Una Serie E que coloca a Aidoc en otro nivel
Aidoc, proveedor de inteligencia artificial clínica para radiología, cerró una ronda Serie E de US$ 150 millones liderada por Goldman Sachs Growth, con la participación adicional de General Catalyst, SoftBank Investment Advisors y NVentures, el brazo de venture capital de Nvidia. Con esta inversión, la compañía supera los US$ 500 millones en financiamiento acumulado y refuerza una tesis más amplia: los flujos clínicos basados en IA están dejando la fase de prueba de concepto para convertirse en infraestructura hospitalaria.
Quién es Aidoc y por qué importa
Fundada en 2016 y con sede en Nueva York, Aidoc se ha convertido en una de las referencias globales en IA clínica. La empresa cuenta con la mayor cantidad de autorizaciones de la Food and Drug Administration (FDA) para soluciones de detección asistida por computadora (CAD) y atiende cerca de 60 millones de pacientes al año en casi 2.000 hospitales. Su tecnología ya analizó más de 110 millones de estudios de imagen, lo que la posiciona como uno de los pocos proveedores con escala clínica real, no solo con datos de pilotos.
El contexto que sostiene ese crecimiento es conocido para quienes siguen al sector: los hospitales en Estados Unidos y Europa pasaron de los pilotos a proyectos de consolidación, y exigen plataformas capaces de orquestar varios algoritmos bajo un marco operativo centralizado. Esa tendencia coincide con integraciones como la alianza entre DeepTek y deepc, en la que la IA radiológica deja de ser un conjunto de herramientas sueltas y empieza a operar como capa nativa del PACS.
Hacia dónde va el dinero: CARE Foundation Model y borradores automatizados
Una parte importante de la nueva inversión se destinará al CARE Foundation Model, presentado en el RSNA 2024. A diferencia de los modelos enfocados en una sola enfermedad, este foundation model está diseñado para adaptarse a múltiples tareas clínicas con poco entrenamiento adicional, aprovechando la lógica de los grandes modelos generalistas en el dominio de la imagen médica.
Además, parte del financiamiento se usará para nuevos módulos orientados a la creación automática de borradores de informes radiológicos. La meta declarada por Elad Walach, cofundador y CEO, es cubrir el flujo de trabajo «del pixel al informe» en un plazo de dos años. Esa promesa se aproxima al concepto de «copiloto radiológico», en el que el algoritmo entrega un esqueleto de informe con hallazgos, mediciones e impresiones iniciales, dejando al radiólogo el rol de revisor y validador clínico — un debate que conecta directamente con la investigación sobre eficiencia de interpretación en radiología.
Inversores apuestan al rigor regulatorio
Para Christian Resch, socio de Goldman Sachs Growth y miembro del consejo de Aidoc desde febrero, la tesis de inversión se basa en una combinación poco común: tecnología avanzada y disciplina regulatoria. «Aidoc combina tecnología avanzada con rigor regulatorio de una forma que pocas empresas han logrado», afirmó. Para los inversores institucionales, ese perfil reduce el riesgo regulatorio de largo plazo y aumenta la capacidad de venta en grandes redes hospitalarias, donde las compras dependen de aprobaciones sólidas y procesos auditables.
La participación de Nvidia, a través de NVentures, tampoco es casual. A medida que los foundation models de imagen médica crecen en parámetros y modalidades, el costo computacional de entrenamiento e inferencia gana protagonismo en el presupuesto de la compañía. Tener a Nvidia entre los inversores refuerza el acceso a hardware especializado y a alianzas técnicas para escalar inferencia en entornos hospitalarios con restricciones estrictas de latencia.
Qué cambia en la práctica clínica
Para el radiólogo que trabaja en centros de diagnóstico o redes hospitalarias, tres efectos prácticos tenderán a materializarse en los próximos meses. El primero es la expansión del catálogo de hallazgos detectados automáticamente, sobre todo en tomografía computarizada y radiografía, con énfasis en condiciones críticas como tromboembolismo pulmonar, hemorragia intracraneal y disección aórtica. El segundo es la entrada gradual de modelos generalistas que pueden funcionar sobre varios protocolos sin necesitar pipelines paralelos. Y el tercero es el acercamiento a la era del informe pre-redactado por IA, donde el radiólogo asume el rol de auditor clínico.
Ese último punto exige atención especial a la validación local: cada servicio debe evaluar cómo se comportan esos informes automáticos en su población, considerando las diferencias de equipo, protocolo y prevalencia. Los centros que aún dependen de flujos manuales deberían considerar planes de modernización de PACS y RIS para poder recibir estos módulos con integración vía DICOM SR y HL7 FHIR.
Contexto: consolidación acelerada del mercado
Rondas como la de Aidoc refuerzan un movimiento de consolidación en el mercado global de IA radiológica. Tras años de crecimiento fragmentado, con decenas de proveedores especializados en una o dos patologías, los hospitales empiezan a preferir plataformas únicas que orquesten varios algoritmos. En paralelo, una ola de adquisiciones y alianzas estratégicas redefine el sector — fenómeno también observado en soluciones de IA aplicadas a la radioterapia, donde los ecosistemas integrados ganan terreno frente a las soluciones puntuales.
Para los mercados emergentes, la tendencia sugiere que la adopción local ganará tracción mediante alianzas con integradores y distribuidores que ya operan en PACS, en lugar de despliegues aislados. Incluso los servicios de tamaño medio pueden beneficiarse, siempre que tengan pipelines de imagen maduros, gobernanza de datos clínicos y capacidad para validar el desempeño en cohortes locales.
Perspectivas: hacia 2030, IA como soporte estándar
Walach fue explícito al proyectar el futuro: hacia 2030, según él, toda decisión diagnóstica compleja debería estar respaldada por IA capaz de anticipar la detección y reducir errores evitables. Es una meta ambiciosa pero alineada con la curva de adopción que se dibuja en las redes hospitalarias estadounidenses. Las limitaciones siguen siendo reales — sesgo de modelos, generalización entre poblaciones, validación prospectiva y costo de integración —, pero la presión por eficiencia operativa y reducción del error diagnóstico empuja la adopción incluso en sistemas más conservadores.
El movimiento de Aidoc funciona como termómetro de lo que viene: los inversores institucionales tratan ahora la IA clínica como infraestructura, no como software accesorio. Para los líderes de servicios de imagen, comprender esa transición y anticipar requisitos de integración y gobernanza ya forma parte de la estrategia competitiva.
