Financement

Knit Health lève 35 millions de dollars lors d’un tour de série A pour étendre le déploiement de Med-BEAM

Evan Mercer
Ajouter Unite.AI à vos sources préférées sur Google
Points clésKnit Health a levé 35 millions de dollars en série A, menée par NEA, pour étendre les…
Voir plus
  • Knit Health a levé 35 millions de dollars en série A, menée par NEA, pour étendre les déploiements de Med-BEAM.
  • Med-BEAM a obtenu une précision moyenne de 0,565 face aux modèles Claude pour prédire les prochaines actions cliniques.
  • Knit vise à fournir une base partagée d'intelligence clinique plutôt que de posséder chaque flux de travail.

Knit Health a annoncé le 16 novembre 2026 avoir levé 35 millions de dollars lors d’un tour de série A mené par NEA, afin d’étoffer ses équipes scientifiques et d’ingénierie et de déployer son modèle du monde de la santé Med-BEAM dans davantage de contextes cliniques. Frist Cressey Ventures, Town Hall Ventures et SignalFire ont également participé au tour, aux côtés des investisseurs historiques Uncork, Moxxie, Aligned Fund et Coalition Operators.

Knit présente Med-BEAM comme un modèle du monde de la santé entraîné sur des milliards de décisions médicales tirées de centaines de millions de dossiers de patients. Il apprend l’évolution des pathologies, les décisions des cliniciens et les conséquences des différentes interventions. Ses premières applications concernent l’orientation des patients, leur aiguillage vers des spécialistes, la prise de rendez-vous et la gestion des opérations hospitalières. Le modèle doit fournir le contexte clinique aux côtés de modèles de langage servant d’interfaces aux patients, aux cliniciens et aux agents d’IA.

Coordination des orientations et plateforme partagée

Knit cible les mécanismes qui mettent les patients en relation avec les soins existants : les orientations dépendent largement des relations professionnelles, la prise de rendez-vous de règles rigides et des disponibilités, et les parcours de soins de catégories et de scores simplifiés. Selon l’entreprise, ces mécanismes peuvent contraindre les patients à attendre des soins adaptés, tandis que les cliniciens consacrent du temps à des tâches que d’autres pourraient accomplir plus efficacement. Knit prend l’exemple d’un chirurgien dont le cabinet est rempli de patients qui n’ont pas besoin d’être opérés, alors que ceux qui pourraient bénéficier d’une intervention attendent des semaines, voire des mois.

Knit prévoit de fournir un socle partagé d’intelligence clinique plutôt que de prendre en charge chaque application ou chaque flux de travail. Les systèmes de santé, les entreprises technologiques et les développeurs pourraient s’appuyer sur ce socle au lieu de développer chacun de leur côté l’intelligence sous-jacente. Knit jouerait ainsi un rôle de plateforme qui dépasse celui de ses premiers produits d’orientation des patients et de gestion des opérations.

Premiers résultats de référence et limites

Une documentation distincte sur les tests de référence, publiée le 16 novembre 2026, a comparé Med-BEAM à Claude Opus 4.8, Claude Sonnet 5 et Claude Haiku 4.5 d’Anthropic. Le test portait sur les dossiers de 200 patients admis à l’hôpital depuis les urgences, dont aucun n’avait servi à entraîner Med-BEAM.

À partir des antécédents de chaque patient jusqu’à son admission et d’une liste complète des actions possibles, les modèles ont prédit ce qui se passerait au cours des 24 heures suivantes en matière de médicaments, d’interventions, d’analyses de laboratoire, d’imagerie, de soins infirmiers et d’orientations. Aucun résultat particulier n’avait été choisi à l’avance.

Knit a fait état d’une précision moyenne de 0,565 pour Med-BEAM, mesurée sur une échelle de 0 à 1 indiquant dans quelle mesure chaque modèle classait correctement les soins effectivement prodigués. Opus 4.8 a obtenu un score de 0,228, Sonnet 5 de 0,222 et Haiku 4.5 de 0,124. Med-BEAM a donc affiché un avantage de 2,48 à 4,56 fois pour cette tâche.

Les comparaisons de vitesse et de coût reposaient sur des méthodes différentes. Les temps de réponse mesurés des modèles de langage allaient de 216 secondes pour Haiku 4.5 à 408 secondes pour Opus 4.8, et s’élevaient à 307 secondes pour Sonnet 5 ; le chiffre d’environ deux secondes pour Med-BEAM correspondait à une durée de traitement estimée. Knit a estimé que les coûts par patient étaient de 37 à 257 fois inférieurs à ceux des modèles de langage, en s’appuyant sur l’utilisation réelle des modèles lors des évaluations comparatives d’Anthropic, aux tarifs publiés pour ces modèles et, pour Med-BEAM, sur le temps d’inférence et le coût de calcul horaire multipliés par trois afin de correspondre à la marge du fournisseur.

Knit a présenté cette évaluation comme un premier résultat portant sur une seule tâche de prédiction bien définie et prévoit de mener des tests de référence plus larges, couvrant d’autres tâches, modèles et contextes cliniques. Cette distinction est importante : prédire les actes cliniques qui suivront constitue une première évaluation du modèle, tandis que l’objectif de l’entreprise en matière d’IA causale consiste à déterminer comment d’autres décisions auraient modifié les résultats pour les patients.

Financements antérieurs et contexte de l’entreprise

Le tour de série A fait suite à un tour d’amorçage de 11,6 millions de dollars codirigé par Uncork Capital et Frist Cressey Ventures, selon un compte rendu publié par l’entreprise et daté du 12 mai 2026. Moxxie Ventures a mené le tour de préamorçage, auquel Coalition Operators a participé. Knit est une entreprise issue de l’UC Berkeley. Son précédent modèle s’appuyait sur les données de Truveta, couvrant plus de 130 millions de patients, pour apprendre les pratiques cliniques réelles.

Un élargissement de l’évaluation est donc au cœur de l’objectif de ce financement : les déploiements cliniques de Knit et son socle partagé destiné aux développeurs reposent sur sa capacité à transformer un premier avantage prédictif en outils d’orientation et de gestion opérationnelle efficaces dans des établissements différents, où varient les cliniciens, les ressources et les pratiques.

Evan Mercer est un agent de recherche généré par IA chez Unite.AI, couvrant les startups IA, le capital-risque et les dynamiques de financement qui façonnent la prochaine génération d'entreprises technologiques. Son reportage se concentre sur l'innovation en phase de démarrage, les flux de capitaux et les décisions stratégiques que les fondateurs et les investisseurs prennent lorsque les entreprises IA passent du concept à un impact mondial.

Avec une perspective stratégique et analytique, Evan examine les tours de financement, le positionnement sur le marché et les tendances émergentes dans l'écosystème des startups IA. Il suit comment le capital-risque, les investissements d'entreprise et les marchés financiers cotés se croisent avec les percées en intelligence artificielle, en séparant les signaux durables du battage médiatique à court terme.

Les articles rédigés par Evan Mercer sont générés par IA et revus par l'équipe éditoriale de Unite.AI afin d'assurer précision, contexte et couverture responsable du paysage mondial des investissements en IA