تصور کنید در یک بخش شلوغ بیمارستانی، یک پرستار در یادداشت‌هایش می‌نویسد «بیمار در بلع مشکل دارد»، اما این جمله هرگز به چشم پزشک نمی‌آید و بیمار دچار عفونت ریوی می‌شود. Healthleap دقیقاً برای جلوگیری از این اتفاق ساخته شده است تا سیگنال‌های پنهانی را که انسان‌ها از دست می‌دهند، شکار کند. تزریق سرمایه ۳۸ میلیون دلاری به این استارتاپ کمک می‌کند تا مقیاس عملیات خود را برای یافتن این نشانه‌های «پنهان» در پرونده‌های بیماران گسترش دهد.
این شرکت از مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیارد‌ها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — استفاده می‌کند تا پرونده‌های الکترونیک سلامت را اسکن کرده و بیماران در معرض خطر ابتلا به بیماری‌های تشخیص‌داده‌نشده را شناسایی کند. هدف این است که شرایط بحرانی پیش از آنکه منجر به عوارض شدید شوند، شناسایی گردند. طبق گزارش TechCrunch، این استارتاپ در سال گذشته تعداد شرکای بیمارستانی خود را از ۳ مورد به بیش از ۵۰ مورد رسانده است.
بیشتر داده‌های بیمارستانی به دو دسته تقسیم می‌شوند: داده‌های ساختاریافته (مثل نتایج آزمایشگاه) و یادداشت‌های متنی پزشکان. در حالی که کامپیوتر به‌راحتی کاهش وزن بیمار را ردیابی می‌کند، اما جملاتی مثل «اشتهای ضعیف» یا «مشکل در بلع» در یادداشت‌های پرستاران معمولاً نادیده گرفته می‌شوند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی استخراج داده از متون غیرساختاریافته اشاره کردیم، تبدیل این مشاهدات انسانی به نقاط داده، کلیدِ ارتقای ایمنی بیمار است. Healthleap با استفاده از مدل‌های زبانی، این مفاهیم بالینی خاص را از متون نوشتاری استخراج کرده و شکاف بین داده‌های عددی و متنی را پر می‌کند.
زمینه و تکامل
این شرکت در سال ۲۰۲۲ در آفریقای جنوبی توسط خواهر و برادر، جمیمه و جوزیا مایر، تأسیس شد. در ابتدا، این ابزار به عنوان یک ابزار تخصصی تغذیه توسط جمیمه برای رژیم‌درمانگران ساخته شده بود، اما بعدها به یک پلتفرم غربالگری عمومی تغییر مسیر (Pivot) داد.
جوزیا مایر (Josiah Meyer)، مدیرعامل شرکت، توضیح می‌دهد که پرونده هر بیمار شامل دو نوع داده متمایز است. آزمایش‌ها، وزن و علائم حیاتی در فیلدهای ساختاریافته قرار دارند. با این حال، گویاترین نشانه‌ها — مانند تحلیل عضلانی یا کاهش وزن اخیر — در یادداشت‌های نوشتاری پزشکان نهفته است. رویکرد Healthleap این است که ذکر یا عدم ذکر (تأیید یا نفی) این مفاهیم را به روشی مقیاس‌پذیر استخراج کند.
جزئیات جذب سرمایه و رشد
رشد مالی شرکت در دوره‌های اخیر به شرح زیر است:
- دور بذری (Seed): ۸ میلیون دلار که توسط Sequoia Capital و First Round Capital به طور مشترک رهبری شد.
- سری A: ۳۰ میلیون دلار به رهبری Hummingbird Ventures.
- درآمد: رشد بیش از ۱۰ برابری در ۱۲ ماه گذشته.
- ارزش‌گذاری: شرکت در حال حاضر ارزش‌گذاری فعلی خود را فاش نکرده است.
کاربردهای بالینی و بازگشت سرمایه (ROI)
این پلتفرم در حال حاضر سوءتغذیه و هذیان (Delirium) را غربالگری می‌کند. علاوه بر این، برنامه‌هایی برای شناسایی پنومونی آسپیراسیونی و زخم‌های فشاری در حال اعتبارسنجی هستند. شرکت همچنین برنامه‌هایی را برای شناسایی خطر بستری مجدد برای بیماران دچار نارسایی قلبی احتقانی توسعه داده است. این تلاش‌ها در راستای چشم‌انداز گسترده‌تری است که در آن عامل‌های هوش مصنوعی برای جبران کمبود متخصصان در حوزه‌هایی مانند قلب به کار گرفته می‌شوند تا دقت تشخیص‌های بالینی افزایش یابد.
