Aidoc Raises $150M Series E để mở rộng Clinical AI trên các Hệ thống Y tế

Công ty Clinical AI Aidoc đã bảo đảm $150 triệu trong vòng tài trợ Series E, do Goldman Sachs Alternatives dẫn đầu, khi các hệ thống y tế ngày càng tìm kiếm các nền tảng tích hợp, toàn doanh nghiệp thay vì các công cụ AI riêng lẻ.

Vòng tài trợ này bao gồm sự tham gia của General Catalyst, SoftBank Investment Advisors và NVentures, đưa tổng số vốn tài trợ của công ty lên hơn $500 triệu. Vòng tài trợ này diễn ra trong bối cảnh áp lực ngày càng tăng đối với các bệnh viện để giải quyết các lỗi chẩn đoán, thiếu hụt nhân viên và tăng trưởng khối lượng hình ảnh – các yếu tố góp phần gây ra hàng trăm nghìn ca tử vong có thể phòng ngừa mỗi năm tại Hoa Kỳ.

Từ các Giải pháp Điểm đến Hệ thống AI Toàn diện

Trong nhiều năm, AI trong lĩnh vực y tế chủ yếu được triển khai dưới dạng các công cụ đơn mục đích – các thuật toán được thiết kế để phát hiện một tình trạng tại một thời điểm. Cách tiếp cận này có tác động hạn chế, đặc biệt là trong các môi trường mà các nhà lâm sàng phải giải thích một lượng lớn dữ liệu hình ảnh trên nhiều tình trạng.

Aidoc là một phần của sự chuyển đổi lớn hơn hướng tới các hệ thống dựa trên mô hình nền tảng có thể hoạt động trên nhiều phương thức và trường hợp sử dụng. Mô hình nền tảng CARE độc quyền của công ty được thiết kế để phân tích dữ liệu lâm sàng đa phương thức và mở rộng phạm vi AI trên nhiều bệnh lý từ một kiến trúc duy nhất.

Sự chuyển đổi này phản ánh những gì đã xảy ra trong các lĩnh vực AI khác: chuyển từ các công cụ hẹp đến các hệ thống tổng quát có thể hỗ trợ các quy trình công việc phức tạp.

Xây dựng Hệ điều hành cho Clinical AI

Ở trung tâm của phương pháp tiếp cận của Aidoc là nền tảng doanh nghiệp của công ty, aiOS, hoạt động như một lớp điều phối AI lâm sàng. Thay vì triển khai các thuật toán riêng lẻ trong môi trường cô lập, aiOS tích hợp AI trực tiếp vào cơ sở hạ tầng bệnh viện, bao gồm cả hệ thống hình ảnh và hồ sơ sức khỏe điện tử.

Nền tảng này cho phép nhiều thuật toán chạy đồng thời trên một lần quét, ưu tiên các phát hiện khẩn cấp và hiển thị cả các bất thường dự kiến và bất thường tình cờ. Lớp điều phối này được thiết kế để giảm khoảng trống chẩn đoán đồng thời cải thiện hiệu quả quy trình công việc.

Nó cũng giới thiệu các cơ chế quản trị – như xác thực, giám sát và theo dõi hiệu suất – ngày càng cần thiết khi các hệ thống AI di chuyển vào môi trường lâm sàng được quản lý.

Phát triển AI trong Môi trường Lâm sàng Thực tế

Công nghệ của Aidoc đã được triển khai ở quy mô đáng kể, phân tích hàng chục triệu trường hợp bệnh nhân mỗi năm và hỗ trợ việc cung cấp dịch vụ chăm sóc trên hàng nghìn bệnh viện trên toàn thế giới.

Các hệ thống của công ty được sử dụng trong môi trường lâm sàng thực tế, đặc biệt là trong lĩnh vực X-quang, nơi AI có thể đánh dấu các phát hiện khẩn cấp và tăng tốc quyết định phân loại. Các báo cáo gần đây đã nhấn mạnh các trường hợp sử dụng từ phát hiện chấn thương nội bộ đến ưu tiên các trường hợp khẩn cấp dựa trên dữ liệu hình ảnh.

Mức độ triển khai này phản ánh sự chuyển đổi từ thí nghiệm sang sự phụ thuộc vận hành – nơi AI không còn là một bổ sung mà là một phần của cơ sở hạ tầng lâm sàng cốt lõi.

Phases Tiếp theo: Quy trình Công việc Lâm sàng Từ đầu đến cuối

Vòng tài trợ mới sẽ hỗ trợ sự mở rộng của mô hình nền tảng của Aidoc và đẩy mạnh hơn nữa vào các quy trình công việc từ đầu đến cuối. Một lĩnh vực phát triển quan trọng là việc tạo báo cáo bản nháp tự động, nhằm di chuyển AI từ phát hiện đến tham gia đầy đủ vào quy trình công việc lâm sàng.

Hướng đi này gợi ý về một tương lai nơi các hệ thống AI không chỉ突出 các bất thường – chúng có thể ngày càng cấu trúc, tóm tắt và ngữ cảnh hóa các phát hiện cho các nhà lâm sàng.

Trong thực tế, điều này có thể nén thời gian giữa quá trình quét, chẩn đoán và điều trị, đồng thời giảm tải nhận thức cho các chuyên gia y tế.

Hướng tới Hỗ trợ Ra quyết định Lâm sàng Tự động

Những gì đang xuất hiện là một sự chuyển đổi từ các công cụ AI phân mảnh đến các hệ thống thống nhất hoạt động như cơ sở hạ tầng trong lĩnh vực y tế.

Khi các nền tảng này trưởng thành, giá trị của chúng sẽ ngày càng đến từ cách chúng phối hợp trên các bộ phận, tiêu chuẩn hóa việc ra quyết định và giảm biến thể trong chăm sóc. Thách thức kỹ thuật không chỉ là xây dựng các mô hình chính xác – mà còn đảm bảo rằng những mô hình này có thể hoạt động đáng tin cậy trong các môi trường bệnh viện phức tạp, dưới sự giám sát quản lý nghiêm ngặt.

Theo thời gian, sự khác biệt giữa “hỗ trợ AI” và “chăm sóc tiêu chuẩn” có thể bắt đầu mờ dần. Thay vì trở thành một công cụ có thể nhìn thấy, AI có thể trở thành một lớp cơ sở liên tục giải thích dữ liệu, đánh dấu rủi ro và hỗ trợ các nhà lâm sàng trong thời gian thực.

Nếu sự chuyển đổi này được giữ vững, sự cải thiện trong độ chính xác chẩn đoán và kết quả bệnh nhân có thể không đến từ một tính năng đột phá duy nhất, mà từ hiệu ứng tích lũy của AI được nhúng im lặng trên toàn bộ quy trình công việc lâm sàng.