Elea Ai mengejar peluang produktivitas perawatan kesehatan dengan menargetkan sistem warisan laboratorium patologi

Pendanaan VC ke AI Tools for Healthcare diproyeksikan mencapai $ 11 miliar tahun lalu – Angka utama yang berbicara tentang keyakinan luas bahwa kecerdasan buatan akan terbukti transformatif di sektor kritis.

Banyak startup yang menerapkan AI dalam perawatan kesehatan berusaha mendorong efisiensi dengan mengotomatisasi beberapa administrasi yang mengorbit dan memungkinkan perawatan pasien. Berbasis Hamburg Elea Secara luas cocok dengan cetakan ini, tetapi dimulai dengan niche-laboratorium patologi yang relatif diabaikan dan kurang terlayani, yang karyanya mensyaratkan menganalisis sampel pasien untuk penyakit-dari mana ia percaya akan dapat meningkatkan skala sistem alur kerja yang bertenaga agen AI yang dikembangkan untuk meningkatkan produktivitas laboratorium untuk mencapai dampak global. Termasuk dengan mentransplantasikan pendekatan fokus alur kerja untuk mempercepat output departemen perawatan kesehatan lainnya juga.

Alat AI awal ELEA dirancang untuk merombak cara kerja dokter dan staf lab lainnya. Ini adalah pengganti lengkap untuk sistem informasi warisan dan cara kerja lainnya (seperti menggunakan Microsoft Office untuk mengetik laporan)-menggeser alur kerja ke “sistem operasi AI” yang menyebarkan transkripsi pidato-ke-teks dan bentuk otomatisasi lainnya untuk “secara substansial” mengecilkan waktu yang dibutuhkan untuk menghasilkan diagnosis.

Setelah sekitar setengah tahun beroperasi dengan pengguna pertamanya, Elea mengatakan sistemnya telah mampu memotong waktu yang dibutuhkan lab untuk menghasilkan sekitar setengah laporan mereka menjadi hanya dua hari.

Otomatisasi langkah demi langkah

Alur kerja laboratorium patologi, seringkali sering manual berarti ada ruang lingkup yang baik untuk meningkatkan produktivitas dengan menerapkan AI, kata CEO dan salah satu pendiri ELEA, Dr. Christoph Schröder. “Kami pada dasarnya membalikkan ini – dan semua langkah jauh lebih otomatis … (dokter) berbicara dengan Elea, MTA (asisten teknis medis) berbicara dengan Elea, beri tahu mereka apa yang mereka lihat, apa yang ingin mereka lakukan dengannya,” jelasnya.

“Elea adalah agen, melakukan semua tugas dalam sistem dan mencetak hal -hal – menyiapkan slide, misalnya, pewarnaan dan semua hal – sehingga (tugas) berjalan jauh, jauh lebih cepat, jauh, jauh lebih halus.”

“Ini tidak benar-benar menambah apa pun, itu menggantikan seluruh infrastruktur,” tambahnya dari perangkat lunak berbasis cloud yang mereka ingin ganti sistem warisan laboratorium dan cara kerja mereka yang lebih bilai, menggunakan aplikasi diskrit untuk melakukan tugas yang berbeda. Gagasan untuk AI OS adalah untuk dapat mengatur semuanya.

Startup ini dibangun di berbagai Model bahasa besar (LLMS) Melalui penyempurnaan dengan informasi spesialis dan data untuk memungkinkan kemampuan inti dalam konteks laboratorium patologi. Platform memanggang dalam bicara-ke-teks untuk menuliskan catatan suara staf-dan juga “teks-ke-struktur”; Artinya sistem dapat mengubah catatan suara yang ditranskripsi ini menjadi arah aktif yang memberi kekuatan pada tindakan agen AI, yang dapat mencakup mengirim instruksi ke kit lab untuk menjaga alur kerja tetap berdetak.

Elea juga berencana untuk mengembangkan model dasarnya sendiri untuk analisis gambar slide, per Schröder, karena mendorong untuk mengembangkan kemampuan diagnostik juga. Tetapi untuk saat ini, ini berfokus pada penskalaan penawaran awalnya.

