Gesund levanta US $ 2 milhões para fornecer dados de validação de algoritmos – TechCrunch

Uma coisa é desenvolver um algoritmo médico, outra é provar que ele realmente funciona. Para fazer isso, você precisa de uma coisa an important que é difícil de encontrar: dados médicos. E uma startup está pronta para fornecer isso em abundância, juntamente com as ferramentas para facilitar os estudos de validação.

A Gesund, fundada em 2021, emergiu do sigilo nesta semana com uma rodada de sementes de US$ 2 milhões liderada pela 500 International. A empresa já percorreu um longo caminho, ostentando plataformas viáveis, 30 clientes em seu pipeline de vendas e receita esperada para este trimestre, disse o CEO e fundador Enes Hosgor ao TechCrunch.

Gesund é basicamente uma Contract Analysis Group (CRO) para empresas de IA que desenvolvem algoritmos médicos ou acadêmicos testando seus próprios modelos. Da mesma forma que um CRO pode projetar um ensaio clínico para uma empresa de medicamentos ou dispositivos médicos, a plataforma da Gesund seleciona dados que permitem que as empresas de IA testem seus próprios produtos e criem a infraestrutura de TI para fazer essa comparação funcionar sem problemas.

“Gosto de pensar em nós como uma empresa de operações de aprendizado de máquina”, disse Hosgor. “Nós não fazemos algoritmos.”

Um algoritmo médico é tão bom quanto os dados em que é treinado, e há evidências de que obter conjuntos de dados diversos e utilizáveis ​​pode ser um desafio. Por exemplo, um estudo publicado em JAMA em 2020 analisou 74 artigos científicos que descrevem algoritmos de aprendizado profundo em disciplinas como radiologia, oftalmologia, dermatologia, patologia, gastroenterologia e patologia. 71% dos dados usados ​​nesses estudos vieram de Nova York, Califórnia e Massachusetts.

34 estados dos EUA não contribuíram com nenhum dado para o pipeline que foi usado para treinar esses algoritmos, questionando o quão generalizáveis ​​eles podem ser para uma população mais ampla.

O problema também existe em diferentes tipos de prestadores de serviços de saúde. Você poderia treinar um algoritmo sobre dados coletados em um grande e estimado health facility acadêmico. Mas se você quiser implantar isso em um pequeno health facility comunitário, não há garantia de que funcionará nesse ambiente muito diferente.

Juntos, os conjuntos de dados usados ​​para treinar algoritmos são, em geral, menores do que deveriam serde acordo com uma meta-revisão de 152 estudos publicados na BMJ. Naturalmente, existem alguns histórias de sucesso algorítmicasmas este é um problema de toda a indústria.

A tecnologia sozinha não pode resolver todos esses problemas; Você não pode classificar ou fornecer dados que não estão lá em primeiro lugar. Pense em estudos genéticos para pessoas de ascendência não europeia, que são muito carente. Mas Gesund está focado em um problema em que a tecnologia pode ajudar: facilitar o acesso aos dados existentes e criar parcerias que abrem novos caminhos para o compartilhamento de dados.

O pipeline de dados da Gesund vem de “acordos de compartilhamento de dados existentes em vigor com centros clínicos”, disse Hosegor. No momento, Gesund está focado em dados de imagem coletados no Centro Médico da Universidade de Chicago, Health center Geral de Massachusetts e Charité de Berlim. (A empresa planeja ir além da radiologia no futuro).

Agregar e entregar dados para uso em aplicativos de aprendizado de máquina também está sendo feito por outros, como o Projeto de Ciência Aberta Nightingaleque fornecerá gratuitamente conjuntos de dados clínicos a pesquisadores (não afiliados ao Google polêmico “Projeto Nightingale”). Mas enquanto os dados em si são uma parte crítica disso, é realmente a pilha de tecnologia que Hosegor vê como a arma secreta da empresa.

“Todo mundo faz ML na nuvem”, explicou Hosegor. “E como o provedor de serviços de saúde médio não tem uma nuvem, tudo isso sai pela janela”, disse ele. “Construímos esta pilha de tecnologia que pode residir nas instalações, dentro de um firewall hospitalar. Ele não depende de nenhum serviço gerenciado de terceiros, que é o pão com manteiga do aprendizado de máquina.”

A partir daí, a plataforma inclui uma interface “low code”. Em resumo, médicos e provedores podem basicamente arrastar e soltar os conjuntos de dados de que precisam e testar seus próprios algoritmos em relação a esses dados.

“Temos cerca de seis meses, mas começamos a trabalhar e construímos este primeiro produto que permite que os proprietários de modelos executem seus algoritmos em relação aos dados para produzir métricas de precisão em pace actual, em ambientes de alta conformidade onde eles não têm acesso aos recursos da nuvem. Esse é o nosso molho secreto”, explicou.

No momento, Gesund, um pouco como Nightingale, está fornecendo alguns de seus serviços gratuitamente. A Neighborhood Version da empresa permite que acadêmicos com algoritmos existentes testem seus algoritmos gratuitamente (mas eles terão que carregar seus próprios conjuntos de dados).

Enquanto isso, são as empresas de IA que vão pagar a conta da versão “top class” da empresa. Isso, diz Hosegor, dará aos clientes pagantes acesso a conjuntos de dados proprietários. E há evidências de que eles pagarão pelos dados de que precisam. No momento, a Gesund afirma ter um pipeline de 30 clientes em potencial e espera gerar receita neste trimestre.

“Estivemos na RSNA em Chicago em novembro passado e todas as empresas de IA com as quais conversamos disseram ‘sim, preciso de provas ontem’”.

A rodada pré-seed de US$ 2 milhões representa todo o financiamento da Gesund, mas Hosegor espera que a empresa levante novamente este ano. Em um futuro próximo, a empresa se concentrará em P&D e expandirá suas parcerias clínicas nos EUA e na Europa.