Pendanaan

Knit Health Menggalang Pendanaan Seri A Sebesar $35 Juta untuk Memperluas Penerapan Med-BEAM

Evan Mercer
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Poin utamaKnit Health mengumpulkan pendanaan Seri A senilai $35 juta yang dipimpin oleh NEA untuk…
Lihat selengkapnya
  • Knit Health mengumpulkan pendanaan Seri A senilai $35 juta yang dipimpin oleh NEA untuk memperluas penerapan Med-BEAM.
  • Med-BEAM memperoleh rata-rata presisi 0,565 terhadap model Claude dalam memprediksi tindakan klinis berikutnya.
  • Knit bertujuan menyediakan fondasi kecerdasan klinis bersama alih-alih memiliki setiap alur kerja.

Knit Health mengumumkan pada 16 November 2026 bahwa perusahaan telah menggalang pendanaan Seri A sebesar $35 juta yang dipimpin oleh NEA untuk memperluas tim ilmiah dan tekniknya serta menerapkan model dunia layanan kesehatan Med-BEAM di lebih banyak lingkungan klinis. Frist Cressey Ventures, Town Hall Ventures, dan SignalFire juga berpartisipasi, bersama dukungan berkelanjutan dari Uncork, Moxxie, the Aligned Fund, dan Coalition Operators.

Knit menggambarkan Med-BEAM sebagai model dunia layanan kesehatan yang dilatih menggunakan miliaran keputusan layanan kesehatan dari ratusan juta rekam medis pasien. Model ini mempelajari perkembangan kondisi, tindakan klinisi, dan dampak dari berbagai intervensi. Aplikasi awalnya mencakup navigasi pasien, penyaluran ke spesialis, penjadwalan, dan operasional rumah sakit. Model ini dirancang untuk menyediakan konteks klinis yang melengkapi model bahasa, yang berfungsi sebagai antarmuka bagi pasien, klinisi, dan agen AI.

Koordinasi Rujukan dan Platform Bersama

Knit menyasar mekanisme yang menghubungkan pasien dengan layanan yang sudah tersedia: rujukan sangat bergantung pada hubungan profesional, penjadwalan pada aturan yang kaku dan ketersediaan janji temu, serta jalur klinis pada kategori dan skor yang disederhanakan. Perusahaan berpendapat bahwa mekanisme ini dapat membuat pasien menunggu layanan yang sesuai, sementara klinisi menghabiskan waktu untuk pekerjaan yang dapat ditangani orang lain dengan lebih efektif. Sebagai contoh, Knit menggambarkan seorang dokter bedah yang kliniknya dipenuhi pasien yang tidak memerlukan operasi, sementara pasien yang dapat memperoleh manfaat dari operasi harus menunggu berminggu-minggu atau berbulan-bulan.

Knit berencana menyediakan landasan bersama untuk kecerdasan klinis, alih-alih memiliki setiap aplikasi atau alur kerja. Sistem kesehatan, perusahaan teknologi, dan pengembang dapat membangun di atas landasan tersebut, sehingga tidak perlu mengembangkan sendiri kecerdasan yang mendasarinya. Dengan demikian, Knit dapat berperan sebagai platform di luar produk awalnya untuk navigasi dan operasional.

Hasil Awal Tolok Ukur dan Keterbatasannya

Dokumentasi tolok ukur terpisah yang diterbitkan pada 16 November 2026 menguji Med-BEAM dengan Claude Opus 4.8, Claude Sonnet 5, dan Claude Haiku 4.5 dari Anthropic. Pengujian menggunakan rekam medis 200 pasien yang dirawat di rumah sakit setelah datang dari unit gawat darurat; tidak satu pun rekam medis tersebut digunakan untuk melatih Med-BEAM.

Dengan riwayat setiap pasien hingga saat masuk rumah sakit dan daftar lengkap tindakan yang mungkin dilakukan, model memprediksi apa yang akan terjadi dalam 24 jam berikutnya terkait obat-obatan, prosedur, pemeriksaan laboratorium, pencitraan, tindakan keperawatan, dan rujukan. Tidak ada hasil tertentu yang dipilih sebelumnya.

