Χρηματοδότηση
Η Knit Health ξεκινά με 11,6 εκατ. δολάρια αρχικής χρηματοδότησης για AI βασισμένη σε πραγματικές κλινικές αποφάσεις

Βασικά σημείαΗ Knit Health εκπαιδεύει την τεχνητή νοημοσύνη στη συμπεριφορά των κλινικών ιατρών και…
Δείτε περισσότερα
- Η Knit Health εκπαιδεύει την τεχνητή νοημοσύνη στη συμπεριφορά των κλινικών ιατρών και όχι μόνο σε ιατρικά κείμενα
- Η πλατφόρμα μαθαίνει επιχειρησιακές αποφάσεις όπως η διαλογή και ο χρόνος εξιτηρίου
- Η συμπεριφορική τεχνητή νοημοσύνη θα μπορούσε να τυποποιήσει την παροχή φροντίδας και να μειώσει την επαγγελματική εξουθένωση των κλινικών ιατρών
Οι εταιρείες Υγείας AI έχουν επικεντρωθεί σε μεγάλο βαθμό στην εκπαίδευση μοντέλων σε ιατρική βιβλιογραφία, κλινικές σημειώσεις και δεδομένα κειμένου. Όμως η Knit Health ακολουθεί μια διαφορετική προσέγγιση: διδάσκει τα συστήματα AI πώς λειτουργεί η υγεία μέσα στα νοσοκομεία και τις κλινικές.
Η spinout του Πανεπιστημίου της Καλιφόρνιας, Μπέρκλεϋ, έχει βγει από την μυστικότητα με $11,6 εκατομμύρια σε χρηματοδότηση αρχικού σταδίου σε γύρο του οποίου ηγήθηκαν από κοινού οι εταιρείες Uncork Capital και Frist Cressey Ventures, με στήριξη σε στάδιο pre-seed από Moxxie Ventures και συμμετοχή από Coalition Operators. Η εταιρεία λέει ότι το κεφάλαιο θα υποστηρίξει την ανάπτυξη και την υλοποίηση του Large Clinical Behavior Model (LCBM), ενός συστήματος που σχεδιάζεται για να μάθει από το πώς οι κλινικοί ιατροί λαμβάνουν αποφάσεις σε πραγματικά περιβάλλοντα υγείας.
Αντί να λειτουργεί σαν ένα παραδοσιακό ιατρικό chatbot ή βοηθός τεκμηρίωσης, η Knit Health κατασκευάζει αυτό που περιγράφει ως «συλλογική κλινική νοημοσύνη» — AI εκπαιδευμένο σε μοτίβα που ενσωματώνονται στην διαδρομή των ασθενών, τις παραπομπές, τις αποφάσεις προγραμματισμού, τον χρόνο εξιτηρίου και τις διαδικασίες συντονισμού φροντίδας σε νοσοκομεία.
Πέρα από την τεχνητή νοημοσύνη υγείας που βασίζεται σε κείμενο
Τα περισσότερα συστήματα παραγωγικής AI στην υγεία σήμερα είναι ουσιαστικά γλωσσικά μοντέλα. Διακρίνονται στο να συνοψίζουν αρχεία, να δημιουργούν σημειώσεις ή να απαντούν σε ερωτήσεις με βάση την δημοσιευμένη ιατρική γνώση.
Η Knit υποστηρίζει ότι πολλές από τις πιο σημαντικές λειτουργικές αποφάσεις στην υγεία δεν είναι ρητά γραμμένες. Αντίθετα, προκύπτουν από χρόνια κλινικής εμπειρίας που διαπερνά πραγματικές προκλήσεις όπως η διαθεσιμότητα ειδικών, τα σημεία συμφόρησης στις παραπομπές, η ικανότητα των νοσοκομείων και η πολυπλοκότητα των ασθενών.
Το LCBM της εταιρείας εκπαιδεύεται χρησιμοποιώντας ηλεκτρονικά ιατρικά αρχεία Truveta που καλύπτουν περισσότερους από 130 εκατομμύρια ασθενείς σε 30 αμερικανικά συστήματα υγείας. Η Knit λέει ότι εφαρμόζει τεχνικές όπως η βαθιά ενισχυτική μάθηση, η αιτιακή συμπερασματολογία και η συμπεριφορική κλωνοποίηση για να μοντελοποιήσει το πώς οι αποφάσεις φροντίδας αναπτύσσονται στην πράξη.
Αυτό διαφέρει σημαντικά από τα συμβατικά συστήματα AI υγείας που βασίζονται κυρίως σε στατικά σύνολα δεδομένων ή δημοσιευμένη έρευνα. Αντί να προβλέπει την επόμενη λέξη σε μια πρόταση, η Knit προσπαθεί να προβλέψει λειτουργικές αποφάσεις φροντίδας μέσα στα συστήματα υγείας.
Σύμφωνα με την εταιρεία, το σύστημα μπορεί να προσαρμοστεί στις συγκεκριμένες λειτουργικές δυναμικές των μεμονωμένων νοσοκομείων, συμπεριλαμβανομένων των μοτίβων παραπομπής, των περιορισμών προσωπικού και των δομών εργασιών.
