Finansiering

Forsker fra Carnegie Mellon rejser 35 mio. dollar til arbejde med klinisk intelligens

Evan Mercer
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterXlue rejste 35 millioner dollars til en sundhedstilstandsmodel, der abstraherer…
Vis mere
  • Xlue rejste 35 millioner dollars til en sundhedstilstandsmodel, der abstraherer patientforløb i stedet for tokens.
  • Xlue hævder, at deres model slog førende tokenbaserede systemer i blinde evalueringer til under 0,1 % af beregningsomkostningerne.
  • Xlue gennemfører prospektive sygdomsrisikostudier og lægemiddelindikationssimuleringer for at bevise reel værdi.

Xlue oplyste den 18. november 2026, at en forsker fra Carnegie Mellon havde rejst 35 millioner dollar til arbejde med klinisk intelligens. Samme dag offentliggjorde virksomheden en teknisk rapport, der beskriver dens grundmodel for menneskers sundhed, som er udviklet til at forstå sundhed, forudsige, hvordan den ændrer sig, og simulere, hvordan behandlinger kan påvirke dens udvikling.

Arbejdet har til formål at omsætte kliniske spørgsmål til beregningsmæssige problemstillinger, så læger og forskere kan undersøge mulige udfald ved hjælp af beregninger, før de handler. Modellen skal lære af patienters sundhed, der ændrer sig over tid, deres reaktioner på behandling samt de eksperimenter og forsøg, som lægemidler udvikles gennem.

Modellering af sundhedstilstande i stedet for tokens

Xlue hævder, at modeller, der i høj grad er trænet på medicinske lærebøger og artikler, kan udvise viden uden nødvendigvis at kunne forudsige, hvornår patienter bliver syge, eller hvilken behandling der vil virke. Anvendt på sundhedsdata kan tokencentrerede systemer også opdele patientforløb i sekvenser med en ujævn mængde information og gentagne mønstre, samtidig med at forskellige perspektiver på samme person vikles ind i hinanden.

Xlues alternativ omdanner tokens til sundhedstilstande – repræsentationer af sundhed, efterhånden som den udvikler sig – og behandlingshandlinger. Sygdomsudvikling, behandlingsrespons, kliniske resultater og interventioner betragtes som udtryk for én proces: Sundheden ændrer sig over tid, og handlinger ændrer dens forløb. Virksomheden beskriver dette som en ny tilgang til fortræning, der modellerer patientforløb på tværs af befolkningsgrupper.

Rapporterede evalueringer og forsøgssimuleringer

Xlue oplyser, at dens model af sundhedstilstande skalerer mere effektivt med sundhedsdata, generaliserer bedre ved modellering af patientforløb på tværs af forskellige befolkningsgrupper og klarede sig bedre end førende tokenbaserede modeller i blindede evalueringer udført af tredjeparter – til mindre end 0,1 % af beregningsomkostningen.

Rapporten foreslår at bruge modellen til at simulere kliniske forsøg offline. En patientkohorte ville blive modelleret under lægemiddelbehandling og under kontrolbehandling eller standardbehandling, og de forudsagte resultater ville indgå i udvælgelsen af kohorter, udformningen af forsøgsprotokoller og overvejelser om mulige nye indikationer. Xlue præsenterer tilgangen som en måde at hjælpe lægemiddeludviklere med at udforme forsøg med større sandsynlighed for succes, mindske risici og finde nye anvendelser for lægemidler.

Prospektive studier og rekursiv forbedring af sundheden

Xlue oplyser, at virksomheden gennemfører prospektive studier af forudsigelse af sygdomsrisiko på tværs af flere sundhedssystemer for at understøtte forebyggende behandling. Den arbejder også sammen med medicinalvirksomheder om at finde nye indikationer for eksisterende lægemidler ved hjælp af simuleringer med verdensmodeller som led i et bredere arbejde med udrulning i samarbejde med hospitaler og lægemiddeludviklere.

Den langsigtede plan er en fælles grundmodel, der forbinder signaler på molekylært, cellulært, patient-, klinisk forsøgs- og befolkningssundhedsniveau. Xlue knytter syv kliniske opgaver til modellen: lægemiddelopdagelse, patientidentifikation, behandlingsplanlægning, præcisionsmedicin, diagnostisk udredning, opdagelse af indikationer og optimering af kliniske forsøg.

Virksomheden kalder den feedbacksløjfe, den forestiller sig, Recursive Health Improvement. Beregningsmodeller skal understøtte og lære af eksperimenter i vådlaboratorier, kliniske forsøg og patientbehandling, så signaler fra én fase kan informere de andre. Disse projekter giver finansieringen dens umiddelbare kliniske kontekst: Det er de virkelige rammer, hvor Xlues abstraktion af sundhedstilstande og forsøgssimuleringer skal vise deres anvendelighed ud over virksomhedens rapporterede evalueringer.

Evan Mercer er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI‑startups, venturekapital og de finansieringsdynamikker, der former næste generation af teknologivirksomheder. Hans rapportering fokuserer på innovation i de tidlige faser, kapitalstrømme og de strategiske beslutninger, som grundlæggere og investorer træffer, når AI‑virksomheder vokser fra koncept til global indflydelse.

Med et strategisk og analytisk perspektiv undersøger Evan finansieringsrunder, markedspositionering og fremvoksende tendenser i AI‑startup‑økosystemet. Han følger, hvordan venturekapital, virksomhedsinvesteringer og de børsnoterede markeder krydser med gennembrud inden for kunstig intelligens, og adskiller holdbare signaler fra kortvarig hype.

Artikler skrevet af Evan Mercer er AI‑genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre nøjagtighed, kontekst og ansvarlig dækning af det globale AI‑investeringslandskab