Pitch startup ke laboratorium menunjukkan bahwa apa yang bisa memakan waktu dua hingga tiga minggu menggunakan proses konvensional dapat dicapai dalam hitungan jam atau hari karena sistem yang terintegrasi dapat menumpuk dan menambah keuntungan produktivitas dengan menggantikan hal-hal seperti bolak-balik yang bisa melengkapi banyak laporan, di mana kesalahan alur kerja lainnya dapat menyuntikkan banyak pekori.

Sistem ini dapat diakses oleh staf lab melalui aplikasi iPad, aplikasi Mac, atau aplikasi web-menawarkan berbagai titik sentuh yang sesuai dengan berbagai jenis pengguna.

Bisnis ini didirikan pada awal 2024 dan diluncurkan dengan laboratorium pertamanya pada bulan Oktober setelah menghabiskan waktu dalam siluman mengerjakan ide mereka pada tahun 2023, per Schröder, yang memiliki latar belakang dalam menerapkan AI untuk proyek mengemudi otonom di Bosch, Luminar dan Mercedes.

Salah satu pendiri lain, Dr. Sebastian Casu-CMO startup-membawa latar belakang klinis, setelah menghabiskan lebih dari satu dekade bekerja dalam perawatan intensif, anestesiologi, dan melintasi departemen darurat, serta sebelumnya menjadi direktur medis untuk rantai rumah sakit besar.

Sejauh ini, Elea telah menandatangani kemitraan dengan kelompok rumah sakit besar Jerman (belum mengungkapkan yang mana yang belum) yang dikatakan memproses sekitar 70.000 kasus setiap tahun. Jadi sistem ini memiliki ratusan pengguna sejauh ini.

Lebih banyak pelanggan dijadwalkan untuk meluncurkan “Soon” – dan Schröder juga mengatakan sedang melihat ekspansi internasional, dengan mata tertentu memasuki pasar AS.

Dukungan Benih

Startup ini mengungkapkan untuk pertama kalinya € 4 juta unggulan yang diangkat tahun lalu – dipimpin oleh Fly Ventures dan Giant Ventures – yang telah digunakan untuk membangun tim tekniknya dan memasukkan produk ke tangan laboratorium pertama.

Angka ini adalah jumlah yang cukup kecil vs dana miliaran yang disebutkan di atas yang sekarang terbang di sekitar ruang setiap tahun. Tetapi Schröder berpendapat bahwa startup AI tidak membutuhkan pasukan insinyur dan ratusan juta untuk berhasil – ini lebih merupakan kasus menerapkan sumber daya yang Anda miliki dengan cerdas, katanya. Dan dalam konteks perawatan kesehatan ini, itu berarti mengambil pendekatan yang berfokus pada departemen dan mematuhi target kasus penggunaan sebelum pindah ke area aplikasi berikutnya.

Namun, pada saat yang sama, ia mengkonfirmasi tim akan mencari untuk mengumpulkan putaran (lebih besar) seri A-kemungkinan musim panas ini-mengatakan Elea akan menggeser perlengkapan ke pemasaran yang aktif untuk mendapatkan lebih banyak laboratorium membeli, daripada mengandalkan pendekatan dari mulut ke mulut yang mereka mulai.

Membahas pendekatan mereka vs lanskap kompetitif untuk solusi AI dalam perawatan kesehatan, ia memberi tahu kita: “Saya pikir perbedaan besar adalah solusi spot versus terintegrasi secara vertikal.”

“Banyak alat yang Anda lihat adalah add-on di atas sistem yang ada (seperti sistem EHR) … itu adalah sesuatu yang perlu dilakukan (pengguna) di atas alat lain, UI lain, hal lain yang orang yang tidak benar-benar ingin bekerja dengan perangkat keras digital yang harus dilakukan, dan karenanya sulit, dan itu pasti membatasi potensi,” lanjutnya.

