מאיץ IAI בארה״ב: כך ייצאו פתרונות AI לרפואה מהתעשייה

ב־13/10/2024 הכריזה התעשייה האווירית (IAI) על פתיחת מרכז החדשנות הראשון שלה בארה״ב, בוושינגטון די.סי., יחד עם תוכנית האצה חדשה בשם Catalyst. על פניו זו עוד כותרת מעולם התעופה והביטחון. בפועל, זה מהלך שיכול להשפיע ישירות על תחום שמעסיק כמעט כל ארגון בריאות ב־2025: איך מעבירים בינה מלאכותית ממעבדה ומצגות ליישום קליני שמחזיק מים.

רוב החברות חושבות שהאתגר הוא “להביא מודל יותר חכם”. אבל בבריאות, המודלים כבר די טובים. הצוואר בקבוק הוא אחר: איכות נתונים, ולידציה, רגולציה, אינטגרציה למערכות קיימות, ואמינות תפעולית לאורך זמן. כאן בדיוק מגיע הערך של גוף תעשייתי עם DNA של מערכות קריטיות—וגם של מאיץ שמחבר סטארטאפים למהנדסים שחיים על תקני בטיחות, ניסויים, ואיכות.

הפוסט הזה משתלב בסדרת "בינה מלאכותית בתעשייה וייצור מתקדם": הוא מראה איך חשיבה תעשייתית (בדיקות, בקרת איכות, תחזוקה מונעת, שרשראות אספקה) יכולה להוריד סיכונים ולהאיץ חדירה של AI גם בבריאות ובביוטכנולוגיה—לא כסיסמה, אלא כתהליך.

מה בדיוק הושק בוושינגטון—ולמה זה מעניין את עולם הבריאות

העובדות: IAI פתחה מרכז חדשנות בוושינגטון די.סי. והשיקה את Catalyst—תוכנית האצה שמתמקדת בכמה תחומים "קריטיים לעתיד" של חדשנות: בינה מלאכותית, מדע קוונטי, אנרגיה וטכנולוגיות חלל. לפי ההודעה, בכל שנה יהיו שני מחזורים, ובכל מחזור 4 סטארטאפים שיעברו סינון קפדני. כל סטארטאפ יקבל:

• משרד ותשתית עבודה
• ליווי טכנולוגי ועסקי
• השקעה של 100,000 דולר
• עידוד לעבוד כתף אל כתף עם מהנדסי IAI על טכנולוגיות מתקדמות

המשפט שהכי שווה לשים עליו פנס הוא “לעבוד עם מהנדסי IAI”. בבריאות, במיוחד ב־AI רפואי, ההבדל בין פיילוט נחמד לבין מוצר שמייצר אימפקט הוא כמעט תמיד הנדסת מערכת: ניטור, תהליכי בדיקה, ניהול תצורה, אבטחת מידע, ותיעוד.

הקירבה לרגולציה האמריקאית היא לא “בונוס”—היא אסטרטגיה

וושינגטון די.סי. היא לא עוד עיר עם נדל״ן למשרדים. זו סביבת עבודה שבה קרובים למקבלי החלטות, רגולטורים, וגופי תקינה. עבור סטארטאפים רפואיים, זה יכול לקצר מסלולים של:

• הבנת דרישות קליניות ורגולטוריות מוקדם
• תכנון ניסויים ותיעוד בצורה שמתאימה לאישור שוק
• התאמת מוצר לשוק האמריקאי (תהליכים, פרטיות, רכש)

היתרון הוא לא “קשרים”. היתרון הוא מיקוד: אם מתכננים נכון מהיום הראשון, פחות חוזרים אחורה.

למה מאיץ “תעשייתי” יכול לייצר AI רפואי יותר אמין

התעשייה האווירית מגיעה מעולם שבו כשל הוא אירוע חירום, לא “באג שנסדר בגרסה הבאה”. התפיסה הזו קריטית לבריאות, כי גם כאן מדובר במערכות רגישות: החלטות טיפוליות, עומסים בבתי חולים, וזמינות שירותים.

שלושה עקרונות מעולמות תעשייה וייצור מתקדם ששווים זהב ב־AI רפואי:

1) בקרת איכות נתונים—לא רק דיוק מודל

רוב הדיונים על AI ברפואה נתקעים ב־AUC/דיוק/רגישות. בעולם אמיתי, השאלה היא: האם הנתונים שמזינים את המודל נשארים עקביים לאורך זמן?

