مدلین رویدادی برای معرفی فرصتهای جدید کسبوکار در حوزه سلامت است. مدلین، اجزای اکوسیستم کسبوکاری سلامت را به هم نزدیک می‌کند و سعی می‌کند دانش تخصصی آنان در این حوزه را افزایش دهد.
معرفی چهار استارتاپ سلامت که سیستم کمک‌تصمیم‌گیری ارائه می‌کنند
سیستم های کمک‌تصمیم‌گیری یا Decision Support Systems (DSS) به نرم‌افزارهایی گفته می‌شود که به عملیات تصمیم‌گیری در مشاغل و سازمان‌ها کمک می‌کنند. DSS بر مبنای بهره‌گیری از هوش مصنوعی، تصمیم‌گیرندگان را یاری می‌نمایند و امکان ترکیب قدرت انتخاب بشر و قدرت پردازش کامپیوتر را توأمان فراهم می‌کند. کامپیوتر که از سرعت، دقت و صحت بیشتری در امر اداره کردن مقادیر زیادی از داده‌ها برخوردار است در تحلیل اطلاعات دریافتی و بررسی راه‌حل‌های مشکل موجود عملکرد قوی‌تری نسبت به مغز انسان ارائه می‌کند. این سیستم‌ها در حوزه سلامت نیز با هدف کاهش بروز اشتباهات فردی، بالا بردن کیفیت مراقبت، کاهش هزینه‌ها و موثر بودن پیشنهاد‌های ارائه شده به کار گرفته می‌شوند. در زیر به چند مورد از استارتاپ‌های این حوزه اشاره می‌کنیم.
استارتاپ Niramai
محصول:
نیرامای یک استارتاپ هندی deep tech حوزه سلامت است که با استفاده از هوش مصنوعی و یادگیری ماشین غربالگری سرطان پستان را به صورت غیرتهاجمی، دقیق، امن، دردسترس و ارزان ارائه می‌دهد. برخلاف ماموگرافی، راهکار نیرامای نیازی به دستگاه‌های گران‌قیمت و متخصصان رادیولوژی ندارد. تشخیص نیرامای از طریق آنالیز عکس‌های حرارتی با کیفیت بالا و الگوریتم‌های یادگیری ماشینی انجام می‌شود.
مشتریان:
استارتاپ نیرامای محصولات خود را به سه مدل زیر ارائه می‌دهد:
1. دستگاه کامپکت غربالگری با تحلیلگر ابری برای بیمارستان‌های تخصصی
2. دستگاه قابل حمل، ارزان با تشخیص همزمان ابری برای پزشکان مستقل
3. راهکار قابل حمل برای غربالگری در سطح وسیع
راهکارهای نیرامای برای فروش به بیماران و عموم مردم جامعه نیست.
عملکرد:
برای انجام غربالگری سنسور حرارتی با حساسیت بالا در فاصله سه فوتی از فرد قرار می‌گیرد تا انتشار حرارت بر روی قفسه سینه وی را ارزیابی و عکس‌برداری نماید. سپس نرمافزار نیرامای این عکس‌های حرارتی را آنالیز و به طور خودکار گزارش غربالگری/ تشخیصی را تهیه کرده، گزارش تایید شده توسط رادیولوژیست را برای فرد ارسال می‌کند. الگوریتم پتنت شده آن، روند آنالیز 400 هزار معیار حرارتی اندازه‌گیری شده در یک فرد را به طور خودکار انجام می‌دهد. این راهکار به دلیل اینکه بدون اشعه است امن‌تر است و همچنین حریم شخصی فرد مورد معاینه را نیز حفظ می‌کند.
مزیت رقابتی:
نیرامای فقط هوش مصنوعی و یادگیری ماشینی را به روش‌های مرسوم اضافه نکرده است، بلکه با توجه به پیشرفت‌های تکنولوژی توانست یکی از روش‌های قدیمی یعنی ارزیابی حرارتی برای تشخیص سرطان پستان را بهبود بخشد. تشخیص براساس عکس‌های حرارتی برای رادیولوژیست‌ها به صورت چشمی امکان‌پذیر نیست و دقت کافی را ندارد در حالی که هوش مصنوعی می‌تواند اختلافات جزئی را تشخیص دهد و با کمک یادگیری ماشینی دقت تشخیص را بسیار بالا ببرد.
