Finanzierung

Knit Health sammelt in Series-A-Finanzierungsrunde 35 Millionen US-Dollar ein, um den Einsatz von Med-BEAM auszuweiten

Evan Mercer
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Wichtige PunkteKnit Health hat eine Series-A-Finanzierung in Höhe von 35 Millionen US-Dollar unter der…
Mehr anzeigen
  • Knit Health hat eine Series-A-Finanzierung in Höhe von 35 Millionen US-Dollar unter der Leitung von NEA aufgenommen, um die Med-BEAM-Einführungen auszuweiten.
  • Med-BEAM erreichte eine durchschnittliche Präzision von 0,565 gegenüber Claude-Modellen bei der Vorhersage der nächsten klinischen Maßnahmen.
  • Knit strebt an, eine gemeinsame Grundlage für klinische Intelligenz bereitzustellen, anstatt jeden Workflow selbst zu besitzen.

Knit Health gab am 16. November 2026 bekannt, dass das Unternehmen eine Series-A-Finanzierungsrunde über 35 Millionen US-Dollar unter der Leitung von NEA abgeschlossen hat. Mit dem Kapital sollen die wissenschaftlichen und technischen Teams erweitert und das Gesundheitsweltmodell Med-BEAM in weiteren klinischen Einrichtungen eingesetzt werden. Frist Cressey Ventures, Town Hall Ventures und SignalFire beteiligten sich ebenfalls, ebenso wie die bisherigen Unterstützer Uncork, Moxxie, der Aligned Fund und Coalition Operators.

Knit beschreibt Med-BEAM als ein Gesundheitsweltmodell, das anhand von Milliarden Entscheidungen im Gesundheitswesen aus Hunderten Millionen Patientenakten trainiert wurde. Es lernt, wie sich Erkrankungen entwickeln, wie medizinisches Fachpersonal handelt und welche Folgen verschiedene Interventionen haben. Zu den ersten Anwendungsbereichen gehören die Patientensteuerung, die Vermittlung an Fachärzte, die Terminplanung und der Krankenhausbetrieb. Das Modell soll den Sprachmodellen, die Patienten, medizinischem Fachpersonal und KI-Agenten als Schnittstelle dienen, den klinischen Kontext bereitstellen.

Koordination von Überweisungen und eine gemeinsame Plattform

Knit setzt bei den Mechanismen an, die Patienten mit der bestehenden Versorgung verbinden: Überweisungen hängen stark von beruflichen Beziehungen ab, die Terminplanung von starren Regeln und der Verfügbarkeit von Terminen und klinische Behandlungspfade von vereinfachten Kategorien und Bewertungen. Nach Ansicht des Unternehmens können diese Mechanismen dazu führen, dass Patienten auf eine geeignete Versorgung warten müssen, während medizinisches Fachpersonal Zeit für Aufgaben aufwendet, die andere effektiver erledigen könnten. Als Beispiel nennt Knit einen Chirurgen, dessen Praxis mit Patienten gefüllt ist, die keine Operation benötigen, während Patienten, denen ein Eingriff helfen könnte, wochen- oder monatelang warten.

Knit plant, eine gemeinsame Grundlage für klinische Intelligenz bereitzustellen, statt jede Anwendung oder jeden Arbeitsablauf selbst zu betreiben. Gesundheitssysteme, Technologieunternehmen und Entwickler könnten auf dieser Grundlage aufbauen, anstatt die zugrunde liegende Intelligenz unabhängig voneinander zu entwickeln. Dadurch würde Knit über seine ersten Produkte für Patientensteuerung und Betriebsabläufe hinaus die Rolle einer Plattform übernehmen.

Erste Benchmark-Ergebnisse und ihre Grenzen

In einer separaten am 16. November 2026 veröffentlichten Benchmark-Dokumentation wurde Med-BEAM mit Anthropics Claude Opus 4.8, Claude Sonnet 5 und Claude Haiku 4.5 verglichen. Für die Aufgabe wurden die Daten von 200 Patienten verwendet, die aus der Notaufnahme ins Krankenhaus aufgenommen worden waren. Keiner dieser Datensätze war zum Training von Med-BEAM verwendet worden.

Ausgehend von der Krankengeschichte jedes Patienten bis zur Aufnahme und einer vollständigen Liste möglicher Maßnahmen sagten die Modelle voraus, was in den folgenden 24 Stunden in Bezug auf Medikamente, Eingriffe, Laboruntersuchungen, Bildgebung, pflegerische Maßnahmen und Überweisungen geschehen würde. Es wurde kein bestimmtes Ergebnis vorab ausgewählt.

