Elea AI با هدف قرار دادن سیستم های میراث آزمایشگاه های آسیب شناسی ، فرصت بهره وری مراقبت های بهداشتی را تعقیب می کند

بودجه VC به ابزارهای AI برای مراقبت های بهداشتی بود پیش بینی می شود سال گذشته 11 میلیارد دلار داشته باشد – یک شکل اصلی که با اعتقاد گسترده صحبت می کند که هوش مصنوعی در یک بخش بحرانی تحول را نشان می دهد.
بسیاری از نوپا هایی که از هوش مصنوعی در مراقبت های بهداشتی استفاده می کنند ، با خودکار کردن برخی از دولت هایی که در مدار و مراقبت از بیمار امکان پذیر هستند ، به دنبال کارآیی هستند. مستقر در هامبورگ ELEA به طور گسترده ای متناسب با این قالب است ، اما با یک طاقچه نسبتاً نادیده گرفته و کم تحرک-آزمایشگاه های آسیب شناسی ، که کار آنها مستلزم تجزیه و تحلیل نمونه های بیمار برای بیماری است-از جایی که معتقد است قادر خواهد بود سیستم گردش کار مبتنی بر صدا و عامل را برای افزایش بهره وری آزمایشگاه ها برای دستیابی به تأثیر جهانی داشته باشد. از جمله با پیوند رویکرد متمرکز بر گردش کار خود برای تسریع در خروجی سایر بخش های مراقبت های بهداشتی نیز.
ابزار اولیه هوش مصنوعی ELEA برای بازنگری در نحوه کار پزشکان و سایر کارکنان آزمایشگاه طراحی شده است. این یک جایگزینی کامل برای سیستم های اطلاعاتی میراث و سایر روشهای تعیین شده برای کار است (مانند استفاده از مایکروسافت برای تایپ گزارش ها)-انتقال گردش کار به “سیستم عامل هوش مصنوعی” که رونویسی گفتار به متن و سایر اشکال اتوماسیون را به کار می برد تا “قابل ملاحظه ای” زمان را برای خروج از آنها در تشخیص تشخیص دهد.
Elea پس از حدود نیم سال با اولین کاربران خود ، می گوید سیستم آن توانسته است زمان لازم را برای آزمایشگاه برای تولید حدود نیمی از گزارش های خود تا تنها دو روز کاهش دهد.
اتوماسیون گام به گام
مدیرعامل و بنیانگذار ELEA ، دکتر و بنیانگذار Elea ، می گوید: جریان کار گام به گام و اغلب دستی از آزمایشگاه های آسیب شناسی به این معنی است که دامنه خوبی برای تقویت بهره وری با استفاده از هوش مصنوعی وجود دارد. “ما اساساً این همه را به اطراف می چرخانیم – و همه مراحل بسیار خودکار تر هستند … [Doctors] با Elea ، MTAs صحبت کنید [medical technical assistants] با الیا صحبت کنید ، به آنها بگویید که چه می بینند ، چه کاری می خواهند با آن انجام دهند. “
“Elea عامل است ، تمام وظایف موجود در سیستم را انجام می دهد و چیزها را چاپ می کند – اسلایدها را به عنوان مثال ، رنگ آمیزی و همه آن چیزها را آماده می کند – به طوری که [tasks] خیلی سریعتر ، خیلی سریعتر ، خیلی نرم و صاف تر بروید. “
وی می افزاید: “این واقعاً چیزی را تقویت نمی کند ، جایگزین کل زیرساخت ها می شود.” ایده سیستم عامل هوش مصنوعی این است که بتوانیم همه چیز را ارکستر کنیم.
این راه اندازی بر روی مدل های مختلف زبان بزرگ (LLM) از طریق تنظیم دقیق با اطلاعات و داده های تخصصی ساخته شده است تا قابلیت های اصلی را در زمینه آزمایشگاه آسیب شناسی فعال کند. این سکو در گفتار به متن برای رونویسی از یادداشت های صوتی کارکنان-و همچنین “متن به ساختار” پخت و پز می کند. به این معنی که این سیستم می تواند این نت های صوتی رونویسی را به جهت فعال تبدیل کند که عملکرد عامل AI را به شما قدرت دهد ، که می تواند شامل ارسال دستورالعمل به کیت های آزمایشگاهی برای نگه داشتن کنه کار باشد.
