Knit Health lance avec 11,6 millions de dollars de financement initial pour construire un IA basé sur la prise de décision clinique dans le monde réel

Les entreprises de santé IA se sont largement concentrées sur la formation de modèles sur la littérature médicale, les notes cliniques et les données textuelles. Mais Knit Health adopte une approche différente : enseigner aux systèmes IA comment les soins de santé fonctionnent réellement à l’intérieur des hôpitaux et des cliniques.

L’entreprise issue de l’Université de Californie, Berkeley, est sortie de la clandestinité avec 11,6 millions de dollars de financement initial co-dirigé par Uncork Capital et Frist Cressey Ventures, avec un financement initial de Moxxie Ventures et la participation de Coalition Operators. L’entreprise déclare que le capital soutiendra le développement et le déploiement de son Large Clinical Behavior Model (LCBM), un système conçu pour apprendre de la façon dont les cliniciens prennent des décisions dans des environnements de soins de santé réels.

Plutôt que de fonctionner comme un chatbot médical traditionnel ou un assistant de documentation, Knit Health construit ce qu’il décrit comme une « intelligence clinique collective » – un IA formé sur les modèles intégrés dans les décisions de routage des patients, les références, les décisions de planification, le moment de la sortie et les flux de travail de coordination des soins dans les hôpitaux.

Dépasser l’IA de santé basée sur le texte

La plupart des systèmes d’IA génératifs dans les soins de santé d’aujourd’hui sont fondamentalement des modèles de langage. Ils excellent dans la synthèse des dossiers, la génération de notes ou la réponse à des questions basées sur les connaissances médicales publiées.

Knit soutient que de nombreuses décisions opérationnelles les plus importantes dans les soins de santé ne sont pas explicitement écrites. Au lieu de cela, elles émergent de années d’expérience des cliniciens naviguant dans des contraintes du monde réel telles que la disponibilité des spécialistes, les goulets d’étranglement des références, la capacité des hôpitaux et la complexité des patients.

Le LCBM de l’entreprise est formé à l’aide de données de dossiers médicaux électroniques Truveta couvrant plus de 130 millions de patients dans 30 systèmes de santé américains. Knit déclare qu’il applique des techniques telles que l’apprentissage par renforcement profond, l’inférence causale et le clonage comportemental pour modéliser la façon dont les décisions de soins se déroulent dans la pratique.

Ceci diffère considérablement des systèmes d’IA conventionnels dans les soins de santé qui s’appuient principalement sur des jeux de données statiques ou des recherches publiées. Au lieu de prédire le mot suivant dans une phrase, Knit tente de prédire les décisions de soins opérationnelles à l’intérieur des systèmes de santé.

Selon l’entreprise, le système peut s’adapter aux dynamiques opérationnelles spécifiques des hôpitaux individuels, y compris les modèles de référence, les limites de personnel et les structures de flux de travail.

Construire une couche d’infrastructure pour les hôpitaux

Knit Health positionne sa plate-forme comme une couche d’intelligence fondamentale pour les opérations de soins de santé plutôt que comme une application autonome.

L’entreprise déclare que ses modèles sont initialement déployés pour le triage, l’optimisation du flux de patients, la prédiction de la sortie, la gestion des références et les initiatives d’amélioration de la qualité. À long terme, l’objectif plus large semble être d’intégrer l’IA dans l’infrastructure opérationnelle sous-jacente à presque tous les flux de travail cliniques.

Ceci s’aligne sur un changement plus large qui se produit dans les soins de santé IA, où les entreprises ciblent de plus en plus les inefficacités opérationnelles plutôt que de se concentrer uniquement sur les diagnostics ou les assistants de conversation.

Les systèmes de santé continuent de lutter avec des problèmes tels que les références retardées, les pipelines de soins spécialisés surpeuplés, la planification inefficace et la coordination fragmentée entre les départements. Ces problèmes opérationnels affectent souvent directement les résultats des patients malgré les progrès des connaissances cliniques et de la disponibilité des traitements.

La stratégie de Knit suggère que les futurs systèmes d’IA dans les soins de santé pourraient devenir moins axés sur le remplacement des médecins et plus axés sur l’orchestration des systèmes complexes entourant les soins aux patients.

Le rôle élargi de Truveta dans l’IA de santé

Le partenariat de Knit avec Truveta reflète également l’importance croissante des grands ensembles de données cliniques du monde réel dans le développement de l’IA dans les soins de santé.

Truveta a construit l’une des plus grandes collections de données cliniques dépersonnalisées aux États-Unis, représentant plus de 130 millions de patients dans un réseau de grands systèmes de santé. L’entreprise s’est de plus en plus positionnée comme un fournisseur d’infrastructure clé pour la recherche et l’intelligence opérationnelle basées sur l’IA.

À mesure que davantage d’entreprises de soins de santé IA recherchent l’accès à des données cliniques longitudinales plutôt qu’à des ensembles de données isolés, des partenariats comme celui-ci pourraient devenir de plus en plus importants pour le développement et le déploiement de modèles.

L’avenir de l’IA comportementale en médecine

Le lancement de Knit Health met en évidence une évolution plus large dans les soins de santé IA : une transition des systèmes formés principalement sur les connaissances médicales vers des systèmes formés sur le comportement institutionnel.

Si cela réussit, cette catégorie d’IA comportementale pourrait éventuellement aider les hôpitaux à standardiser la livraison de soins de haute qualité à grande échelle tout en réduisant les frictions opérationnelles qui contribuent à l’épuisement des cliniciens et aux retards de traitement.

L’approche pourrait également influencer la façon dont les futurs systèmes d’IA sont développés dans d’autres industries où les flux de travail institutionnels et la coordination humaine sont aussi importants que la documentation formelle.

Pour les soins de santé en particulier, les implications à long terme vont au-delà de l’automatisation. Les systèmes capables d’apprendre de millions de parcours de patients du monde réel pourraient éventuellement aider à identifier les modèles opérationnels associés à de meilleurs résultats, permettant aux systèmes de santé de raffiner continuellement la livraison des soins sur la base du comportement observé plutôt que des seules directives statiques.