Startup mit Sitz in Paris Nabla Nur angekündigt dass es eine Serie-B-Finanzierungsrunde in Höhe von 24 Millionen US-Dollar unter der Leitung von Cathay Innovation und unter Beteiligung von ZEBOX Ventures – dem Unternehmens-VC-Fonds von CMA CGM – eingeworben hat. Diese Finanzierungsrunde erfolgt nur wenige Monate, nachdem Nabla eine groß angelegte Partnerschaft mit der Permanente Medical Group, einem Geschäftsbereich des US-amerikanischen Gesundheitsgiganten Kaiser Permanente, unterzeichnet hat.
Einer Quelle zufolge hat Nabla nach der heutigen Finanzierungsrunde einen Wert von 180 Millionen US-Dollar erreicht. Das Unternehmen könnte im Rahmen dieser Runde auch mehr Geld von US-Investoren einsammeln.
Nabla hat an einem KI-Copiloten für Ärzte und anderes medizinisches Personal gearbeitet. Am besten lässt es sich so beschreiben: Es handelt sich um einen stillen Arbeitspartner, der in der Ecke des Raumes sitzt, sich Notizen macht und medizinische Berichte für Sie schreibt.
Das Startup wurde ursprünglich von Alexandre Lebrun, Delphine Groll und Martin Raison gegründet. Lebrun, CEO von Nabla, war CEO von Wit.ai, einem KI-Assistenten-Startup, das von Facebook übernommen wurde. Anschließend wurde er technischer Leiter von Facebooks KI-Forschungslabor FAIR.
Vor ein paar Wochen sah ich eine Live-Demo von Nabla mit einem echten Arzt und einem falschen Patienten, der vorgab, Rückenschmerzen zu haben. Wenn ein Arzt eine Konsultation beginnt, drückt er den Startknopf in der Benutzeroberfläche von Nabla und vergisst seinen Computer.
Zu einem Beratungsgespräch gehört neben der körperlichen Untersuchung auch ein langes Gespräch mit vielen Fragen zu Ihrem Aufenthaltsort und Ihrer Krankengeschichte. Am Ende der Beratung können auch Empfehlungen und Verordnungen stehen.
Nabla nutzt die Speech-to-Text-Technologie, um das Gespräch in ein schriftliches Transkript umzuwandeln. Es funktioniert sowohl mit persönlichen Konsultationen als auch mit telemedizinischen Terminen.
Nachdem der Patient gegangen ist, drückt der Arzt den Stopp-Knopf. Nabla verwendet dann ein großes Sprachmodell, das mit medizinischen Daten und gesundheitsbezogenen Gesprächen verfeinert wurde, um die wichtigen Datenpunkte in der Konsultation zu identifizieren – medizinische Vitalwerte, Medikamentennamen, Pathologien usw.
Nabla erstellt in ein oder zwei Minuten einen ausführlichen medizinischen Bericht mit einer Zusammenfassung der Konsultation, der Rezepte und den Briefen für Folgetermine.
Diese Berichte können mit einem personalisierten Format für Ihre Notizen an die Bedürfnisse des Arztes angepasst werden. Sie können beispielsweise Anweisungen hinzufügen, um die Notiz prägnanter oder ausführlicher zu gestalten. Oder Sie können darum bitten, Notizen zu erstellen, die dem in den USA weit verbreiteten SOAP-Notizmuster (Subjective, Objective, Assessment and Plan) folgen
Während der Demo, die ich gesehen habe, war ich äußerst überrascht von der Wirksamkeit von Nabla im Allgemeinen. Obwohl wir uns in einem überfüllten Raum befanden und Nabla ein paar Meter von den Demo-Moderatoren entfernt auf einem Laptop lief, war das Tool in der Lage, ein genaues Transkript und einen nützlichen Bericht zu erstellen.
Mit Nabla Copilot versucht das Startup, wie der Name schon sagt, nicht, den Menschen aus dem medizinischen Kreislauf herauszunehmen. Ärzte haben immer noch das letzte Wort, da sie Berichte bearbeiten können, bevor sie in ihrem elektronischen Gesundheitsaktensystem (EHR) abgelegt werden.
Stattdessen glaubt das Unternehmen, dass es Ärzten helfen kann, Zeit bei der Verwaltungsarbeit zu sparen, sodass sie sich mehr auf die Patienten konzentrieren können.
„Was wir wissen, ist, dass wir in naher Zukunft nicht versuchen wollen, Ärzte zu ersetzen. Sie haben gesehen, wie Unternehmen – wie Babylon in Großbritannien – eine Milliarde US-Dollar verschwendet haben, indem sie versuchten, Chatbots zu entwickeln und Dinge sofort zu automatisieren und Ärzte aus dem Kreislauf auszuschließen. Und das haben wir mit Nabla Copilot schon vor langer Zeit entschieden [doctors] sind die Piloten und wir arbeiten an ihrer Seite“, sagte Lebrun.
