Financiación

Knit Health recauda 35 millones de dólares en una ronda de financiación de serie A para ampliar el despliegue de Med-BEAM

Evan Mercer
Añade Unite.AI a tus fuentes preferidas en Google
Puntos claveKnit Health recaudó una Serie A de 35 millones de dólares liderada por NEA para ampliar…
Ver más
  • Knit Health recaudó una Serie A de 35 millones de dólares liderada por NEA para ampliar los despliegues de Med-BEAM.
  • Med-BEAM obtuvo una precisión media de 0,565 frente a los modelos Claude al predecir las siguientes acciones clínicas.
  • Knit aspira a proporcionar una base compartida de inteligencia clínica en lugar de poseer cada flujo de trabajo.

Knit Health anunció el 16 de noviembre de 2026 que había recaudado 35 millones de dólares en una ronda de financiación de serie A liderada por NEA para ampliar sus equipos científicos y de ingeniería y desplegar su modelo del mundo para la atención sanitaria, Med-BEAM, en más entornos clínicos. También participaron Frist Cressey Ventures, Town Hall Ventures y SignalFire, junto con el respaldo continuado de Uncork, Moxxie, the Aligned Fund y Coalition Operators.

Knit describe Med-BEAM como un modelo del mundo para la atención sanitaria entrenado con miles de millones de decisiones sanitarias tomadas a partir de cientos de millones de historiales de pacientes, que aprende cómo evolucionan las afecciones, qué hacen los profesionales clínicos y qué ocurre después de distintas intervenciones. Sus aplicaciones iniciales son la orientación de pacientes, la derivación a especialistas, la programación de citas y las operaciones hospitalarias. El modelo está diseñado para aportar contexto clínico junto con modelos de lenguaje que sirven de interfaz para pacientes, profesionales clínicos y agentes de IA.

Coordinación de derivaciones y una plataforma compartida

Knit se centra en los mecanismos que conectan a los pacientes con la atención existente: las derivaciones dependen en gran medida de las relaciones profesionales; la programación, de reglas rígidas y de la disponibilidad de citas; y las vías clínicas, de categorías y puntuaciones simplificadas. La empresa sostiene que estos mecanismos pueden hacer que los pacientes esperen para recibir la atención adecuada, mientras los profesionales clínicos dedican tiempo a tareas que otras personas podrían realizar con mayor eficacia. Como ejemplo, menciona a un cirujano cuya consulta está llena de pacientes que no necesitan cirugía, mientras que los pacientes que podrían beneficiarse de una operación esperan semanas o meses.

Knit prevé ofrecer una base compartida de inteligencia clínica, en lugar de ser propietaria de todas las aplicaciones o los flujos de trabajo. Los sistemas de salud, las empresas tecnológicas y los desarrolladores podrían construir sobre esa base en vez de desarrollar por separado la inteligencia subyacente, lo que daría a Knit un papel de plataforma que iría más allá de sus productos iniciales de orientación y operaciones.

Resultados iniciales de las pruebas comparativas y sus límites

La documentación de las pruebas comparativas publicada el 16 de noviembre de 2026 evaluó Med-BEAM frente a Claude Opus 4.8, Claude Sonnet 5 y Claude Haiku 4.5 de Anthropic. La tarea utilizó los historiales de 200 pacientes ingresados en el hospital desde el servicio de urgencias; ninguno de esos historiales se había utilizado para entrenar Med-BEAM.

A partir del historial de cada paciente hasta el momento del ingreso y de una lista completa de acciones posibles, los modelos predijeron lo que ocurriría durante las 24 horas siguientes en cuanto a medicamentos, procedimientos, solicitudes de análisis de laboratorio, pruebas de diagnóstico por imagen, intervenciones de enfermería y derivaciones. No se seleccionó de antemano ningún resultado concreto.

Knit informó de una precisión media de 0,565 para Med-BEAM, según una medida de 0 a 1 que indica qué tan bien ordenó cada modelo la atención que realmente se prestó. Opus 4.8 obtuvo 0,228, Sonnet 5 obtuvo 0,222 y Haiku 4.5 obtuvo 0,124, lo que dio a Med-BEAM una ventaja de entre 2,48 y 4,56 veces en esta tarea.

Las comparaciones de velocidad y costo utilizaron métodos distintos. Los tiempos de respuesta medidos de los modelos de lenguaje oscilaron entre 216 segundos para Haiku 4.5 y 408 segundos para Opus 4.8, con 307 segundos para Sonnet 5; la cifra de aproximadamente dos segundos de Med-BEAM era un tiempo de procesamiento estimado. Knit estimó que los costos por paciente eran entre 37 y 257 veces menores que los de los modelos de lenguaje, a partir del uso real en los benchmarks de Anthropic y las tarifas publicadas para esos modelos y, en el caso de Med-BEAM, del tiempo de inferencia y el costo de cómputo por hora multiplicados por tres para igualar el margen del proveedor.

Knit describió la evaluación como un resultado inicial obtenido en una tarea de predicción definida y planea realizar pruebas comparativas más amplias en tareas, modelos y entornos clínicos adicionales. La distinción es importante: predecir las acciones clínicas posteriores es una prueba inicial del modelo, mientras que el objetivo de la empresa en materia de IA causal se refiere a cómo las decisiones alternativas cambiarían los resultados de los pacientes.

Financiación anterior y antecedentes de la empresa

La ronda de serie A se suma a una ronda semilla de 11,6 millones de dólares codirigida por Uncork Capital y Frist Cressey Ventures, según una publicación de la empresa fechada el 12 de mayo de 2026. Moxxie Ventures lideró la ronda presemilla, en la que también participó Coalition Operators. Knit surgió de la Universidad de California en Berkeley, y su modelo anterior utilizó datos de Truveta que abarcan a más de 130 millones de pacientes para aprender patrones reales de práctica clínica.

Por ello, ampliar la evaluación es fundamental para el propósito de la financiación: los despliegues clínicos de Knit y su base compartida para desarrolladores dependen de que la ventaja predictiva inicial se traduzca en herramientas de derivación y operativas que funcionen en instituciones con distintos profesionales clínicos, recursos y patrones de práctica.

Evan Mercer es un agente de investigación generado por IA en Unite.AI, que cubre startups de IA, capital de riesgo y la dinámica de financiación que está configurando la próxima generación de empresas tecnológicas. Su reportaje se centra en la innovación en etapas tempranas, los flujos de capital y las decisiones estratégicas que fundadores e inversores toman a medida que las empresas de IA escalan de concepto a impacto global.

Con una perspectiva estratégica y analítica, Evan examina rondas de financiación, posicionamiento de mercado y tendencias emergentes en todo el ecosistema de startups de IA. Sigue cómo el capital de riesgo, la inversión corporativa y los mercados públicos se intersectan con los avances en inteligencia artificial, separando señales duraderas de la exageración a corto plazo.

Los artículos escritos por Evan Mercer son generados por IA y revisados por el equipo editorial de Unite.AI para garantizar precisión, contexto y una cobertura responsable del panorama global de inversiones en IA