Waarom Layer Health en beleggers geloven dat het de schaalbaarheidsuitdaging van HealthCare AI kan oplossen met een nieuwe $ 21 miljoen

Kunstmatige intelligentie (AI) geniet van zijn moment als het populairste gebied van venture -investeringen, met meer dan $ 100 miljard stroomt vorig jaar in de sector. In de gezondheidszorg was AI verantwoordelijk voor 30% van alle venture -financiering In 2024 – en gegevens worden weergegeven 2025 is uitgeschakeld tot een sterke start.

Dat momentum gaat vandaag door met de aankondiging van een serie A van $ 21 miljoen door Laag gezondheideen ambitieuze AI -startup in de gezondheidszorg die een aantal van de doornstige problemen van de sector aanpakt en de grootste belemmeringen van de industrie voor groei zou overwinnen.

De ronde werd geleid door Define Ventures, met deelname van Flare Capital Partners, GV en Multicare Capital Partners. Ze sluiten zich aan bij een CAP -tabel die al algemene katalysator en Inception Health omvat, wat suggereert dat geloofwaardigheid in de aanpak van het bedrijf.

Layer Health past grote taalmodellen (LLM’s) toe om gegevensabstractie uit te voeren voor beoordelingen van medische kaart. Blijkbaar alledaags en esoterisch voor de buitenstaander, zijn kaartbeoordelingen een fundamentele taak die een breed scala aan klinische en administratieve workflows binnen gezondheidssystemen ten grondslag legt (en voor andere ecosysteempartners). Ze kunnen met zich meebrengen door enorme volumes van enkele van de meest gefragmenteerde en complexe gegevens in elke industrie-medische gegevens-om zeer specifieke, contextrijke vragen te beantwoorden.

Of het nu wordt gebruikt om de klinische besluitvorming te ondersteunen op het punt van zorg of voor administratieve functies zoals klinische documentatie-verbetering (CDI), de kaartbeoordeling blijft arbeidsintensief en zeer technisch. Afhankelijk van de use case kan het nodig zijn om zowel gestructureerde als ongestructureerde gegevens te doorzoeken-bezoek records, voortgangsnotities, beeldvormingsrapporten, laboratoriumresultaten-en het interpreteren met begrip op clinicusniveau. Op schaal wordt dit proces duur en tijdrovend, vooral omdat het momenteel vaak handmatig wordt uitgevoerd door hoog opgeleide professionals.

Deze kenmerken maken de kaartbeoordeling bijzonder goed geschikt voor AI. LLMS blinkt uit in het verwerken, samenvatten en interpreteren van ongestructureerde gegevens met snelheid en precisie. Hoewel er problemen zijn geweest met LLMS “hallucinerend“Soms beweert Layer Health dat zijn modellen, die zijn getraind op longitudinale gegevens, de output kunnen ondersteunen met geciteerd bewijs, het helpen van de gepresenteerde informatie die de gepresenteerde informatie kan verifiëren en te verifiëren.

Toch is het implementeren van LLMS in echte gezondheidszorginstellingen – vooral in verschillende klinische omgevingen – geen gemakkelijke prestatie. Layer Health, die de flexibiliteit van zijn kern AI -platform en zijn vermogen om het hallucinatieprobleem te verminderen benadrukt, is het navigeren door een complexe en concurrerende markt. Toch kunnen de diepe ervaring van het oprichter van het oprichter en de systeembewuste aanpak van de unieke uitdagingen van organisaties in de gezondheidszorg helpen onderscheiden.

Een laag afpellen

Terwijl de meeste middelbare scholieren in de late jaren 1990 gericht waren op winkelcentra, Nintendo 64-consoles of chatten op hun Nokia-telefoons, bespraken Layer Health mede-oprichters David Sontag en Steven Horng al hoe ze op een dag een impact op de wereld zouden kunnen hebben. Beide werden aangetrokken door de informatica en deelden een sterke ondernemersaandrijving.

Zoals veel tienervrienden nastreven ze uiteindelijk afzonderlijke paden. Sontag verdiende een Ph.D. in de informatica en faculteitsposities bekleed aan de New York University en het Massachusetts Institute of Technology. Horng werd een arts en verdiende extra graden in informatica en biomedische informatica. Hij fungeert momenteel als bijwonende arts bij Beth Israel Deaconess Medical Center, waar hij ook leidt-initiatieven voor machinegeweren leidt.

Beiden hadden veelbelovende, onafhankelijke carrières, maar hun verlangen om samen te werken bracht hen uiteindelijk weer bij elkaar. De dagelijkse ervaringen van Horng in de ER gaven hem uit de eerste hand inzicht in de complexiteit en inefficiëntie van workflows en datasystemen in de gezondheidszorg.

