Knit Healthin lanseeraus 11,6 miljoonan dollarin siemenerähäisen rahoituksen avulla luomaan AI:ta, joka perustuu todellisiin kliinisiin päätöksiin

Terveysalan AI-yritykset ovat pääasiassa kouluttaneet mallejaan lääketieteellisessä kirjallisuudessa, kliinisissä muistiinpanoissa ja tekstipohjaisissa tiedoissa. Mutta Knit Health on ottamassa erilaisen lähestymistavan: opettamalla AI-järjestelmiä sille, miten terveydenhuolto toimii todella sairaaloissa ja klinikkoissa.

University of California, Berkeley -spin-off on tullut ulos piilosta 11,6 miljoonan dollarin siemenerähäisellä rahoituksella, jota johtavat Uncork Capital ja Frist Cressey Ventures, ja johon osallistuvat Moxxie Ventures ja Coalition Operators. Yritys sanoo, että pääoma tukee Large Clinical Behavior Model (LCBM) -järjestelmän kehittämistä ja käyttöönottoa, joka on suunniteltu oppimaan kliinisten päätösten tekemisestä todellisissa terveydenhuolto-ympäristöissä.

Toisin kuin perinteinen lääketieteellinen chatbot tai asiakirjojen avustaja, Knit Health on rakentamassa sitä, mitä se kuvaa “kliiniseksi älykkyydeksi” – AI:ta, joka on koulutettu potilaiden reititysmalleissa, siirroissa, aikataulupäätöksissä, hoitopäätöksissä ja hoitojen koordinoinnissa sairaaloissa.

Siirtyminen tekstipohjaisesta terveydenhuollon AI:sta

Useimmat generatiiviset AI-järjestelmät terveydenhuollossa ovat perustuu lääketieteelliseen tietämykseen. Ne ovat erittäin hyviä tiivistämään asiakirjoja, generoimaan muistiinpanoja tai vastaamaan kysymyksiin julkaistun lääketieteellisen tiedon perusteella.

Knit väittää, että monet tärkeimmistä operatiivisista päätöksistä terveydenhuollossa eivät ole kirjattuina. Sen sijaan ne syntyvät vuosien varrella kliinikoiden kokemuksesta navigoidessaan todellisissa rajoitteissa, kuten erikoislääkärien saatavuudessa, siirtorajoitteissa, sairaalakapasiteetissa ja potilaiden monimuotoisuudessa.

Yrityksen LCBM on koulutettu käyttäen Truveta -sähköistä potilastietojärjestelmää, joka kattaa yli 130 miljoonaa potilasta 30 Yhdysvaltain terveydenhuoltojärjestelmässä. Knit sanoo, että se soveltaa tekniikoita, kuten syvää vahvistusoppimista, kausaaliinferenssiä ja käyttäytymiskloonia, mallintamaan, miten hoitopäätökset toteutuvat käytännössä.

Tämä eroaa merkittävästi perinteisistä terveydenhuollon AI-järjestelmistä, jotka riippuvat pääasiassa staattisista tietokannoista tai julkaistusta tutkimuksesta. Sen sijaan, että se ennustaa seuraavaa sanaa lauseessa, Knit yrittää ennustaa operatiivisia hoitopäätöksiä terveydenhuoltojärjestelmissä.

Rakentaminen infrastruktuurikerrokselle sairaaloille

Knit Health asettaa alustansa perustana terveydenhuollon operatiiviselle älykkyydelle, eikä erilliseksi sovellukseksi.

Yritys sanoo, että sen mallit otetaan aluksi käyttöön potilaiden ohjaukseen, potilavirtauksen optimointiin, hoitopäätösten ennustamiseen, siirtojen hallintaan ja laadun parantamiseen. Pitkällä aikavälillä tavoitteena on upottaa AI terveydenhuollon operatiiviseen infrastruktuuriin lähes jokaiseen kliiniseen työvirtaan.

Tämä on osa laajempaa muutosta terveydenhuollon AI:ssa, jossa yritykset kohdistavat yhä enemmän operatiivisia tehokkuutta ja tehokkuutta, eikä pelkästään diagnostiikkaa tai keskustelurobotteja.

Terveydenhuollon järjestelmät jatkavat kamppailua ongelmien kanssa, kuten viivästetyt siirrot, ruuhkautuneet erikoislääkäripalvelut, tehokkaan aikataulutuksen puute ja hajanainen koordinointi osastojen välillä. Nämä operatiiviset ongelmat vaikuttavat usein suoraan potilaiden tuloksiin, vaikka lääketieteellinen tietämys ja hoitovaihtoehdot ovat parantuneet.

Knitin strategia viittaa siihen, että tulevaisuuden terveydenhuollon AI-järjestelmät voivat keskittyä vähemmän lääkärien korvaamiseen ja enemmän potilashoidon ympärillä olevien monimutkaisten järjestelmien koordinoimiseen.

Truvetan laajeneva rooli terveydenhuollon AI:ssa

Knitin kumppanuus Truvetan kanssa heijastaa myös suurten, todellisten kliinisten tietokantojen kasvavaa merkitystä terveydenhuollon AI-kehityksessä.

Truveta on rakentanut yhden Yhdysvaltain suurimmista de-identifioituista kliinisten tietojen kokoelmista, joka edustaa yli 130 miljoonaa potilasta suurten terveydenhuoltojärjestelmien verkostossa. Yritys on asettanut itsensä yhä enemmän avaininfrastruktuurin tarjoajaksi AI-vetoinen terveydenhuollon tutkimus- ja operatiivinen älykkyys.

Kun enemmän terveydenhuollon AI-yrityksiä etsii pääsyä pitkittäisiin kliinisiin tietoihin eristettyjen tietokantojen sijaan, tämänkaltaiset kumppanuudet voivat tulla yhä tärkeämmiksi mallien kehittämisessä ja käyttöönotossa.

Tulevaisuus käyttäytymisen AI:ssa lääketieteessä

Knit Healthin lanseeraus korostaa laajempaa evoluutiota terveydenhuollon AI:ssa: siirtymistä järjestelmistä, jotka on koulutettu pääasiassa lääketieteellisessä tietämyksessä, järjestelmiin, jotka on koulutettu institutionaaliseen käyttäytymiseen.

Jos tämä onnistuu, tämä käyttäytymisen AI-luokka voi lopulta auttaa sairaaloita standardoimaan korkealaatuisen hoidon toimittamisen suurten organisaatioiden ympärillä ja vähentämään operatiivista kitkaa, joka johtaa lääkärien uupumukseen ja viivästyneisiin hoitoihin.

Tämä lähestymistapa voi myös vaikuttaa siihen, miten tulevaisuuden AI-järjestelmiä kehitetään muiden alojen, joissa institutionaaliset työvirrat ja ihmisten koordinointi ovat yhtä tärkeitä kuin virallinen dokumentaatio.

Terveydenhuollossa pitkän aikavälin vaikutukset ulottuvat automaation yli. Järjestelmät, jotka voivat oppia miljoonista todellisista potilaiden matkoista, voivat lopulta auttaa tunnistamaan operatiivisia malleja, jotka liittyvät parempiin tuloksiin, ja mahdollistavat terveydenhuoltojärjestelmien jatkuvan hoidon toimittamisen käytännön käyttäytymisen perusteella eikä ainoastaan staattisten ohjeiden mukaan.