ELEA همچنین قصد دارد مدل بنیادی خود را برای تجزیه و تحلیل تصویر اسلاید ، به ازای شرودر توسعه دهد ، زیرا به سمت توسعه قابلیت های تشخیصی نیز فشار می آورد. اما در حال حاضر ، آن را به مقیاس بندی پیشنهاد اولیه آن متمرکز کرده است.
قدم راه اندازی به آزمایشگاه ها نشان می دهد که آنچه می تواند دو تا سه هفته با استفاده از فرآیندهای معمولی طول بکشد ، می تواند در طی چند ساعت یا روز حاصل شود زیرا سیستم یکپارچه قادر به جمع آوری و جمع آوری بهره وری با استفاده از مواردی مانند خسته کننده به عقب و جلو است که می تواند تایپ دستی گزارش ها را احاطه کند ، جایی که خطای انسانی و سایر صفحات جریان کار می توانند مقدار زیادی از اصطکاک را وارد کنند.
این سیستم از طریق یک برنامه iPad ، برنامه MAC یا برنامه وب توسط کارکنان آزمایشگاه قابل دسترسی است-ارائه انواع لمسی متناسب با انواع مختلف کاربران.
این تجارت در اوایل سال 2024 تأسیس شد و با اولین آزمایشگاه خود در ماه اکتبر راه اندازی شد و مدتی را در خفا کار در ایده خود در سال 2023 گذراند ، به ازای شرودر ، که سابقه ای در استفاده از هوش مصنوعی برای پروژه های محرک خودمختار در بوش ، لومنار و مرسدس دارد.
یکی دیگر از بنیانگذاران ، دکتر سباستین کاسو-CMO استارتاپ-پیشینه بالینی را به همراه دارد ، با گذشت بیش از یک دهه در مراقبت های ویژه ، بیهوشی و در بخش های اورژانس و همچنین مدیر پزشکی برای زنجیره بزرگ بیمارستان.
تا کنون ، Elea با یک گروه بزرگ بیمارستان آلمانی مشارکت کرده است (هنوز فاش نمی کند که کدام یک از آنها) که می گوید سالانه حدود 70،000 مورد را پردازش می کند. بنابراین این سیستم تاکنون صدها کاربر دارد.
مشتریان بیشتری قرار است “به زودی” را راه اندازی کنند – و شرودر همچنین می گوید با توجه به ورود به بازار ایالات متحده ، به دنبال گسترش بین المللی است.
پشتی بذر
این استارتاپ برای اولین بار 4 میلیون یورویی که سال گذشته افزایش یافته است – به رهبری Fly Ventures و Giant Ventures – فاش می شود که برای ساختن تیم مهندسی خود و گرفتن محصول به دست آزمایشگاه های اول استفاده شده است.
این رقم مبلغ بسیار کمی در مقابل میلیارد ها بودجه فوق الذکر است که اکنون سالانه در اطراف فضا پرواز می کنند. اما شرودر استدلال می کند که استارتاپ های هوش مصنوعی به ارتش مهندسین و صدها میلیون نفر برای موفقیت نیاز ندارند – او پیشنهاد می کند که بیشتر از منابع شما با هوشمندی استفاده کنید. و در این زمینه مراقبت های بهداشتی ، این به معنای استفاده از رویکرد با محوریت بخش و بلوغ مورد استفاده از هدف قبل از حرکت به منطقه برنامه بعدی است.
با این حال ، در عین حال ، وی تأیید می کند که تیم به دنبال جمع آوری یک سریال (بزرگتر) یک دور-به احتمال زیاد در تابستان امسال-می گوید Elea چرخ دنده ها را به سمت بازاریابی فعال تغییر می دهد تا آزمایشگاه های بیشتری را خریداری کند ، نه اینکه به رویکرد کلمه دهان که شروع کرده اند ، بپردازند.
او در مورد رویکرد آنها در مقابل چشم انداز رقابتی برای راه حل های هوش مصنوعی در مراقبت های بهداشتی ، به ما می گوید: “من فکر می کنم تفاوت بزرگ این است که این یک راه حل نقطه ای در مقابل یکپارچه عمودی است.”