سرمایه‌گذاری:
استارتاپ نیرامای در سال 2016 بنیان‌گذاری شده است و اکنون در سه بیمارستان بنگالورو هند از آن استفاده می‌شود. در مرحله جذب سرمایه seed نیرامای موفق به جذب سرمایه از 4 سرمایه‌گذار شده ولی مبلغ این سرمایه‌گذاری‌ها گزارش نشده است.
وب‌سایت:
niramai.com
استارتاپ Qventus
معرفی:
استارتاپ کیوونتوس در سال ۲۰۱۴ با نام analyticsMD آغاز به کار کرد اما سال ۲۰۱۷ نامش را به کیوونتوس تغییر داد. با این حال این استارتاپ همچنان به کاربردی کردن داده‌ها برای بیمارستان‌ها به منظور بهبود عملکرد و تجربه بیمار می‌پردازد.
عملکرد:
پلتفرم کیوونتوس با استفاده از هوش مصنوعی، یادگیری ماشین و دانش تصمیم‌گیری (Decision science)، داده‌های انبوه و نامنظم ثبت الکترونیکی سلامت(Elactronic Health Records)، برنامه زمانی جراحی‌ها، برنامه حضور کارکنان و دیگر داده‌های مراقبت سلامت را تحلیل کرده و براساس آنها راهکاری در لحظه برای بهبود عملکرد بیمارستانی ارائه می‌دهد. کیوونتوس می‌تواند مشکلات را پیش‌بینی کند، سپس با بررسی هزینه-اثربخشی، بهترین راهکار را پیشنهاد می‌دهد و به طور مستقیم، فرد مناسب را از تیم مربوطه برای رفع مشکل مشخص کند. نکته قابل توجه این است که پلتفرم هربار از داده‌ها و اتفاقات می‌آموزد و خود را سازگار می‌کند.
این پلتفرم می‌تواند با بهینه کردن برنامه جراحی‌ها، مدیریت منابع، تسهیل تصمیم‌گیری‌ها و غیره زمان انتظار در اورژانس، زمان انتظار برای جراحی، مدت‌زمان بستری و هزینه‌های بیمار و بیمارستان را کاهش دهد.
مزیت رقابتی:
در حال حاضر بسیاری از بیمارستان‌های آمریکا به سیستم EHR مجهز هستند و داده‌های مربوط به بیماران را در سیستمی یکپارچه ذخیره می‌کنند. این داده‌های ارزشمند معمولا به صورت گذشته‌نگر استفاده می‌شدند و امکان به کارگیری در لحظه آنها فراهم نبود. اما کیوونتوس نه سیستم ذخیره‌سازی، بلکه سیستمی برای اقدام است که به بیمارستان‌ها برای پاسخ درلحظه به تغییرات مداوم شرایط کمک می‌کند.
مشتریان:
کیوونتوس برای بخش‌های اورژانس، پیش از عمل جراحی (preoperation) و بستری بیمارستان‌ها قابل استفاده است.
سرمایه‌گذاری:
پلتفرم کیوونتوس توانسته در مرحله preseed مبلغ دو میلیون، در سری A مبلغ ۱۳ میلیون و در سری B مبلغ ۳۰ میلیون دلار سرمایه جذب کند.
وب‌سایت:
qventus.com
استارتاپ VoxelCloud
خدمات:
استارتاپ وکسل‌کلاود سرویس کمک‌تشخیصی آنالیز تصاویر رادیولوژی با استفاده از هوش مصنوعی ارائه می‌دهد. در حال حاضر محصولات این استارتاپ شامل غربالگری سرطان ریه، غربالگری بیماری‌های شبکیه و آنالیز پلاک‌های عروق قلبی می‌باشد. سیستم وکسل‌کلاود با استفاده از رایانش ابری (Cloud Computing) کار می‌کند و با استفاده از یک مرورگر ساده در دسترس است.
مشتریان:
مدل کسبوکار این استارتاپ، کسبوکار به کسبوکار یا B2B است و مشتریان آن مراکز درمانی، تصویربرداری و بیمارستان‌ها هستند.
بازار هدف:
بنیانگذاران استارتاپ وکسل‌کلاود چینی هستند. هرچند که این استارتاپ ابتدا در آمریکا شروع به کار کرده و همچنان نیز دفتر خود در لس‌آنجلس را دارد ولی بازار هدف خود را چین قرار داده است. با توجه به شناختی که بنیانگذاران از بازار کشورشان داشتند توانستند به سرعت در این بازار رشد کنند.
سرویس‌های هوش مصنوعی برای آنالیز تصاویر رادیولوژی ایده جدیدی نیست ولی این استارتاپ با انتخاب بازار مناسب توانسته موفقیت‌های خوبی به دست آورد.
