวลาที่จะเกิดขึ้น การวิเคราะห์ยังตรวจสอบด้วยว่าข้อมูลติดตามผล เช่น ผลตรวจอัลตราซาวนด์หลังผ่าตัด สามารถเพิ่มความแม่นยำในการคาดการณ์เกี่ยวกับการรักษาที่อาจต้องทำในอนาคตได้อย่างมากเพียงใด
“การใช้เทคโนโลยีรวบรวมและวิเคราะห์ข้อมูลที่ช่วยให้เราคาดการณ์อายุการใช้งานของลิ้นหัวใจที่ฝังในร่างกายได้ เป็นก้าวที่น่าจับตามองสู่การยกระดับผลลัพธ์การรักษาและการดูแลผู้ป่วยที่เหมาะกับแต่ละบุคคลยิ่งขึ้น” Lars G. Svensson หัวหน้า Heart, Vascular & Thoracic Institute ของ Cleveland Clinic กล่าว
การศึกษานี้แสดงให้เห็นการสร้างชุดข้อมูลและการคาดการณ์ความเสี่ยง ไม่ได้แสดงให้เห็นว่าผลลัพธ์ของผู้ป่วยดีขึ้น Dyania ระบุว่าเครื่องมือนี้มีจุดประสงค์เพื่อใช้ประกอบการดูแล และต้องผ่านการตรวจสอบความถูกต้องทางคลินิกจากภายนอกก่อนที่จะนำไปใช้อ้างอิงทางคลินิกในวงกว้าง
แผนงานการติดตั้งใช้งาน
ในประกาศความร่วมมือของ Dyania ระบุว่าบริษัททั้งสองมีแผนผลักดันการติดตั้งใช้งานในระบบสาธารณสุขทั้งในสหรัฐอเมริกาและต่างประเทศ เผยแพร่กรณีศึกษาร่วมกัน และผสาน Synapsis AI เข้ากับชุดซอฟต์แวร์ด้านสุขภาพของ NVIDIA เทคโนโลยีที่อยู่ระหว่างการประเมินประกอบด้วย NVIDIA Confidential Computing สำหรับการฝึกและการอนุมาน, NVIDIA Dynamo สำหรับการให้บริการอนุมานแบบกระจาย และ Multi-Instance GPU สำหรับแบ่ง GPU ให้รองรับภาระงานทางคลินิกหลายงานที่ทำงานพร้อมกัน
บริษัททั้งสองยังประเมินการขยายระบบให้รองรับ GPU Blackwell Ultra หลายตัว ขณะที่การประมวลผลเปลี่ยนจากการตรวจทานเป็นชุดไปสู่การให้ข้อมูลเชิงลึกทางคลินิกเกือบเรียลไทม์ ณ จุดให้บริการ ทั้งหมดนี้ยังเป็นเป้าหมายที่อยู่ระหว่างการประเมิน ไม่ใช่การติดตั้งใช้งานที่เสร็จสมบูรณ์แล้ว สำหรับระบบสาธารณสุข คำถามในทางปฏิบัติคือ แบบจำลองที่ผ่านการตรวจสอบความถูกต้องจากภายนอกจะเปลี่ยนการตรวจทานเวชระเบียนในระดับประชากรให้เป็นการดำเนินการทางคลินิกที่เชื่อถือได้ ขณะเดียวกันยังคงให้แพทย์ควบคุมการตัดสินใจในการดูแลได้หรือไม่
