Knit Health Meluncur dengan $11,6M Seed untuk Membangun AI Berbasis Pengambilan Keputusan Klinis di Dunia Nyata

Perusahaan AI kesehatan telah banyak fokus pada pelatihan model pada literatur medis, catatan klinis, dan data berbasis teks. Namun, Knit Health mengambil pendekatan yang berbeda: mengajar sistem AI tentang bagaimana kesehatan benar-benar beroperasi di dalam rumah sakit dan klinik.

Spinout Universitas California, Berkeley ini telah muncul dari stealth dengan $11,6 juta dalam pendanaan seed yang dipimpin oleh Uncork Capital dan Frist Cressey Ventures, dengan pendanaan pra-seed dari Moxxie Ventures dan partisipasi dari Coalition Operators. Perusahaan ini mengatakan bahwa modal ini akan mendukung pengembangan dan penerapan Large Clinical Behavior Model (LCBM), sebuah sistem yang dirancang untuk belajar dari bagaimana klinisi membuat keputusan di lingkungan kesehatan nyata.

Daripada berfungsi seperti chatbot medis tradisional atau asisten dokumentasi, Knit Health membangun apa yang mereka sebut sebagai “kecerdasan klinis kolektif” — AI yang dilatih pada pola yang tertanam dalam pengaturan pasien, rujukan, keputusan penjadwalan, waktu pemulangan, dan alur kerja koordinasi perawatan di rumah sakit.

Melampaui AI Kesehatan Berbasis Teks

Sebagian besar sistem AI generatif di kesehatan saat ini pada dasarnya adalah model bahasa. Mereka sangat baik dalam meringkas catatan, menghasilkan catatan, atau menjawab pertanyaan berdasarkan pengetahuan medis yang dipublikasikan.

Knit berargumen bahwa banyak keputusan operasional paling penting di kesehatan tidak secara eksplisit tertulis. Sebaliknya, mereka muncul dari tahun-tahun pengalaman klinisi dalam menghadapi keterbatasan dunia nyata seperti ketersediaan spesialis, bottleneck rujukan, kapasitas rumah sakit, dan kompleksitas pasien.

Perusahaan ini LCBM dilatih menggunakan data catatan medis elektronik Truveta yang mencakup lebih dari 130 juta pasien di 30 sistem kesehatan AS. Knit mengatakan bahwa mereka menerapkan teknik termasuk deep reinforcement learning, inferensi kausal, dan cloning perilaku untuk memodelkan bagaimana keputusan perawatan berkembang dalam praktik.

Ini berbeda secara signifikan dari sistem AI kesehatan konvensional yang bergantung terutama pada dataset statis atau penelitian yang dipublikasikan. Sebaliknya, Knit berusaha untuk memprediksi keputusan perawatan operasional di dalam sistem kesehatan.

Membangun Lapisan Infrastruktur untuk Rumah Sakit

Knit Health memposisikan platformnya sebagai lapisan kecerdasan dasar untuk operasi kesehatan daripada aplikasi mandiri.

Perusahaan ini mengatakan bahwa model mereka awalnya diterapkan untuk triase, optimasi alur pasien, prediksi pemulangan, manajemen rujukan, dan inisiatif perbaikan kualitas. Dalam jangka panjang, tujuan yang lebih luas tampaknya adalah mengintegrasikan AI ke dalam infrastruktur operasional di bawah hampir setiap alur kerja klinis.

Ini sejalan dengan pergeseran yang lebih luas yang terjadi di seluruh AI kesehatan, di mana perusahaan semakin banyak mengincar ketidakefisienan operasional daripada hanya fokus pada diagnosis atau asisten konversasional.

Sistem kesehatan terus berjuang dengan masalah seperti rujukan yang tertunda, pipa perawatan spesialis yang padat, penjadwalan yang tidak efisien, dan koordinasi yang terfragmentasi antara departemen. Masalah operasional ini sering secara langsung mempengaruhi hasil pasien meskipun kemajuan dalam pengetahuan klinis dan ketersediaan perawatan.

Peran Truveta yang Membesar dalam AI Kesehatan

Kerja sama Knit dengan Truveta juga mencerminkan pentingnya koleksi data klinis dunia nyata skala besar dalam pengembangan AI kesehatan.

Truveta telah membangun salah satu koleksi data klinis terbesar di Amerika Serikat, yang mewakili lebih dari 130 juta pasien di jaringan sistem kesehatan utama. Perusahaan ini telah semakin memposisikan dirinya sebagai penyedia infrastruktur kunci untuk penelitian AI yang didorong dan kecerdasan operasional.

Masa Depan AI Perilaku dalam Kedokteran

Peluncuran Knit Health menyoroti evolusi yang lebih luas dalam AI kesehatan: transisi dari sistem yang dilatih terutama pada pengetahuan medis ke sistem yang dilatih pada perilaku institusional.

Jika berhasil, kategori AI perilaku ini pada akhirnya dapat membantu rumah sakit memstandarisasi pengiriman perawatan berkualitas tinggi di seluruh organisasi besar sambil mengurangi gesekan operasional yang menyumbang pada kelelahan klinisi dan perawatan yang tertunda.

Pendekatan ini juga dapat mempengaruhi bagaimana sistem AI di masa depan dikembangkan di industri lain di mana alur kerja institusional dan koordinasi manusia sama pentingnya dengan dokumentasi formal.

Bagi kesehatan secara khusus, implikasi jangka panjang melampaui otomatisasi. Sistem yang dapat belajar dari jutaan perjalanan pasien dunia nyata pada akhirnya dapat membantu mengidentifikasi pola operasional yang terkait dengan hasil yang lebih baik, memungkinkan sistem kesehatan untuk terus-menerus memperbaiki pengiriman perawatan berdasarkan perilaku yang diamati daripada pedoman statis saja.