“بسیاری از ابزارهایی که می بینید افزودنی در بالای سیستم های موجود است [such as EHR systems] … این چیزی است که [users] باید در بالای ابزار دیگری ، رابط کاربری دیگری ، چیز دیگری که افرادی که واقعاً نمی خواهند با سخت افزار دیجیتال کار کنند باید انجام دهند ، بنابراین دشوار است ، و قطعاً پتانسیل را محدود می کند. “
وی گفت: “آنچه در عوض ساختیم این است که ما در واقع آن را عمیقاً در سیستم اطلاعات آزمایشگاهی خود قرار داده ایم – یا آن را سیستم عامل آسیب شناسی می نامیم – که در نهایت به این معنی است که کاربر حتی نیازی به استفاده از UI متفاوت ندارد ، نیازی به استفاده از ابزار دیگری ندارد. و این فقط با Elea صحبت می کند ، می گوید آنچه می بیند ، می گوید آنچه می خواهد انجام دهد ، و می گوید که Elea قرار است در سیستم انجام دهد. “
وی همچنین استدلال می کند: “شما همچنین به مهندس مهندس نیز احتیاج ندارید – شما به دوجین ، دوجین واقعاً خوب نیاز دارید.” “ما دوازده مهندس داریم ، تقریباً در تیم … و آنها می توانند کارهای شگفت انگیز انجام دهند.”
وی گفت: “سریعترین شرکت هایی که این روزها می بینید ، صدها مهندس ندارند – آنها یک ، دوجین متخصص دارند و آن بچه ها می توانند چیزهای شگفت انگیزی بسازند. و این فلسفی است که ما نیز داریم ، و به همین دلیل ما واقعاً نیازی به جمع آوری – حداقل در ابتدا – صدها میلیون نفر نداریم. ”
“این قطعاً یک تغییر پارادایم است … در نحوه ساخت شرکت ها.”
مقیاس ذهنیت گردش کار
انتخاب برای شروع با آزمایشگاه های آسیب شناسی یک انتخاب استراتژیک برای Elea بود ، زیرا نه تنها بازار قابل پرداخت به ارزش چند میلیارد دلار ، به ازای شرودر ، بلکه او فضای آسیب شناسی را به عنوان “بسیار جهانی” نشان می دهد – با شرکت های آزمایشگاهی جهانی و تأمین کنندگان در حال افزایش مقیاس پذیری برای نرم افزار خود – به ویژه با وضعیت پراکنده تر در بیمارستان های تأمین کننده.
وی گفت: “برای ما ، بسیار جالب است زیرا می توانید یک برنامه کاربردی بسازید و در واقع با آن مقیاس – از آلمان تا انگلیس ، ایالات متحده”. وی گفت: “همه به همان فکر می کنند ، یکسان عمل می کنند ، دارای همان گردش کار هستند. و اگر آن را به زبان آلمانی ، چیز عالی با LLM های فعلی حل کنید ، آن را نیز به زبان انگلیسی حل می کنید [and other languages like Spanish] … بنابراین فرصت های مختلفی را باز می کند. “
وی همچنین آزمایشگاه های آسیب شناسی را به عنوان “یکی از سریعترین مناطق در حال رشد در پزشکی” مورد ستایش قرار می دهد – با اشاره به اینکه تحولات علوم پزشکی ، مانند افزایش آسیب شناسی مولکولی و توالی DNA ، تقاضا را برای انواع بیشتری از تجزیه و تحلیل و برای فراوانی بیشتر تجزیه و تحلیل ایجاد می کند. همه اینها به معنای کار بیشتر برای آزمایشگاه ها است – و فشار بیشتری به آزمایشگاه ها تولید می شود.
هنگامی که ELEA در مورد استفاده از آزمایشگاه بالغ شد ، وی می گوید که آنها ممکن است به دنبال انتقال به مناطقی باشند که AI به طور معمول در مراقبت های بهداشتی اعمال می شود – مانند حمایت از پزشکان بیمارستان برای ضبط تعامل بیمار – اما هر کاربردی دیگر که آنها ایجاد می کنند نیز تمرکز محکم روی گردش کار دارند.
وی گفت: “آنچه ما می خواهیم به ارمغان بیاوریم ، این ذهنیت گردش کار است ، جایی که همه چیز مانند یک کار گردش کار رفتار می شود ، و در پایان ، گزارشی وجود دارد – و این گزارش باید ارسال شود.”
پردازش تصویر منطقه دیگری است که Elea به سایر برنامه های مراقبت های بهداشتی آینده علاقه مند است – مانند سرعت بخشیدن به تجزیه و تحلیل داده ها برای رادیولوژی.