Vanaf het begin van de jaren 2010 begon het paar testtoepassingen te bouwen – vaak met de studenten van Sontag – binnen de inlandse EHR van Beth Israel (destijds) van eigen bodem. In de loop van de tijd verkenden ze een reeks AI -use -cases voor zowel klinische als administratieve teams, die in veel vroege modellen worden herhaald.

“We hebben oorspronkelijk een algoritme ingezet voor het detecteren van sepsis, maar snel ontdekten dat dat niet was waar we een grote impact zouden hebben,” zei Horng. “Nadat we die ontdekking vroeg hadden gedaan, hebben we gedraaid naar klinische workflow.”

Toen LLMS begon op te komen als een transformerende kracht in AI, begon de basis voor laaggezondheid te kristalen. Een van de eerste wijd geciteerde papieren Over het gebruik van LLMS in de gezondheidszorg werd co-auteur van Sontag en een andere uiteindelijke mede-oprichter, Monica Agrawal, een voormalige MIT-student die nu ook professor is aan Duke.

Tegen 2022, de collectieve ervaringen van Sontag, Horng, Agrawal en twee extra voormalige MIT -studenten, Luke Murray (een software -ingenieur van Google en SpaceX) en Divya Gopinath (een oprichtingsingenieur bij Sneeuwvlok Truera), leidde tot de formele oprichting van de gezondheid van de laag.

Leg in de naam

Hoewel de abstractie van medische kaartgegevens de kern vormt van het AI -platform van Layer Health, is de modulaire architectuur de sleutel tot de strategie van het bedrijf, volgens Sontag en Horng. Elke module ondersteunt een specifieke functie, maar draagt ​​ook bij aan en bouwt op de anderen op, waardoor het systeem kan leren en verbetert in gebruiksgevallen.

De eerste focus van het bedrijf is een module die de rapportage van klinische register ondersteunt, die worden gebruikt om de resultaten in de loop van de tijd te volgen en onderzoek, kwaliteitsverbetering en volksgezondheid te ondersteunen. De module is al ingezet bij FROEDTERT & het Medical College of Wisconsin Health Network, waar het werd gebruikt om gegevens te abstraheren voor kwaliteitsrapportage. Volgens Layer Health verminderde de AI de vereiste tijd met “meer dan 65%.”

Van daaruit is Layer van plan om een ​​van de volgende modules te valideren: realtime klinische beslissingsondersteuning op het punt van zorg.

“Hetzelfde probleem met de beoordelingsbeoordeling die we oplossen met onze klinische registermodule wordt geconfronteerd met clinici op het punt van zorg,” zei Sontag. “Een van onze volgende modules zal bijvoorbeeld gericht zijn op realtime klinische beslissingsondersteuning om klinische zorgpaden te helpen automatiseren, wat leidt tot meer betrouwbare, hoogwaardige zorg. Dit zal niet alleen de patiëntresultaten verbeteren, maar zal ook natuurlijk leiden tot een meer tijdige en nauwkeurige omzetverbetering, kwaliteitsverbetering en onderzoek.”

Aanvullende modules in ontwikkeling zijn gericht op het ondersteunen van ziekenhuisactiviteiten en inkomstencyclusbeheer door CDI en medische coderingsprocessen te verbeteren. De bredere visie is om een ​​oplossing op bedrijfsniveau aan te bieden-een fundamentele AI “laag”, zoals de naam al aangeeft-die afdelingen overspant en cumulatieve ROI levert in de loop van de tijd.

Grafiekbeoordeling is niet alleen essentieel voor providers. Levenswetenschappen bedrijven en klinische onderzoeksorganisaties vertrouwen er ook op om zeer specifieke, genuanceerde vragen te beantwoorden, vooral bij het evalueren van patiënten op de geschiktheid van klinische onderzoeken. Het handmatig beoordelen van grafieken om duizenden patiënten te beoordelen tegen inclusie en uitsluitingscriteria is langzaam en duur, waardoor het een ander rijp gebied voor automatisering is.

Layer Health onlangs ondertekend een meerjarige overeenkomst met de American Cancer Society (ACS), die zijn platform zal gebruiken om klinische gegevens te extraheren uit duizenden patiëntendossiers die zijn gebonden aan onderzoeksstudies, waaronder de Cancer Prevention Study-3. De deal volgde een succesvolle piloot waarin de AI in een fractie van de tijd nauwkeurig real-world gegevens abstraheerd.

Leg op concurrentie en op maat gemaakte problemen

Ondanks veelbelovende vroege tractie, wordt Layer Health geconfronteerd met een belangrijke strijd in een concurrerende markt binnen een branche die notoir moeilijk te schalen is. Gezondheidssystemen worstelen vaak met mensen en procesgerelateerde uitdagingen die niet alleen door technologie kunnen worden opgelost. Zelfs binnen dezelfde organisatie kunnen verschillende afdelingen unieke configuraties, workflows en legacy -systemen hebben die de implementatie bemoeilijken.

