AI中心の放射線科診療所を支えるEpsilon HealthのシリーズA

Epsilon Healthは、2,000万ドルのシリーズAでステルス状態から姿を現した。同社が賭けるのは、また一つの放射線科ソフトウェアを立ち上げることではない。自社のAIを用いて診療所そのものを運営することだ。

AlleyCorpが主導したEpsilon HealthのシリーズAは、同社が開示した総額2,760万ドルの資金調達の一部を構成する。Uncork Capital、Renegade Partners、SemperVirens、Jack Altmanも参加した。この資金調達は2026年9月10日に発表された。

この構造が中心的な緊張関係を生む。Rad AIやAidocといった既存ベンダーは、医療機関に技術を販売する。一方Epsilonは放射線科医と契約し、自社が提供する臨床サービスの中に自社ソフトウェアを組み込む。

これは垂直統合であり、同社が技術と、その技術を適用する運営の両方を管理することを意味する。Epsilonは、各病院が個別製品を統合するのを待たずに、ワークフローを再設計できる。

同時に、ソフトウェアベンダーであれば顧客側に委ねられる責任も引き受ける。Epsilonは医師を採用し、診療提供体制を維持し、患者データを保護し、臨床品質を管理し、信頼できるレポートを提供しなければならない。

したがって、この資金はモデル開発だけを支えるものではない。医師の説明責任を損なうことなく、AI企業が大規模な医療提供者になれるかを試す資金でもある。

Epsilon HealthのシリーズAは、ソフトウェアだけでなく診療所に資金を投じる

決定的な事実は資金調達額ではない。Epsilonはベンチャーキャピタルを用いて、AIを中心とする臨床運営を構築している。

Axiosは、Epsilonをステルス状態から表舞台へと出したラウンドとして、2,000万ドルのシリーズAを報じた。同社のより広範な発表では、AlleyCorp主導の総額2,760万ドルの資金調達と説明されている。

これらの数字は必ずしも矛盾する取引ではなく、異なる資金調達範囲を指している。シリーズAは新たな機関投資家ラウンドであり、より大きい金額はEpsilonが開示した累計資本を表す。

Epsilonは自らをAIネイティブな放射線科診療所と呼ぶ。実務上は、検査画像を読影し、Epsilonのシステムを利用してより効率的にレポートを作成する認定放射線科医と契約することを意味する。

同社は、未確認の診断結果を患者へ送信する自律システムを提示しているわけではない。Epsilonの発表によれば、読影の責任は引き続き医師が負う。

この区別は重要だ。放射線科レポートは臨床上の成果物であり、画像、患者の病歴、過去検査、そして放射線科医の判断を、治療方針を導く情報へと変換する。

Epsilonは、自社ソフトウェアがその判断を取り巻く工程を支援すると説明している。これには症例の振り分け、情報検索、レポート草案の作成、過去検査との比較、品質確認などが含まれる可能性がある。

同社は、各レポートのどの程度をAIが作成しているのかを判断できるだけの技術文書を公表していない。また、画像モダリティごとにワークフローがどのように異なるかも詳述していない。

ただしEpsilonは、初期の運営指標を開示している。25万人超の患者にサービスを提供し、1日当たり2,500件超の画像検査を処理しているという。

また、国内最大級の外来画像診断プロバイダーの1社について、画像診断件数の半分超を扱っているとも述べる。その顧客名は公表していない。

さらにEpsilonは、2026年中に米国で日々撮影されるX線画像の1%を読影する軌道に乗っていると主張する。ただし、発表では全国的な分母を示しておらず、総検査件数に占めるX線の内訳も分離していない。

したがって、これらの数値は同社報告の運営指標として扱うべきだ。資金調達に付随する資料では、独立監査を受けていない。

この制約があるとしても、報告された処理量は、投資家が単なる実験室レベルの試み以上のものを見ている理由を示す。Epsilonはすでに、速度、信頼性、診療提供体制が日々顧客に影響する実際の臨床ワークフローの中で運営されている。

AlleyCorpのヘルスケア投資ポートフォリオは、EpsilonをAIネイティブ放射線診療に注力する投資先として掲載している。同社の役割は、ヘルスケア人材やサービス事業に関する経験とも整合する。

AlleyCorpのゼネラルパートナーで医師でもあるAlexi Nazemは、Epsilonが限られた放射線科の専門性をより多くの患者へ広げられると主張した。この見解は、生産性向上を投資仮説として位置付けるものだ。

