Healthleap、病院の高リスク患者を見つけるAIで3800万ドルを調達

Healthleapは、病院の患者記録をAIが読み、見過ごされがちな状態のリスクがある人を見つけるスタートアップだ。同社は3800万ドルを調達した。TechCrunchは2026年10月7日にこのラウンドを報じた。調達額は、Sequoia CapitalとFirst Round Capitalが共同主導した800万ドルのシードラウンドと、Hummingbird Venturesが主導した3000万ドルのシリーズAを合わせたものである。このソフトはすでに50を超える病院で稼働している。言語モデルが臨床記録を大規模に読み、最終判断は臨床医が下すという、実際に動いている例だ。

Healthleapの仕組み

病院が見落とす状態の中には、誰も探していないために見つからないものがある。栄養失調とせん妄はその代表例だ。手術のために入院した患者が、誰にも気づかれないまま栄養不足である場合もある。

Healthleapは、病院の電子カルテ（EHR）に接続する。EHRは、患者に関するあらゆる情報をスタッフが記録するシステムだ。毎晩、成人入院患者全員のカルテを読み込む。CEOのJosiah MeyerはTechCrunchにこう語った。「毎晩、すべての成人入院患者の記録を分析します。毎朝、ケアチームが使っている既存のワークフローにリスクスコアを書き込みます。」

RuntimeWireによると、このシステムは2種類のデータを組み合わせる。

• 検査結果、バイタルサイン、投薬、診断などの構造化データ
• 臨床医が書いたメモ。言語モデルが関連する詳細を抜き出す

出力は臨床医が確認するためのフラグであり、診断ではない。このソフトは「注意が必要かもしれない患者に印を付ける。診断はしない」と、RuntimeWireは書いている。

対象とする状態

状態	Implicator.aiとRuntimeWireによるステータス
栄養失調	導入済みで検証済み
せん妄	導入済み
誤嚥性肺炎	検証中
褥瘡	検証中
心不全による再入院リスク	検証中

Implicator.aiによると、同社は時間をかけて40を超える状態をカバーすることを目指している。

これまでの根拠

最も強い数字は栄養失調に関するものだ。Implicator.aiは、Cedars-Sinaiで行われた2025年の研究を挙げている。対象は16万6841件の入院だ。Healthleapの感度、つまり実際の症例のうち見つけられた割合は0.49だった。同病院の既存のスクリーニングツールは0.24だった。

RuntimeWireはさらに詳しく伝えている。入院初日のAUROCは0.92だという。AUROCは0.5から1までのスコアで、リスクのある患者を他の患者より上位に並べられるかどうかを測る。RuntimeWireはまた、栄養士が最初に記録する中央値で1.3日前に、このシステムが栄養失調に印を付けたと述べている。該当は72.7%の症例だ。

病院はコスト削減も報告している。Penn Medicineは、年換算の効果を2380万ドルとしているとImplicator.aiは伝える。内訳は、償還額で630万ドル、入院期間の短縮で1750万ドルだ。TechJuiceによると、印を付けられた患者は1.6日早く退院した。RuntimeWireは、Cedars-Sinaiでは年間1100万ドルとしている。

創業者

きょうだいのJemima MeyerとJosiah Meyerが、2022年に南アフリカで同社を創業した。RuntimeWireによると、Jemimaは栄養士だ。Josiahは最高経営責任者である。

成長は速い。RuntimeWireとTechJuiceによると、Healthleapは12か月で3病院から50以上に増えた。報道で名前が挙がっている顧客には、Penn Medicine、Cedars-Sinai、Intermountain、Houston Methodist、Emory Healthcareがある。TechCrunchは、過去1年で売上が10倍に伸びたと報じている。また、顧客は年5倍から20倍のリターンを報告しているという。

開発者にとっての意味

医療ソフトを作る人や、病院のITを担当する人にとって、Healthleapは試験運用から本番運用へ移りつつあるパターンを示している。

• ここではリアルタイムよりバッチが勝つ。 全カルテを対象にした夜間の処理は、リアルタイムのスコアリングより安く、検証もしやすい。結果はケアチームが1日の計画を立てる朝に届く。
• スコアは臨床医がすでに使っている場所に置く。 Healthleapは新しいダッシュボードを足すのではなく、既存のワークフローに書き込む。別のログインが要るフラグは、誰にも読まれないフラグだ。
• 手がかりはメモに隠れている。 構造化データだけでは、医師や看護師が自由記述で書いた内容を取りこぼす。メモを確実に読める言語モデルが、この製品の中核だ。
• 感度は正直に読む。 0.49は従来のツールの2倍だが、それでも栄養失調の症例の約半数には印が付かない。AIは既存のチェックの代わりではなく、2つ目のスクリーニングとして扱うべきだ。
• プライバシーと検証は初日から計画する。 すべてのカルテは保護対象の健康情報だ。この方法を真似るチームには、厳格なアクセス制御、監査ログ、そして稼働前の臨床検証研究が必要になる。

次の検証ポイントは、まだ検証中の状態だ。肺炎、褥瘡、心不全の結果が、このアプローチが栄養失調以外でも機能するかを示すことになる。