Χρηματοδότηση
Η Knit Health συγκεντρώνει 35 εκατ. δολάρια σε γύρο Series A για να επεκτείνει την ανάπτυξη του Med-BEAM

Βασικά σημείαΗ Knit Health συγκέντρωσε 35 εκατομμύρια δολάρια σε χρηματοδότηση Series A με…
Δείτε περισσότερα
- Η Knit Health συγκέντρωσε 35 εκατομμύρια δολάρια σε χρηματοδότηση Series A με επικεφαλής τη NEA για να επεκτείνει τις αναπτύξεις του Med-BEAM.
- Το Med-BEAM πέτυχε μέση ακρίβεια 0,565 έναντι των μοντέλων Claude στην πρόβλεψη επόμενων κλινικών ενεργειών.
- Η Knit στοχεύει να παρέχει ένα κοινό θεμέλιο κλινικής νοημοσύνης αντί να κατέχει κάθε ροή εργασίας.
Η Knit Health ανακοίνωσε στις 16 Νοεμβρίου 2026 ότι συγκέντρωσε 35 εκατ. δολάρια σε γύρο Series A, με επικεφαλής την NEA, για να διευρύνει τις επιστημονικές και τεχνικές ομάδες της και να αναπτύξει το μοντέλο κόσμου της υγειονομικής περίθαλψης Med-BEAM σε περισσότερα κλινικά περιβάλλοντα. Στον γύρο συμμετείχαν επίσης οι Frist Cressey Ventures, Town Hall Ventures και SignalFire, καθώς και οι υφιστάμενοι υποστηρικτές Uncork, Moxxie, Aligned Fund και Coalition Operators.
Η Knit περιγράφει το Med-BEAM ως ένα μοντέλο κόσμου για την υγειονομική περίθαλψη, εκπαιδευμένο σε δισεκατομμύρια αποφάσεις στον τομέα της υγείας, οι οποίες προέρχονται από εκατοντάδες εκατομμύρια ιατρικούς φακέλους ασθενών. Το μοντέλο μαθαίνει πώς εξελίσσονται οι παθήσεις, ποιες ενέργειες αναλαμβάνουν οι κλινικοί γιατροί και τι ακολουθεί κάθε διαφορετική παρέμβαση. Οι αρχικές εφαρμογές του αφορούν την καθοδήγηση των ασθενών, την παραπομπή σε ειδικούς, τον προγραμματισμό ραντεβού και τη λειτουργία νοσοκομείων. Στόχος είναι να παρέχει κλινικό πλαίσιο στα γλωσσικά μοντέλα που λειτουργούν ως διεπαφές για ασθενείς, κλινικούς γιατρούς και πράκτορες τεχνητής νοημοσύνης.
Συντονισμός παραπομπών και κοινή πλατφόρμα
Η Knit στοχεύει στους μηχανισμούς που συνδέουν τους ασθενείς με την υφιστάμενη περίθαλψη: οι παραπομπές εξαρτώνται σε μεγάλο βαθμό από τις επαγγελματικές σχέσεις, ο προγραμματισμός από άκαμπτους κανόνες και τη διαθεσιμότητα ραντεβού, ενώ οι κλινικές διαδρομές βασίζονται σε απλουστευμένες κατηγορίες και βαθμολογίες. Η εταιρεία υποστηρίζει ότι αυτοί οι μηχανισμοί μπορεί να αφήνουν τους ασθενείς να περιμένουν την κατάλληλη φροντίδα, ενώ οι κλινικοί γιατροί αφιερώνουν χρόνο σε εργασίες που άλλοι θα μπορούσαν να εκτελέσουν αποτελεσματικότερα. Ως παράδειγμα αναφέρει έναν χειρουργό του οποίου το ιατρείο γεμίζει με ασθενείς που δεν χρειάζονται χειρουργική επέμβαση, ενώ όσοι θα μπορούσαν να ωφεληθούν από μια επέμβαση περιμένουν εβδομάδες ή μήνες.
Η Knit σχεδιάζει να προσφέρει μια κοινή βάση κλινικής νοημοσύνης, αντί να αναπτύξει η ίδια κάθε εφαρμογή ή ροή εργασιών. Τα συστήματα υγείας, οι εταιρείες τεχνολογίας και οι προγραμματιστές θα μπορούσαν να αξιοποιήσουν αυτή τη βάση, αντί να αναπτύσσουν ανεξάρτητα την υποκείμενη νοημοσύνη, δίνοντας στην Knit ρόλο πλατφόρμας πέρα από τα αρχικά προϊόντα της για την καθοδήγηση ασθενών και τη λειτουργία μονάδων υγείας.
Πρώιμα αποτελέσματα συγκριτικής αξιολόγησης και οι περιορισμοί τους
Ξεχωριστή τεκμηρίωση της συγκριτικής αξιολόγησης, που δημοσιεύτηκε στις 16 Νοεμβρίου 2026, εξέτασε το Med-BEAM σε σύγκριση με τα Claude Opus 4.8, Claude Sonnet 5 και Claude Haiku 4.5 της Anthropic. Η δοκιμή χρησιμοποίησε ιατρικούς φακέλους 200 ασθενών που εισήχθησαν στο νοσοκομείο από το τμήμα επειγόντων περιστατικών· κανένας από αυτούς τους φακέλους δεν είχε χρησιμοποιηθεί για την εκπαίδευση του Med-BEAM.
