Financování
Knit Health získává 35 milionů dolarů v investičním kole Series A na rozšíření nasazení Med-BEAM

Klíčové bodyKnit Health získala 35 milionů dolarů v sérii A vedené NEA na rozšíření nasazení…
Zobrazit více
- Knit Health získala 35 milionů dolarů v sérii A vedené NEA na rozšíření nasazení Med-BEAM.
- Med-BEAM dosáhl průměrné přesnosti 0,565 oproti modelům Claude při predikci dalších klinických kroků.
- Knit chce poskytovat sdílený základ klinické inteligence, místo aby vlastnil každý pracovní postup.
Knit Health oznámila 16. listopadu 2026, že získala 35 milionů dolarů v rámci investičního kola Series A, které vedla NEA. Prostředky chce využít k rozšíření vědeckých a technických týmů a k nasazení svého světového modelu pro zdravotnictví Med-BEAM ve více klinických zařízeních. Zúčastnily se také Frist Cressey Ventures, Town Hall Ventures a SignalFire a pokračující podporu poskytly Uncork, Moxxie, Aligned Fund a Coalition Operators.
Knit popisuje Med-BEAM jako světový model pro zdravotnictví, který se učil na miliardách rozhodnutí v oblasti zdravotní péče zaznamenaných ve stovkách milionů zdravotnických záznamů pacientů. Učí se z nich, jak se vyvíjejí zdravotní potíže, jak postupují lékaři a jaké jsou následky různých zásahů. Mezi první oblasti využití patří navigace pacientů, jejich směrování ke specialistům, plánování návštěv a provoz nemocnic. Model má dodávat klinický kontext vedle jazykových modelů, které slouží jako rozhraní pro pacienty, lékaře a agenty umělé inteligence.
Koordinace doporučení a sdílená platforma
Knit se zaměřuje na mechanismy, které pacienty propojují se stávající péčí: doporučení se do značné míry opírají o profesní vztahy, plánování návštěv o pevně daná pravidla a dostupnost termínů a klinické postupy o zjednodušené kategorie a skóre. Společnost tvrdí, že kvůli těmto mechanismům mohou pacienti čekat na vhodnou péči, zatímco lékaři tráví čas prací, kterou by jiní mohli vykonávat účinněji. Jako příklad uvádí chirurga, jehož ordinace je plná pacientů, kteří operaci nepotřebují, zatímco pacienti, kterým by zákrok mohl pomoci, čekají týdny nebo měsíce.
Knit chce nabídnout sdílený základ klinické inteligence, nikoli vlastnit každou aplikaci nebo pracovní postup. Zdravotnické systémy, technologické společnosti a vývojáři by na tomto základu mohli stavět, místo aby každý z nich nezávisle vyvíjel podkladovou inteligenci. Knit by tak získal roli platformy přesahující jeho počáteční produkty pro navigaci pacientů a provoz.
První výsledky benchmarku a jejich omezení
Samostatná dokumentace benchmarku zveřejněná 16. listopadu 2026 porovnávala Med-BEAM s modely Anthropic Claude Opus 4.8, Claude Sonnet 5 a Claude Haiku 4.5. Test využíval záznamy 200 pacientů přijatých do nemocnice z urgentního příjmu; žádný z těchto záznamů nebyl použit k trénování Med-BEAM.
Modely dostaly anamnézu každého pacienta do okamžiku přijetí a úplný seznam možných úkonů a měly předpovědět, co se stane během následujících 24 hodin v oblasti podávání léků, zákroků, laboratorních vyšetření, zobrazovacích metod, ošetřovatelských úkonů a doporučení. Žádný konkrétní výsledek nebyl předem vybrán.
Knit uvedl, že Med-BEAM dosáhl průměrné přesnosti 0,565. Hodnota se měří na stupnici od 0 do 1 a vyjadřuje, jak dobře model seřadil péči, která skutečně proběhla. Opus 4.8 získal skóre 0,228, Sonnet 5 skóre 0,222 a Haiku 4.5 skóre 0,124, takže Med-BEAM v tomto testu dosáhl 2,48 až 4,56krát lepšího výsledku.
Srovnání rychlosti a nákladů vycházela z odlišných metod. Naměřené doby odezvy jazykových modelů se pohybovaly od 216 sekund u Haiku 4.5 do 408 sekund u Opus 4.8; u Sonnet 5 činily 307 sekund. Údaj Med-BEAM, přibližně dvě sekundy, představoval odhadovanou dobu zpracování. Knit odhadl náklady na jednoho pacienta jako 37 až 257krát nižší než u jazykových modelů. U těchto modelů vycházel ze skutečného využití v benchmarku Anthropic a zveřejněných sazeb, zatímco u Med-BEAM z doby inference a hodinových nákladů na výpočet, které vynásobil třemi, aby zohlednil marži poskytovatele.
Knit označil toto hodnocení za první výsledek v rámci jediné přesně vymezené predikční úlohy a plánuje rozsáhlejší benchmarky zahrnující další úlohy, modely a klinická prostředí. Tento rozdíl je podstatný: předpovídání následných klinických úkonů představuje raný test modelu, zatímco cíl společnosti v oblasti kauzální umělé inteligence se týká toho, jak by alternativní rozhodnutí změnila výsledky léčby pacientů.
Předchozí financování a zázemí společnosti
Kolu Series A předcházelo seedové kolo ve výši 11,6 milionu dolarů, které společně vedly Uncork Capital a Frist Cressey Ventures, jak uvádí záznam zveřejněný na webu společnosti a datovaný 12. května 2026. Pre-seedové kolo vedla Moxxie Ventures za účasti Coalition Operators. Knit vznikl jako spin-off Kalifornské univerzity v Berkeley a jeho dřívější model využíval data společnosti Truveta o více než 130 milionech pacientů, aby se naučil vzorce skutečné klinické praxe.
Rozsáhlejší hodnocení je proto pro účel financování zásadní: klinická nasazení Knit i sdílený základ pro vývojáře závisejí na tom, zda se počáteční predikční výhoda promění v nástroje pro směrování pacientů a řízení provozu, které budou fungovat napříč institucemi s různými lékaři, zdroji a zavedenými postupy.