“Apa yang kami bangun sebagai gantinya adalah kami benar -benar mengintegrasikannya secara mendalam ke dalam sistem informasi laboratorium kami sendiri – atau kami menyebutnya sistem operasi patologi – yang pada akhirnya berarti bahwa pengguna bahkan tidak harus menggunakan UI yang berbeda, tidak harus menggunakan alat yang berbeda. Dan itu hanya berbicara dengan Elea, mengatakan apa yang dilihatnya, mengatakan apa yang ingin dilakukan, dan mengatakan apa yang seharusnya dilakukan Elea dalam sistem. ”

“Anda juga tidak membutuhkan trilyun insinyur lagi – Anda membutuhkan selusin, dua lusin yang benar -benar bagus,” katanya juga. “Kami memiliki dua lusin insinyur, secara kasar, di tim … dan mereka bisa melakukan hal -hal luar biasa.”

“Perusahaan dengan pertumbuhan tercepat yang Anda lihat hari ini, mereka tidak memiliki ratusan insinyur – mereka memiliki satu, dua lusin ahli, dan orang -orang itu dapat membangun hal -hal luar biasa. Dan itulah filosofi yang kita miliki juga, dan itulah sebabnya kita tidak benar -benar perlu meningkatkan – setidaknya pada awalnya – ratusan juta, ”tambahnya.

“Ini jelas merupakan perubahan paradigma … dalam cara Anda membangun perusahaan.”

Meningkatkan pola pikir alur kerja

Memilih untuk memulai dengan laboratorium patologi adalah pilihan strategis untuk ELEA karena tidak hanya pasar yang dapat dialamatkan senilai beberapa miliar dolar, per Schröder, tetapi ia juga menyentuh ruang patologi sebagai “sangat global” – dengan perusahaan laboratorium global dan pemasok yang meningkatkan skalabilitas untuk perangkat lunaknya sebagai permainan layanan – terutama dibandingkan dengan situasi yang lebih terfragmentasi di sekitar persiapan rumah sakit.

“Bagi kami, ini sangat menarik karena Anda dapat membangun satu aplikasi dan benar -benar sudah skala dengan itu – dari Jerman ke Inggris, AS,” sarannya. “Semua orang memikirkan hal yang sama, bertindak sama, memiliki alur kerja yang sama. Dan jika Anda menyelesaikannya dalam bahasa Jerman, hal yang hebat dengan LLMS saat ini, maka Anda juga menyelesaikannya dalam bahasa Inggris (dan bahasa lain seperti Spanyol) … jadi itu membuka banyak peluang berbeda. “

Dia juga memuji laboratorium patologi sebagai “salah satu bidang yang paling cepat berkembang dalam kedokteran” – menunjukkan bahwa perkembangan dalam ilmu kedokteran, seperti peningkatan patologi molekuler dan pengurutan DNA, menciptakan permintaan untuk lebih banyak jenis analisis, dan untuk frekuensi analisis yang lebih besar. Semuanya berarti lebih banyak pekerjaan untuk laboratorium – dan lebih banyak tekanan pada laboratorium menjadi lebih produktif.

Setelah Elea telah menjadi matang kasus penggunaan laboratorium, ia mengatakan mereka mungkin akan pindah ke daerah -daerah di mana AI lebih biasanya diterapkan dalam perawatan kesehatan – seperti mendukung dokter rumah sakit untuk menangkap interaksi pasien – tetapi aplikasi lain yang mereka kembangkan juga akan memiliki fokus yang ketat pada alur kerja.

“Yang ingin kami bawa adalah pola pikir alur kerja ini, di mana semuanya diperlakukan seperti tugas alur kerja, dan pada akhirnya, ada laporan – dan laporan itu perlu dikirim,” katanya – menambahkan bahwa dalam konteks rumah sakit mereka tidak ingin masuk ke diagnostik tetapi akan “benar -benar fokus pada operasionalisasi alur kerja.”

Pemrosesan gambar adalah area lain yang ELEA tertarik pada aplikasi perawatan kesehatan masa depan lainnya – seperti mempercepat analisis data untuk radiologi.