גישה תעשייתית מוסיפה שכבת QA לנתונים:

• בדיקות שלמות (missingness) לפי מחלקה/מכשיר/אתר
• איתור “drift” סטטיסטי בזרמי נתונים
• ניטור חריגות שמגיעות משינוי פרוטוקול קליני או החלפת ציוד

זה נשמע טכני, אבל זה מה שמונע מודל שעבד נפלא ברבעון הראשון להפוך לסיכון ברבעון הרביעי.

2) תחזוקה מונעת למודלים (Model Maintenance)

בסדרה שלנו על AI בתעשייה, תחזוקה מונעת היא מוטיב חוזר: לא מחכים לתקלה. אותו רעיון בדיוק בעולם הרפואי:

• ניטור ביצועים לאורך זמן לפי אוכלוסיות שונות
• ספי התרעה על ירידה ביכולת ניבוי
• ניהול גרסאות (מי השתמש באיזו גרסה ומתי)

המשמעות העסקית ברורה: פחות אירועי איכות, פחות “כיבוי שריפות”, יותר אמון של קלינאים.

3) חשיבה מערכתית: אינטגרציה לפני אלגוריתם

ה־AI לא חי לבד. הוא צריך להתחבר ל־EHR, ל־PACS, למערכות תורים, ולתהליכי עבודה של צוות. מאיץ שמחובר למהנדסים של מערכות מורכבות יכול לדחוף סטארטאפים לשאול מוקדם:

• איפה המודל יושב בתהליך העבודה?
• מי מאשר/דוחה המלצה?
• איך מתעדים החלטה בצורה שניתנת לביקורת?

זו “חוויית משתמש” מסוג אחר: לא אפליקציה יפה—אלא זרימת החלטות בטוחה.

איפה ההזדמנות לסטארטאפים ישראליים בבריאות וביוטק

ההודעה של IAI מדברת על תעופה, חלל, אנרגיה ו־AI. אבל “AI” הוא מונח מטרייה. השאלה שמעניינת אותנו בקמפיין של בינה מלאכותית בתחום הבריאות והביוטכנולוגיה היא: אילו סוגי פתרונות יכולים לצמוח מתוך מרכז כזה?

להלן ארבעה כיוונים פרקטיים שבהם חיבור בין תעשייה כבדה לסטארטאפים יכול להפוך ישירות למוצרים רפואיים:

1) אבחון מבוסס דימות: מה־PACS לקליניקה

אלגוריתמים לדימות רפואי סובלים לעיתים מפער בין מעבדה לשטח: שונות בין מכשירים, פרוטוקולים, ועומסי עבודה.

יכולת תעשייתית יכולה להוסיף:

• תהליכי בדיקה אוטומטיים לפני פריסה באתר חדש
• ניטור drift לפי מכשיר/דגם/גרסת תוכנה
• “רפסודות בטיחות” שמונעות שימוש בהמלצה כשהקלט לא תקין

2) אופטימיזציה תפעולית בבתי חולים: AI כמו מפעל חכם

בתי חולים הם מערכת ייצור—רק עם אנשים במקום חלקים. אותם עקרונות של מפעל חכם יכולים לעבוד כאן:

• חיזוי עומסים בחדרי מיון ומחלקות
• תזמון חכם של חדרי ניתוח לפי משכי פרוצדורה אמיתיים
• ניהול מלאי תרופות וציוד מתכלה כדי לצמצם פחת

זה לא “AI נוצץ”. זה AI שמקטין תורים ושחיקה.

3) איכות בביופרוסס: ניטור מתקדם לייצור ביולוגי

ביוטכנולוגיה היא תעשייה לכל דבר: תסיסה, תרביות תאים, טיהור, QA. AI יכול לייצר ערך מיידי ב:

• זיהוי חריגות בתהליכי ייצור (anomaly detection)
• חיזוי תשואה ואיכות אצווה (batch yield)
• אופטימיזציה של פרמטרים בזמן אמת

כאן החיבור לסדרת “ייצור מתקדם” טבעי במיוחד: זה בדיוק המקום שבו AI ו־OT נפגשים.