Epsilonは、新たな資本を採用、臨床パートナーシップ、インフラ、地理的拡大に用いるとしている。各項目は、同社が持つ運営企業としての性質を明らかにする。

通常のソフトウェアベンダーは、基盤となるサービスを担う専門職を雇用せずとも顧客を増やせる。Epsilonの成長は、ソフトウェアの処理能力と医師の確保の両方に結び付いている。

そのため、同社の資本要件は異なる。エンジニアリング人材とコンピューティング資源に加え、医療リーダーシップ、資格認定システム、スケジューリング、コンプライアンス、信頼性の高い臨床運営を必要とする。

したがってEpsilon HealthのシリーズAは、協調した実行力への賭けでもある。レポート生成を改善するだけでは、持続可能な放射線科診療所は構築できない。

同社は、精度を維持しながら、その技術をより迅速な提供へとつなげなければならない。さらにその成果を、顧客、医師、拠点、患者集団をまたいで再現する必要がある。

放射線科医の供給力こそ、投資家がEpsilonに解決を期待する課題

Epsilonが参入するのは、画像診断需要と臨床負荷が上昇し続ける一方、放射線科医を追加で育成するには何年もかかる市場だ。

American College of Radiologyは、人材不足と画像診断件数の増加を、放射線科における最大の二つの運営上の脅威と位置付けている。これらの圧力は互いを増幅させる。

検査件数の増加は読影リストの長期化を招く。読影リストの長期化は業務負荷を高め、燃え尽き、労働時間の短縮、職業からの離脱につながる可能性がある。

同団体が引用する人材調査は、有用な詳細を加えている。放射線科医の年間離職率は2014年から2022年にかけて2倍以上となり、1.1%から2.5%へ上昇した。

同じ調査によると、サブスペシャリストはジェネラリストより37%高い確率で労働力から離脱していた。地方拠点を持つ診療所では、持たない診療所より離職率が16%高かった。

需要も停滞していない。同学会が引用するNeiman Health Policy Instituteの予測では、MRIの利用は2055年までに17%増加する見込みだ。CTの利用は25%増加すると予測されている。

人材の増加だけでは、その差を十分に埋められない。研修医の定員は拡大できるものの、医学教育ではソフトウェアのリリーススケジュールに合わせて経験豊富な専門医を輩出することはできない。

放射線科診療所は、統合、遠隔読影、サブスペシャリティの分散、ワークフロー自動化で対応してきた。放射線科医が所属する診療所の数は、2014年から2023年にかけて14.7%減少した。

同じ期間に、放射線科医の数は17.3%増加した。診療所の平均規模は放射線科医9.7人から17.9人へ拡大し、より大きな組織への移行を反映している。

Epsilonは、技術企業であると同時に統合型サービスプロバイダーとして、この変化の中に参入する。同社の主張は、ワークフローソフトウェアにより、契約する各医師の処理能力を高められるというものだ。

夕方に未処理案件が滞留する外来画像診断センターを考えてみよう。同センターには、資格を持つ読影医、迅速なレポート、過去画像との比較、緊急所見の連絡が必要となる。

単体のAI製品であれば、所見の草案を作成したり、疑わしい症例を優先したりできるかもしれない。それでも画像診断センターは、そのツールをレポーティングシステム、放射線科医、品質手順と連携させなければならない。

これに対しEpsilonは、自社ソフトウェアを中心に設計された診療所を通じて読影サービスを提供する。顧客が購入するのは、あらゆる技術要素を自ら組み立てることではなく、臨床上の処理能力だ。

このアプローチは、ヘルスケアAI導入における重要な障壁を下げられる可能性がある。精度が有望に見える場合でも、病院がアルゴリズムを単独で購入することはまれだ。

組織はツールを画像アーカイブ、レポーティングソフトウェア、患者記録、既存のコミュニケーションプロセスに接続しなければならない。また、利用者のトレーニングと障害の監視も必要となる。

こうした統合要件は、放射線AIの導入が歴史的に規制承認のペースを下回ってきた理由の一端を説明する。アルゴリズムが利用可能であることは、日常的な利用を保証しない。

Associated Pressによる臨床AI導入の調査は、実環境での検証、透明性、学習データに含まれる集団に関する懸念が根強いことを示した。

Epsilonのモデルは、導入を診療所の内部に取り込むことで統合問題に対処する。同社のエンジニアは、臨床医がシステムをどのように利用するかを観察し、ワークフローを中央で調整できる。