Με βάση το ιστορικό κάθε ασθενούς έως την εισαγωγή του και έναν πλήρη κατάλογο πιθανών ενεργειών, τα μοντέλα προέβλεψαν τι θα συνέβαινε κατά τις επόμενες 24 ώρες όσον αφορά τα φάρμακα, τις επεμβάσεις, τις εργαστηριακές εξετάσεις, τις απεικονιστικές εξετάσεις, τις νοσηλευτικές ενέργειες και τις παραπομπές. Δεν είχε επιλεγεί εκ των προτέρων κάποιο συγκεκριμένο αποτέλεσμα.
Η Knit ανέφερε ότι το Med-BEAM πέτυχε μέση ακρίβεια 0,565, με βάση μια κλίμακα από 0 έως 1 που αποτυπώνει πόσο καλά κάθε μοντέλο ιεράρχησε την περίθαλψη που πράγματι παρασχέθηκε. Το Opus 4.8 σημείωσε 0,228, το Sonnet 5 0,222 και το Haiku 4.5 0,124, πράγμα που δίνει στο Med-BEAM προβάδισμα 2,48 έως 4,56 φορές στη συγκεκριμένη δοκιμή.
Οι συγκρίσεις ταχύτητας και κόστους βασίστηκαν σε διαφορετικές μεθόδους. Οι μετρημένοι χρόνοι απόκρισης των γλωσσικών μοντέλων κυμάνθηκαν από 216 δευτερόλεπτα για το Haiku 4.5 έως 408 δευτερόλεπτα για το Opus 4.8, ενώ για το Sonnet 5 ήταν 307 δευτερόλεπτα· η τιμή του Med-BEAM, περίπου δύο δευτερόλεπτα, ήταν εκτίμηση του χρόνου επεξεργασίας. Η Knit εκτίμησε ότι το κόστος ανά ασθενή ήταν 37 έως 257 φορές χαμηλότερο από εκείνο των γλωσσικών μοντέλων. Για τους υπολογισμούς χρησιμοποίησε την πραγματική χρήση των μοντέλων της Anthropic στη συγκριτική αξιολόγηση, με βάση τις δημοσιευμένες τιμές τους, ενώ για το Med-BEAM υπολόγισε τον χρόνο εξαγωγής συμπερασμάτων και το ωριαίο κόστος υπολογιστικής ισχύος και στη συνέχεια πολλαπλασίασε το αποτέλεσμα επί τρία, ώστε να συνυπολογιστεί το περιθώριο κέρδους του παρόχου.
Η Knit χαρακτήρισε την αξιολόγηση αρχικό αποτέλεσμα για μία συγκεκριμένη εργασία πρόβλεψης και σχεδιάζει ευρύτερες συγκριτικές αξιολογήσεις σε περισσότερες εργασίες, μοντέλα και κλινικά περιβάλλοντα. Η διάκριση έχει σημασία: η πρόβλεψη των επακόλουθων κλινικών ενεργειών αποτελεί πρώιμη δοκιμή του μοντέλου, ενώ ο στόχος της εταιρείας στον τομέα της αιτιώδους τεχνητής νοημοσύνης αφορά το πώς οι εναλλακτικές αποφάσεις θα άλλαζαν τα αποτελέσματα για τους ασθενείς.
Προηγούμενοι γύροι χρηματοδότησης και ιστορικό της εταιρείας
Ο γύρος Series A ακολουθεί έναν γύρο αρχικής χρηματοδότησης ύψους 11,6 εκατ. δολαρίων, με συν-επικεφαλής τις Uncork Capital και Frist Cressey Ventures, σύμφωνα με δημοσίευμα της εταιρείας με ημερομηνία 12 Μαΐου 2026. Τον γύρο προ-αρχικής χρηματοδότησης ηγήθηκε η Moxxie Ventures, με τη συμμετοχή της Coalition Operators. Η Knit είναι εταιρεία-τεχνοβλαστός του UC Berkeley, ενώ το προηγούμενο μοντέλο της χρησιμοποίησε δεδομένα της Truveta που κάλυπταν περισσότερους από 130 εκατομμύρια ασθενείς, ώστε να μάθει τα πραγματικά πρότυπα της κλινικής πρακτικής.
Επομένως, η ευρύτερη αξιολόγηση αποτελεί βασικό σκοπό της χρηματοδότησης: η κλινική ανάπτυξη της Knit και η κοινή βάση για προγραμματιστές εξαρτώνται από το αν το αρχικό προβάδισμα στις προβλέψεις μπορεί να μετατραπεί σε εργαλεία παραπομπής και λειτουργίας που αποδίδουν σε διαφορετικά ιδρύματα, με διαφορετικούς κλινικούς γιατρούς, πόρους και πρότυπα πρακτικής.