4) אבטחת מידע ואמון: “AI בטוח” כתנאי לשוק

הדגש על מערכות קריטיות מאפשר להרים רמה גם בהיבטי:

• הגנה על מודלים מפני התקפות/הזרקות קלט חריג
• פרטיות והפחתת זליגת מידע
• תיעוד ובקרות שמאפשרים ביקורת פנימית וחיצונית

בבריאות, אמון הוא פיצ׳ר. מי שלא משקיע בזה משלם אחר כך בעיכובים.

משפט שאני חוזר עליו עם צוותים רפואיים: המודל לא צריך להיות מושלם—המערכת סביבו חייבת להיות צפויה.

איך מאיץ כזה מקצר “זמן לשוק” ב־AI רפואי (בפועל)

קיצור זמן לשוק לא מגיע מהאצת פיתוח הקוד בלבד. הוא מגיע מהקטנת טעויות יקרות. מאיץ שמחובר לתעשייה יכול לספק לסטארטאפים מסגרת שדוחפת אותם לעבוד נכון מהר:

צ’ק-ליסט פרקטי לסטארטאפ רפואי שנכנס להאצה

1. מפת נתונים: מה מקור הנתונים, מי בעלים, ומה תדירות השינויים?
2. הגדרת שימוש קליני מדויקת: מי המשתמש, באיזה רגע, ומה ההחלטה?
3. מדדי הצלחה תפעוליים: לא רק דיוק—גם זמן תגובה, שיעור אימוץ, ושגיאות תהליך.
4. תוכנית ניטור: מה מנטרים אחרי פריסה, מי מגיב, ובאיזה SLA.
5. תיעוד: החלטות תכנון, גרסאות, והנחות עבודה—בפורמט שאפשר לבדוק.

הסטארטאפים שמנצחים ב־2025 הם לא אלה שיש להם עוד 2% דיוק. הם אלה שמגיעים לפיילוט כשהם כבר יודעים לענות על שאלות של IT, אבטחת מידע, איכות ורגולציה.

מה זה אומר לקוראים שלנו: מנהלי חדשנות, CTO, ויזמי HealthTech

אם אתם בצד של בית חולים/קופה/חברת מכשור רפואי—המהלך של IAI הוא תזכורת לזהות מוקדם שותפים שיודעים לתפעל AI לאורך זמן. אל תסתפקו בדמו. תדרשו תשתית.

אם אתם סטארטאפ—מאיץ שמחבר אתכם לגוף הנדסי גדול עשוי להיות המקום שבו תבנו את הדבר שקשה לבנות לבד: מוצר שמחזיק עומסים, תהליכים, וביקורת.

ואם אתם עוסקים בייצור מתקדם (כולל ביופרוסס), זו הזדמנות לחבר בין שתי שפות שנשמעות שונות אבל הן אותו דבר: QA, ניטור, תחזוקה מונעת, ושרידות מערכת.

שאלה שחוזרת הרבה: האם מאיץ “לא רפואי” באמת מתאים ל־HealthTech?

כן—אם הסטארטאפ פותר בעיה שהלב שלה הוא מערכת מורכבת, ולא רק אלגוריתם. בריאות מודרנית היא תפעול, רגולציה, ואינטגרציה. בדיוק שם לגופים תעשייתיים יש יתרון.

מה כדאי לעשות עכשיו (גם אם אתם לא חלק מהתוכנית)

שלושה צעדים פשוטים שיעזרו לכם להתיישר עם הכיוון הזה כבר השבוע:

• בנו “תיק איכות AI”: מסמך קצר שמפרט נתונים, בדיקות, ניטור, ונהלי שינוי.
• מדדו drift חודשית: אפילו אם זה רק דשבורד בסיסי—העיקר שתתחילו.
• הגדירו נקודת החלטה קלינית אחת: לא “נשפר את האבחון”, אלא פעולה אחת, תהליך אחד.

המהלך של IAI בוושינגטון מסמן כיוון: יותר חיבור בין תעשייה, מערכות קריטיות וסטארטאפים—פחות קסמים של אלגוריתם. אם זה יתממש נכון, אנחנו נראה עוד ועוד פתרונות בינה מלאכותית ברפואה שמגיעים לשטח כשהם בשלים באמת.

השאלה שמעניינת אותי לסוף: איזו בעיית “תפעול” בבריאות תיפתר ראשונה בזכות חשיבה תעשייתית—תורים, איכות, או ניטור חולים בבית?