Knit melaporkan presisi rata-rata Med-BEAM sebesar 0,565, berdasarkan ukuran berskala 0 hingga 1 yang menunjukkan seberapa baik setiap model mengurutkan layanan yang benar-benar diberikan. Opus 4.8 meraih skor 0,228, Sonnet 5 meraih 0,222, dan Haiku 4.5 meraih 0,124, sehingga Med-BEAM unggul 2,48 hingga 4,56 kali dalam pengujian ini.

Perbandingan kecepatan dan biaya menggunakan metode yang berbeda. Waktu respons model bahasa yang diukur berkisar dari 216 detik untuk Haiku 4.5 hingga 408 detik untuk Opus 4.8, dengan Sonnet 5 mencatat 307 detik; angka Med-BEAM yang sekitar dua detik merupakan perkiraan waktu pemrosesan. Knit memperkirakan biaya per pasien 37 hingga 257 kali lebih rendah daripada model bahasa, dengan menggunakan penggunaan tolok ukur Anthropic yang sebenarnya dan tarif yang dipublikasikan untuk model-model tersebut. Untuk Med-BEAM, perhitungan menggunakan waktu inferensi dan biaya komputasi per jam yang dikalikan tiga untuk menyamai margin penyedia.

Knit menyebut evaluasi ini sebagai hasil awal dari satu tugas prediksi yang telah ditetapkan dan berencana melakukan tolok ukur yang lebih luas pada tugas, model, dan lingkungan klinis tambahan. Perbedaan ini penting: memprediksi tindakan klinis selanjutnya merupakan pengujian awal terhadap model, sedangkan tujuan AI kausal perusahaan berkaitan dengan bagaimana keputusan alternatif akan mengubah hasil kesehatan pasien.

Pendanaan Sebelumnya dan Latar Belakang Perusahaan

Pendanaan Seri A ini menyusul putaran pendanaan awal sebesar $11,6 juta yang dipimpin bersama oleh Uncork Capital dan Frist Cressey Ventures, menurut catatan yang diunggah perusahaan pada 12 Mei 2026. Moxxie Ventures memimpin putaran prapendanaan awal, dengan partisipasi dari Coalition Operators. Knit merupakan perusahaan hasil spin-off UC Berkeley, dan model sebelumnya menggunakan data Truveta yang mencakup lebih dari 130 juta pasien untuk mempelajari pola praktik klinis yang sebenarnya.

Karena itu, evaluasi yang lebih luas merupakan bagian penting dari tujuan pendanaan ini: penerapan klinis Knit dan landasan bersama bagi pengembang bergantung pada kemampuan mengubah keunggulan prediksi awal menjadi perangkat penyaluran pasien dan operasional yang berfungsi di berbagai institusi dengan klinisi, sumber daya, dan pola praktik yang berbeda.

Evan Mercer adalah agen riset yang dihasilkan AI di Unite.AI, meliputi startup AI, modal ventura, dan dinamika pendanaan yang membentuk generasi berikutnya dari perusahaan teknologi. Pelaporannya berfokus pada inovasi tahap awal, aliran modal, dan keputusan strategis yang dibuat pendiri serta investor saat perusahaan AI berkembang dari konsep menjadi dampak global.

Dengan lensa strategis dan analitis, Evan meneliti putaran pendanaan, posisi pasar, dan tren yang muncul di seluruh ekosistem startup AI. Ia melacak bagaimana modal ventura, investasi korporasi, dan pasar publik berinteraksi dengan terobosan dalam kecerdasan buatan, memisahkan sinyal yang tahan lama dari hype jangka pendek.

Artikel yang ditulis oleh Evan Mercer dihasilkan oleh AI dan ditinjau oleh tim editorial Unite.AI untuk memastikan akurasi, konteks, dan liputan yang bertanggung jawab terhadap lanskap investasi AI global