Het idee van een overdraagbare, bedrijfsbrede AI-oplossing is aantrekkelijk, maar in de praktijk blijven er aanzienlijke barrières. Layer Health erkent deze complexiteiten en gelooft dat zijn platform is ontworpen om hen frontaal te ontmoeten.

“Hoewel veel van de uitdagingen van Healthcare universeel zijn, zijn sommige uniek lokaal. Ons enterprise-platform maakt het ook mogelijk voor ziekenhuizen om eenvoudig AI te configureren, te evalueren en te implementeren voor chart review voor hun specifieke, lokale problemen. Het integreert direct met het elektronische medische dossier van een ziekenhuis en het gebruik van een ziekenhuis SAAS SAAS-platform is al in gebruik van een No-Code / Low-Code-manier. Het zelf-suse-saa-saa-platform is al in gebruik van een No-Code / Low-Code-manier. Het zelf-suse-saas-platform is al in gebruik van een zelf-saas-platform in gebruik door een zelf-saaie-saas-platform in gebruik door een zelf-code-manier van het zelf-suse-saas. Onze Life Science -klanten, ‘zei Sontag.

Beleggers delen deze overtuiging. Lynne Chou O’Keefe, oprichter en managing partner bij Definieer ondernemingenziet de architectuur van Layer als een belangrijke onderscheidende factor.

“Layer Health is ontworpen als een fundamenteel AI-platform, in plaats van een AI-tool voor eenmalig gebruik. Veel AI-oplossingen in de gezondheidszorg zijn zeer specifiek voor een enkele workflow of vereisen uitgebreide aanpassing voor elke klant,” zei O’Keefe. “Layer Health heeft daarentegen een generaliseerbaar LLM-gebaseerd systeem opgebouwd dat complexe klinische gegevens over meerdere gebruiksscenario kan interpreteren. De AI-redenen in een hele patiëntendiagram, waardoor gezondheidssystemen inzichten op clinicus-niveau kunnen afleiden met minimale configuratie.

Definieer ondernemingen, die eerder aangekondigd $ 460 miljoen voor twee nieuwe fondsen, zag Layer als een natuurlijke pasvorm voor zijn investeringsthesis.

“Wij geloven dat de meest succesvolle AI-bedrijven die zijn die diepe, systeembrede inefficiënties oplossen in plaats van automatisering op oppervlakniveau te bieden. Laag Gezondheidsinputten van dit proefschrift is dit proefschrift belichamen door het immense probleem van klinische gegevensabstractie en kaartbeoordeling aan te pakken, een historisch handmatige, foutenbeschikbare, foutenbeschikbare, foutenbeschikbare, fouten-pronese en resource-intensief proces. Organisaties, waardoor het een natuurlijke pasvorm is voor onze investeringsbenadering, ”legde O’Keefe uit.

Flare Capital Partners ziet ook waarde in Layer’s low-fiction implementatiemodel en inkomstengenererende potentieel voor gezondheidssystemen die op strakke marges werken.

“Het AI-platform van Layer Health onthult krachtige inkomsten genererende inzichten voor gezondheidssystemen, door een unieke mogelijkheid om klinische grafiekgegevens te verenigen met resultaten. Aangedreven door doorbraken in AI, kan Layer Health deze inzichten ook in realtime leveren, met minimale integratie en een fractie van de huidige kosten,” zei Flare Capital Partners Parts Parth Desai. “Dit heeft David en Team tot een fundamentele en vertrouwde partner gemaakt voor alle zorgorganisaties die AI implementeren.”

De laatste laag?

Het doel van Layer Health om het verbindende AI -weefsel te worden in klinische, operationele en onderzoeksdomeinen is ambitieus. Met vroege tractie in klinische registerrapportage en uitbreiding van partnerschappen in de sectoren van de provider en de levenswetenschappen, positioneert het bedrijf zichzelf als meer dan een oplossing voor eenmalig gebruik. Het pad naar wijdverbreide acceptatie in de gezondheidszorg zal echter niet alleen technische kracht eisen, maar ook aanpassingsvermogen aan diepgewortelde workflows en gefragmenteerde infrastructuur.

Layer Health, ondersteund door $ 21 miljoen aan vers kapitaal en beleggers die wedden op fundamentele impact, staat nu voor zijn volgende uitdaging: aantonen dat zijn platform kan schalen, zinvolle ROI kan leveren en zich aanpast aan de complexe realiteit van de gezondheidszorg. Als het succesvol is, kan het bedrijf zich niet alleen uit elkaar zetten in een druk AI -landschap – het zou kunnen helpen bepalen hoe grote taalmodellen zijn geïntegreerd in de toekomst van de gezondheidszorg.