Rahoitus
Knit Health julkistetaan: 11,6 miljoonan dollarin siemenrahoitus tekoälylle, joka oppii todellisesta kliinisestä päätöksenteosta

Keskeiset kohdatKnit Health kouluttaa tekoälyä kliinikoiden toimintatavoilla pelkän lääketieteellisen…
Näytä lisää
- Knit Health kouluttaa tekoälyä kliinikoiden toimintatavoilla pelkän lääketieteellisen tekstin sijaan
- Alusta oppii operatiivisia päätöksiä, kuten triagen ja kotiuttamisen ajoituksen
- Käyttäytymiseen perustuva tekoäly voisi yhdenmukaistaa hoidon toteutusta ja vähentää kliinikoiden uupumusta
Terveydenhuollon tekoälyyritykset ovat pääosin keskittyneet kouluttamaan malleja lääketieteellisen kirjallisuuden, kliinisten muistiinpanojen ja tekstipohjaisen datan avulla. Knit Health lähestyy asiaa kuitenkin eri tavalla: se opettaa tekoälyjärjestelmille, miten terveydenhuolto todella toimii sairaaloissa ja klinikoilla.
Kalifornian yliopiston Berkeleyn kampukselta lähtöisin oleva yritys on tullut julkisuuteen 11,6 miljoonan dollarin siemenrahoituksella. Rahoituskierrosta johtivat yhdessä Uncork Capital ja Frist Cressey Ventures. Yritystä tuki esisiemenvaiheessa Moxxie Ventures, ja mukana on myös Coalition Operators. Yhtiön mukaan pääoma tukee sen Large Clinical Behavior Model (LCBM) -mallin kehittämistä ja käyttöönottoa. Järjestelmä on suunniteltu oppimaan siitä, miten terveydenhuollon ammattilaiset tekevät päätöksiä todellisissa hoitoympäristöissä.
Perinteisen lääketieteellisen chatbotin tai kirjaamisavustajan sijaan Knit Health rakentaa sitä, mitä se kutsuu ”kollektiiviseksi kliiniseksi älykkyydeksi”. Kyse on tekoälystä, joka oppii sairaaloiden potilasohjaukseen, lähetteisiin, ajanvarauspäätöksiin, kotiutuksen ajoitukseen ja hoidon koordinoinnin työnkulkuihin sisältyvistä toimintamalleista.
Kohti muutakin kuin tekstipohjaista terveydenhuollon tekoälyä
Useimmat terveydenhuollon nykyiset generatiiviset tekoälyjärjestelmät ovat pohjimmiltaan kielimalleja. Ne ovat hyviä tiivistämään potilastietoja, tuottamaan kirjauksia ja vastaamaan kysymyksiin julkaistun lääketieteellisen tiedon perusteella.
Knitin mukaan monia terveydenhuollon tärkeimmistä operatiivisista päätöksistä ei kirjata suoraan mihinkään. Ne syntyvät sen sijaan vuosien kokemuksesta, jota terveydenhuollon ammattilaisille kertyy heidän toimiessaan todellisten rajoitteiden puitteissa. Tällaisia ovat erikoislääkärien saatavuus, läheteprosessien pullonkaulat, sairaaloiden kapasiteetti ja potilaiden tilanteiden monimutkaisuus.
Yhtiön LCBM-mallia koulutetaan Truvetan sähköisillä potilastietoaineistoilla, jotka kattavat yli 130 miljoonaa potilasta 30 yhdysvaltalaisessa terveydenhuoltojärjestelmässä. Knit kertoo soveltavansa muun muassa syvää vahvistusoppimista, kausaalipäättelyä ja käyttäytymisen kloonaamista mallintaakseen, miten hoitopäätökset etenevät käytännössä.
Tämä eroaa huomattavasti perinteisistä terveydenhuollon tekoälyjärjestelmistä, jotka tukeutuvat ensisijaisesti staattisiin aineistoihin tai julkaistuun tutkimukseen. Lauseen seuraavan sanan ennustamisen sijaan Knit pyrkii ennustamaan terveydenhuoltojärjestelmien operatiivisia hoitopäätöksiä.
Yhtiön mukaan järjestelmä voi mukautua yksittäisten sairaaloiden erityisiin toimintatapoihin, kuten lähetekäytäntöihin, henkilöstörajoitteisiin ja työnkulkujen rakenteisiin.
