Aidoc 150 Milyon Dolarlık Seri E Fonksiyonunu Klinik AI’yi Sağlık Sistemleri Geneline Yaymak İçin Sağladı

Klinik AI şirketi Aidoc, sağlık sistemlerinin giderek daha fazla tek başına AI araçlarından entegre, kurumsal çapta platformlara doğru bakmasıyla birlikte 150 milyon dolarlık Seri E fonksiyonunu Goldman Sachs Alternatives liderliğinde sağladı.

Tur round, General Catalyst, SoftBank Investment Advisors ve NVentures‘ın katılımıyla şirketin toplam fonksiyonunu 500 milyon doların üzerine çıkardı. Fonksiyon, hastanelerin tanı hatalarını, personel eksikliklerini ve artan görüntüleme hacimlerini ele almak için artan bir baskı altında olduğu bir dönemde geldi—bu faktörler, Amerika Birleşik Devletleri’nde her yıl yüz binlerce önlenebilir ölümle sonuçlanıyor.

Nokta Çözümlerden Sistem Geneline AI’ye

Yıllarca, sağlık hizmetlerindeki AI büyük ölçüde tek amaçlı araçlar olarak dağıtıldı—bir seferde bir durumu tespit etmek için tasarlanmış algoritmalar. Bu yaklaşım, özellikle klinisyenlerin çoklu durumlar boyunca büyük miktarda görüntüleme verilerini yorumlaması gereken ortamlarda sınırlı etkiye sahip.

Aidoc, foundation model sürücülü sistemlere doğru daha geniş bir değişimin bir parçasıdır—bu sistemler modalite ve kullanım durumları boyunca çalışabilen sistemlerdir. Şirketin özel CARE™ foundation modeli, multimodal klinik verilerini analiz etmek ve tek bir mimariden birçok patoloji boyunca AI kapsamını genişletmek için tasarlandı.

Bu değişim, AI’nin diğer alanlarında zaten gerçekleşen şeyin aynısı—dar araçlardan komplex iş akışlarını destekleyebilecek genel sistemlere doğru ilerleme.

Klinik AI için Bir İşletim Sistemi Oluşturmak

Aidoc’un yaklaşımının merkezinde, aiOS™ adlı kurumsal platformu yer alıyor—bu platform, bir klinik AI orkestrasyon katmanı olarak işlev görüyor. Bireysel algoritmaları izole olarak dağıtmak yerine, aiOS, AI’yi doğrudan hastane altyapısına, görüntüleme sistemleri ve elektronik sağlık kayıtları dahil olmak üzere entegre ediyor.

Platform, tek bir taramada birden fazla algoritmanın çalışmasını sağlıyor, acil bulguları önceliklendirmek ve hem beklenen hem de beklenmeyen anormallikleri yüzeye çıkarmak için tasarlandı. Bu orkestrasyon katmanı, tanı boşluklarını azaltırken iş akışı verimliliğini iyileştirmek için tasarlandı.

Ayrıca, AI sistemlerinin düzenlenmiş klinik ortamlara girdikçe giderek daha gerekli hale gelen yönetim mekanizmaları—doğrulama, izleme ve performans izleme gibi—getiriyor.

Gerçek Klinik Ortamlarda AI’yi Ölçeklendirme

Aidoc’un teknolojisi zaten önemli bir ölçekte dağıtıldı, yılda on milyonlarca hasta vakasını analiz ediyor ve dünya çapındaki binlerce hastanede bakım sunumunu destekliyor.

Sistemleri, özellikle radyolojide, AI’nin acil bulguları işaret edebileceği ve triaj kararlarını hızlandırabileceği gerçek zamanlı klinik ortamlarda kullanılıyor. Recent raporlar, iç yaralanmaları tespit etmekten acil vakaları görüntüleme verilerine göre önceliklendirmeye kadar çeşitli kullanım örneklerini vurguluyor.

Bu düzeyde dağıtım, deneyselden operasyonel bağımlılığa bir geçişi yansıtıyor—AI artık bir eklenti değil, temel klinik altyapının bir parçası.

Sonraki Aşama: Uçtan Uca Klinik İş Akışları

Yeni fon, Aidoc’un foundation modelinin genişletilmesi ve uçtan uca iş akışlarına doğru daha da ilerlemesi için destek sağlayacak. Geliştirme alanlarının biri, otomatik taslak rapor oluşturulması—AI’nin tanıyı hızlandırarak tam klinik iş akışına katılması hedefleniyor.

Bu yönde ilerleme, AI sistemlerinin anormallikleri vurgulamaktan daha fazlasını yapabileceğini, bulguları yapılandırabileceğini, özetleyebileceğini ve klinisyenler için bağlamlaştırabileceğini gösteriyor.

Pratik anlamda, bu, tarama, tanı ve tedavi arasındaki süreyi sıkıştırabilir ve aynı zamanda sağlık profesyonellerinin bilişsel yükünü azaltabilir.

Özerk Klinik Karar Desteklerine Doğru

Ortaya çıkan şey, parçalı AI araçlarından unified sistemlere doğru bir geçiş—bu sistemler, sağlık hizmetleri içinde altyapı olarak işlev görüyor.

Bu platformların olgunlaşmasıyla, değerleri giderek daha fazla, departmanlar arasında koordine etme, karar verme standartlarını belirleme ve bakım中的 varyasyonu azaltma yeteneklerinden kaynaklanacak. Teknik zorluk, artık sadece doğru modeller oluşturmak değil, bu modellerin karmaşık hastane ortamlarında, sıkı düzenleyici denetim altında güvenilir bir şekilde çalışmasını sağlamak.

Zaman içinde, “AI destekli” ve “standart” bakım arasındaki ayrım belirsizleşebilir. AI, artık görünür bir araç değil, sürekli olarak verileri yorumlayan, riskleri işaret eden ve klinisyenleri gerçek zamanlı olarak destekleyen bir alt katman haline gelebilir.

Eğer bu değişim gerçekleşirse, tanı doğruluğundaki ve hasta sonuçlarındaki iyileştirmeler, tek bir devrimsel özellikten değil, tüm klinik iş akışı boyunca AI’nin sessizce gömülü olmasının birikimli etkisinden kaynaklanabilir.