Healthleap מתחילה מתת־תזונה ומנסה להפוך מידע שכבר קיים בבית החולים לרשימת עבודה — עם הבטחה כלכלית שדורשת קריאה זהירה.
🔗 קישור למוצר: Healthleap — איתור סיכון אצל מאושפזים
בתיק הרפואי יכול להיות כל המידע הנכון, ועדיין המטופל הזקוק לתשומת לב נוספת עלול להתפספס. כאן נכנסת Healthleap: החברה מנסה להפוך את הררי התיעוד של בית החולים לסדר עדיפויות שאפשר לעבוד איתו. כעת היא הודיעה על גיוס של 38 מיליון דולר בשני סבבים: 8 מיליון דולר בסיד בהובלה משותפת של Sequoia Capital ו־First Round Capital, ו־30 מיליון דולר בסבב A בהובלת Hummingbird Ventures. על הגיוס דיווח TechCrunch. לפי הודעת החברה, הפלטפורמה כבר סוקרת מאושפזים מבוגרים ביותר מ־50 בתי חולים, ובהם מוסדות של Penn Medicine, Houston Methodist, Cedars-Sinai ו־Emory Healthcare. הכסף מיועד להרחבת הצוותים והכיסוי למצבים רפואיים נוספים. זה סיפור על AI רפואי, אבל גם על שאלה עסקית מאוד ארצית: כמה שווה לבית חולים לזהות מוקדם יותר את מי שכבר נמצא אצלו?
נקודת הפתיחה היא תת־תזונה. מייסדת החברה, הדיאטנית הקלינית ג׳מימה מאייר, פיתחה תחילה כלי בשם NutriLeap כדי לעזור לעמיתיה להגיע למטופלים הנכונים מהר יותר, ובהמשך הצטרף אליה אחיה ג׳וסיה. כך מתארת החברה את הרקע שלה באתר הרשמי. המוצר הנוכחי מנתח מדי יום את התיק של כל מאושפז מבוגר ומזין בבוקר ציון סיכון תזונתי ישירות לתהליך העבודה ברשומה הרפואית. במקום להוסיף עוד חלון שצריך לזכור לפתוח, המטרה היא להעלות את המטופלים בסיכון לראש הרשימה של הדיאטנית. לפי תיאור המוצר, תת־תזונה היא רק ההתחלה, והחברה מרחיבה את הגישה גם למצבים כמו דליריום, דלקת ריאות משאיפה וסיכון לאשפוז חוזר באי־ספיקת לב. את ההרחבה הזאת צריך לקרוא כתוכנית וכשלבים שונים של פיתוח, לא כהוכחה שכל תחום כבר הגיע לאותה רמת בשלות.
הטכנולוגיה משלבת מידע מהרשומה הרפואית עם חילוץ מאפיינים באמצעות מודל שפה, ומעבירה אותם למודל חיזוי. יש לכך משמעות מעשית: לא כל פרט רפואי חשוב מגיע כשדה מסודר שאפשר לסנן בטבלה. אבל הגבול של המוצר חשוב לא פחות מהיכולת שלו. המערכת לתזונה אינה כלי אבחון ואינה נותנת המלצות טיפול, לפי מסמך השימוש והבטיחות של Healthleap. היא נועדה לסייע לדיאטניות ולדיאטנים מוסמכים לתעדף הערכות אצל מאושפזים בני 18 ומעלה, באמצעות הצגת גורמים תורמים והמידע התומך בהם. החברה מבהירה שאין להשתמש בה כבסיס יחיד להחלטה, ושהמידע בתיק עלול להיות חלקי, מאוחר או שגוי. היא גם מציינת שהמוצר אינו מכשיר רפואי שקיבל אישור או הרשאת שיווק של ה־FDA, ואינו מיועד להחלטות חירום. במילים פשוטות: התוכנה יכולה לכוון את המבט, אבל האחריות להסתכל, לבדוק ולהחליט נשארת אצל אנשי המקצוע.
מאחורי ההבטחה יש גם מחקר, ולא רק מצגת למשקיעים. מחקר שפורסם ב־Applied Clinical Informatics בחן את המודל באמצעות רשומות של 106,449 מטופלים לאורך 3.75 שנים. הוא דיווח על AUROC של 0.92 ביום הראשון לאשפוז ועל 0.95 כאשר נלקח ציון הסיכון המרבי במהלך האשפוז, מול תיעוד תת־תזונה בקידוד השחרור; תוצאות דומות התקבלו מול תיעוד של דיאטנים. AUROC הוא מדד ליכולת ההבחנה של המודל בין קבוצות, ולא שיעור האבחונים הנכונים: 0.95 אינו אומר ש־95% מההתראות נכונות. המודל גם הציג ביצועים טובים יותר מגרסה מותאמת של שאלון הסקר התזונתי MST שניתנה בידי אחיות. זו תמיכה ביכולת לאתר סיכון, אך אין להסיק ממנה לבדה שהפעלת המערכת מפחיתה תמותה או מקצרת אשפוזים. גם זהות החוקרים רלוונטית לקריאה: בין המחברים עובדים ויועצים של החברה, לצד חוקרים מ־Cedars-Sinai.
את התשובה הכלכלית החברה ממחישה באמצעות בית החולים של אוניברסיטת פנסילבניה. במקרה הבוחן שהיא מפרסמת מוצגת השפעה כספית של 23.8 מיליון דולר בחישוב שנתי, לצד 8,632 ימי מיטה שנחסכו בחישוב שנתי. המסמך מוצג כתוצאות הרבעון הראשון, שעודכנו באוגוסט 2026. זו הבחנה מהותית: נתון שהומר לקצב שנתי אינו בהכרח סכום שהצטבר בפועל במשך שנה שלמה. באתר החברה הקשר העסקי מפורש — זיהוי מוקדם יותר עשוי לשפר את הטיפול, את תיעוד חומרת המצב ואת ההחזרים לבית החולים. לכן, כשבוחנים את ההבטחה, צריך לשאול מה נמדד, מול איזו תקופת השוואה, ואיזה חלק מהשיפור אפשר לייחס לתוכנה. המספר מרשים; הוא עדיין נתון ממקרה בוחן שמפרסמת הספקית, ולא תוצאה מובטחת לכל בית חולים שיחתום איתה.
מזווית ישראלית, הקריאה שלנו היא שהרעיון מעניין דווקא משום שהוא מתחיל בתהליך עבודה קטן ומוגדר: מי יקבל הערכה מקצועית קודם. עם זאת, מנהל בית חולים בישראל לא יכול לקחת נתון החזר אמריקאי ולהכניס אותו אוטומטית לתחשיב מקומי. בדיקת כדאיות כאן צריכה לברר בנפרד את התאמת המודל לתיעוד המקומי, כולל עברית, את היכולת של הצוות להגיב לסימונים, ואת העלות של התראות שגויות. גם קיצור אשפוז צריך להימדד בפועל, לצד תוצאות המטופלים, ולא להיגזר מציון ביצועים של אלגוריתם. זו גם נקודה שימושית ליזמי AI ישראלים: הערך אינו מסתיים בקריאת הטקסט, אלא תלוי במה שקורה אחרי שהמערכת מציפה אותו. הגיוס של Healthleap מעניק לה משאבים לבדוק עד כמה הגישה הזאת ניתנת להרחבה. המבחן הבא יהיה להפוך רשימה טובה יותר בבוקר לטיפול טוב יותר ליד המיטה.
