Компанія Aidoc отримала 150 млн доларів у рамках серії E для розширення клінічного штучного інтелекту в системах охорони здоров’я

Компанія з клінічного штучного інтелекту Aidoc отримала 150 млн доларів у рамках серії E, яку очолив Goldman Sachs Alternatives, оскільки системи охорони здоров’я все частіше шукають не ізольовані інструменти штучного інтелекту, а інтегровані, корпоративні платформи.

У раунді фінансування взяли участь General Catalyst, SoftBank Investment Advisors та NVentures, що збільшує загальне фінансування компанії до понад 500 млн доларів. Розширення відбулося на тлі зростаючого тиску на лікарні щодо вирішення проблем діагностичних помилок, нестачі персоналу та зростаючих об’ємів медичної візуалізації – чинників, які спричиняють сотні тисяч попереджуваних смертей щороку в Сполучених Штатах.

Від розв’язків для окремих завдань до штучного інтелекту для всієї системи

Тривалий час штучний інтелект у сфері охорони здоров’я переважно використовувався як окремі інструменти – алгоритми, призначені для виявлення однієї хвороби за раз. Такий підхід має обмежений вплив, особливо в середовищах, де клініцистам потрібно інтерпретувати великі об’єми даних медичної візуалізації для різних захворювань.

Aidoc є частиною більш широкої тенденції до систем, заснованих на фундаментальних моделях, які можуть працювати з різними модальностями та випадками використання. Її власна модель CARE™ призначена для аналізу клінічних даних у декількох модальностях та розширення покриття штучного інтелекту для багатьох патологій з однієї архітектури.

Ця тенденція відображає те, що вже відбулося в інших галузях штучного інтелекту: перехід від вузьких інструментів до загальних систем, здатних підтримувати складні робочі процеси.

Створення операційної системи для клінічного штучного інтелекту

У центрі підходу Aidoc знаходиться її корпоративна платформа aiOS™, яка функціонує як оркеструвальний шар клінічного штучного інтелекту. Натомість ніж розгортання окремих алгоритмів у ізоляції, aiOS інтегрує штучний інтелект безпосередньо в інфраструктуру лікарень, включаючи системи медичної візуалізації та електронні медичні записи.

Платформа дозволяє одночасно запускати кілька алгоритмів на одному скані, пріоритезуючи термінові результати та виділяючи як очікувані, так і випадкові аномалії. Цей оркеструвальний шар призначений для зменшення діагностичних прогалин та покращення ефективності робочого процесу.

Він також вводить механізми управління – такі, як валідация, моніторинг та відстеження продуктивності, – які стають дедалі необхіднішими, оскільки системи штучного інтелекту переходять у регульовані клінічні середовища.

Масштабування штучного інтелекту в реальних клінічних середовищах

Технологія Aidoc вже розгорнута у значному масштабі, аналізуючи десятки мільйонів випадків пацієнтів щороку та підтримуючи надання медичної допомоги в тисячах лікарень по всьому світу.

Її системи використовуються в режимі реального часу клінічних середовищ, особливо в радіології, де штучний інтелект може виділити термінові результати та прискорити рішення щодо тріажу. Недавнє повідомлення підкреслює випадки використання, що варіюються від виявлення внутрішніх травм до пріоритезації термінових випадків на основі даних медичної візуалізації.

Цей рівень розгортання відображає перехід від експериментування до операційної залежності – де штучний інтелект вже не є доповненням, а частиною основної клінічної інфраструктури.

Наступна фаза: повністю клінічні робочі процеси

Нове фінансування підтримає розширення фундаментальної моделі Aidoc та просунення далі у повністю клінічні робочі процеси. Одним з ключових напрямків розвитку є автоматична генерація проектів звітів, спрямована на рух штучного інтелекту від виявлення до повної участі у клінічному робочому процесі.

Цей напрямок свідчить про майбутнє, в якому системи штучного інтелекту робитимуть більше, ніж просто виділяють аномалії – вони можуть все частіше структурувати, підсумовувати та контекстуалізувати результати для клініцистів.

У практичному сенсі це могло б зменшити час між скануванням, діагнозом та лікуванням, а також зменшити когнітивне навантаження на медичних працівників.

У напрямку автономної клінічної підтримки прийняття рішень

Що виникає, це перехід від фрагментованих інструментів штучного інтелекту до уніфікованих систем, які функціонують як інфраструктура у сфері охорони здоров’я.

За міру того, як ці платформи дозрівають, їхня цінність все частіше буде походити від того, як вони координують діяльність між відділами, стандартизують процеси прийняття рішень та зменшують варіативність у медичній допомозі. Технічна складність вже не полягає лише у створенні точних моделей – це забезпечення того, щоб ці моделі могли працювати надійно у складних лікарняних середовищах під суворим регулюванням.

З часом розрізнення між “штучним інтелектом, що підтримує” та “стандартною” медичною допомогою може почати стиратися. Натомість того, щоб бути видимим інструментом, штучний інтелект міг би стати підвалиною, яка безперервно інтерпретує дані, виділяє ризики та підтримує клініцистів у режимі реального часу.

Якщо такий зсув відбуватиметься, покращення діагностичної точності та результатів лікування пацієнтів можуть не походити від окремих проривних функцій, а від кумулятивного ефекту штучного інтелекту, який тихо впроваджується по всьому клінічному робочому процесу.