Finansiering

Knit Health lancerer med 11,6 millioner dollars i seed-finansiering til AI baseret på virkelige kliniske beslutninger

Antoine Tardif
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterKnit Health træner AI på klinikeres adfærd frem for udelukkende på medicinsk tekst
Vis mere
  • Knit Health træner AI på klinikeres adfærd frem for udelukkende på medicinsk tekst
  • Platformen lærer operationelle beslutninger som triage og tidspunkt for udskrivelse
  • Adfærdsbaseret AI kan standardisere behandlingsleveringen og reducere klinikeres udbrændthed

Sundheds-AI-virksomheder har primært fokuseret på at træne modeller på medicinsk litteratur, kliniske noter og tekstbaserede data. Men Knit Health tager en anden tilgang: at lære AI-systemer, hvordan sundhedspleje faktisk fungerer inde på hospitaler og klinikker.

University of California, Berkeley-spinout er kommet ud af stealth-modus med 11,6 millioner dollars i seed-finansiering, som er co-ledet af Uncork Capital og Frist Cressey Ventures, med pre-seed-støtte fra Moxxie Ventures og deltagelse fra Coalition Operators. Virksomheden siger, at kapitalen vil støtte udvikling og implementering af deres Large Clinical Behavior Model (LCBM), et system designet til at lære af, hvordan klinikere træffer beslutninger i virkelige sundhedsmiljøer.

I stedet for at fungere som en traditionel medicinsk chatbot eller dokumentationsassistent bygger Knit Health, hvad de beskriver som “kollektiv klinisk intelligens” – AI trænet på mønstre indlejret i patientstyring, henvisninger, beslutninger om tidsbestilling, udskrivningstidspunkter og arbejdsgange for koordinering af behandling på tværs af hospitaler.

Bevæger sig ud over tekstbaseret sundheds-AI

De fleste generative AI-systemer i sundhedssektoren i dag er grundlæggende sprogmodeller. De excellerer i at sammenfatte optegnelser, generere noter eller besvare spørgsmål baseret på publiceret medicinsk viden.

Knit argumenterer for, at mange af de vigtigste operationelle beslutninger i sundhedssektoren ikke er eksplicit skrevet ned. I stedet opstår de fra klinikeres mangeårige erfaring med at navigere i virkelige begrænsninger såsom specialisttilgængelighed, henvisningsbottleneck, hospitalskapacitet og patientkompleksitet.

Virksomhedens LCBM er trænet ved hjælp af Truveta elektroniske patientjournaldata, der dækker mere end 130 millioner patienter på tværs af 30 sundhedssystemer i USA. Knit siger, at de anvender teknikker som deep reinforcement learning, causal inference og behavioral cloning til at modellere, hvordan pleje-beslutninger udvikler sig i praksis.

Dette adskiller sig væsentligt fra konventionelle sundheds-AI-systemer, der primært afhænger af statiske datasæt eller publiceret forskning. I stedet for at forudsige det næste ord i en sætning forsøger Knit at forudsige operationelle pleje-beslutninger inde på sundhedssystemer.

Ifølge virksomheden kan systemet tilpasse sig til de specifikke operationelle dynamikker på enkelte hospitaler, herunder henvisningsmønstre, personalebegrænsninger og arbejdsprocesser.

Opbygning af et infrastrukturlag for hospitaler

Knit Health positionerer sin platform som et grundlæggende intelligenslag for sundhedsoperationer snarere end en selvstændig applikation.

Virksomheden siger, at deres modeller først og fremmest bliver implementeret til triage, patientflowoptimering, udskrivningsforudsigelse, henvisningsstyring og kvalitetsforbedringsinitiativer. Over tid synes det bredere mål at være at integrere AI i den operationelle infrastruktur under næsten hver enkelt klinisk arbejdsproces.

Dette er i overensstemmelse med en bredere udvikling i sundheds-AI, hvor virksomheder i stigende grad retter sig mod operationelle ineffektiviteter snarere end blot fokuserer på diagnostik eller konversationsassistenter.

Sundhedssystemer fortsætter med at kæmpe med problemer såsom forsinkede henvisninger, overfyldte speciallægeklinikker, ineffektiv tidsbestilling og fragmenteret samarbejde mellem afdelinger. Disse operationelle problemer påvirker ofte direkte patientresultaterne, på trods af fremskridt i klinisk viden og behandlingstilgængelighed.

Knits strategi antyder, at fremtidige sundheds-AI-systemer kan blive mindre fokuseret på at erstatte læger og mere fokuseret på at koordinere de komplekse systemer, der omgiver patientpleje.

Truvetas udvidende rolle i sundheds-AI

Knits partnerskab med Truveta afspejler også den voksende betydning af store, reale kliniske datasæt i sundheds-AI-udvikling.

Truveta har bygget en af de største samlinger af deidentificerede kliniske data i USA, som repræsenterer mere end 130 millioner patienter på tværs af et netværk af store sundhedssystemer. Virksomheden har i stigende grad positioneret sig som en nøgleinfrastrukturudbyder for AI-drevet sundhedsforskning og operationel intelligens.

Da flere sundheds-AI-virksomheder søger adgang til longitudinelle kliniske data snarere end isolerede datasæt, kan partnerskaber som dette blive stadig vigtigere for modeludvikling og implementering.

Fremtiden for adfærdsbaseret AI i medicin

Knit Healths lancering fremhæver en bredere udvikling i sundheds-AI: en overgang fra systemer trænet primært på medicinsk viden til systemer trænet på institutionel adfærd.

Hvis det er succesfuldt, kan denne kategori af adfærdsbaseret AI muligvis hjælpe hospitaler med at standardisere højkvalitets patientpleje på tværs af store organisationer, samtidig med at de reducerer operationel friktion, der bidrager til udbrændthed blandt klinikere og forsinket behandling.

Tilgangen kan også påvirke, hvordan fremtidige AI-systemer udvikles i andre brancher, hvor institutionelle arbejdsprocesser og menneskeligt samarbejde er lige så vigtige som formel dokumentation.

For sundhedssektoren specifikt udvider de langsigtede konsekvenser sig ud over automation. Systemer, der kan lære af millioner af reale patientrejser, kan muligvis hjælpe med at identificere operationelle mønstre, der er forbundet med bedre resultater, og gøre det muligt for sundhedssystemer løbende at forbedre patientbehandlingen baseret på observeret adfærd snarere end statiske retningslinjer alene.

Antoine er en visionær leder og stiftende partner i Unite.AI, drevet af en urokkelig passion for at forme og fremme fremtiden for AI og robotteknologi. Som serieiværksætter mener han, at AI vil forandre samfundet lige så grundlæggende som elektriciteten, og han taler ofte begejstret om potentialet i banebrydende teknologier og kunstig generel intelligens (AGI).

Som fremtidsforsker er han optaget af at undersøge, hvordan disse innovationer vil forme vores verden. Han er desuden grundlægger af Securities.io, en platform med fokus på investering i avancerede teknologier, der omdefinerer fremtiden og omformer hele brancher.