Finansiering

Knit Health rejser 35 mio. dollars i serie A for at udvide udrulningen af Med-BEAM

Evan Mercer
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterKnit Health rejste en Series A på 35 millioner dollars ledet af NEA for at udvide…
Vis mere
  • Knit Health rejste en Series A på 35 millioner dollars ledet af NEA for at udvide Med-BEAM-implementeringer.
  • Med-BEAM opnåede en gennemsnitlig præcision på 0,565 mod Claude-modeller på at forudsige næste kliniske handlinger.
  • Knit sigter mod at levere et fælles klinisk intelligensfundament i stedet for at eje hver arbejdsgang.

Knit Health meddelte den 16. november 2026, at virksomheden havde rejst 35 mio. dollars i en serie A-finansieringsrunde ledet af NEA for at udvide sine videnskabelige og tekniske teams og udrulle sin sundhedsverdensmodel Med-BEAM i flere kliniske miljøer. Frist Cressey Ventures, Town Hall Ventures og SignalFire deltog også sammen med fortsat støtte fra Uncork, Moxxie, the Aligned Fund og Coalition Operators.

Knit beskriver Med-BEAM som en sundhedsverdensmodel, der er trænet på milliarder af sundhedsbeslutninger fra hundredvis af millioner patientjournaler, og som lærer, hvordan sygdomme udvikler sig, hvad klinikere gør, og hvad der følger efter forskellige indgreb. De første anvendelsesområder er patientnavigation, visitering til specialister, tidsbestilling og hospitalsdrift. Modellen skal levere klinisk kontekst sammen med sprogmodeller, der fungerer som grænseflader for patienter, klinikere og AI-agenter.

Koordinering af henvisninger og en fælles platform

Knit retter fokus mod de mekanismer, der forbinder patienter med eksisterende behandlingstilbud: Henvisninger afhænger i høj grad af faglige relationer, tidsbestilling af rigide regler og ledige tider, og kliniske forløb af forenklede kategorier og pointtal. Virksomheden mener, at disse mekanismer kan betyde, at patienter må vente på den rette behandling, mens klinikere bruger tid på opgaver, som andre kunne løse mere effektivt. Som eksempel nævner virksomheden en kirurg, hvis klinik er fyldt med patienter, der ikke har brug for en operation, mens patienter, der kunne have gavn af et kirurgisk indgreb, venter i uger eller måneder.

Knit planlægger at tilbyde et fælles grundlag for klinisk intelligens frem for selv at eje alle applikationer eller arbejdsgange. Sundhedssystemer, teknologivirksomheder og udviklere vil kunne bygge videre på dette grundlag i stedet for hver for sig at udvikle den underliggende intelligens. Dermed får Knit en platformrolle, der rækker ud over virksomhedens første produkter inden for patientnavigation og drift.

Tidlige benchmarkresultater og deres begrænsninger

Separat benchmarkdokumentation offentliggjort den 16. november 2026 sammenlignede Med-BEAM med Anthropic-modellerne Claude Opus 4.8, Claude Sonnet 5 og Claude Haiku 4.5. Opgaven omfattede journaler for 200 patienter, der var blevet indlagt på hospitalet fra akutmodtagelsen. Ingen af journalerne var blevet brugt til at træne Med-BEAM.

Med patientens sygehistorie frem til indlæggelsen og en komplet liste over mulige handlinger skulle modellerne forudsige, hvad der ville ske i løbet af de næste 24 timer på tværs af medicinering, procedurer, laboratorieordrer, billeddiagnostik, sygeplejehandlinger og henvisninger. Ingen bestemte resultater var valgt på forhånd.

Knit oplyste, at Med-BEAM havde en gennemsnitlig præcision på 0,565 målt på en skala fra 0 til 1, som angiver, hvor godt hver model rangerede den behandling, der faktisk fandt sted. Opus 4.8 opnåede 0,228, Sonnet 5 opnåede 0,222, og Haiku 4.5 opnåede 0,124. Det gav Med-BEAM et forspring på 2,48 til 4,56 gange i denne opgave.

Sammenligningerne af hastighed og omkostninger byggede på forskellige metoder. De målte svartider for sprogmodellerne lå fra 216 sekunder for Haiku 4.5 til 408 sekunder for Opus 4.8, mens Sonnet 5 brugte 307 sekunder. Med-BEAMs tal på cirka to sekunder var et estimeret behandlingstidspunkt. Knit anslog, at omkostningerne pr. patient var 37 til 257 gange lavere end for sprogmodellerne. Beregningen byggede på Anthropic-modellernes faktiske forbrug i benchmarktesten, opgjort til de offentliggjorte priser, og for Med-BEAM på inferenstid og timeprisen for beregningskraft ganget med tre for at svare til udbyderens avance.

Knit beskrev evalueringen som et indledende resultat for én afgrænset forudsigelsesopgave og planlægger bredere benchmarktests på tværs af flere opgaver, modeller og kliniske miljøer. Forskellen er væsentlig: Forudsigelse af efterfølgende kliniske handlinger er en tidlig test af modellen, mens virksomhedens mål inden for kausal AI handler om, hvordan alternative beslutninger ville ændre patienternes resultater.

Tidligere finansiering og baggrund om virksomheden

Serie A-runden følger efter en seedrunde på 11,6 mio. dollars, som Uncork Capital og Frist Cressey Ventures var fælles hovedinvestorer i, ifølge en virksomhedsudgivet redegørelse dateret den 12. maj 2026. Moxxie Ventures ledede pre-seed-runden med deltagelse fra Coalition Operators. Knit er en aflægger fra UC Berkeley, og virksomhedens tidligere model brugte data fra Truveta om mere end 130 millioner patienter til at lære mønstre fra den faktiske kliniske praksis.

En bredere evaluering er derfor central for formålet med finansieringen: Knits kliniske udrulninger og fælles udviklerplatform afhænger af, at det tidlige forspring inden for forudsigelse omsættes til værktøjer til visitering og drift, der fungerer på tværs af institutioner med forskellige klinikere, ressourcer og praksismønstre.

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