同社によれば、この運営は独自のデータセットと継続的なフィードバックループを生む。完了した各症例は、ソフトウェアが役立った箇所、修正を要した箇所、摩擦を生んだ箇所を明らかにし得る。

このデータ優位性は依然として同社の主張であり、その価値は処理量だけでは決まらない。Epsilonには、規律あるラベリング、代表性のある症例、安全なガバナンス、医師からの信頼できるフィードバックが必要だ。

それでも、インセンティブ構造は注目に値する。ソフトウェアベンダーは、臨床医が製品を一貫して利用しなくても、導入後に対価を得られる場合がある。

Epsilonは、放射線科医が高品質な読影を効率的に完了するほど、より多くの価値を得る。一方で、ワークフローが失敗したり、レポートに追加レビューが必要になったりすれば、より多くのコストも負う。

この整合性こそ、同社のアプローチが投資家の関心を引く理由だ。診療所は顧客向け製品であると同時に、技術が改善される環境にもなる。

これは従来型の遠隔放射線診断グループにも圧力をかける。これらの事業者もすでに遠隔地の医師による読影能力を販売しているが、その技術スタックは必ずしも生成AIを中心に構築されてきたわけではない。

Epsilonの課題は、AI中心のワークフローが、最新のスケジューリング、音声入力、遠隔分散を超える測定可能な改善を生むことを示す点にある。効率性は社内の主張にとどまってはならない。

ワークフローを所有することが、放射線AIの競争を変える

Epsilonの主要な競合相手は、ベンダーがツールを販売し、医療機関が導入リスクを負う単体ソフトウェアモデルだ。

放射線AIは、複数の製品カテゴリを通じて発展してきた。一部のシステムは異常を検出し、一部は読影リストを並べ替え、また一部はレポーティングやフォローアップを支援する。

Aidocは、画像分析と臨床コーディネーションに強く注力している。同社のソフトウェアは、緊急性の可能性がある所見にフラグを付け、放射線科医のキュー内で症例の優先順位を上げることができる。

Rad AIはレポーティングワークフローに注力している。同社の製品は、放射線科医による所見草案の作成、所見の音声入力、推奨されるフォローアップケアの管理を支援する。

Rad AIは2025年に6,000万ドルのシリーズCを発表し、この資金調達により評価額が5億2,500万ドルになったと述べた。同社のレポーティングプラットフォームは、投資家がすでにレポート生成を大きなソフトウェアカテゴリとして認識していることを示している。

Aidocは2026年に1億5,000万ドルを調達し、その資金調達時点でFDA認可を31件取得していた。同社のシステムは、トリアージから腹部所見までのユースケースをカバーする。

両社は、既存の臨床組織を通じてソフトウェアを展開できる。このアセットライトなアプローチにより、製品を利用するすべての放射線科診療所を運営せずとも、顧客にサービスを提供できる。

Epsilonの構造は、その柔軟性の一部を統制と引き換えにしている。報告環境を標準化し、修正を収集し、契約ネットワーク全体で運用を調整できる。

この違いは、厨房機器を販売するのではなくレストランを運営することに似ている。レストランはメニューとサービスを管理できる一方、すべての料理を正しく提供しなければならない。

Epsilonにとって、完了した各レポートには臨床面と事業面の両方で影響がある。読影が遅れれば患者ケアが滞る可能性があり、不正確なレポートは重大な害を招き得る。

こうした直接的な責任は、製品開発の改善につながり得る。エンジニアは、企業の成否を左右する業務そのものからフィードバックを受ける。

ただし、統制によって統合作業が不要になるわけではない。Epsilonは依然として、顧客の画像アーカイブ、電子カルテ、オーダリングシステム、コミュニケーションチャネルと接続しなければならない。

同社のモデルも、現場ごとの違いをなくすものではない。画像診断プロバイダーごとに、プロトコル、機器、テンプレート、エスカレーション手順は異なる。

同社はこうした違いを尊重しながら、スケール可能なほど一貫したワークフローを構築する必要がある。これは単一のデモ用データセットを最適化するよりはるかに複雑な課題だ。

従来型の遠隔放射線診断事業者も、重要な比較対象となる。vRadのような企業は長年にわたり、遠隔地の放射線科医と病院・画像診断センターの検査を結び付けてきた。

これらの企業は、資格認定、複数州でのカバー、ワークリスト管理、24時間体制のサービスをすでに理解している。その運用経験は重要な競争上の防壁となる。

したがってEpsilonの技術は、レポート文面の改善以上の成果を示さなければならない。読影プロセス全体で、より優れた経済性またはサービス水準を実現する必要がある。

