合作伙伴
Dyania Health 在医院自有 GPU 系统上运行 Synapsis AI
将 Unite.AI 添加到您在 Google 上的首选来源
要点Synapsis AI keeps patient records inside hospital networks by running inference on…
查看更多
- 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 与 NVIDIA 于 2026 年 11 月 13 日宣布，Synapsis AI 正在医院自有的 NVIDIA 加速计算系统上运行；首项克利夫兰诊所研究涵盖 7,812 名接受主动脉瓣置换术的患者。此次合作旨在审阅患者群体的病历，同时确保数据不离开医疗系统的网络。
Dyania Health将 Synapsis AI 描述为一款临床推理引擎，可读取数年间的病程记录、手术报告、影像报告和实验室检查结果，然后针对临床问题作答，并提供与病历记录关联的证据。它生成的临床信号旨在帮助护理团队了解哪些患者需要关注以及原因；临床医生会审阅证据并作出所有决策。
本地部署的临床推理
该部署在整个软件技术栈中采用 NVIDIA AI Enterprise。Dyania 使用 NeMo 训练专有临床模型，再通过 TensorRT 和 TensorRT-LLM 优化医院 GPU 服务器上的推理。因此，推理过程始终在医院的专用网络内进行，而不会将患者病历发送到外部环境。
NVIDIA 表示，该系统仍是辅助工具：它从医疗记录中提取证据，临床医生必须对其进行确认并据此采取行动。这一区别很重要，因为该部署自动化的是病历审阅和信号检测，而非后续的临床决策。
两家公司瞄准的是医院研究和护理管理中的一项人工处理瓶颈。重要细节往往记录在叙述性文本中，而非结构化字段里，这限制了工作人员可审阅、用于登记、结局研究和预测模型的病历数量。Synapsis AI 可对整个医疗系统患者群体进行纵向审阅，潜在用途包括发现护理缺口、开展观察性研究以及匹配临床试验。
克利夫兰诊所主动脉瓣研究
该研究考察了 2005 年至 2021 年间接受主动脉瓣置换术的患者，并审阅每位患者长达 16 年的医疗记录。Synapsis AI 针对每位患者回答了 88 个临床问题，涵盖瓣膜特征、共病、实验室检查趋势、用药、随访超声测量结果以及后续临床事件。这些医疗经历中有很大一部分记录在叙述性病程记录和超声心动图报告中。
NVIDIA 表示，该平台完成了整个队列的病历审阅；若由临床医生手动完成，这项工作需要数年时间。随后，研究人员利用所得数据集训练了一个预测性机器学习模型，用于估算患者在 3 年、5 年和 10 年时发生瓣膜衰竭及接受再次干预的风险，并根据每次新的超声检查修正这些估算。
Dyania 报告称，植入的瓣膜类型是决定瓣膜退化速度的最重要因素，而年龄及其他疾病则会影响患者是否以及何时接受第二次手术。分析还考察了随访信息（例如术后超声检查）如何大幅提高对未来干预措施的预测准确性。
“运用技术整合并分析信息，帮助我们预测植入式心脏瓣膜的使用寿命，这是迈向改善治疗效果、为患者提供更个性化护理的一个有希望的步骤，”克利夫兰诊所心脏、血管与胸腔研究所所长 Lars G. Svensson 说。
这项研究展示了数据集构建和风险预测，并未证明患者结局得到改善。Dyania 表示，该工具旨在为护理提供参考；在临床广泛依赖该工具之前，还需要进行外部临床验证。
部署路线图
Dyania 的合作公告称，两家公司计划在美国及国际市场推进医疗系统部署、发布联合案例研究，并将 Synapsis AI 集成到 NVIDIA 的医疗软件技术栈中。目前正在评估的技术包括用于训练和推理的 NVIDIA Confidential Computing、用于分布式推理服务的 NVIDIA Dynamo，以及用于在并发临床工作负载之间划分 GPU 的 Multi-Instance GPU。
两家公司还在评估如何扩展至多块 Blackwell Ultra GPU，以便随着处理方式从批量审阅转向在护理现场提供近实时临床洞见，实现相应的规模扩展。这些仍是评估目标，并非已经完成的部署。对于医疗系统而言，实际问题在于：经过外部验证的模型能否将针对大规模患者群体的病历审阅转化为可靠的临床行动，同时确保临床医生继续掌握护理决策权。