سرمایه‌گذاری:
استارتاپ وکسل‌کلاود در سال 2016 بنیان‌گذاری شده است و در همین مدت کوتاه توانسته رشد بسیار زیادی داشته باشد. این استارتاپ در جذب سرمایه نیز بسیار موفق بوده است. وکسل‌کلاود تا کنون 28/5 میلیون دلار سرمایه جذب نموده است.
وب‌سایت:
voxelcloud.io
استارتاپ Baylabs
معرفی:
بِی‌لَب استارتاپی است که با به کارگیری هوش مصنوعی در اکوکاردیوگرافی قلبی، تشخیص بیماری‌های قلبی را تسهیل می‌کند.
محصول:
سونوگرافی یکی از تصویربرداری‌های کاربردی برای تشخیص بیماری‌های مختلف است، اما نکته قابل توجه درباره سونوگرافی (و اکوکاردیوگرافی که نوعی از آن است) این است که نتیجه و دقت سونوگرافی کاملا به پزشک اپراتور آن وابسته است. همین مسأله باعث شده به علت کمبود پزشک اکوکاردیولوژیست در برخی مناطق، امکان استفاده از اکوکاردیوگرافی برای تشخیص بیماری‌های قلبی وجود نداشته باشد. نرمافزار بِی‌لَب با نام EchoMD AutoEF فیلم اکوکاردیوگرافی انجام شده توسط پزشک را دریافت کرده و براساس یادگیری عمیق (Deep Learning) آن را تحلیل می‌کند.
این نرمافزار برای عرضه در بازار توسط FDA تأیید شده است.
عملکرد:
طی اکوکاردیوگرافی پزشک از قلب در زوایای مختلف تصویربرداری می‌کند و براساس بهترین مقطع تصویری که مشاهده می‌کند، اعداد مورد نظر را محاسبه و نتیجه تصویربرداری را گزارش می‌کند.
نرمافزار EchoMD AutoEF به آرشیو بیش از 40 میلیون ویدیوی اکوکاردیوگرافی و نتایج آنها دسترسی دارد و به کمک هوش مصنوعی آنها را برای تحلیل تصاویر جدید به کار می‌برد. به این ترتیب، پزشک فیلم اکوکاردیوگرافی‌ای که انجام داده را در اختیار نرمافزار می‌گذارد و نرمافزار بین تصاویر مختلفی که دریافت کرده، بهترین آن را انتخاب و ارزیابی می‌کند.
این نرمافزار همچنین می‌تواند با داده‌های انبوهی که در اختیار دارد، پیش‌آگهی افراد در معرض خطر را اعلام کند.
با توجه به اینکه سونوگرافی، اپراتورمحور است تنوع در نتایج سونوگرافی امری طبیعی است. تحقیقات نشان داده رادیولوژیست‌ها برون‌ده قلبی را با حدود 9 درصد تنوع اندازه‌گیری می‌کنند و نرمافزار EchoMD AutoEF توانسته این تنوع را به 8 درصد کاهش دهد که نشانگر دقت بالای آن است.
مشتریان:
نرمافزار EchoMD AutoEF در حال حاضر فقط برای اهداف تحقیقاتی استفاده می‌شود و هنوز به مرحله فروش نرسیده است.
سرمایه‌گذاری:
استارتاپ بِی‌لَب در سری A قرار دارد و تا کنون توانسته 5.5 میلیون دلار سرمایه جذب کند.
وب‌سایت:
baylabs.io
نمونه‌هایی که نام برده شدند تنها مثال‌هایی هستند از استارتاپ‌های متعددی که در این حوزه ارزش‌آفرینی می‌کنند. اگرچه مطالعات نشان داده‌اند این سیستم‌ها در ارتقای کیفیت و ایمنی و کاهش خطاها بسیار موثر هستند اما هنوز تا پذیرش و به کارگیری وسیع این سیستم ها راهی دشوار در پیش است. امید است استفاده روزافزون از چنین سیستم‌هایی در افزایش کیفیت زندگی و ارتقای سلامت بشر موثر واقع شود.
مطلبی دیگر از این انتشارات
چطور تکنولوژی توانبخشی فیزیکی را متحول کرده است
مطلبی دیگر از این انتشارات
هوش مصنوعی وقوع اپیدمی ویروس کرونا را پیش از دیگران هشدار داده بود
مطلبی دیگر از این انتشارات
تحلیل مشتریان استارتاپ‌های سلامت