Knit Health, $11.6M의 시드 자금을 통해 실제 임상 의사 결정에 기반한 AI 구축

의료 인공지능 회사들은 주로 의학 문헌, 임상 기록, 텍스트 기반 데이터에 대한 모델 훈련에 중점을 두었습니다. 그러나 Knit Health는 다른 접근 방식을 취하고 있습니다. 실제 병원과 클리닉 내에서 의료가 어떻게 운영되는지에 대한 지식을 인공지능 시스템에 가르치는 것입니다.

캘리포니아 대학교 버클리에서 시작된 Knit Health는 Uncork Capital과 Frist Cressey Ventures가 공동으로 주도하는 1,160만 달러의 시드 자금을 확보했습니다. Moxxie Ventures는 예시드 자금을 제공했으며 Coalition Operators도 참여했습니다. 이 회사는 이 자금을 통해 대규모 임상 행동 모델(Large Clinical Behavior Model, LCBM)을 개발하고 배포할 계획입니다. 이 모델은 실제 의료 환경에서 임상 의사들이 어떻게 의사 결정을 내리는지에 대한 패턴을 학습하는 시스템입니다.

Knit Health는 전통적인 의료 채팅봇이나 문서 보조가 아닌 “집단 임상 지능”을 구축하고 있습니다. 이는 실제 의료 환경에서 임상 의사들이 내리는 의사 결정의 패턴을 학습한 인공지능 시스템입니다.

텍스트 기반 의료 인공지능을 넘어

현재 의료 분야에서 사용되는 대부분의 생성 인공지능 시스템은 본질적으로 언어 모델입니다.이러한 시스템은 기록을 요약하거나, 의학 지식을 기반으로 질문에 답변하거나, 노트를 생성하는 데 뛰어난 능력을 가지고 있습니다.

Knit Health는 많은 중요한 의료 운영 결정이 명시적으로 기록되지 않았다고 주장합니다. 대신, 이러한 결정은 전문가의 경험과 실제 제약 조건을 통해 나옵니다. 이러한 조건에는 전문가의 가용성, 추천 병목 현상, 병원 수용력, 환자 복잡성 등이 있습니다.

Knit Health의 LCBM은 Truveta의 전자 의료 기록 데이터를 사용하여 훈련됩니다. 이 데이터는 130만 명 이상의 환자와 30개의 미국 의료 시스템을 포함합니다. Knit Health는 심층 강화 학습, 인과 추론, 행동 클로닝 등의 기술을 사용하여 임상 의사들이 실제로 의사 결정을 내리는 방식을 모델링합니다.

이 접근 방식은 정적 데이터 세트나 발표된 연구에만 의존하는 전통적인 의료 인공지능 시스템과는 크게 다릅니다. Knit Health는 다음 단어를 예측하는 것이 아니라, 실제 의료 환경에서 임상 의사들이 내리는 의사 결정을 예측하려고 합니다.

병원 위한 인프라스트럭처 레이어 구축

Knit Health는 자신의 플랫폼을 독립적인 응용 프로그램이 아닌, 의료 운영을 위한 기초적인 지능 계층으로 자리매김하고 있습니다.

회사는 초기에 모델을 사용하여 환자 분류, 환자 흐름 최적화, 퇴원 예측, 추천 관리, 품질 개선과 같은 의료 운영을 개선하고 있습니다. 장기적으로, 목표는 거의 모든 임상 워크플로우에 인공지능을 내장하는 것입니다.

이것은 의료 인공지능이 진단이나 대화형 보조만을 목표로 하는 것이 아니라, 운영 비효율성을 해결하는 방향으로 발전하고 있는 더 광범위한 추세와 일치합니다.

의료 시스템은 아직도 추천 지연, 전문 진료 과밀, 비효율적인 예약, 조정 부족 등의 문제에 직면해 있습니다. 이러한 운영 문제는 임상 지식과 치료 가능성의 발전에도 불구하고 직접적으로 환자 결과에 영향을 미칩니다.

Truveta의 의료 인공지능에서의 확대 역할

Knit Health와 Truveta의 협력은 의료 인공지능 개발에서 대규모 실제 임상 데이터의 중요성을 반영합니다.

Truveta는 미국에서 가장 큰 임상 데이터 컬렉션 중 하나를 구축했습니다. 이는 130만 명 이상의 환자와 30개의 주요 의료 시스템을 포함합니다. 회사는 인공지능 기반 의료 연구와 운영 지능을 위한 핵심 인프라 제공업체로 자리 잡고 있습니다.

의료 분야에서의 행동 인공지능의 미래

Knit Health의 출시는 의료 인공지능의 더 광범위한 발전을 강조합니다. 의료 지식에만 기반한 시스템에서 기관 행동에 기반한 시스템으로의 전환입니다.

이러한 행동 인공지능이 성공적으로 구축되면, 병원은 큰 조직에서 높은 품질의 치료를 표준화하고, 임상 의사의 소진과 지연된 치료에 기여하는 운영 마찰을 줄일 수 있을 것입니다.

이 접근 방식은 또한 다른 산업에서 기관 워크플로우와 인간 조정이 공식 문서만큼 중요할 때 미래의 인공지능 시스템 개발에 영향을 미칠 수 있습니다.

의료 분야에서 장기적인 영향은 자동화에만 국한되지 않습니다. 실제 환자 경로에서 수백만 건의 데이터를 학습할 수 있는 시스템은 더 나은 결과와 관련된 운영 패턴을 식별하여, 의료 시스템이 정적 지침만을 기반으로 하는 것이 아니라 관찰된 행동을 기반으로 치료 제공을 지속적으로 개선할 수 있을 것입니다.