„Es ist ein bisschen wie Automatisierung für autonome Fahrzeuge. Wir sind heute noch auf Level zwei. Wir werden sehr bald mit der dritten Stufe mit klinischer Assurance-Unterstützung beginnen. Dann ist Stufe vier die klinische Entscheidungsunterstützung, allerdings mit FDA-Zulassung, weil man Entscheidungen trifft, die man nicht wirklich erklären kann“, fügte er hinzu.
Irgendwann könnte man sich sogar eine autonome Gesundheitsversorgung der Stufe fünf vorstellen, was bedeuten würde, dass Ärzte aus dem Krankenzimmer entfernt werden müssten. Aber Lebrun ist in dieser Hinsicht immer noch sehr vorsichtig.
„Für manche Situationen in manchen Märkten, etwa in manchen Ländern, in denen sie keinen Zugang zur Gesundheitsversorgung haben, wäre das eine relevante Sache“, sagte er. Langfristig betrachtet sieht er den Diagnoseprozess als ein „Pattern-Matching-Problem“, das mit KI gelöst werden könnte. Ärzte würden sich auf Empathie, chirurgische Eingriffe und kritische Entscheidungen konzentrieren.
Während Nabla seinen Sitz in Frankreich hat, befinden sich die meisten Kunden des Unternehmens nach einer Einführung in der gesamten Permanente Medical Group in den USA. Nabla ist nicht nur in der Entwicklung, sondern wird täglich von Tausenden von Ärzten aktiv genutzt.
Das Datenschutzmodell von Nabla
Nabla ist derzeit als Web-App oder als Google Chrome-Erweiterung verfügbar. Dem Unternehmen ist bewusst, dass es mit sensiblen Daten umgeht. Aus diesem Grund speichert es keine Audio- oder medizinischen Notizen auf seinen Servern, es sei denn, sowohl der Arzt als auch der Patient geben ihr Einverständnis.
Nabla konzentriert sich auf Datenverarbeitung statt auf Datenspeicherung. Nach einer Konsultation wird die Audiodatei verworfen und das Transkript in der elektronischen Patientenakte gespeichert, die Ärzte bereits für ihre Patientenakten verwenden.
Technisch ausgedrückt: Wenn ein Arzt eine Aufzeichnung startet, wird der Ton mithilfe einer fein abgestimmten Sprache-zu-Text-API in Echtzeit transkribiert. Das Unternehmen verwendet eine Kombination aus einer handelsüblichen Speech-to-Text-API von Microsoft Azure und seinem eigenen Speech-to-Text-Modell (ein verfeinertes Modell, das auf dem Open-Source-Whisper-Modell basiert).
„Wenn Sie nur einen normalen Sprach-zu-Text-Algorithmus haben, können diese bei medizinischen Daten gut sein oder auch nicht. Aber wir haben eine Feinabstimmung. Und wie Sie wahrscheinlich gesehen haben, ist der Text zunächst sehr hell und wird dann dunkel. Und wenn es dunkel wird, bedeutet das, dass wir es mit unserem eigenen Modell überprüft und mit Medikamentennamen oder medizinischen Bedingungen korrigiert haben“, sagte Grégoire Retourné, Ingenieur bei Nabla ML, während der Demo, die ich gesehen habe.
Das Transkript wird zunächst pseudonymisiert, d. h. personenbezogene Daten werden durch Variablen ersetzt. Pseudonymisierte Transkripte werden von einem großen Sprachmodell verarbeitet. In der Vergangenheit verwendete Nabla GPT-3 und dann GPT-4 als wichtigstes großes Sprachmodell. Als Unternehmenskunde kann Nabla OpenAI mitteilen, dass es seine Daten nicht speichern und sein großes Sprachmodell nicht auf Grundlage dieser Konsultationen trainieren kann.
Aber Nabla hat auch mit einer fein abgestimmten Version von Llama 2 experimentiert. „Wir stellen uns vor, in Zukunft immer schmalere Modelle anstelle von allgemeinen Modellen zu verwenden“, sagte Lebrun.
Sobald das LLM das Transkript verarbeitet hat, entpseudonymisiert Nabla die Ausgabe. Ärzte können die Notiz sehen, die auf dem Computer in der lokalen Speicherdatei des Webbrowsers gespeichert ist. Notizen können in EHRs exportiert werden.
Ärzte können jedoch ihre Zustimmung erteilen und den Patienten um seine Einwilligung bitten, medizinische Notizen an Nabla weiterzugeben, damit diese zur Korrektur von Übertragungsfehlern verwendet werden können. Und wenn man bedenkt, dass Nabla auf dem besten Weg ist, mehr als 3 Millionen Konsultationen pro Jahr in drei Sprachen zu bearbeiten, stehen die Chancen gut, dass sich Nabla dank realer Daten sehr schnell verbessern wird.
Bildnachweis: Romain Dillet / TechCrunch