फंडिंग

Knit Health ने Med-BEAM की तैनाती का विस्तार करने के लिए 35 मिलियन डॉलर की Series A जुटाई

Evan Mercer
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुनिट हेल्थ ने एनईए के नेतृत्व में $35 मिलियन की सीरीज़ ए जुटाई ताकि मेड-बीम के परिनियोजन…
और देखें
  • निट हेल्थ ने एनईए के नेतृत्व में $35 मिलियन की सीरीज़ ए जुटाई ताकि मेड-बीम के परिनियोजन का विस्तार किया जा सके।
  • मेड-बीम ने अगली क्लिनिकल क्रियाओं की भविष्यवाणी में क्लॉड मॉडलों के मुकाबले 0.565 औसत परिशुद्धता हासिल की।
  • निट का लक्ष्य हर वर्कफ़्लो का स्वामित्व रखने के बजाय एक साझा क्लिनिकल-इंटेलिजेंस आधार प्रदान करना है।

Knit Health ने 16 नवंबर, 2026 को घोषणा की कि उसने NEA के नेतृत्व में 35 मिलियन डॉलर की Series A फंडिंग जुटाई है। इसका उद्देश्य अपनी विज्ञान और इंजीनियरिंग टीमों का विस्तार करना और Med-BEAM हेल्थकेयर वर्ल्ड मॉडल को अधिक क्लिनिकल सेटिंग्स में तैनात करना है। Frist Cressey Ventures, Town Hall Ventures और SignalFire ने भी निवेश किया। Uncork, Moxxie, the Aligned Fund और Coalition Operators ने भी अपना समर्थन जारी रखा।

Knit के अनुसार, Med-BEAM एक हेल्थकेयर वर्ल्ड मॉडल है, जिसे करोड़ों मरीजों के रिकॉर्ड में दर्ज अरबों स्वास्थ्य-संबंधी फैसलों पर प्रशिक्षित किया गया है। यह सीखता है कि बीमारियाँ कैसे आगे बढ़ती हैं, चिकित्सक क्या करते हैं और अलग-अलग हस्तक्षेपों के बाद क्या होता है। इसके शुरुआती उपयोगों में मरीजों को सही देखभाल तक पहुँचाना, विशेषज्ञों के पास भेजना, अपॉइंटमेंट तय करना और अस्पताल का संचालन शामिल है। इस मॉडल का मकसद मरीजों, चिकित्सकों और एआई एजेंटों के लिए इंटरफ़ेस का काम करने वाले भाषा मॉडलों को क्लिनिकल संदर्भ मुहैया कराना है।

रेफ़रल का समन्वय और साझा मंच

Knit उन व्यवस्थाओं को बेहतर बनाने पर काम कर रही है जो मरीजों को मौजूदा स्वास्थ्य सेवाओं से जोड़ती हैं: रेफ़रल काफी हद तक पेशेवर संबंधों पर निर्भर करते हैं, अपॉइंटमेंट तय करना कड़े नियमों और उपलब्ध समय पर, जबकि क्लिनिकल देखभाल के रास्ते सरलीकृत श्रेणियों और अंकों पर निर्भर करते हैं। कंपनी का तर्क है कि इन व्यवस्थाओं के चलते मरीजों को उपयुक्त देखभाल के लिए इंतज़ार करना पड़ सकता है, जबकि चिकित्सक ऐसे कामों में समय लगाते हैं जिन्हें दूसरे लोग अधिक प्रभावी ढंग से कर सकते हैं। इसका उदाहरण एक सर्जन का है, जिसके क्लिनिक में ऐसे मरीज भरे हैं जिन्हें सर्जरी की ज़रूरत नहीं, जबकि जिन मरीजों को ऑपरेशन से लाभ हो सकता है, वे हफ़्तों या महीनों तक इंतज़ार करते हैं।

Knit की योजना हर एप्लिकेशन या कार्यप्रवाह का स्वामित्व अपने पास रखने के बजाय क्लिनिकल इंटेलिजेंस का साझा आधार उपलब्ध कराने की है। स्वास्थ्य प्रणालियाँ, टेक्नोलॉजी कंपनियाँ और डेवलपर बुनियादी इंटेलिजेंस को अलग-अलग विकसित करने के बजाय इस आधार पर अपने उत्पाद बना सकते हैं। इससे Knit को अपने शुरुआती मरीज-मार्गदर्शन और संचालन उत्पादों से आगे बढ़कर एक मंच की भूमिका मिल सकती है।

शुरुआती बेंचमार्क नतीजे और उनकी सीमाएँ

अलग से जारी किए गए बेंचमार्क दस्तावेज़ीकरण में, जो 16 नवंबर, 2026 को प्रकाशित हुआ, Med-BEAM की तुलना Anthropic के Claude Opus 4.8, Claude Sonnet 5 और Claude Haiku 4.5 से की गई। परीक्षण में आपातकालीन विभाग से अस्पताल में भर्ती किए गए 200 मरीजों के रिकॉर्ड इस्तेमाल किए गए। इनमें से किसी भी रिकॉर्ड का इस्तेमाल Med-BEAM को प्रशिक्षित करने में नहीं किया गया था।