Knit gab für Med-BEAM eine durchschnittliche Präzision von 0,565 an. Dabei wurde eine Skala von 0 bis 1 verwendet, um zu messen, wie gut jedes Modell die tatsächlich erfolgte Versorgung einstufte. Opus 4.8 erreichte 0,228, Sonnet 5 erreichte 0,222 und Haiku 4.5 erreichte 0,124. Damit lag Med-BEAM bei dieser Aufgabe um das 2,48- bis 4,56-Fache vorn.

Für die Vergleiche von Geschwindigkeit und Kosten kamen unterschiedliche Methoden zum Einsatz. Die gemessenen Antwortzeiten der Sprachmodelle reichten von 216 Sekunden bei Haiku 4.5 bis 408 Sekunden bei Opus 4.8; bei Sonnet 5 waren es 307 Sekunden. Der Wert von ungefähr zwei Sekunden für Med-BEAM war eine geschätzte Verarbeitungszeit. Knit schätzte die Kosten pro Patient auf das 37- bis 257-Fache niedriger als bei den Sprachmodellen. Für diese Modelle wurden die tatsächlichen Nutzungsdaten aus den Anthropic-Benchmarks zu den veröffentlichten Preisen herangezogen. Bei Med-BEAM wurden die Inferenzzeit und die stündlichen Rechenkosten mit drei multipliziert, um die Gewinnspanne des Anbieters einzubeziehen.

Knit bezeichnete die Auswertung als erstes Ergebnis für eine einzelne, klar definierte Vorhersageaufgabe und plant umfangreichere Benchmarks mit zusätzlichen Aufgaben, Modellen und klinischen Einsatzbereichen. Der Unterschied ist bedeutsam: Die Vorhersage nachfolgender klinischer Maßnahmen ist ein erster Test des Modells, während sich das Ziel des Unternehmens im Bereich der kausalen KI damit befasst, wie sich alternative Entscheidungen auf die Behandlungsergebnisse der Patienten auswirken würden.

Frühere Finanzierung und Hintergrund zum Unternehmen

Der Series-A-Finanzierungsrunde ging laut einem vom Unternehmen veröffentlichten Bericht vom 12. Mai 2026 eine Seed-Finanzierungsrunde über 11,6 Millionen US-Dollar voraus, die gemeinsam von Uncork Capital und Frist Cressey Ventures angeführt wurde. Die Pre-Seed-Runde wurde von Moxxie Ventures angeführt, Coalition Operators beteiligte sich ebenfalls. Knit ist eine Ausgründung der UC Berkeley. Das frühere Modell des Unternehmens nutzte Daten von Truveta zu mehr als 130 Millionen Patienten, um reale Muster der klinischen Praxis zu erlernen.

Eine breitere Auswertung ist daher ein zentraler Zweck der Finanzierung: Die klinischen Einsätze von Knit und die gemeinsame Entwicklungsplattform hängen davon ab, dass sich der frühe Vorhersagevorsprung in Instrumente für Patientensteuerung und Betriebsabläufe übertragen lässt, die in Einrichtungen mit unterschiedlichen Fachkräften, Ressourcen und Behandlungsmustern funktionieren.

Evan Mercer ist ein KI-generierter Rechercheagent bei Unite.AI und berichtet über KI-Startups, Risikokapital und die Finanzierungsdynamik, die die nächste Generation von Technologieunternehmen prägt. Seine Berichterstattung konzentriert sich auf Innovationen in der Frühphase, Kapitalflüsse und die strategischen Entscheidungen, die Gründer und Investoren treffen, wenn KI-Unternehmen vom Konzept zur globalen Wirkung skalieren.

Mit einem strategischen und analytischen Blick untersucht Evan Finanzierungsrunden, Marktpositionierung und aufkommende Trends im KI-Startup-Ökosystem. Er verfolgt, wie Risikokapital, Unternehmensinvestitionen und öffentliche Märkte mit Durchbrüchen in der künstlichen Intelligenz zusammenwirken und trennt dauerhafte Signale von kurzfristigem Hype.

Von Evan Mercer verfasste Artikel sind KI-generiert und werden vom Redaktionsteam von Unite.AI geprüft, um Genauigkeit, Kontext und eine verantwortungsvolle Berichterstattung über das globale KI-Investitionsumfeld zu gewährleisten