Healthleap、3,800万ドルを調達——AIで入院患者の病状悪化を早期警告

編集者注：病院のベッドが逼迫し、看護人員が不足している状況で、最初に見落とされがちなのは「一見安定しているように見えて、実際には悄々と悪化しつつある患者」だ。Healthleapはこうした患者をAIで事前に発見しようとしている。今回の3,800万ドルの調達は、「臨床悪化早期警告」という細分化されたセグメントへの、資本市場によるまた一つの信任の表明である。

TechCrunchの報道によると、医療AIスタートアップのHealthleapは総額3,800万ドルの資金調達完了を発表した。今回の調達は2段階で構成されており、800万ドルのシードラウンドはSequoia CapitalとFirst Round Capitalが共同でリードし、3,000万ドルのシリーズAはHummingbird Venturesがリードした。同社のコアプロダクトは病院向けAIシステムであり、入院患者の中から「より注意を払う必要がある」高リスク個人——つまり、病状が静かに悪化しつつあるにもかかわらず、従来のアラートがまだ作動していない患者——を識別する。

「事後の救急対応」から「事前の発見」へ

病院において最もコストが高く、かつ最も致命的な遅延は、往々にして病状悪化の初期段階に発生する。従来のアプローチは、看護師が定期的に巡回してバイタルサインを手動で記録し、医師が経験に基づいて判断するというものだった。問題は、バイタルサインが連続的に変化するのに対し、人手による巡回は離散的・断続的であることだ。患者が「安定」から「重篤」へと移行するまでの窓が数時間しかない場合、些細な見落としが高いコストをもたらしかねない。

敗血症、呼吸不全、心停止といった院内急変には、通常データで捉えられる前兆がある——心拍数の変動、呼吸数のわずかな上昇、血圧の緩やかな低下、血中酸素飽和度の変動などだ。これらのシグナルは単独では警報を引き起こすに至らないが、組み合わせれば明確な悪化曲線を描く。Healthleapが目指すのは、大量かつ断片的な電子カルテデータからこの曲線を抽出することにほかならない。

資金調達の構造が示すシグナル

注目すべきは、シードラウンドとシリーズAが同時に公表されたことだ。シードラウンド800万ドルはSequoia CapitalとFirst Round Capitalが共同でリードし、シリーズA3,000万ドルはHummingbird Venturesがリードした。この「二段跳び」の調達ペースは通常、プロダクトの検証と初期顧客の開拓において、一般的な初期段階プロジェクトよりも速く進んでいることを意味し、また投資家が臨床エビデンスが十分に蓄積される前に先行して賭けに出る意思を示している。

SequoiaとFirst Round Capitalはシリコンバレーで最も活発なアーリーステージ投資機関の一つであり、Hummingbird Venturesはエンジニアリング能力に長けた技術系企業を長期的に注目してきた。この3機関が一つの臨床ワークフローAI企業の株主名簿に同時に登場することは、ある意味で投資家による「AI＋医療」の再評価を反映している。過去数年の評価額調整を経て、資本は今や「汎用的な医療大規模言語モデル」の物語よりも、明確な臨床上の課題を持ち、既存のワークフローに組み込めるプロダクトをより重視するようになっている。

業界背景：早期警告スコアと「アラート疲労」

入院患者の病状悪化の早期警告は新しい概念ではない。修正早期警告スコア（MEWS）や国家早期警告スコア（NEWS）などのツールはすでに多くの病院で十数年にわたって使用されており、心拍数・血圧・呼吸数・体温・意識状態といった指標を重み付けしてスコアリングし、閾値を超えたら上位処置を起動するという仕組みだ。しかしこれらのスコアリング体系は感度と特異度に限界があり、偽陽性率が高い。看護師は「空振り」のアラートに繰り返しさらされることで、いわゆる「アラート疲労（alert fatigue）」が生じ、かえって本当に危険なシグナルを見逃してしまう可能性がある。

機械学習モデルの導入はこの問題を改善できると期待されている。モデルは数十から数百の変数を同時に処理し、非線形な関係や時間的なトレンドを捉え、データの蓄積に伴って継続的に精度を調整できるからだ。しかし業界にはすでに失敗例もある——例えば一部の市販の敗血症予測モデルは、独立した研究による評価で、ベンダーが主張するよりも予測能力が明らかに低く、特定の集団において系統的な偏りが存在することが明らかになっている。これは後続の全プレイヤーへの警告だ。医療AIの真の難しさはモデルが動くかどうかではなく、厳格な検証に耐えられるかどうかにある。

本当の難所はモデルではなく、ワークフローにある

AIが看護師のスマートフォンにもう一件アラートを送るだけのものであれば、ほぼ確実に失敗する。この種のプロダクトの生死を決めるのは、いくつかの非常に「地味な」問いだ：

第一に、アラートが別のシステムを開かせることなく、病院の既存の電子カルテ（EHR）ワークフローに自動的に組み込まれるか。第二に、「なぜこの患者がフラグを立てられたか」をシステムが説明でき、医師が数秒で信頼を構築できるか。第三に、それが看護チームの認知的負荷を増やすのではなく、実際に減らしているか。そして第四に、そして最も重要なこととして——死亡率、予定外のICU転棟率、在院日数を低下させたことをデータで証明できるか。これらのハードな指標こそが、病院がソフトウェアに対して対価を支払う理由になる。

競争環境と規制の現実

Healthleapが直面する競争は決して楽ではない。一方には電子カルテの大手ベンダーや患者監視機器メーカーがいる。これらの企業はデータへのアクセス入口を押さえており、早期警告機能を自社プラットフォームに内蔵する傾向がある。もう一方には、敗血症や臨床悪化の早期警告に特化したスタートアップ群がいる。セグメントは小さいが、プレイヤーは少なくない。さらに、病院の調達サイクルの長さ、システム統合コストの高さ、データコンプライアンス要件の厳しさが、販売拡大には相当の資金と時間を要することを意味する。

規制も無視できない。米国では、臨床意思決定支援に用いられるソフトウェアは医療機器（SaMD）に分類され、対応する審査経路を通る必要がある場合がある。一方、プロダクトの位置づけを「診断上の提言」ではなく「情報の提示」とすれば、規制上の負担は軽くなるが、病院が調達する際の信頼の閾値はかえって高くなる。今回調達した3,800万ドルのうちかなりの部分が、臨床研究、実世界エビデンスの蓄積、院内展開チームの構築に充てられることが予想される。

まとめ：成否を決めるのはAUCではない

3,800万ドルは現在のAI資金調達環境においては巨額とは言えないが、そのタイミングと構造は示唆に富む。生成AIが大半の注目を集める中、具体的な臨床シナリオに集中する企業群が、静かにデータと顧客を積み上げている。Healthleapにとっての真の試練は、論文上でのモデルのAUC（曲線下面積）がいかに高いかではなく、正しいタイミングに正しい方法で、最も注意を払われるべき患者を看護師に見せられるかどうかにある。

本稿はTechCrunchより編訳。