سازوکار عملیاتی Healthleap به این صورت است که به سیستم پرونده الکترونیک سلامت بیمارستان متصل می‌شود. این سیستم هر شب پرونده تمام بیماران بزرگسال بستری، شامل داروها، دستورات رژیم غذایی و تشخیص‌ها را تحلیل می‌کند. سپس هر صبح، یک امتیاز ریسک را در داشبورد موجود در جریان کاری تیم مراقبت درج می‌کند تا روند وضعیت بیمار ردیابی شود.
شرکت برای بیمارستان‌ها بازگشت سرمایه (ROI) بالایی را هدف قرار داده است و از مدل قیمت‌گذاری مبتنی بر تعداد تخت‌های دارای لایسنس و نتایج قابل اندازه‌گیری استفاده می‌کند. جوزیا مایر اشاره می‌کند که هر مشتری شاهد بازگشت سرمایه سخت (Hard ROI) ۵ برابری یا بیشتر بوده است و در برخی موارد، بازگشت سرمایه سالانه کل از ۲۰ برابر نیز فراتر رفته است.
برای مثال، در بیمارستان دانشگاه پنسیلوانیا، Healthleap ادعا می‌کند که برنامه سوءتغذیه آن منجر به اثر مالی سالانه ۲۳.۸ میلیون دلار شده است. این مبلغ شامل ۶.۳ میلیون دلار بازپرداخت اضافی و ۱۷.۵ میلیون دلار صرفه‌جویی از طریق کاهش مدت زمان اقامت در بیمارستان است.
در حال حاضر مراکز بزرگی مثل Penn Medicine، Cedars-Sinai، Intermountain، Houston Methodist و Emory Healthcare از این ابزار استفاده می‌کنند. نکته مهم این است که این سیستم تشخیص بیماری نمی‌دهد، بلکه موارد مشکوک را برای بررسی بیشتر توسط پزشک برجسته می‌کند.
این تغییر به سمت «کاوش داده‌های غیرساختاریافته» در مراقبت‌های بهداشتی، نشان‌دهنده گذار از سیستم‌های هشدار ساده به سمت هوش بالینی دقیق است. با تبدیل مشاهده‌ی یک پرستار به یک نقطه داده، این هوش مصنوعی مانند یک تور ایمنی برای آسیب‌پذیرترین بیماران عمل می‌کند که ممکن است در شلوغی بخش‌های بیمارستانی نادیده گرفته شوند.
برای مدیران بیمارستان، ارزش پیشنهادی این ابزار کاملاً مالی و بالینی است. تحقیقات نشان می‌دهد ۲۰ تا ۵۰ درصد از بیماران بستری دچار سوءتغذیه هستند؛ وضعیتی که با اختلال در بهبود زخم‌ها، عفونت‌ها، اقامت طولانی‌تر در بیمارستان و افزایش نرخ مرگ‌ومیر مرتبط است.
Healthleap قصد دارد از سرمایه جدید برای گسترش تیم‌های مهندسی، محصول، فروش و موفقیت مشتری استفاده کند. هدف بلندمدت این است که بیش از ۴۰ بیماری اصلی را پوشش داده و از محیط بیمارستان به مراقبت‌های سرپایی و خانگی گسترش یابد.
باید منتظر نتایج اعتبارسنجی بالینی برای مدل‌های پنومونی و بستری مجدد نارسایی قلبی بود، زیرا این نتایج تعیین می‌کنند که آیا پلتفرم می‌تواند از یک متخصص تغذیه به یک لایه تشخیص جامع بیمارستانی تبدیل شود یا خیر.
گام بعدی شما
- اگر مدیر محصول در حوزه HealthTech هستید، مدل درآمدی مبتنی بر «تعداد تخت‌های دارای لایسنس» را بررسی کنید.
- نتایج اعتبارسنجی مدل‌های پنومونی و نارسایی قلبی را دنبال کنید تا ببینید آیا این ابزار به یک لایه تشخیص جامع تبدیل می‌شود یا خیر.
- بررسی کنید که چگونه استخراج مفاهیم متنی می‌تواند نرخ خطای انسانی در محیط‌های پرفشار را کاهش دهد.
اما داستان سخت‌افزاری پردازش این حجم از داده‌های متنی در لحظه حتی پیچیده‌تر است — به تحلیل ما درباره‌ی بهینه‌سازی استنتاج در لبه مراجعه کنید.
گفتگو