下書き作成の高速化は役立つが、放射線科医は過去画像の確認、臨床歴の確認、所見の計測、臨床医への連絡、推奨事項の記録にも時間を費やしている。

最も価値の高いシステムは、追加の検証作業を生まずに、これらの工程全体の摩擦を減らすものだろう。大幅な修正を要する下書きは、単に労力の所在を移し替えるだけである。

ここで垂直統合が意味のある優位性になり得る。Epsilonは、多数の分断された顧客に固定機能を販売するのではなく、実際に観察したボトルネックに合わせてソフトウェアを設計できる。

また、どの業務を人間主導で残すかも決められる。システムが定型文を下書きし、放射線科医には画像解釈や不確実な所見への集中を求めることができる。

この分業は、AIが放射線科医を置き換えるという従来の予測とは異なる。医師の時間を希少な資源、ソフトウェアを能力増幅装置として捉えるものだ。

より広い市場も同じ方向に動いている。米国の大規模診療グループであるRadiology Partnersは、単一の万能モデルに依存するのではなく、ネットワーク全体に複数のAI製品を導入している。

その取り組みには、レポートのインプレッション、画像トリアージ、撮影品質、品質保証のためのツールが含まれる。これは、放射線診断AIがワークフロー層として機能するという見方を支持している。

Epsilonは、その層を内製化しようとしている。外部の診療グループに複数ベンダーの調整を依頼するのではなく、最終的な臨床サービスを提供したい考えだ。

成功すれば、ソフトウェアベンダーには、顧客がワークフローの統制を手放さずに同等の成果を得られることの証明が求められる。また、遠隔放射線診断グループには、レポーティングシステムの近代化を迫ることにもなる。

失敗すれば、スタンドアロン型モデルを後押しする。病院は、技術主導の医療機関に依存するよりも、モジュール型ツールを購入する方が柔軟性に優れると結論付ける可能性がある。

Epsilon HealthのシリーズAはこの競争に資金を供給するが、資金調達だけで決着がつくわけではない。勝者は、再現可能な臨床パフォーマンスと顧客維持によって決まる。

高速なAIレポートにも独立した臨床エビデンスが必要

Epsilonにとって最大の不確実性は、より高い処理能力が、医師、顧客、患者集団をまたぐ厳格な品質測定に耐えられるかどうかだ。

同社は、AIが放射線科医によるレポート作成をより迅速かつ一貫性の高いものにすると述べている。これらの主張にはもっともらしさがあるが、公開発表には独立した臨床研究は含まれていない。

感度、特異度、エラー率、修正率、画像モダリティ間の性能差も報告していない。標準的なワークフローとの統制比較についても説明していない。

処理能力だけでは臨床的価値を確立できない。診療グループは、見落とし、偽陽性、不明瞭な表現、追加のフォローアップ作業を増やしながら、より多くの検査を処理することもあり得る。

レポート生成には、画像分類とは異なるリスクがある。生成されたレポートは、所見、計測値、不確実性、病歴、推奨事項を正確に結び付けなければならない。

洗練された文章にも、臨床的に重要な誤りが含まれている可能性がある。流暢な文章は、急いだレビューの最中にはかえって誤りを見つけにくくすることさえある。

そのため、医師による監督が引き続き中心的な役割を果たす。放射線科医は、レポートに署名する前に、下書きが画像および臨床状況と一致しているかを判断しなければならない。

このレビュー工程は患者を守る一方、生産性向上の幅を制約する可能性もある。医師が生成されたすべての文言を綿密に検証しなければならないなら、システムが節約できる時間は期待より少なくなるかもしれない。

ここではヒューマンファクターが重要になる。自動化バイアスとは、特にシステムが通常は正確に見える場合に、人が機械の出力を過度に重視してしまう現象だ。

逆の問題もある。頻繁な誤警告や質の低い下書きは、利用者にシステムへの不信感を抱かせ、有用な支援まで無視させる可能性がある。

米国食品医薬品局は、臨床画像AIの評価にはしばしば読影者研究が必要になるとしている。こうした研究では、臨床医が単独で業務を行う場合と、装置を使用する場合を比較する。