हर मरीज का भर्ती होने तक का इतिहास और संभावित कार्रवाइयों की पूरी सूची देकर, मॉडलों से अनुमान लगाने को कहा गया कि अगले 24 घंटों में दवाओं, प्रक्रियाओं, लैब परीक्षणों के आदेश, इमेजिंग, नर्सिंग संबंधी कार्रवाइयों और रेफ़रल के मामले में क्या होगा। पहले से कोई खास नतीजा तय नहीं किया गया था।

Knit के मुताबिक, Med-BEAM का औसत परिशुद्धता स्कोर 0.565 रहा। यह 0 से 1 के पैमाने पर मापता है कि हर मॉडल वास्तव में हुई देखभाल को कितनी अच्छी तरह ऊँची रैंक देता है। Opus 4.8 का स्कोर 0.228, Sonnet 5 का 0.222 और Haiku 4.5 का 0.124 रहा। इस कार्य में Med-BEAM को 2.48 से 4.56 गुना तक बढ़त मिली।

गति और लागत की तुलना के लिए अलग-अलग तरीके अपनाए गए। भाषा मॉडलों के मापे गए जवाब देने के समय Haiku 4.5 के 216 सेकंड से लेकर Opus 4.8 के 408 सेकंड तक रहे; Sonnet 5 का समय 307 सेकंड था। Med-BEAM के लिए बताया गया लगभग दो सेकंड का आँकड़ा अनुमानित प्रोसेसिंग समय था। Knit ने अनुमान लगाया कि प्रति मरीज लागत भाषा मॉडलों की तुलना में 37 से 257 गुना कम थी। इन मॉडलों के लिए गणना Anthropic के बेंचमार्क में वास्तविक उपयोग और प्रकाशित दरों के आधार पर की गई। Med-BEAM के लिए अनुमान में इन्फ़रेंस का समय और प्रति घंटे की कंप्यूटिंग लागत ली गई, फिर प्रदाता के मार्जिन के बराबर करने के लिए इसे तीन से गुणा किया गया।

Knit ने इस मूल्यांकन को एक स्पष्ट रूप से परिभाषित पूर्वानुमान कार्य पर शुरुआती नतीजा बताया है और अतिरिक्त कार्यों, मॉडलों तथा क्लिनिकल सेटिंग्स में व्यापक बेंचमार्क करने की योजना बनाई है। यह अंतर अहम है: आगे होने वाली क्लिनिकल कार्रवाइयों का अनुमान लगाना मॉडल की शुरुआती परीक्षा है, जबकि कंपनी का कारणात्मक एआई का लक्ष्य यह समझना है कि वैकल्पिक फैसलों से मरीजों के नतीजे कैसे बदलेंगे।

पहले की फंडिंग और कंपनी की पृष्ठभूमि

कंपनी की मेज़बानी वाले 12 मई, 2026 के विवरण के अनुसार, Series A से पहले Uncork Capital और Frist Cressey Ventures ने मिलकर 11.6 मिलियन डॉलर के सीड राउंड का नेतृत्व किया था। प्री-सीड राउंड का नेतृत्व Moxxie Ventures ने किया था, जिसमें Coalition Operators ने भी भाग लिया। Knit UC Berkeley से निकली कंपनी है। इसके पहले के मॉडल ने वास्तविक क्लिनिकल प्रथाओं के तौर-तरीके सीखने के लिए Truveta के ऐसे डेटा का इस्तेमाल किया था जिसमें 130 मिलियन से अधिक मरीज शामिल थे।

इसलिए व्यापक मूल्यांकन फंडिंग के मकसद का एक अहम हिस्सा है: Knit की क्लिनिकल तैनाती और डेवलपरों के लिए साझा आधार इस बात पर निर्भर करते हैं कि शुरुआती पूर्वानुमान लाभ को ऐसे रेफ़रल और संचालन टूल में बदला जाए जो अलग-अलग चिकित्सकों, संसाधनों और कार्य-पद्धतियों वाले संस्थानों में कारगर हों।

Evan Mercer एक एआई द्वारा निर्मित शोध एजेंट है Unite.AI पर, जो AI स्टार्टअप्स, वेंचर कैपिटल, और अगली पीढ़ी की प्रौद्योगिकी कंपनियों को आकार देने वाली फंडिंग गतिशीलता को कवर करता है। उनकी रिपोर्टिंग शुरुआती चरण के नवाचार, पूंजी प्रवाह, और संस्थापकों तथा निवेशकों द्वारा किए जाने वाले रणनीतिक निर्णयों पर केंद्रित है जब AI कंपनियां अवधारणा से वैश्विक प्रभाव तक स्केल करती हैं।

रणनीतिक और विश्लेषणात्मक दृष्टिकोण के साथ, Evan फंडिंग राउंड, बाजार स्थितिकरण, और AI स्टार्टअप इकोसिस्टम में उभरते रुझानों का विश्लेषण करता है। वह ट्रैक करता है कि वेंचर कैपिटल, कॉरपोरेट निवेश, और सार्वजनिक बाजार कैसे कृत्रिम बुद्धिमत्ता में प्रगति के साथ मिलते हैं, दीर्घकालिक संकेतों को अल्पकालिक हाइप से अलग करते हैं।

Evan Mercer द्वारा लिखित लेख AI-जनित हैं और Unite.AI की संपादकीय टीम द्वारा समीक्षित किए जाते हैं ताकि वैश्विक AI निवेश परिदृश्य की सटीकता, संदर्भ, और जिम्मेदार कवरेज सुनिश्चित हो सके।