Di Dalam Taruhan $22 Juta Triomics: Mengapa Onkologi Membutuhkan AI-Nya Sendiri, Bukan Alat Serba Guna

Overhead manual ini memiliki konsekuensi nyata. Ini menciptakan kemacetan dalam pendaftaran uji klinis—sebuah proses yang menurut National Cancer Institute sangat penting untuk mengelola efek samping dan menguji pengobatan baru . Ini juga menyebabkan jam "waktu-piyama" di mana para klinisi menyelesaikan pekerjaan administratif setelah jam kerja mereka berakhir . Triomics menargetkan titik nyeri persis ini dengan mengotomatisasi proses penyerapan dan penalaran di seluruh ratusan halaman per pasien.

Cara Kerja OncoLLM: Arsitektur AI Khusus Onkologi

Platform Triomics didukung oleh OncoLLM, sebuah kerangka kerja AI tingkat perusahaan yang sengaja dibangun untuk onkologi . Alih-alih berupa satu model monolitik, OncoLLM digambarkan sebagai konstelasi 8 model mulai dari 3 miliar hingga 72 miliar parameter yang bekerja secara agentif . Desain ini memungkinkan sistem untuk menafsirkan informasi di tingkat pasien, melakukan penalaran di seluruh rekam medis longitudinal alih-alih menganalisis satu dokumen pada satu waktu.

Pendekatan teknis ini merupakan penyimpangan yang disengaja dari metode sebelumnya seperti pengenalan entitas bernama (NER) atau ekstraksi relasi . Perusahaan ini juga memanfaatkan layanan Azure AI dan OpenAI milik Microsoft, termasuk menyempurnakan model bahasa kecil Phi-3.5 untuk mengurai informasi klinis penting dari data tidak terstruktur dalam skala besar . Menurut Microsoft, integrasi ini memungkinkan platform untuk meninjau catatan pasien yang lengkap terhadap ratusan uji klinis yang sedang berlangsung dalam waktu kurang dari satu menit .

Dua produk perangkat lunak inti berada di atas OncoLLM:

• Prism: Secara otomatis menyaring setiap janji temu pasien yang akan datang terhadap seluruh portofolio uji coba dan mengirimkan kecocokan harian atau mingguan langsung ke dalam alur kerja penyedia layanan, termasuk alasan yang terperinci, kriteria per kriteria, dengan kutipan sumber .
• Harmony: Mengkurasi data EHR untuk secara otomatis menyusun ringkasan tingkat pakar dengan status penyakit terkini, linimasa pengobatan, biomarker, dan opsi uji coba . Ini juga mendukung analisis kohort dan pelaporan onkologi presisi .

Dalam validasi awal dengan Medical College of Wisconsin, OncoLLM dilaporkan menemukan 90% pasien yang memenuhi syarat untuk uji klinis dalam hitungan menit—sebuah tugas yang biasanya membutuhkan waktu berhari-hari atau berminggu-minggu bagi perawat yang berkualifikasi . Sumber yang sama mencatat bahwa OncoLLM mengekstrak data terstruktur dari catatan tidak terstruktur dengan akurasi yang serupa atau lebih tinggi dari model seperti GPT-4 atau Claude, sementara biaya operasionalnya sekitar 40 kali lebih murah .

Pendanaan dan Traksi

Pendanaan Seri B sebesar $22 juta ini mengikuti putaran Seri A sebesar $15 juta yang berhasil dikumpulkan pada tahun 2024 . Modal tersebut akan digunakan untuk mempercepat adopsi di seluruh sistem kesehatan dan memperdalam integrasi dengan catatan kesehatan elektronik (EHR) . Perusahaan ini tidak mengungkapkan secara publik metrik pertumbuhan terperinci seperti ARR atau jumlah pelanggan perusahaan, meskipun pengumuman pendanaan memposisikannya sebagai platform yang dipercaya oleh pusat-pusat kanker terkemuka .

Yang dapat diverifikasi secara publik adalah daftar pelanggannya. Triomics telah mendapatkan perjanjian penyebaran dengan institusi-institusi bergengsi:

• Memorial Sloan Kettering Cancer Center (MSK): Melalui program iHub dan CRIC, MSK menyebarkan sistem pencocokan dan penyaringan uji klinis di seluruh uji coba aktifnya .
• Mount Sinai Tisch Cancer Center: Meluncurkan platform PRISM yang didukung oleh OncoLLM, menjadi Comprehensive Cancer Center pertama yang ditunjuk NCI di New York City yang menerapkan alat AI khusus onkologi untuk pencocokan uji coba .
• Yale Cancer Center dan Smilow Cancer Hospital: Memperluas penggunaan platform di seluruh portofolio uji klinis onkologi aktif, dengan hasil yang dipublikasikan di Nature Digital Medicine .

Posisi Kompetitif: Spesialisasi Vertikal vs. Alat Generalis

Triomics memasuki pasar yang ramai dengan juru tulis AI ambient dan alat dokumentasi klinis seperti Nuance DAX Copilot milik Microsoft dan Abridge. Namun, pembedanya adalah spesifisitas vertikal.

Juru tulis AI serba guna dirancang untuk dokumentasi klinis yang luas di berbagai spesialisasi—meringkas percakapan antara dokter dan pasien selama janji temu. Sebaliknya, Triomics hanya berfokus pada alur kerja onkologi yang melibatkan data tidak terstruktur bervolume tinggi dan berdurasi panjang yang mencakup riwayat pasien bertahun-tahun . AI-nya membaca seluruh rekam medis pasien, menghasilkan tampilan pasien yang terstruktur dan memiliki kutipan sebelum kunjungan, selama penyaringan, dan setelah janji temu .

Kepemimpinan perusahaan juga mendirikan Collaboration for Oncology focused LLM Training (COLT), sebuah konsorsium yang terdiri dari lebih dari 20 pusat kanker yang ditunjuk NCI bersama dengan Ci4CC untuk membuat tolok ukur kinerja dan standar keamanan untuk AI generatif di bidang onkologi . Ini memposisikan Triomics sebagai pemangku kepentingan dalam menetapkan pagar pembatas, bukan hanya membangun produk.

Apa Selanjutnya untuk AI Khusus Onkologi?

Penggalangan dana $22 juta ini menandakan sebuah tesis yang lebih luas mulai diterima di teknologi kesehatan: kompleksitas data onkologi menuntut infrastruktur khusus, bukan hanya chatbot serba guna yang digunakan kembali . Karena pusat-pusat kanker menghadapi tekanan yang semakin besar untuk menjodohkan lebih banyak pasien dengan terapi presisi dan uji klinis, kemacetan ini menjadi kebutuhan kompetitif untuk dipecahkan.

Apakah Triomics dapat mempertahankan keunggulan pendahulunya (first-mover advantage) melawan generalis yang didanai dengan baik dan vendor EHR perusahaan besar masih menjadi pertanyaan terbuka. Tetapi dengan penyebaran di MSK, Yale, dan Mount Sinai, dan total pendanaan terkumpul sebesar $36 juta, mereka telah bergerak melampaui pembuktian konsep menuju operasi klinis berskala. Tahun depan akan menguji apakah AI vertikal dapat memenuhi janjinya di salah satu bidang kedokteran yang paling intensif data.