Knit Health lanza con $11.6M de financiación de semilla para construir IA basada en la toma de decisiones clínicas en el mundo real

Las empresas de IA en atención médica se han centrado principalmente en entrenar modelos con literatura médica, notas clínicas y datos basados en texto. Pero Knit Health está adoptando un enfoque diferente: enseñar a los sistemas de IA cómo opera la atención médica en realidad dentro de los hospitales y clínicas.

La spinout de la Universidad de California, Berkeley, ha salido de la clandestinidad con $11.6 millones en financiación de semilla liderada por Uncork Capital y Frist Cressey Ventures, con financiación previa de Moxxie Ventures y participación de Coalition Operators. La empresa afirma que el capital apoyará el desarrollo y la implementación de su Large Clinical Behavior Model (LCBM), un sistema diseñado para aprender de cómo los clínicos toman decisiones en entornos de atención médica reales.

En lugar de funcionar como un chatbot médico tradicional o asistente de documentación, Knit Health está construyendo lo que describe como “inteligencia clínica colectiva” — IA entrenada en patrones incrustados en la ruta de los pacientes, las referencias, las decisiones de programación, el momento de alta y los flujos de trabajo de coordinación de la atención en los hospitales.

Más allá de la IA de atención médica basada en texto

La mayoría de los sistemas de IA generativos en atención médica de hoy en día son fundamentalmente modelos de lenguaje. Sobresalen en la resumen de registros, la generación de notas o la respuesta a preguntas basadas en el conocimiento médico publicado.

Knit argumenta que muchas de las decisiones operativas más importantes en la atención médica no se escriben explícitamente. En su lugar, surgen de años de experiencia clínica navegando por las restricciones del mundo real, como la disponibilidad de especialistas, los cuellos de botella de las referencias, la capacidad del hospital y la complejidad del paciente.

El LCBM de la empresa se entrena utilizando datos de registros médicos electrónicos de Truveta que abarcan más de 130 millones de pacientes en 30 sistemas de salud de EE. UU. Knit afirma que aplica técnicas que incluyen aprendizaje de refuerzo profundo, inferencia causal y clonación de comportamiento para modelar cómo se desarrollan las decisiones de atención en la práctica.

Esto difiere significativamente de los sistemas de IA de atención médica convencionales que dependen principalmente de conjuntos de datos estáticos o investigaciones publicadas. En lugar de predecir la próxima palabra en una oración, Knit está intentando predecir decisiones de atención operativa dentro de los sistemas de salud.

Según la empresa, el sistema puede adaptarse a la dinámica operativa específica de los hospitales individuales, incluyendo patrones de referencia, limitaciones de personal y estructuras de flujo de trabajo.

Construyendo una capa de infraestructura para los hospitales

Knit Health está posicionando su plataforma como una capa de inteligencia fundamental para las operaciones de atención médica en lugar de una aplicación independiente.

La empresa afirma que sus modelos se están desplegando inicialmente para la triage, la optimización del flujo de pacientes, la predicción de alta, la gestión de referencias y las iniciativas de mejora de la calidad. Con el tiempo, el objetivo más amplio parece ser integrar la IA en la infraestructura operativa debajo de casi todos los flujos de trabajo clínicos.

Esto se alinea con un cambio más amplio que ocurre en la IA de atención médica, donde las empresas están apuntando cada vez más a las ineficiencias operativas en lugar de centrarse únicamente en la diagnosis o los asistentes conversacionales.

Los sistemas de salud siguen luchando con problemas como las referencias retrasadas, las tuberías de atención especializada atestadas, la programación ineficiente y la coordinación fragmentada entre departamentos. Estos problemas operativos a menudo afectan directamente los resultados de los pacientes a pesar de los avances en el conocimiento clínico y la disponibilidad de tratamientos.

La estrategia de Knit sugiere que los futuros sistemas de IA de atención médica pueden centrarse menos en reemplazar a los médicos y más en orquestar los sistemas complejos que rodean la atención al paciente.

El papel en expansión de Truveta en la IA de atención médica

La asociación de Knit con Truveta también refleja la creciente importancia de los conjuntos de datos clínicos del mundo real a gran escala en el desarrollo de la IA de atención médica.

Truveta ha construido una de las colecciones más grandes de datos clínicos desidentificados en los Estados Unidos, que representan más de 130 millones de pacientes en una red de sistemas de salud importantes. La empresa se ha posicionado cada vez más como un proveedor de infraestructura clave para la investigación y la inteligencia operativa impulsadas por la IA.

A medida que más empresas de IA de atención médica buscan acceder a datos clínicos longitudinales en lugar de conjuntos de datos aislados, las asociaciones como esta pueden volverse cada vez más importantes para el desarrollo y la implementación de modelos.

El futuro de la IA de comportamiento en medicina

El lanzamiento de Knit Health destaca una evolución más amplia en la IA de atención médica: una transición de los sistemas entrenados principalmente en el conocimiento médico hacia los sistemas entrenados en el comportamiento institucional.

Si tiene éxito, esta categoría de IA de comportamiento podría ayudar eventualmente a los hospitales a estandarizar la entrega de atención de alta calidad en organizaciones grandes, reduciendo la fricción operativa que contribuye a la quema de los clínicos y el tratamiento retrasado.

El enfoque también podría influir en cómo se desarrollan los futuros sistemas de IA en otras industrias donde los flujos de trabajo institucionales y la coordinación humana son tan importantes como la documentación formal.

Para la atención médica en particular, las implicaciones a largo plazo van más allá de la automatización. Los sistemas capaces de aprender de millones de trayectorias de pacientes del mundo real pueden ayudar eventualmente a identificar patrones operativos asociados con mejores resultados, lo que permite a los sistemas de salud refinar continuamente la entrega de atención basada en el comportamiento observado en lugar de solo en las pautas estáticas.