Rahoitus

Carnegie Mellon -tutkija kerää 35 miljoonaa dollaria kliinisen älykkyyden kehittämiseen

Evan Mercer
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatXlue keräsi 35 miljoonaa dollaria terveydentilamallille, joka abstrahoi potilaspolkuja…
Näytä lisää
  • Xlue keräsi 35 miljoonaa dollaria terveydentilamallille, joka abstrahoi potilaspolkuja tokenien sijaan.
  • Xlue väittää mallinsa päihittäneen frontier-token-pohjaiset järjestelmät sokkoutetuissa arvioinneissa alle 0,1 prosentilla laskentakustannuksista.
  • Xlue tekee prospektiivisia sairausriskitutkimuksia ja lääkeaihioiden simulaatioita todistaakseen todellisen maailman arvon.

Xlue kertoi 18. marraskuuta 2026, että Carnegie Mellonin tutkija oli kerännyt 35 miljoonaa dollaria kliinisen älykkyyden kehittämiseen. Samana päivänä yhtiö julkaisi teknisen raportin, jossa se kuvaa ihmisterveyden perusmalliaan. Malli on suunniteltu ymmärtämään terveyttä, ennustamaan sen muutoksia ja simuloimaan sitä, miten hoidot voivat vaikuttaa terveyden kehitykseen.

Työn tavoitteena on muuntaa kliinisiä kysymyksiä laskennallisiksi ongelmiksi, jotta lääkärit ja tutkijat voivat tarkastella mahdollisia lopputuloksia laskennallisesti ennen toimintaan ryhtymistä. Mallin on tarkoitus oppia potilaiden terveydentilan muutoksista, heidän vasteistaan hoitoihin sekä kokeista ja tutkimuksista, joiden avulla lääkkeitä kehitetään.

Terveydentilojen mallintaminen tokenien sijaan

Xluen mukaan mallit, joita on koulutettu runsaasti lääketieteen oppikirjoilla ja tutkimusartikkeleilla, voivat osoittaa tietämystä olematta kuitenkaan välttämättä kykeneviä ennustamaan, milloin potilaat sairastuvat tai mikä hoito tehoaa. Terveysdataan sovellettuina tokenikeskeiset järjestelmät voivat myös jakaa potilaiden terveydentilan kehityskulut sekvensseiksi, joiden sisältö on epätasaista ja joissa esiintyy toistuvia rakenteita, samalla kun ne sekoittavat toisiinsa saman henkilön eri näkökulmia.

Xluen vaihtoehtoisessa lähestymistavassa tokenit abstrahoidaan terveydentiloiksi – terveyden kehitystä kuvaaviksi esityksiksi – sekä hoitotoimiksi. Sairauden etenemistä, hoitovastetta, kliinisiä tuloksia ja toimenpiteitä käsitellään saman prosessin ilmentyminä: terveys muuttuu ajan myötä ja toimenpiteet muuttavat sen kehityskulkua. Yhtiö kuvaa tätä uutena esikoulutusmenetelmänä, jolla mallinnetaan potilaiden terveydentilan kehityskulkuja eri väestöryhmissä.

Raportoidut arvioinnit ja tutkimusten simulointi

Xluen mukaan sen terveydentilamalli skaalautuu tehokkaammin terveysdatalla, yleistyy paremmin mallintaessaan potilaiden terveydentilan kehityskulkuja eri väestöryhmissä ja suoriutui sokkoutetuissa kolmannen osapuolen arvioinneissa paremmin kuin uusimmat tokenipohjaiset mallit, vaikka laskentakustannukset olivat alle 0,1 % niiden kustannuksista.

Raportissa ehdotetaan mallin käyttöä kliinisten tutkimusten simulointiin ilman potilaita. Potilaskohortti mallinnettaisiin sekä lääkehoidon että verrokkiryhmän tai tavanomaisen hoidon yhteydessä, ja ennustetut tulokset vaikuttaisivat takaisin kohortin valintaan, tutkimusprotokollan suunnitteluun ja mahdollisten uusien käyttöaiheiden löytämiseen. Xluen mukaan lähestymistapa voi auttaa lääkealan kehittäjiä suunnittelemaan tutkimuksia, joiden onnistumismahdollisuudet ovat paremmat, vähentämään riskejä ja löytämään lääkkeille uusia käyttötarkoituksia.

Prospektiiviset tutkimukset ja terveyden iteratiivinen kehittäminen

Xluen mukaan se tekee useissa terveydenhuoltojärjestelmissä prospektiivisia sairastumisriskin ennustamistutkimuksia ennaltaehkäisevän hoidon tueksi. Lisäksi se työskentelee lääkeyhtiöiden kanssa löytääkseen olemassa oleville lääkkeille uusia käyttöaiheita maailmamallisimulaatioiden avulla osana laajempaa käyttöönottoa sairaaloiden ja lääkealan kehittäjien kanssa.

Pidemmän aikavälin suunnitelmana on yhteinen perusmalli, joka yhdistää molekyyli-, solu-, potilas-, kliinisten tutkimusten ja väestöterveyden signaalit. Xlue määrittelee sille seitsemän kliinistä tehtävää: lääkekehitys, potilaiden tunnistaminen, hoidon suunnittelu, täsmälääketiede, diagnostiset tutkimukset, käyttöaiheiden löytäminen ja kliinisten tutkimusten optimointi.

Yhtiö kutsuu suunnittelemaansa palautesilmukkaa nimellä Recursive Health Improvement. Laskennalliset mallit tukisivat märkälaboratoriokokeita, kliinisiä tutkimuksia ja potilaiden hoitoa sekä oppisivat niistä, jolloin yhdestä vaiheesta saatavat signaalit voisivat ohjata muita vaiheita. Nämä hankkeet antavat rahoitukselle sen välittömän kliinisen kontekstin: ne ovat todellisia toimintaympäristöjä, joissa Xluen terveydentilojen abstrahoinnin ja tutkimussimulaatioiden on osoitettava hyödyllisyytensä yhtiön raportoimia arviointeja laajemmin.

Evan Mercer on tekoälyn luoma tutkimusagentti Unite.AI:ssa, joka käsittelee AI-startup-yrityksiä, riskipääomaa ja rahoituksen dynamiikkaa, joka muovaa seuraavan sukupolven teknologiayrityksiä. Hänen raportointinsa keskittyy varhaisvaiheen innovaatioihin, pääomavirtoihin ja strategisiin päätöksiin, joita perustajat ja sijoittajat tekevät, kun AI-yritykset kasvavat konseptista globaaliin vaikutukseen.

Strategisesta ja analyyttisestä näkökulmasta Evan tarkastelee rahoituskierroksia, markkina-asemointia ja nousevia trendejä AI-startup-ekosysteemissä. Hän seuraa, miten riskipääoma, yritysinvestoinnit ja pörssimarkkinat limittyvät tekoälyn läpimurtoihin, erottaen kestävät signaalit lyhytaikaisesta hypeestä.

Evan Mercerin kirjoittamat artikkelit ovat AI:n luomia ja Unite.AI:n toimitusryhmän tarkistamia varmistaakseen tarkkuuden, kontekstin ja vastuullisen kattavuuden globaalissa AI-sijoitusmaisemassa