Infrastruktuurikerros sairaaloille
Knit Health asemoi alustansa terveydenhuollon toiminnan perustana olevaksi älykkyyskerrokseksi erillisen sovelluksen sijaan.
Yhtiö kertoo, että sen malleja otetaan aluksi käyttöön hoidon kiireellisyyden arvioinnissa, potilasvirtojen optimoinnissa, kotiutuksen ennustamisessa, lähetteiden hallinnassa ja laadun parantamishankkeissa. Ajan mittaan laajempana tavoitteena näyttää olevan tekoälyn sisällyttäminen lähes kaikkien kliinisten työnkulkujen taustalla olevaan operatiiviseen infrastruktuuriin.
Tämä vastaa terveydenhuollon tekoälyssä tapahtuvaa laajempaa muutosta: yritykset pyrkivät yhä enemmän korjaamaan toiminnan tehottomuutta sen sijaan, että keskittyisivät vain diagnostiikkaan tai keskusteleviin avustajiin.
Terveydenhuoltojärjestelmät kamppailevat edelleen viivästyvien lähetteiden, ruuhkautuneiden erikoissairaanhoidon hoitopolkujen, tehottoman ajanvarauksen ja osastojen välisen hajanaisen koordinoinnin kanssa. Nämä operatiiviset ongelmat vaikuttavat usein suoraan hoitotuloksiin, vaikka lääketieteellinen tietämys ja hoitojen saatavuus ovat parantuneet.
Knitin strategia viittaa siihen, että tulevaisuuden terveydenhuollon tekoälyjärjestelmät saattavat keskittyä vähemmän lääkärien korvaamiseen ja enemmän potilashoitoa ympäröivien monimutkaisten järjestelmien yhteensovittamiseen.
Truvetan kasvava rooli terveydenhuollon tekoälyssä
Knitin ja Truvetan kumppanuus kuvastaa myös laajojen, todellisesta hoitotyöstä kerättyjen kliinisten aineistojen kasvavaa merkitystä terveydenhuollon tekoälyn kehittämisessä.
Truveta on koonnut yhden Yhdysvaltain suurimmista kliinisten tietojen kokoelmista, joista tunnistetiedot on poistettu. Se kattaa yli 130 miljoonaa potilasta suurten terveydenhuoltojärjestelmien verkostossa. Yhtiö on asemoinut itseään yhä vahvemmin keskeiseksi infrastruktuurin tarjoajaksi tekoälypohjaiselle terveydenhuollon tutkimukselle ja operatiiviselle älykkyydelle.
Kun yhä useammat terveydenhuollon tekoälyyritykset tavoittelevat pääsyä pitkittäisiin kliinisiin aineistoihin erillisten aineistojen sijaan, tämänkaltaiset kumppanuudet voivat kasvattaa merkitystään mallien kehittämisessä ja käyttöönotossa.
Käyttäytymiseen perustuvan tekoälyn tulevaisuus lääketieteessä
Knit Healthin lanseeraus tuo esiin terveydenhuollon tekoälyn laajemman kehityksen: siirtymän pääasiassa lääketieteellisellä tiedolla koulutetuista järjestelmistä organisaatioiden toimintatavoilla koulutettuihin järjestelmiin.
Jos tämä käyttäytymiseen perustuvan tekoälyn suuntaus onnistuu, se voisi lopulta auttaa sairaaloita yhdenmukaistamaan laadukkaan hoidon toteuttamista suurissa organisaatioissa. Samalla se voisi vähentää toiminnan kitkaa, joka lisää terveydenhuollon ammattilaisten työuupumusta ja viivästyttää hoitoa.
Lähestymistapa voisi vaikuttaa myös tulevien tekoälyjärjestelmien kehittämiseen muilla aloilla, joilla organisaatioiden työnkulut ja ihmisten välinen koordinointi ovat yhtä tärkeitä kuin muodollinen dokumentaatio.
Terveydenhuollossa pitkän aikavälin vaikutukset ulottuvat automaatiota pidemmälle. Miljoonista todellisista potilaan hoitopoluista oppivat järjestelmät saattavat lopulta auttaa tunnistamaan parempiin hoitotuloksiin liittyviä toimintamalleja. Näin terveydenhuoltojärjestelmät voisivat parantaa hoidon toteuttamista jatkuvasti havaitun toiminnan eivätkä pelkästään staattisten ohjeiden perusteella.












