Knit Health lancerer med 11,6 mio. dollars i seed-finansiering til at bygge AI baseret på klinisk beslutningstagning i den virkelige verden

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 forudgående backing 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 kliniske beslutninger træffes 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 patientrute, henvisninger, beslutninger om scheduling, udskrivningstidspunkt og samarbejdsprocesser 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 eksplcit skrevet ned. I stedet opstår de fra års 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 modelere, 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 enkelt hospitaler, herunder henvisningsmønstre, personalebegrænsninger og arbejdsprocesser.

Opbygning af en infrastrukturlag for hospitaler

Knit Health positionerer sin platform som en 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 scheduling 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 foradfærdende 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 adfærdende AI muligvis hjælpe hospitaler med at standardisere højkvalitets patientpleje på tværs af store organisationer, samtidig med at de reducerer operationel friktion, der bidrager til klinikertræthed 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 lange implikationer 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 enable sundhedssystemer til kontinuerligt at forfine patientpleje baseret på observeret adfærd snarere end statiske retningslinjer alene.