Spanish English French German Italian Portuguese
Marketing social
AccueilLa technologieIntelligence artificielleGesund fournit la validation des algorithmes médicaux

Gesund fournit la validation des algorithmes médicaux

C'est une chose de développer un algorithme médical et une autre de prouver qu'il fonctionne vraiment. Pour ce faire, vous avez besoin de quelque chose de crucial qui est difficile à trouver : des données médicales. Et une startup est prête à fournir cela en abondance, ainsi que les outils pour faciliter les études de validation.

Sain, fondée en 2021, a émergé avec une levée de fonds de 2 millions menée par 500 Global. La société a déjà parcouru un long chemin, avec des plateformes viables, 30 clients dans son canal de vente et des revenus attendus ce trimestre, a déclaré le fondateur Enes Hosgor.

Sain il s'agit essentiellement d'une organisation de recherche sous contrat (CRO) pour les entreprises d'IA développant des algorithmes médicaux ou universitaires testant leurs propres modèles. De la même manière qu'un CRO pourrait concevoir un essai clinique pour une société de médicaments ou de dispositifs médicaux, le Sain organise les données qui permettent aux entreprises d'IA de tester leurs propres produits et construit l'infrastructure informatique pour rendre la comparaison transparente.

"J'aime nous considérer comme une entreprise d'opérations d'apprentissage automatique", a déclaré Hosgor. "Nous ne faisons pas d'algorithmes."

Un algorithme médical est seulement aussi bon que les données sur lesquelles il est formé, et il est clair que l'obtention d'ensembles de données divers et utilisables peut être un défi. Par exemple, étude publié dans JAMA en 2020 a analysé 74 articles scientifiques décrivant des algorithmes d'apprentissage en profondeur dans des disciplines telles que la radiologie, l'ophtalmologie, la dermatologie, la pathologie, la gastro-entérologie et la pathologie ; 71% des données utilisées dans ces études proviennent de New York, de Californie et du Massachusetts.

En fait, 34 États américains n'ont fourni aucune donnée au pipeline qui avait été utilisé pour former ces algorithmes, remettant en question leur généralisation à une population plus large.

Le problème existe également dans différents types de fournisseurs de soins de santé. je sais pourrait s'entraîner un algorithme sur des données collectées dans un grand hôpital universitaire renommé. Mais si vous voulez mettre en œuvre cela dans un petit hôpital communautaire, il n'y a aucune garantie que cela fonctionnera dans cet environnement très limité.

Pris ensemble, les ensembles de données utilisés pour entraîner les algorithmes sont généralement plus petits qu'ils ne devraient l'être, selon une méta-analyse de 152 études publiées dans le BMJ. Naturellement il y a quelques success stories algorithmiques, mais le problème du volume de données est un problème à l'échelle de l'industrie.

La technologie seule ne peut pas résoudre tous ces problèmes ; vous ne pouvez pas trier ou fournir des données qui n'existent pas auparavant. Par exemple, les études génétiques pour les personnes d'ascendance non européenne, qui ils brillent par leur absence. Mais Sain il se concentre étroitement sur un problème où la technologie pourrait aider : faciliter l'accès aux données existantes et créer des partenariats qui ouvrent de nouvelles voies pour le partage des données.

Une capture d'écran de la plateforme de validation Gesund.

La source de données de Sain il provient des "accords de partage de données existants avec les sites cliniques", a déclaré Hosgor. En ce moment, Sain se concentre sur les données d'imagerie recueillies au centre médical de l'Université de Chicago, au Massachusetts General Hospital et à la Charité de Berlin. (La société prévoit de s'étendre au-delà de la radiologie à l'avenir.)

D'autres, comme le Projet de science ouverte Nightingale qui fournira gratuitement des ensembles de données cliniques aux chercheurs (non affiliés au plemic "Projet Rossignol"). Mais si les données elles-mêmes sont un élément clé, c'est vraiment la pile technologique que Hosgor considère comme l'arme secrète de l'entreprise.

"Tout le monde fait du ML (Machine Learning) dans le cloud", a expliqué Hosgor. "Et parce que le fournisseur de soins de santé standard n'a pas de cloud, tout est fini avant de commencer", a-t-il déclaré. « Nous avons construit une suite technologique qui peut résider sur site, à l'intérieur d'un pare-feu d'hôpital. Il ne s'appuie sur aucun service géré par des tiers. »

A partir de là, la plateforme intègre une interface "low code". En bref, les médecins et les prestataires peuvent essentiellement faire glisser et déposer les ensembles de données dont ils ont besoin et tester leurs propres algorithmes sur ces données.

« Nous avons six mois, mais nous avons lancé et construit ce premier produit qui permet aux propriétaires de modèles d'exécuter leurs algorithmes sur des données pour produire des métriques de précision à la volée, dans des environnements hautement conformes où ils n'ont pas accès aux données. ressources en nuage. C'est notre clé secrète », a-t-il expliqué.

Pour le moment, Sain, Comme Nightingale, offre certains de ses services gratuitement. La Edition communautaire La société permet aux universitaires disposant d'algorithmes existants de tester leurs algorithmes gratuitement (mais ils devront également télécharger leurs propres ensembles de données).

En attendant, ce sont les entreprises d'IA qui paieront la facture de la version "premium" de l'entreprise. Cela, dit Hosgor, permettra aux clients payants d'accéder à des ensembles de données validés. Et il est prouvé qu'ils paieront pour les données dont ils ont besoin. Pour le moment, Sain prétend avoir un pipeline de 30 pistes et s'attend à générer des revenus ce trimestre.

"Nous étions à la RSNA à Chicago en novembre dernier et toutes les entreprises d'IA à qui nous avons parlé ont dit" oui, j'ai besoin de preuves des résultats "."

Le cycle de pré-amorçage de 2 millions de dollars représente tout le financement de Sain, mais Hosgor s'attend à ce que l'entreprise encaisse à nouveau cette année. Dans un avenir proche, la société se concentrera sur la R&D et étendra ses partenariats cliniques aux États-Unis et en Europe.

S'INSCRIT

ABONNEZ-VOUS SUR TRPLANE.COM

Publier sur TRPlane.com

Si vous avez une histoire intéressante sur la transformation, l'informatique, le numérique, etc. qui peut être trouvée sur TRPlane.com, veuillez nous l'envoyer et nous la partagerons avec toute la communauté.

PLUS DE PUBLICATIONS

Activer les notifications OK Non merci