在Kroll和FTI Consulting等风险管理公司担任事件调查员后，Aaron Narva（上图所示）目前正为合规软件制造商Exiger的一家大型国际银行客户工作，负责监控该客户在十年前因洗钱丑闻登上头条后的法律合规情况。
“我在Exiger任职期间，我们收购了一些软件业务，包括一款有助于从非结构化公共记录中提取风险的人工智能工具。我们还开发了一款帮助大型企业识别商业关系中腐败和制裁风险的工具，”Narva告诉TechCrunch。
这段经历催生了Conflixis的创立构想。医院和其他大型医疗机构面临着与银行类似的腐败风险。制药公司和医疗器械制造商与医生之间的关系众所周知非常密切，因此医生必须披露利益冲突，如豪华旅行、咨询费、研究资助赞助等。
大量研究表明，与药企或器械商关系过密的医生更有可能开具相关药物和设备，无论其是否能为患者带来更好的治疗效果。鉴于风险之大，政府运营着OpenPaymentsData.com数据库，供公众查看利益冲突披露信息。
然而，仅靠披露并不能阻止问题发生，这使医院面临法律风险。从斯塔克法（Stark Law）到反回扣法规（Anti-Kickback Statute, AKS），一系列法律均禁止此类行为。
同时，商业利益确实需要与医生合作以研发新药和制造设备，因此并非所有互动都被禁止。
Narva设想了一种基于人工智能的SaaS解决方案，旨在为医院和大型医疗机构精准识别真正使其面临风险的具体情况。
“一个大型医疗系统可能拥有医生与供应商及承包商之间的20万段关系，”Narva表示，“在这20万段关系中，哪些会因为六种风险中的任何一种而影响你？”
风险范围涵盖违反法律至不利医疗结果。联邦政府还提供了一个发布医院护理质量信息的数据库。
Narva联系了从八年级起就相识的朋友Joseph Bergen征求意见。当时Bergen是BuzzFeed的工程总监，他非常认可这一构想，随即辞职成为联合创始人。
Conflixis通过整合OpenPaymentsData.com、医院采购数据、索赔数据、患者结果记录、利益冲突表等多源数据进行运作。它分析所有潜在利益冲突点，以确定医院需重点调查的目标。
Narva举例说明：“假设我们查看了5,000或10,000个关系，系统会筛选出您需要实际核查的7个。就像大海捞针般过滤后，精准定位关键风险点。”
此外，Conflixis还能预测医院支出并提出优化建议。例如，识别医院是否因受关联医生推荐而购买昂贵设备，而非更具性价比的选择。
他表示：“我们能显著降低医院的监管风险，增强医患信任与透明度，同时辅助其做出更优的运营采购决策。”
Narva透露，该公司成立于2023年，目前已拥有少数客户，收入不到500万美元。公司刚刚宣布完成由Lerer Hippeau和Origin Ventures联合领投的420万美元种子轮融资，Mark VC、Springtime Ventures及早期投资者Cretiv Capital也参与了投资。
尽管Compliatric和Symplr等健康行业合规软件公司已占据一定市场，但其中部分公司更侧重于患者数据保护，而非腐败和采购问题。
Narva强调，Conflixis的独特之处在于将员工调查工作与大型语言模型（LLMs）相结合。他们基于大数据调查中的交易监控和腐败背景对现成模型进行了微调，以更精准地挖掘数据模式。