この種の研究は、人間と機械からなるチーム全体の性能を測定する助けとなる。単独モデルのスコアだけでは、製品が実際の臨床判断を改善するかは示せない。

同機関のデバイスガイダンスも、ライフサイクル監視とヒューマンファクターを重視している。ワークフロー、対象集団、入力データが開発時の条件と異なる場合、AIの性能は変化し得る。

2026年8月、FDAは生成AI対応医療機器の規制に関する意見を募集した。議論は市販前評価、リスク評価、市販後監視を対象としている。

この規制レビューは、Epsilonにとって重要な時期に行われている。同社は、監督枠組みが発展を続ける中で、生成システムを臨床提供モデルの内部に組み込もうとしている。

すべてのワークフロー機能が必ずしも規制対象の医療機器に該当するわけではない。分類はソフトウェアの機能と、その出力が診断または治療に与える影響によって決まる。

Epsilonは、自社システムの各コンポーネントを規制カテゴリーにどう対応付けるかを公表していない。医療機関を運営しているからといって、該当する場合の製品レベルの監督が不要になると読者は考えるべきではない。

診療体制は追加の疑問も生む。どの主体が専門職としての責任を負い、医師は顧客拠点ごとにどのように資格認定されるのか。

Epsilonは、AIの暫定出力と署名済みレポートの間に生じる不一致をどのように監査するのか。顧客の患者集団がシステムの学習データと異なる場合には、どう対応するのか。

発表では、同社のデータセットに関する主張も十分に具体化されていない。25万人の患者データは有用な運用データを生み得るが、単純な規模だけでは代表性のあるカバレッジを保証しない。

希少疾患、小児症例、通常とは異なる解剖学的特徴、インプラント由来のアーチファクト、異なる画像プロトコルは、一般的なパターンで学習されたシステムにとって課題となり得る。

患者データも、制約のないモデル開発リソースにはなり得ない。Epsilonはプライバシー保護、アクセス制御、契約上の制限、適切なガバナンスを適用しなければならない。

もう一つの不確実性は、同社の中核顧客に関するものだ。Epsilonは、大手外来診療プロバイダー1社が相当なボリュームを供給していると述べるが、その組織名は明らかにしていない。

顧客の集中は初期学習を加速させ得る。一方で、より広い市場に展開した際よりも性能が均一に見える可能性もある。

拡大は、Epsilonのワークフローが速度を損なわずに新たな画像診断センターへ適応できるかを試すことになる。また、放射線科医が長期的な利用を通じてシステムを受け入れるかも明らかになる。

燃え尽きに関する主張にも同様の慎重さが必要だ。反復的なレポーティング業務を減らせば医師の日常は改善し得るが、より高い生産性目標が節約された時間を消費することもある。

より速いツールを導入しても、診療グループがより多くの検査を割り当てれば、負荷が自動的に軽減されるわけではない。職場での裁量、スケジュール、症例の複雑さも重要である。

これらの疑問はいずれもEpsilonのモデルを否定するものではない。臨床インフラと野心的な資金調達ストーリーを区別するために必要なエビデンスを定義するものだ。

独立した検証では、レポート作成時間、診断品質、修正頻度、ターンアラウンドタイム、放射線科医の体験を比較すべきである。結果はモダリティ別、施設別にも分析されるべきだ。

そのエビデンスが示されるまでは、Epsilonが公表した規模は導入実績を示すにとどまり、優位性の証明ではない。同社の最も重要な主張は、なお臨床的な検証を要する。

モデルがスケールできるかを示す3つのシグナル

Epsilonの次の試練は運用の透明性であり、その後に顧客基盤の多様化と、医師がより高い処理量でも品質を維持できることの証明が続く。

第一のシグナルは、詳細な臨床検証である。Epsilonは、AI支援ワークフローと従来の放射線診断レポーティングを比較する結果を公表する必要がある。

有用な研究には、経験年数の異なる放射線科医と複数施設の症例を含めるべきだ。速度と臨床的に意味のあるエラーの両方を測定する必要がある。

読影者による修正率は特に有益な指標となる。医師が生成文をどの程度の頻度で変更するか、また修正が特定の所見に集中するかを示すからだ。

Epsilonが強力で独立したレビューを受けた結果を公表すれば、その垂直統合モデルの信頼性は高まる。追加の処理量だけを報告するなら、中心的な臨床的疑問は未解決のままである。