Tantangan

Bagaimana dengan akurasi? Layanan kesehatan adalah kasus penggunaan yang sangat sensitif sehingga setiap kesalahan dalam transkripsi AI ini – katakanlah, terkait dengan biopsi yang memeriksa jaringan kanker – dapat menyebabkan konsekuensi serius jika ada ketidakcocokan antara apa yang dikatakan dokter manusia dan apa yang didengar ELEA dan melaporkan kembali ke pembuat keputusan lain dalam rantai perawatan pasien.

Saat ini, Schröder mengatakan mereka mengevaluasi akurasi dengan melihat hal -hal seperti berapa banyak karakter yang diubah pengguna dalam laporan yang dilayani AI. Saat ini, ia mengatakan ada antara 5% hingga 10% kasus di mana beberapa interaksi manual dilakukan untuk laporan otomatis ini yang mungkin menunjukkan kesalahan. (Meskipun ia juga menyarankan dokter mungkin perlu membuat perubahan karena alasan lain – tetapi mengatakan mereka bekerja untuk “menurunkan” persentase di mana intervensi manual terjadi.)

Pada akhirnya, ia berpendapat, uang berhenti dengan para dokter dan staf lain yang diminta untuk meninjau dan menyetujui output AI – yang menyarankan alur kerja Elea tidak benar -benar berbeda dari proses warisan yang dirancang untuk diketik oleh orang -orang yang tidak dapat diketik oleh orang -orang yang tidak dapat diketik oleh orang -orang yang tidak dapat diketik dengan apa yang tidak dapat diketik oleh orang -orang yang tidak dapat diketik dengan apa yang tidak dapat diketik oleh orang -orang.

Otomasi dapat menyebabkan volume throughput yang lebih tinggi, yang dapat menjadi tekanan pada cek seperti staf manusia harus berurusan dengan berpotensi lebih banyak data dan laporan untuk ditinjau daripada sebelumnya.

Mengenai hal ini, Schröder setuju mungkin ada risiko. Namun dia mengatakan mereka telah membangun fitur “jaring pengaman” di mana AI dapat mencoba menemukan masalah potensial – menggunakan petunjuk untuk mendorong dokter untuk melihat lagi. “Kami menyebutnya sepasang mata kedua,” katanya, menambahkan: “Di mana kami mengevaluasi laporan temuan sebelumnya dengan apa yang (dokter) katakan sekarang dan memberinya komentar dan saran.”

Kerahasiaan pasien mungkin menjadi perhatian lain yang melekat pada AI agen yang bergantung pada pemrosesan berbasis cloud (seperti yang dilakukan Elea), daripada data yang tersisa di tempat dan di bawah kendali laboratorium. Tentang ini, Schröder mengklaim bahwa startup telah diselesaikan untuk kekhawatiran “privasi data” dengan memisahkan identitas pasien dari output diagnostik – jadi pada dasarnya mengandalkan pseudonimisasi untuk kepatuhan perlindungan data.

“Itu selalu anonim di sepanjang jalan – setiap langkah hanya melakukan satu hal – dan kami menggabungkan data pada perangkat tempat dokter melihatnya,” katanya. “Jadi kami pada dasarnya memiliki ID pseudo yang kami gunakan dalam semua langkah pemrosesan kami – yang bersifat sementara, yang dihapus sesudahnya – tetapi untuk saat dokter melihat pasien, mereka digabungkan pada perangkat untuknya.”

“Kami bekerja dengan server di Eropa, memastikan bahwa semuanya sesuai dengan privasi data,” ia juga memberi tahu kami. “Pelanggan utama kami adalah rantai rumah sakit yang dimiliki publik – yang disebut infrastruktur kritis di Jerman. Kami perlu memastikan bahwa, dari sudut pandang privasi data, semuanya aman. Dan mereka telah memberi kita jempol ke atas. ”

“Pada akhirnya, kita mungkin terlalu berprestasi apa yang perlu dilakukan. Tapi itu, Anda tahu, selalu lebih baik berada di sisi yang aman – terutama jika Anda menangani data medis. “