Una singola cartella clinica oncologica può superare le mille pagine. Note mediche, referti di anatomia patologica, immagini diagnostiche, e in alcuni casi persino scansioni di vecchi fax. Un oncologo dovrebbe leggere tutto questo prima di ogni visita, ma il tempo per farlo semplicemente non c’è. È su questo problema concreto, e sorprendentemente poco raccontato, che si è costruita Triomics, una startup fondata nel 2021 che ha appena chiuso un round di finanziamenti da 22 milioni di dollari guidato da Battery Ventures.

Al round hanno partecipato anche investitori già presenti nel capitale come Nexus Venture Partners, Lightspeed e Y Combinator. La startup costruisce una piattaforma basata su modelli linguistici di grandi dimensioni addestrati specificamente su dati oncologici, con l’obiettivo di automatizzare i compiti più pesanti che gravano su medici e staff amministrativo nei centri per il trattamento del cancro.

Quello che ci sembra interessante in questa storia non è tanto il finanziamento in sé, quanto la scommessa strategica che ci sta sotto: l’idea che in medicina un’AI specializzata su un singolo dominio batta un’AI generalista, anche quando il generalista ha alle spalle risorse enormemente superiori. È una tesi che vale la pena guardare da vicino, perché dice molto su dove sta andando l’AI applicata alla sanità.

Il problema strutturale: i pazienti vivono più a lungo, le cartelle si gonfiano

C’è un paradosso alla base di tutto questo, ed è il tipo di paradosso che si crea quando la medicina funziona. I progressi terapeutici in oncologia tengono i pazienti in vita più a lungo, ma producono storie cliniche sempre più dense e difficili da gestire. Più un paziente sopravvive, più accumula esami, terapie, referti, controlli. La buona notizia clinica diventa un problema informativo.

Secondo il co-fondatore e CEO Sarim Khan, non è raro che una singola cartella superi le mille pagine. Esaminare tutto questo materiale prima di ogni visita richiede tempo che i clinici non hanno, e il risultato è che spesso l’oncologo arriva alla visita senza aver potuto ricostruire il quadro completo. Non per negligenza, ma per impossibilità materiale.

La soluzione principale di Triomics è la generazione automatica di riassunti verificabili del paziente, costruiti a partire dalla cartella completa e resi disponibili direttamente all’interno degli strumenti che i clinici già usano ogni giorno, senza costringerli a cambiare applicazione. Il dettaglio della verificabilità conta più di quanto sembri: un riassunto AI che non permette di risalire alla fonte di ogni affermazione è inutilizzabile in un contesto medico, dove ogni decisione deve essere tracciabile. Il risultato pratico è che si riducono i tempi di preparazione alla visita e si libera spazio per la relazione diretta con il paziente.

Cosa fa Triomics oltre ai riassunti clinici

I riassunti sono il prodotto più visibile, ma non l’unico. La piattaforma fa altre due cose che vale la pena capire, perché toccano problemi reali del sistema oncologico.

La prima è il matching con le sperimentazioni cliniche, l’attività su cui la startup si è costruita fin dall’inizio. La piattaforma incrocia il profilo clinico del paziente con i criteri di inclusione ed esclusione dei trial attivi, segnalando agli oncologi le opzioni più pertinenti. È un’operazione che manualmente richiede ore, e che proprio per questo spesso non viene eseguita. Le conseguenze sono concrete: pazienti che non accedono a terapie sperimentali potenzialmente rilevanti, semplicemente perché nessuno ha avuto il tempo di verificare se fossero idonei. Automatizzare questo passaggio non è un guadagno di efficienza marginale, può cambiare il percorso terapeutico di una persona.

La seconda è l’automazione della rendicontazione verso i registri tumori governativi. I centri oncologici sono tenuti per legge a trasmettere i dati sui casi trattati, un’attività ripetitiva e ad alto rischio di errore quando viene fatta a mano. Triomics la gestisce in modo automatizzato, togliendo allo staff amministrativo un carico di lavoro che non aggiunge valore clinico ma che è obbligatorio.

Perché la verticalizzazione è l’arma competitiva

La scelta di istituzioni come Memorial Sloan Kettering e Yale Cancer Center di adottare Triomics non è casuale, e racconta la tesi centrale dell’azienda. Secondo Khan, i modelli generici non reggono il confronto con strumenti addestrati su dati oncologici reali quando si tratta di estrarre informazioni clinicamente rilevanti da testi complessi e tecnici.

È un punto che merita attenzione perché va controcorrente rispetto alla narrativa dominante dell’AI. Nel mondo dei modelli linguistici l’idea prevalente degli ultimi anni è stata che i modelli generalisti, abbastanza grandi e abbastanza addestrati, finiscono per superare gli specialisti in quasi ogni campo. Triomics scommette sull’opposto, almeno per la medicina: che un modello addestrato sul gergo, sulle abbreviazioni, sui pattern documentali specifici dell’oncologia capisca cose che un modello generalista non coglie.

La verticalizzazione è il principale argomento competitivo di Triomics rispetto ad Abridge e a Nuance, la divisione AI di Microsoft che produce strumenti di documentazione basati sulla trascrizione delle conversazioni medico-paziente. Sono concorrenti con risorse nettamente superiori, e questo rende la scommessa più rischiosa ma anche più interessante. Se Triomics ha ragione, dimostra che in medicina esiste uno spazio difendibile per gli specialisti anche nell’era dei modelli giganti. Se ha torto, verrà schiacciata dai generalisti appena questi miglioreranno sul dominio oncologico.

I numeri della crescita e la prossima fase

I dati condivisi dall’azienda fotografano una crescita sostenuta. Nel corso dell’ultimo anno la base di clienti enterprise è cresciuta di quattro volte, con un incremento dei ricavi ricorrenti annualizzati pari a dieci volte. Era già stata chiusa una Series A da 15 milioni nella prima metà del 2024, e questo Series B arriva a poca distanza, segnale che gli investitori vedono trazione reale e non solo promesse.

Il caso di Triomics si inserisce in un contesto più ampio di investimento nell’AI applicata alla medicina. Lo studio di Harvard che ha mostrato come i modelli AI superino i medici nel 67% delle diagnosi in pronto soccorso è indicativo di quanto il terreno sia fertile e di quanto la pressione verso l’adozione di questi strumenti stia crescendo anche dal lato della letteratura scientifica.

Il finanziamento appena chiuso servirà a espandere le integrazioni con i sistemi informativi ospedalieri e ad ampliare la copertura dei registri tumori. La vera sfida nei prossimi mesi sarà dimostrare che la specializzazione verticale in oncologia regge all’intensificarsi della concorrenza da parte di piattaforme generaliste con risorse molto maggiori. È la stessa sfida che affrontano tutte le startup verticali nell’AI medica, e il modo in cui Triomics la affronterà dirà molto su quale modello vincerà in questo settore: il generalista che si specializza, o lo specialista che difende il suo territorio.