Knit Health startet mit 11,6 Millionen Dollar Seed-Finanzierung, um ein auf realen klinischen Entscheidungen basierendes KI-System zu entwickeln

Unternehmen im Bereich Gesundheitswesen-KI haben sich bisher hauptsächlich auf die Ausbildung von Modellen auf der Grundlage medizinischer Literatur, klinischer Notizen und textbasierter Daten konzentriert. Knit Health hingegen geht einen anderen Weg: Es lehrt KI-Systeme, wie das Gesundheitswesen tatsächlich in Krankenhäusern und Kliniken funktioniert.

Das Spin-out der University of California, Berkeley, ist mit 11,6 Millionen Dollar Seed-Finanzierung aus der Stealth-Phase ausgestiegen, die von Uncork Capital und Frist Cressey Ventures gemeinsam geleitet wird, mit vorheriger Finanzierung von Moxxie Ventures und Beteiligung von Coalition Operators. Das Unternehmen gibt an, dass das Kapital die Entwicklung und Bereitstellung seines Large Clinical Behavior Model (LCBM) unterstützen wird, einem System, das darauf ausgelegt ist, von den Entscheidungen zu lernen, die Kliniker in realen Gesundheitsumgebungen treffen.

Anders als herkömmliche medizinische Chatbots oder Dokumentationsassistenten baut Knit Health das beschreibt als “kollektive klinische Intelligenz” – KI, die auf Mustern trainiert ist, die in Patientenverläufen, Überweisungen, Entscheidungen zur Terminplanung, Entlassungszeitpunkten und Care-Coordination-Workflows über Krankenhäuser verankert sind.

Jenseits textbasierter Gesundheitswesen-KI

Die meisten generativen KI-Systeme im Gesundheitswesen sind heute grundlegend Sprachmodelle. Sie sind gut darin, Aufzeichnungen zusammenzufassen, Notizen zu generieren oder Fragen auf der Grundlage veröffentlichter medizinischer Kenntnisse zu beantworten.

Knit argumentiert, dass viele der wichtigsten operativen Entscheidungen im Gesundheitswesen nicht explizit niedergeschrieben sind. Stattdessen entstehen sie aus Jahren klinischer Erfahrung bei der Navigation realer Einschränkungen wie der Verfügbarkeit von Spezialisten, Überweisungsengpässen, Krankenhauskapazitäten und Patientenkomplexität.

Das LCBM des Unternehmens wird mit Truveta-Elektronischen Gesundheitsakten-Daten trainiert, die mehr als 130 Millionen Patienten über 30 US-Gesundheitssysteme umfassen. Knit gibt an, dass es Techniken wie tiefes Verstärkungslernen, kausale Inferenz und Verhaltensklonierung anwendet, um zu modellieren, wie sich Behandlungsentscheidungen in der Praxis entwickeln.

Das unterscheidet sich erheblich von herkömmlichen Gesundheitswesen-KI-Systemen, die sich hauptsächlich auf statische Datensätze oder veröffentlichte Forschung verlassen. Anstatt das nächste Wort in einem Satz vorherzusagen, versucht Knit, operative Behandlungsentscheidungen innerhalb von Gesundheitssystemen vorherzusagen.

Laut dem Unternehmen kann das System an die spezifischen operativen Dynamiken einzelner Krankenhäuser angepasst werden, einschließlich Überweisungsmustern, Personaleinschränkungen und Workflow-Strukturen.

Ein Infrastruktur-Layer für Krankenhäuser aufbauen

Knit Health positioniert seine Plattform als grundlegende Intelligenzschicht für Gesundheitswesen-Operationen und nicht als eigenständige Anwendung.

Das Unternehmen gibt an, dass seine Modelle zunächst für Triage, Patientenfluss-Optimierung, Entlassungsvorhersage, Überweisungsmanagement und Qualitätsverbesserungsinitiativen eingesetzt werden. Langfristig scheint das Ziel darin zu bestehen, KI in die operativen Infrastrukturen unter fast allen klinischen Workflows zu integrieren.

Das stimmt mit einer breiteren Verschiebung im Gesundheitswesen-KI- Bereich überein, bei der Unternehmen zunehmend operativen Ineffizienzen anstelle von Diagnosen oder konversationellen Assistenten ins Visier nehmen.

Gesundheitssysteme kämpfen weiterhin mit Problemen wie verzögerten Überweisungen, überfüllten Facharzt-Pipelines, ineffizienter Terminplanung und fragmentierter Koordination zwischen Abteilungen. Diese operativen Probleme wirken sich oft direkt auf Patientenergebnisse aus, trotz Fortschritten in der klinischen Kenntnis und Behandlungsverfügbarkeit.

Knits Strategie deutet darauf hin, dass zukünftige Gesundheitswesen-KI-Systeme weniger darauf ausgerichtet sein könnten, Ärzte zu ersetzen, und mehr darauf, die komplexen Systeme um die Patientenversorgung herum zu orchestrieren.

Truvetas erweiternde Rolle im Gesundheitswesen-KI

Knits Partnerschaft mit Truveta spiegelt auch die wachsende Bedeutung großer, realer klinischer Datensätze in der Entwicklung von Gesundheitswesen-KI wider.

Truveta hat eine der größten Sammlungen deidentifizierter klinischer Daten in den Vereinigten Staaten aufgebaut, die mehr als 130 Millionen Patienten über ein Netzwerk von großen Gesundheitssystemen umfasst. Das Unternehmen hat sich zunehmend als wichtiger Infrastrukturanbieter für KI-getriebene Gesundheitswesen-Forschung und operative Intelligenz positioniert.

Da mehr Gesundheitswesen-KI-Unternehmen den Zugang zu longitudinalen klinischen Daten anstelle isolierter Datensätze suchen, können Partnerschaften wie diese für die Modellentwicklung und -bereitstellung immer wichtiger werden.

Die Zukunft von Behavioral AI in der Medizin

Knit Healths Start markiert eine breitere Evolution im Gesundheitswesen-KI: einen Übergang von Systemen, die hauptsächlich auf medizinischem Wissen trainiert sind, zu Systemen, die auf institutionellem Verhalten trainiert sind.

Wenn dies erfolgreich ist, könnte diese Kategorie von Behavioral AI letztendlich dazu beitragen, dass Krankenhäuser eine hochwertige Versorgung über große Organisationen hinweg standardisieren und operativen Reibungspunkte reduzieren, die zu Burnout bei Klinikern und verzögerter Behandlung beitragen.

Dieser Ansatz könnte auch beeinflussen, wie zukünftige KI-Systeme in anderen Branchen entwickelt werden, in denen institutionelle Workflows und menschliche Koordination ebenso wichtig sind wie formale Dokumentation.

Für das Gesundheitswesen im Speziellen gehen die langfristigen Auswirkungen über die Automatisierung hinaus. Systeme, die von Millionen realer Patientenreisen lernen können, könnten letztendlich dazu beitragen, operative Muster zu identifizieren, die mit besseren Ergebnissen verbunden sind, und Gesundheitssysteme ermöglichen, die Versorgung kontinuierlich auf der Grundlage beobachteten Verhaltens und nicht nur statischer Richtlinien zu verfeinern.