چالش
در مورد صحت چیست؟ مراقبت های بهداشتی یک مورد استفاده بسیار حساس است ، بنابراین هر گونه خطایی در این رونویسی های هوش مصنوعی – می گویند ، مربوط به بیوپسی است که در حال بررسی بافت سرطانی است – می تواند در صورت عدم عدم تطابق بین آنچه پزشک انسانی می گوید و آنچه ELEA می شنود و به سایر تصمیم گیرندگان در زنجیره مراقبت از بیمار می شنود ، منجر به عواقب جدی شود.
در حال حاضر ، شرودر می گوید آنها با نگاه به مواردی مانند تعداد شخصیت های کاربران در گزارش های AI که در حال ارائه هستند تغییر می دهند ، دقت را ارزیابی می کنند. در حال حاضر ، وی می گوید بین 5 تا 10 ٪ مواردی وجود دارد که برخی از فعل و انفعالات دستی در این گزارش های خودکار انجام می شود که ممکن است خطایی را نشان دهد. (گرچه او همچنین پیشنهاد می کند که پزشکان به دلایل دیگر ممکن است نیاز به ایجاد تغییراتی داشته باشند – اما می گویند که آنها برای “پایین آمدن” درصد درصد که مداخلات دستی اتفاق می افتد ، تلاش می کنند.)
در نهایت ، او استدلال می کند ، باک با پزشکان و سایر کارمندان که از آنها خواسته می شود خروجی های هوش مصنوعی را مورد بررسی و تأیید قرار دهند ، متوقف می شود – نشان می دهد که گردش کار Elea با فرآیندهای میراثی که برای کمک به آن طراحی شده است ، تفاوت ندارد (به عنوان مثال ، صدای پزشک توسط یک انسان تایپ می شود و چنین رونویسی هایی نیز نمی تواند خطاهای اولیه را نیز انجام دهد. تایپیست “).
اتوماسیون می تواند به حجم توان بالاتر منجر شود ، که می تواند تحت فشار قرار بگیرد که کارکنان انسانی مجبورند با داده ها و گزارش های بالقوه بیشتری برای بررسی نسبت به آنچه که قبلاً انجام می دادند ، مقابله کنند.
در این باره ، شرودر موافق است که خطرات وجود دارد. اما او می گوید که آنها در یک ویژگی “شبکه ایمنی” ساخته شده اند که در آن هوش مصنوعی می تواند سعی کند مشکلات احتمالی را مشاهده کند – با استفاده از اعلان ها برای تشویق پزشک دوباره. وی خاطرنشان می کند: “ما آن را یک جفت چشم دوم می نامیم و افزود:” جایی که گزارش یافته های قبلی را با چه چیزی ارزیابی می کنیم [the doctor] در حال حاضر گفت و به او نظرات و پیشنهادات بدهید. “
محرمانه بودن بیمار ممکن است یکی دیگر از نگرانی های مربوط به AI عامل باشد که به پردازش مبتنی بر ابر (همانطور که ELEA انجام می دهد) متکی باشد ، به جای داده های باقی مانده در فرض و تحت کنترل آزمایشگاه. در این باره ، شرودر ادعا می کند که این استارتاپ با جدا کردن هویت بیمار از خروجی های تشخیصی ، نگرانی های “حریم خصوصی داده ها” را حل کرده است – بنابراین اساساً به نام مستعار برای انطباق محافظت از داده ها متکی است.
او می گوید: “این همیشه در این راه ناشناس است – هر مرحله فقط یک کار را انجام می دهد – و ما داده های موجود در دستگاه را که پزشک آنها را می بیند ترکیب می کنیم.” “بنابراین ما اساساً شناسه های شبه ای داریم که در تمام مراحل پردازش ما – که موقتی هستند ، از آنها حذف می شوند – پس از آن حذف می شوند – اما برای زمانی که پزشک به بیمار نگاه می کند ، آنها برای او در دستگاه ترکیب می شوند.”
وی همچنین به ما می گوید: “ما با سرورها در اروپا کار می کنیم ، اطمینان حاصل می کنیم که همه چیز مطابق با حریم خصوصی داده ها است.” “مشتری اصلی ما یک زنجیره بیمارستان متعلق به عمومی است – به نام زیرساخت های بحرانی در آلمان. ما باید اطمینان حاصل کنیم که ، از دیدگاه حفظ حریم خصوصی داده ها ، همه چیز امن است. و آنها انگشت شست را به ما داده اند. “
“در نهایت ، ما احتمالاً آنچه را که باید انجام شود بیش از حد مورد استفاده قرار دادیم. اما می دانید ، همیشه بهتر است که در سمت امن باشید – به خصوص اگر داده های پزشکی را اداره کنید. “