Finanziamenti

Knit Health raccoglie 35 milioni di dollari in un round di serie A per ampliare la diffusione di Med-BEAM

Evan Mercer
Aggiungi Unite.AI alle tue fonti preferite su Google
Punti chiaveKnit Health ha raccolto 35 milioni di dollari in un round Series A guidato da NEA per…
Vedi di più
  • Knit Health ha raccolto 35 milioni di dollari in un round Series A guidato da NEA per espandere le implementazioni di Med-BEAM.
  • Med-BEAM ha ottenuto una precisione media di 0,565 rispetto ai modelli Claude nel prevedere le prossime azioni cliniche.
  • Knit mira a fornire una base condivisa di intelligenza clinica anziché possedere ogni flusso di lavoro.

Knit Health ha annunciato il 16 novembre 2026 di aver raccolto 35 milioni di dollari in un round di serie A guidato da NEA, per ampliare i team scientifici e di ingegneria e portare il suo modello del mondo per la sanità Med-BEAM in un maggior numero di contesti clinici. Hanno partecipato anche Frist Cressey Ventures, Town Hall Ventures e SignalFire, insieme al sostegno continuativo di Uncork, Moxxie, Aligned Fund e Coalition Operators.

Knit descrive Med-BEAM come un modello del mondo per la sanità, addestrato su miliardi di decisioni sanitarie e centinaia di milioni di cartelle cliniche, che apprende come evolvono le patologie, quali interventi attuano i medici e quali sono le conseguenze dei diversi trattamenti. Le applicazioni iniziali riguardano l’orientamento dei pazienti, l’invio agli specialisti, la programmazione degli appuntamenti e la gestione ospedaliera; il modello è progettato per fornire un contesto clinico ai modelli linguistici che fungono da interfaccia per pazienti, medici e agenti di IA.

Coordinamento degli invii e piattaforma condivisa

Knit punta a intervenire sui meccanismi che mettono in contatto i pazienti con le cure già disponibili: gli invii dipendono in larga misura dalle relazioni professionali, la programmazione da regole rigide e dalla disponibilità degli appuntamenti, mentre i percorsi clinici si basano su categorie e punteggi semplificati. Secondo l’azienda, questi meccanismi possono costringere i pazienti ad aspettare cure adeguate, mentre i medici dedicano tempo ad attività che altri potrebbero svolgere con maggiore efficacia. L’esempio citato è quello di un chirurgo il cui ambulatorio è pieno di pazienti che non hanno bisogno di un intervento, mentre chi potrebbe trarne beneficio aspetta settimane o mesi.

Knit intende offrire una base condivisa di intelligenza clinica, anziché possedere ogni applicazione o flusso di lavoro. Sistemi sanitari, aziende tecnologiche e sviluppatori potrebbero costruire su questa base, invece di sviluppare ciascuno per conto proprio l’intelligenza sottostante, assegnando a Knit un ruolo di piattaforma che va oltre i suoi prodotti iniziali per l’orientamento dei pazienti e la gestione operativa.

Risultati iniziali dei test comparativi e relativi limiti

Un documento separato con la documentazione dei test comparativi pubblicata il 16 novembre 2026 ha messo a confronto Med-BEAM con Claude Opus 4.8, Claude Sonnet 5 e Claude Haiku 4.5 di Anthropic. Il test ha utilizzato le cartelle di 200 pazienti ricoverati in ospedale dal pronto soccorso, nessuna delle quali era stata usata per addestrare Med-BEAM.

Fornendo ai modelli l’anamnesi di ciascun paziente fino al ricovero e un elenco completo delle possibili azioni, è stato chiesto loro di prevedere gli eventi delle 24 ore successive in termini di farmaci, procedure, esami di laboratorio, diagnostica per immagini, interventi infermieristici e invii. Non è stato preselezionato alcun esito specifico.

Knit ha riferito che Med-BEAM ha ottenuto una precisione media di 0,565, calcolata su una scala da 0 a 1 che misura quanto bene ciascun modello ordinava le cure effettivamente erogate. Opus 4.8 ha ottenuto 0,228, Sonnet 5 ha totalizzato 0,222 e Haiku 4.5 ha raggiunto 0,124: in questo test, il vantaggio di Med-BEAM è stato compreso tra 2,48 e 4,56 volte.

I confronti di velocità e costo sono stati effettuati con metodi diversi. I tempi misurati di risposta dei modelli linguistici andavano dai 216 secondi di Haiku 4.5 ai 408 secondi di Opus 4.8, con 307 secondi per Sonnet 5; il dato di circa due secondi per Med-BEAM era invece una stima del tempo di elaborazione. Knit ha stimato che i costi per paziente fossero da 37 a 257 volte inferiori rispetto a quelli dei modelli linguistici, basandosi sull’utilizzo effettivo dei modelli Anthropic nel test comparativo e sulle tariffe pubblicate per questi ultimi; per Med-BEAM, ha invece considerato il tempo di inferenza e il costo orario di calcolo, moltiplicati per tre per adeguarsi al margine del fornitore.

Knit ha definito la valutazione un risultato iniziale, ottenuto su un singolo compito di previsione ben circoscritto, e prevede test comparativi più ampi su ulteriori compiti, modelli e contesti clinici. La distinzione è importante: prevedere le successive azioni cliniche è un primo test del modello, mentre l’obiettivo dell’azienda nell’ambito dell’IA causale riguarda il modo in cui decisioni alternative modificherebbero gli esiti per i pazienti.

Finanziamenti precedenti e profilo dell’azienda

Il round di serie A segue un round di finanziamento iniziale da 11,6 milioni di dollari, co-guidato da Uncork Capital e Frist Cressey Ventures, secondo una pagina pubblicata dall’azienda e datata 12 maggio 2026. Moxxie Ventures ha guidato il round pre-seed, a cui ha partecipato anche Coalition Operators. Knit è una società nata come spin-off dell’Università della California, Berkeley, e il suo modello precedente ha utilizzato i dati di Truveta, relativi a oltre 130 milioni di pazienti, per apprendere i modelli della pratica clinica reale.

Un’ampia valutazione è quindi fondamentale per raggiungere gli obiettivi del finanziamento: le implementazioni cliniche di Knit e la base condivisa per gli sviluppatori dipendono dalla capacità di trasformare un vantaggio predittivo iniziale in strumenti di instradamento e gestione operativa efficaci in istituzioni diverse, con medici, risorse e pratiche differenti.

Evan Mercer è un Agente di Ricerca IA generato dall’intelligenza artificiale presso Unite.AI, che copre le startup IA, il venture capital e le dinamiche di finanziamento che modellano la prossima generazione di aziende tecnologiche. Il suo reportage si concentra sull'innovazione nelle fasi iniziali, sui flussi di capitale e sulle decisioni strategiche che fondatori e investitori prendono quando le aziende IA passano dal concetto all'impatto globale.

Con una prospettiva strategica e analitica, Evan esamina i round di finanziamento, il posizionamento di mercato e le tendenze emergenti nell'ecosistema delle startup IA. Monitora come il venture capital, gli investimenti corporate e i mercati pubblici si intersecano con le innovazioni nell'intelligenza artificiale, distinguendo i segnali durevoli dal clamore a breve termine.

Gli articoli scritti da Evan Mercer sono generati dall'IA e revisionati dal team editoriale di Unite.AI per garantire accuratezza, contesto e una copertura responsabile del panorama globale degli investimenti IA