Κατασκευή ενός Υποδομικού Στρώματος για Νοσοκομεία
Η Knit Health θέτει την πλατφόρμα της ως ένα θεμελιώδες στρώμα νοημοσύνης για τις λειτουργίες υγείας και όχι ως αυτόνομη εφαρμογή.
Η εταιρεία λέει ότι τα μοντέλα της αρχικά τίθενται σε χρήση για τη διαλογή ασθενών, τη βελτιστοποίηση της ροής των ασθενών, την πρόβλεψη εξιτηρίου, τη διαχείριση παραπομπών και τις πρωτοβουλίες βελτίωσης ποιότητας. Με τον καιρό, ο ευρύτερος στόχος φαίνεται να είναι η ενσωμάτωση της AI στις λειτουργικές υποδομές κάτω από σχεδόν κάθε κλινική διαδικασία.
Αυτό ευθυγραμμίζεται με μια ευρύτερη μετατόπιση που συμβαίνει σε όλη την υγεία AI, όπου οι εταιρείες στοχεύουν όλο και περισσότερο τις λειτουργικές ανεπάρκειες, αντί να επικεντρώνονται αποκλειστικά στη διάγνωση ή στους διαλογικούς βοηθούς.
Τα συστήματα υγείας συνεχίζουν να παλεύουν με ζητήματα όπως οι καθυστερημένες παραπομπές, οι υπερφορτωμένες διαδρομές εξειδικευμένης φροντίδας, ο αναποτελεσματικός προγραμματισμός και ο κατακερματισμένος συντονισμός μεταξύ τμημάτων. Αυτά τα λειτουργικά προβλήματα συχνά επηρεάζουν άμεσα τα αποτελέσματα των ασθενών παρά τις προόδους στην κλινική γνώση και τη διαθεσιμότητα θεραπευτικών.
Η στρατηγική της Knit υποδηλώνει ότι τα μελλοντικά συστήματα AI υγείας μπορεί να γίνουν λιγότερο επικεντρωμένα στην αντικατάσταση των ιατρών και περισσότερο επικεντρωμένα στον συντονισμό των σύνθετων συστημάτων που περιβάλλουν την φροντίδα των ασθενών.
Ο διευρυνόμενος ρόλος της Truveta στην τεχνητή νοημοσύνη υγείας
Η συνεργασία της Knit με την Truveta αντανακλά επίσης τη μεγαλύτερη σημασία των μεγάλης κλίμακας πραγματικών κλινικών συνόλων δεδομένων στην ανάπτυξη AI υγείας.
Η Truveta έχει κατασκευάσει ένα από τα μεγαλύτερα σύνολα κλινικών δεδομένων από τα οποία έχουν αφαιρεθεί τα στοιχεία ταυτοποίησης στις Ηνωμένες Πολιτείες, που αντιπροσωπεύουν περισσότερους από 130 εκατομμύρια ασθενείς σε ένα δίκτυο μεγάλων συστημάτων υγείας. Η εταιρεία τοποθετείται όλο και περισσότερο ως βασικός πάροχος υποδομής για την έρευνα υγείας με τη βοήθεια AI και την επιχειρησιακή νοημοσύνη.
Όσο περισσότερες εταιρείες AI υγείας ζητούν πρόσβαση σε διαχρονικά κλινικά δεδομένα αντί για απομονωμένα σύνολα δεδομένων, οι συνεργασίες όπως αυτή μπορεί να γίνουν όλο και περισσότερο σημαντικές για την ανάπτυξη και την υλοποίηση μοντέλων.
Το Μέλλον της Συμπεριφορικής AI στην Ιατρική
Η παρουσίαση της Knit Health υπογραμμίζει μια ευρύτερη εξέλιξη στην υγεία AI: μια μετάβαση από συστήματα που εκπαιδεύονται κυρίως σε ιατρική γνώση προς συστήματα που εκπαιδεύονται σε θεσμικές συμπεριφορές.
Εάν είναι επιτυχημένο, αυτή η κατηγορία της συμπεριφορικής AI θα μπορούσε τελικά να βοηθήσει τα νοσοκομεία να τυποποιήσουν την υψηλής ποιότητας φροντίδα σε μεγάλες οργανώσεις μειώνοντας παράλληλα τη λειτουργική τριβή που συνεισφέρει στην κλινική εξουθένωση και την καθυστερημένη θεραπεία.
Η προσέγγιση αυτή θα μπορούσε επίσης να επηρεάσει τον τρόπο με τον οποίο θα αναπτυχθούν τα μελλοντικά συστήματα AI σε άλλους κλάδους όπου οι θεσμικές διαδικασίες και η ανθρώπινη συνεργασία έχουν την ίδια σημασία με την επίσημη τεκμηρίωση.
Για την υγεία συγκεκριμένα, οι μακροπρόθεσμες επιπτώσεις εκτείνονται πέρα από την αυτοματοποίηση. Τα συστήματα που είναι ικανά να μάθουν από εκατομμύρια πραγματικών διαδρομών ασθενών θα μπορούσαν τελικά να βοηθήσουν στην ταυτοποίηση λειτουργικών μοτίβων που συνδέονται με καλύτερα αποτελέσματα, επιτρέποντας στα συστήματα υγείας να βελτιώνουν συνεχώς την παροχή φροντίδας με βάση την παρατηρημένη συμπεριφορά και όχι μόνο τις στατικές οδηγίες.












