Financiación
Investigador de Carnegie Mellon recauda 35 millones de dólares para proyectos de inteligencia clínica

Puntos claveXlue recaudó 35 millones de dólares para un modelo de estado de salud que abstrae…
Ver más
- Xlue recaudó 35 millones de dólares para un modelo de estado de salud que abstrae trayectorias de pacientes en lugar de tokens.
- Xlue afirma que su modelo superó a los sistemas frontera basados en tokens en evaluaciones a ciegas con menos del 0,1 % del costo computacional.
- Xlue está realizando estudios prospectivos de riesgo de enfermedad y simulaciones de indicación de fármacos para demostrar su valor en el mundo real.
Xlue anunció el 18 de noviembre de 2026 que un investigador de Carnegie Mellon había recaudado 35 millones de dólares para desarrollar inteligencia clínica. Ese mismo día, la empresa publicó un informe técnico en el que describía su modelo fundacional de salud humana, diseñado para comprender la salud, predecir cómo cambia y simular cómo los tratamientos pueden modificar su curso.
El objetivo de este trabajo es convertir las preguntas clínicas en problemas computacionales, para que médicos y científicos puedan explorar posibles resultados mediante cálculos antes de actuar. Se espera que el modelo aprenda de los cambios en la salud de los pacientes, de sus respuestas al tratamiento y de los experimentos y ensayos mediante los cuales se desarrollan los medicamentos.
Modelar estados de salud en lugar de tokens
Xlue sostiene que los modelos entrenados principalmente con libros de texto y artículos médicos pueden demostrar conocimientos sin necesariamente ser capaces de predecir cuándo enfermarán los pacientes o qué tratamiento funcionará. Aplicados a los datos de salud, los sistemas centrados en tokens también pueden dividir las trayectorias de los pacientes en secuencias con información desigual y patrones repetidos, a la vez que entrelazan distintas perspectivas de una misma persona.
La alternativa de Xlue consiste en abstraer los tokens en estados de salud —representaciones de la salud a medida que evoluciona— y acciones terapéuticas. La progresión de la enfermedad, la respuesta al tratamiento, los resultados clínicos y las intervenciones se consideran manifestaciones de un mismo proceso: la salud cambia con el tiempo y las acciones modifican su trayectoria. La empresa lo describe como un nuevo enfoque de preentrenamiento para modelar las trayectorias de los pacientes en distintas poblaciones.
Evaluaciones divulgadas y simulaciones de ensayos
Xlue afirma que su modelo de estados de salud escala con mayor eficacia en datos de salud, generaliza mejor al modelar las trayectorias de los pacientes en distintas poblaciones y superó a modelos de vanguardia basados en tokens en evaluaciones ciegas realizadas por terceros, con menos del 0,1 % del costo computacional.
El informe propone utilizar el modelo para simular ensayos clínicos sin llevarlos a cabo. Se modelaría una cohorte de pacientes tanto con tratamiento farmacológico como con un grupo de control o atención estándar; los resultados previstos se incorporarían después a la selección de cohortes, el diseño de protocolos y la posible identificación de nuevas indicaciones. Xlue presenta este enfoque como una forma de ayudar a los desarrolladores de medicamentos a diseñar ensayos con mayores tasas de éxito, mitigar riesgos e identificar nuevos usos para los medicamentos.
Estudios prospectivos y mejora recursiva de la salud
Xlue afirma que está realizando estudios prospectivos de predicción del riesgo de enfermedad en varios sistemas de salud para apoyar la atención preventiva. También colabora con empresas farmacéuticas para identificar nuevas indicaciones de medicamentos existentes mediante simulaciones de modelos del mundo, como parte de una labor más amplia de implementación con hospitales y desarrolladores de medicamentos.
El plan a más largo plazo consiste en crear un modelo fundacional compartido que conecte señales moleculares, celulares, de pacientes, de ensayos clínicos y de salud poblacional. Xlue le asigna siete tareas clínicas: descubrimiento de fármacos, identificación de pacientes, planificación de la atención, medicina de precisión, evaluación diagnóstica, descubrimiento de indicaciones y optimización de ensayos clínicos.
La empresa denomina Recursive Health Improvement al ciclo de retroalimentación que prevé. Los modelos computacionales ayudarían en los experimentos de laboratorio y aprenderían de ellos, así como de los ensayos clínicos y la atención a los pacientes, lo que permitiría que las señales de una fase informaran a las demás. Estos proyectos dan un contexto clínico inmediato a la financiación: son los entornos reales en los que la abstracción de estados de salud y las simulaciones de ensayos de Xlue deberán demostrar su utilidad más allá de las evaluaciones que la empresa ha divulgado.












