Startup Denmark Teton telah menggunakan Gefion, salah satu superkomputer paling kuat di Eropa, untuk turbocharge pengembangan “pendamping perawatan” AI untuk staf rumah sakit.
Teton memasang kamera dan sensor di kamar rumah sakit untuk mengumpulkan data real-time. Ini diumpankan ke algoritma AI, menciptakan “kembar digital” virtual ruangan. Model ini memantau perilaku pasien dan staf seperti pergerakan, pernapasan, atau perubahan postur. Jika melihat masalah, sistem mengingatkan perawat melalui aplikasi.
Untuk melindungi privasi, semua pemrosesan terjadi di perangkat dan tidak ada yang dikirim ke cloud. Tidak ada data pribadi atau rekaman video mentah yang disimpan. Sebaliknya, video segera dikonversi menjadi representasi spasial 3D dan rekaman asli dihapus.
Tujuan Teton adalah membantu staf rumah sakit melihat tanda -tanda awal masalah kesehatan dan merespons lebih cepat terhadap risiko potensial. Perusahaan juga bertujuan untuk meringankan beban kerja perawat. Dengan terus memantau kamar pasien, sistem dapat mengurangi jumlah pemeriksaan manual. Ini juga dapat secara otomatis menghasilkan catatan perawatan.
Superstar Teknologi Eropa: Dengar dari Dataasnipper, Face Memeluk, Philips & Banyak Lagi
Bergabunglah dengan 1000 -an Pendiri, Investor, dan Juara Inovasi di Konferensi TNW pada 19 & 20 Juni.
AI Care Companion telah diuji coba di dua rumah sakit Denmark dengan hasil yang menjanjikan. Alat ini memotong beban kerja Nightshift hingga 25%, menurut penelitian perusahaan sendiri.
Pendiri Teton, Mikkel Wad Thorsen dan Esben Klint Thorius, telah menghabiskan bertahun -tahun melatih model AI mereka pada skenario pasien nyata. Mereka bahkan mempekerjakan aktor dan perawat untuk berulang kali memerankan adegan untuk meningkatkan data pelatihan mereka. Namun, proses manual ini membutuhkan banyak waktu. Di situlah gefion, Superkomputer AI Denmarkmasuk.
Menggunakan superkomputer, Teton mampu membuat lebih dari 1 juta adegan 3D kamar rumah sakit. Di setiap ruang virtual, skenario yang berbeda akan dimainkan. Misalnya, seorang pasien yang berbalik di tempat tidur, perawat yang memeriksa tanda vital, atau seseorang yang mengalami kesusahan.
Adegan -adegan ini bukan hanya gambar statis, itu adalah lingkungan yang dinamis yang meniru bagaimana orang dan objek bergerak dan berperilaku dalam kehidupan nyata. Dengan menghasilkan begitu banyak dari mereka, Teton dapat mengekspos AI -nya ke berbagai skenario – jauh lebih banyak daripada yang layak secara manual. Ini membantu sistem belajar bagaimana mengenali pola halus dan merespons dengan tepat dalam pengaturan klinis nyata.
“Gefion telah membuat perbedaan besar pada tingkat di mana kami dapat mengembangkan model AI kami,” Thorsen memberi tahu TNW.
“Mampu membuka kunci pengetahuan geometris membantu kita membangun prediksi dan estimasi yang jauh lebih baik tentang bagaimana keadaan pasien,” tambahnya.
Thorsen Berharap perbaikan pada akhirnya akan membantu rumah sakit memberikan perawatan pasien yang lebih baik – dan mengambil staf perawatan berat badan.
Memberi perawat uluran tangan
UE saat ini memiliki kekurangan 1,2 juta dokter, perawat, dan bidan. Ada juga minat yang menurun dalam karier keperawatan di lebih dari setengah 27 negara blok, menurut OECD riset.
Kekurangan keperawatan adalah masalah di seluruh dunia, yang telah memunculkan beberapa startup yang mencoba mengisi kesenjangan dengan solusi teknologi. Salah satunya adalah Bemlo yang berbasis di Stockholm, yang telah menciptakan platform untuk perekrutan jangka pendek perawat dan dokter, yang memungkinkan rumah sakit untuk dengan cepat menyalakan staf baru. Upaya lain berupaya membantu perawat secara lebih langsung. Robotika rajin yang berbasis di AS telah membangun Moxi, satu meter Robot seluler yang dirancang untuk membantu mengurangi tugas yang membosankan dan berulang di fasilitas perawatan kesehatan.
Berbekal daya superkomputer dan kembar digital, Teton bertaruh AI dapat membantu meringankan ketegangan pada karyawan rumah sakit yang melebar. Dan sekarang startup sedang mencari untuk melacak dengan cepat pengembangan algoritma. “Dengan semua titik data baru ini, kami dapat secara signifikan mempercepat waktu iterasi dan membuka kunci skala baru untuk generasi berikutnya dari model kami,” kata Thorsen.