第二のシグナルは、顧客基盤の多様化だ。同社は現在、名称を明かしていない大手外来画像診断プロバイダー1社を強調している。

追加の医療システムまたは画像診断ネットワークは、ワークフローが初期の中核関係を超えて展開できることを示すだろう。実名のパートナーシップは、導入状況の評価も容易にする。

モダリティをまたぐ導入は、顧客数と同じくらい重要である。定型的なX線検査で良好に機能するアプローチでも、CT、MRI、マンモグラフィでは異なる要求に直面する可能性がある。

地域的な拡大は、医師の資格認定とサービスの一貫性を試すことになる。また、Epsilonが地域ごとの契約、スケジュール、エスカレーションプロトコルをどう扱うかも明らかにする。

新規顧客が初期導入後もEpsilonを継続利用するなら、その診療体制が持続的な能力を提供するという主張を支持することになる。短期的なパイロット導入では、証拠としては弱い。

第三のシグナルは、放射線科医の定着率と業務負荷の質である。Epsilonのモデルは、AI中心の組織内で診療したいと考える臨床医を採用できるかに依存している。

同社は最終的に、医師が定着しているか、担当症例数がどう変化したか、時間外カバレッジがより管理しやすくなったかを開示すべきだ。

これらの指標が重要なのは、Epsilonが解決すると主張する問題が人材面の圧力だからである。レポート出力を増やしながら臨床医の離職を加速させるシステムは、同社の論拠を損なうことになる。

競合他社の反応も補助的な証拠となる。Rad AI、Aidoc、大手遠隔放射線診断事業者、大規模診療グループはいずれも、Epsilonの統合モデルに近づく動きを取ることができる。

ソフトウェアベンダーは、マネージドサービスを拡大するか、プロバイダーグループとの提携を深める可能性がある。既存の診療グループは、自らの臨床データを用いて独自のレポーティングモデルを開発するかもしれない。

彼らは、Epsilonがなお構築しなければならない強みを持っている。大手ベンダーには既存の顧客基盤があり、確立された診療グループには医師ネットワークと保険者との関係がある。

Epsilonの強みは、技術と臨床オペレーションを当初から一体で設計できる点にある。既存事業者がワークフローの再構築に成功すれば、その優位性は縮小する。

規制面の動きにも注目する必要がある。FDAによる生成AIの議論は、臨床文書を生成する監視システムに求められる要件を明確にする可能性がある。

ルールが明確になれば、Epsilonのコンプライアンス負担は増えるかもしれない。一方で、防御可能な標準を生み出す可能性もある。すでに構造化された性能データを収集している企業の方が、有利な立場に立てるだろう。

より大きな問いは、放射線科の領域を超えている。投資家は、ソフトウェアと、サービスを提供する有資格の専門職を組み合わせるヘルスケア事業をますます支持している。

このモデルは、顧客が成果や運用能力を購入するため、導入時の摩擦を減らせる。また、提供に支障が生じた際に、企業がソフトウェアの利益率の陰に隠れることも防ぐ。

エンタープライズの買い手にとって、この違いは重要だ。ツールを購入すれば統制は維持できるが、統合の責任は組織内に残る。

AI対応の臨床サービスを購入すれば、より多くの実行業務を提供者側に移せる。導入を加速できる一方で、提供者のガバナンスと人員体制への依存も生じる。

いずれの選択肢を評価するチームにも、規律あるエビデンスの追跡記録が必要だ。臨床研究、導入メモ、契約書、セキュリティレビュー、医師からのフィードバックは、すぐに断片化しかねない。

検索可能なナレッジベースは、評価チームが調達の過程で集めたエビデンスと主張を比較する助けになる。臨床レビューを置き換えるのではなく、判断を支援するものであるべきだ。

Epsilon HealthのシリーズAは、この実験を拡大するための資源を同社にもたらした。次の段階では、その運用モデルがレポート作成速度以上の改善を実現できることを示す必要がある。

独立したレビューを受けた品質データ、実名が明らかにされた複数の顧客、そして放射線科医が継続的な高ボリューム下でも有効に機能し続けることを示す証拠に注目したい。この3つのシグナルが、Epsilonが拡張可能な診療体制を築いたのか、それとも異例なほど統合されたパイロットにとどまったのかを決める。

次の提携案件が現れた際、ヘルスケア業界のリーダーは一つの実務的な問いを投げかけるべきだ。Epsilonは、モデルだけでなく、人間とAIを組み合わせたサービス全体を評価するのに十分なエビデンスを開示しているだろうか。