Spuštění Knit Health s 11,6 miliony dolarů na semenném financování pro stavbu AI založené na reálném klinickém rozhodování

Společnosti zdravotnické AI se většinou zaměřily na školení modelů na lékařské literatuře, klinických poznámkách a textových datech. Ale Knit Health se vydává jinou cestou: učení AI systémů, jak zdravotnictví skutečně funguje uvnitř nemocnic a klinik.

Spin-out University of California, Berkeley vyšel ze stealthu s 11,6 miliony dolarů na semenném financování vedeném Uncork Capital a Frist Cressey Ventures, s před-seedovým financováním od Moxxie Ventures a účastí od Coalition Operators. Společnost říká, že kapitál bude podporovat vývoj a nasazení jejího Large Clinical Behavior Model (LCBM), systému navrženého pro učení se z toho, jak klinici dělají rozhodnutí v reálných zdravotnických prostředích.

Místo toho, aby fungoval jako tradiční lékařský chatbot nebo asistent dokumentace, Knit Health buduje to, co popisuje jako „kolektivní klinická inteligence“ — AI školený na vzorcích vložených do směrování pacientů, odkazů, rozhodování o plánování, době propuštění a koordinaci péče v nemocnicích.

Přesunutí se za textově založenou zdravotnickou AI

Most generative AI systémů ve zdravotnictví dnes jsou fundamentálně jazykové modely. Excelují v souhrnech záznamů, generování poznámek nebo odpovědí na otázky založené na zveřejněné lékařské znalosti.

Knit argumentuje, že mnoho z nejvýznamnějších operačních rozhodnutí ve zdravotnictví není explicitně zapsáno. Místo toho vznikají z let klinické zkušenosti při navigaci reálných omezení, jako je dostupnost specialistů, referenční uzávěry, kapacita nemocnice a složitost pacienta.

Společnost LCBM je školen pomocí Truveta elektronických zdravotních záznamů pokrývajících více než 130 milionů pacientů napříč 30 americkými zdravotnickými systémy. Knit říká, že aplikuje techniky, včetně hlubokého učení posilování, kauzální inference a behaviorální klonování, pro modelování, jak se péče rozhoduje v praxi.

To se podstatně liší od konvenčních zdravotnických AI systémů, které se spoléhají primárně na statická data souboru nebo zveřejněné výzkumy. Místo předpovědi dalšího slova ve větě se Knit snaží předpovědět operační rozhodnutí o péči uvnitř zdravotnických systémů.

Podle společnosti může systém přizpůsobit specifické operační dynamice jednotlivých nemocnic, včetně vzorců odkazů, omezení personálu a struktur pracovního postupu.

Stavba infrastrukturní vrstvy pro nemocnice

Knit Health позициuje svou platformu jako základovou inteligentní vrstvu pro zdravotnické operace, spíše než jako samostatnou aplikaci.

Společnost říká, že její modely jsou inicializovány pro triáž, optimalizaci toku pacientů, předpověď propuštění, řízení odkazů a iniciativy pro zlepšení kvality. V průběhu času se zdá, že cílem je vložení AI do operační infrastruktury pod téměř každý klinický pracovní postup.

To odpovídá širšímu trendu, který se vyskytuje v zdravotnické AI, kde společnosti cílí na operační neefektivnosti, spíše než se soustředí pouze na diagnostiku nebo konverzační asistenty.

Zdravotnické systémy pokračují v boji s problémy, jako jsou zpožděné odkazy, přeplněné specializované péče, neefektivní plánování a fragmentovaná koordinace mezi odděleními. Tyto operační problémy často přímo ovlivňují výsledky pacientů, navzdory pokrokům v klinických znalostech a dostupnosti léčby.

Truvetaova rozšiřující se role ve zdravotnické AI

Partnerství Knit Health s Truveta také odráží rostoucí důležitost velkých reálných klinických datových souborů ve vývoji zdravotnické AI.

Truveta vybudovala jednu z největších sbírek deidentifikovaných klinických dat ve Spojených státech, reprezentujících více než 130 milionů pacientů napříč sítí hlavních zdravotnických systémů. Společnost se postupně позиcionuje jako klíčový poskytovatel infrastruktury pro AI-poháněný zdravotnický výzkum a operační inteligenci.

Budoucnost behaviorální AI v medicíně

Spuštění Knit Health zdůrazňuje širší evoluci ve zdravotnické AI: přechod od systémů školených primárně na lékařské znalosti k systémům školeným na institucionálním chování.

Pokud bude úspěšný, tato kategorie behaviorální AI by mohla nakonec pomoci nemocnicím standardizovat poskytování kvalitní péče napříč velkými organizacemi, zatímco snižuje operační tření, které přispívá ke klinické únavě a zpožděné léčbě.

Pokud budou tyto systémy schopny učit se z milionů reálných pacientských cest, mohou nakonec pomoci identifikovat operační vzorce spojené s lepšími výsledky, umožňující zdravotnickým systémům neustále vylepšovat poskytování péče na základě pozorovaného chování, spíše než pouze na základě statických pokynů.