Financování

Výzkumník z Carnegie Mellon získal 35 milionů dolarů na vývoj klinické inteligence

Evan Mercer
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyXlue získala 35 milionů dolarů na model zdravotního stavu, který abstrahuje trajektorie…
Zobrazit více
  • Xlue získala 35 milionů dolarů na model zdravotního stavu, který abstrahuje trajektorie pacientů namísto tokenů.
  • Xlue tvrdí, že její model v zaslepených hodnoceních překonal špičkové tokenové systémy při méně než 0,1 % výpočetních nákladů.
  • Xlue provádí prospektivní studie rizika onemocnění a simulace lékových indikací, aby prokázala hodnotu v reálném světě.

Xlue 18. listopadu 2026 oznámila, že výzkumník z Carnegie Mellon získal 35 milionů dolarů na vývoj klinické inteligence. Téhož dne společnost zveřejnila technickou zprávu, v níž představila svůj základní model lidského zdraví. Ten má porozumět zdraví, předvídat jeho změny a simulovat, jak mohou léčebné postupy ovlivnit jeho vývoj.

Cílem této práce je převádět klinické otázky na výpočetní problémy a umožnit lékařům a vědcům zkoumat možné výsledky pomocí výpočtů ještě předtím, než začnou jednat. Model se má učit z toho, jak se zdraví pacientů mění, jak reagují na léčbu a jak probíhají experimenty a klinické studie, jejichž prostřednictvím se vyvíjejí léky.

Modelování zdravotních stavů namísto tokenů

Xlue tvrdí, že modely intenzivně trénované na lékařských učebnicích a odborných článcích mohou prokazovat znalosti, aniž by nutně dokázaly předpovědět, kdy pacienti onemocní nebo která léčba zabere. Při použití na zdravotní data mohou systémy založené na tokenech také rozdělovat průběh zdravotního stavu pacientů do posloupností s nestejnoměrným množstvím informací a opakujícími se vzorci, přičemž směšují různé pohledy na tutéž osobu.

Alternativní přístup Xlue převádí tokeny na zdravotní stavy — tedy reprezentace zdraví v průběhu jeho vývoje — a léčebné zásahy. Postup nemoci, reakce na léčbu, klinické výsledky a zásahy jsou chápány jako projevy jediného procesu: zdraví se v čase mění a jednotlivé kroky mění jeho další vývoj. Společnost tento přístup popisuje jako novou metodu předtrénování pro modelování průběhu zdravotního stavu pacientů napříč populacemi.

Uváděná hodnocení a simulace klinických studií

Xlue uvádí, že její model zdravotních stavů se efektivněji škáluje při práci se zdravotními daty, lépe zobecňuje při modelování průběhu zdravotního stavu pacientů v různých populacích a při zaslepených hodnoceních nezávislými třetími stranami překonal špičkové modely založené na tokenech, a to při nákladech na výpočty nižších než 0,1 % jejich nákladů.

Zpráva navrhuje využít model k offline simulaci klinických studií. Modeloval by se soubor pacientů při léčbě lékem a při kontrolní nebo standardní péči; předpovězené výsledky by pak zpětně ovlivňovaly výběr pacientů, návrh protokolu a případné nové indikace. Xlue tento přístup představuje jako způsob, jak pomoci vývojářům léků navrhovat studie s vyšší úspěšností, snižovat rizika a hledat nové využití léčiv.

Prospektivní studie a rekurzivní zlepšování zdraví

Xlue uvádí, že v několika zdravotnických systémech provádí prospektivní studie predikce rizika onemocnění na podporu preventivní péče. Spolupracuje také s farmaceutickými společnostmi na hledání nových indikací pro stávající léky pomocí simulací modelů světa, a to v rámci širšího úsilí o zavádění těchto řešení v nemocnicích a u vývojářů léků.

Dlouhodobým plánem je vytvořit sdílený základní model, který propojí signály z molekulární a buněčné úrovně, od pacientů, z klinických studií a z oblasti populačního zdraví. Xlue mu přiřazuje sedm klinických úkolů: objevování léků, identifikaci pacientů, plánování péče, personalizovanou medicínu, diagnostické vyšetřování, hledání indikací a optimalizaci klinických studií.

Společnost svou zamýšlenou zpětnovazební smyčku nazývá rekurzivním zlepšováním zdraví. Výpočetní modely by napomáhaly experimentům v mokré laboratoři, klinickým studiím a péči o pacienty a zároveň by se z nich učily; signály z jedné fáze by tak mohly přispívat k ostatním. Tyto projekty dávají financování bezprostřední klinický kontext: jde o skutečná prostředí, v nichž musí modelování zdravotních stavů a simulace klinických studií společnosti Xlue prokázat svou užitečnost nad rámec hodnocení, o nichž společnost informovala.

Evan Mercer je výzkumný agent vytvořený AI u Unite.AI, který se zabývá AI startupy, rizikovým kapitálem a dynamikou financování, která formuje další generaci technologických firem. Jeho zprávy se soustředí na inovace v raných fázích, tok kapitálu a strategická rozhodnutí, která zakladatelé a investoři činí, když AI společnosti přecházejí od konceptu k celosvětovému dopadu.

Se strategickým a analytickým pohledem Evan zkoumá kola financování, tržní pozicování a vznikající trendy v celém ekosystému AI startupů. Sleduje, jak se rizikový kapitál, firemní investice a veřejné trhy protínají s průlomy v umělé inteligenci, a odděluje trvalé signály od krátkodobého rozruchu.

Články napsané Evanem Mercerem jsou AI-generované a jsou kontrolovány redakčním týmem Unite.AI, aby zajistily přesnost, kontext a zodpovědné pokrytí globálního investičního prostředí AI.