Knit Health lancia con 11,6 milioni di dollari di finanziamento iniziale per costruire un’intelligenza artificiale basata sulla presa di decisioni cliniche nel mondo reale

Le aziende di intelligenza artificiale sanitaria si sono concentrate in gran parte sull’addestramento di modelli su letteratura medica, note cliniche e dati testuali. Tuttavia, Knit Health sta adottando un approccio diverso: insegnare ai sistemi di intelligenza artificiale come funziona effettivamente l’assistenza sanitaria all’interno degli ospedali e delle cliniche.

La spinoff dell’Università della California, Berkeley, è emersa dalla stealth con 11,6 milioni di dollari di finanziamento iniziale cofinanziato da Uncork Capital e Frist Cressey Ventures, con un finanziamento pre-seed da Moxxie Ventures e la partecipazione di Coalition Operators. L’azienda afferma che il capitale sosterrà lo sviluppo e la distribuzione del suo Large Clinical Behavior Model (LCBM), un sistema progettato per apprendere da come i clinici prendono decisioni in ambienti sanitari reali.

Invece di funzionare come un tradizionale chatbot medico o assistente di documentazione, Knit Health sta costruendo ciò che descrive come “intelligenza clinica collettiva” – un’intelligenza artificiale addestrata sui modelli incorporati nella gestione dei pazienti, nei rinvii, nelle decisioni di pianificazione, nel timing di dimissione e nella coordinazione delle cure tra gli ospedali.

Superare l’intelligenza artificiale sanitaria basata sul testo

La maggior parte dei sistemi di intelligenza artificiale generativa nel settore sanitario oggi sono fondamentalmente modelli linguistici. Eccellono nel riassumere le cartelle, generare note o rispondere a domande basate sulla conoscenza medica pubblicata.

Knit sostiene che molte delle decisioni operative più importanti nel settore sanitario non sono esplicitamente scritte. Invece, emergono da anni di esperienza dei clinici che navigano le limitazioni del mondo reale, come la disponibilità degli specialisti, i colloqui di rinvio, la capacità degli ospedali e la complessità dei pazienti.

Il modello LCBM dell’azienda è stato addestrato utilizzando i dati dei registri elettronici medici di Truveta, che coprono oltre 130 milioni di pazienti in 30 sistemi sanitari statunitensi. Knit afferma di applicare tecniche come l’apprendimento per rinforzo profondo, l’inferenza causale e la clonazione del comportamento per modellare come le decisioni di cura si svolgono nella pratica.

Questo differisce notevolmente dai sistemi di intelligenza artificiale sanitaria convenzionali che si basano principalmente su set di dati statici o ricerche pubblicate. Invece di prevedere la prossima parola in una frase, Knit sta cercando di prevedere le decisioni operative di cura all’interno dei sistemi sanitari.

Secondo l’azienda, il sistema può adattarsi alle dinamiche operative specifiche di singoli ospedali, compresi i modelli di rinvio, le limitazioni di personale e le strutture di flusso di lavoro.

Costruire uno strato di infrastruttura per gli ospedali

Knit Health sta posizionando la sua piattaforma come uno strato di intelligenza fondamentale per le operazioni sanitarie, piuttosto che come un’applicazione autonoma.

L’azienda afferma che i suoi modelli sono inizialmente impiegati per il triage, l’ottimizzazione del flusso dei pazienti, la previsione della dimissione, la gestione dei rinvii e le iniziative di miglioramento della qualità. Nel tempo, l’obiettivo più ampio sembra essere quello di incorporare l’intelligenza artificiale nella infrastruttura operativa sottostante quasi ogni flusso di lavoro clinico.

Questo si allinea con un più ampio cambiamento in atto nel settore dell’intelligenza artificiale sanitaria, dove le aziende stanno sempre più puntando sull’inefficienza operativa piuttosto che concentrarsi solo sulla diagnostica o sugli assistenti conversazionali.

I sistemi sanitari continuano a lottare con problemi come i rinvii ritardati, le pipeline di assistenza specialistica sovraccariche, la pianificazione inefficiente e la coordinazione frammentata tra i dipartimenti. Questi problemi operativi spesso influiscono direttamente sugli esiti dei pazienti nonostante i progressi nella conoscenza clinica e nella disponibilità di trattamenti.

La strategia di Knit suggerisce che i futuri sistemi di intelligenza artificiale sanitaria potrebbero diventare meno concentrati sul sostituire i medici e più concentrati sull’orchestrare i sistemi complessi che circondano l’assistenza ai pazienti.

Il ruolo in espansione di Truveta nell’intelligenza artificiale sanitaria

La partnership tra Knit e Truveta riflette anche l’importanza crescente dei grandi set di dati clinici del mondo reale nello sviluppo dell’intelligenza artificiale sanitaria.

Truveta ha costruito una delle più grandi raccolte di dati clinici de-identificati negli Stati Uniti, rappresentando oltre 130 milioni di pazienti in una rete di importanti sistemi sanitari. L’azienda si è sempre più posizionata come un fornitore di infrastrutture chiave per la ricerca e l’intelligenza operativa guidata dall’intelligenza artificiale.

Man mano che più aziende di intelligenza artificiale sanitaria cercano l’accesso ai dati clinici longitudinali piuttosto che ai set di dati isolati, partnership come questa potrebbero diventare sempre più importanti per lo sviluppo e la distribuzione dei modelli.

Il futuro dell’intelligenza artificiale comportamentale in medicina

Il lancio di Knit Health evidenzia una più ampia evoluzione nell’intelligenza artificiale sanitaria: una transizione dai sistemi addestrati principalmente sulla conoscenza medica ai sistemi addestrati sul comportamento istituzionale.

Se sarà di successo, questa categoria di intelligenza artificiale comportamentale potrebbe eventualmente aiutare gli ospedali a standardizzare la consegna di cure di alta qualità su larga scala, riducendo al contempo l’attrito operativo che contribuisce alla burnout dei clinici e al ritardo nel trattamento.

L’approccio potrebbe anche influenzare come i futuri sistemi di intelligenza artificiale saranno sviluppati in altri settori in cui i flussi di lavoro istituzionali e la coordinazione umana contano tanto quanto la documentazione formale.

Per il settore sanitario in particolare, le implicazioni a lungo termine vanno oltre l’automazione. I sistemi in grado di apprendere da milioni di percorsi dei pazienti nel mondo reale potrebbero eventualmente aiutare a identificare modelli operativi associati a migliori esiti, consentendo ai sistemi sanitari di raffinare continuamente la consegna delle cure in base al comportamento osservato piuttosto che solo alle linee guida statiche.