Financiering
Knit Health haalt 35 miljoen dollar op in Series A-financieringsronde om de inzet van Med-BEAM uit te breiden

Belangrijkste puntenKnit Health haalde een Series A van $35 miljoen op onder leiding van NEA om de uitrol…
Meer weergeven
- Knit Health haalde een Series A van $35 miljoen op onder leiding van NEA om de uitrol van Med-BEAM uit te breiden.
- Med-BEAM behaalde een gemiddelde precisie van 0,565 tegenover Claude-modellen bij het voorspellen van volgende klinische acties.
- Knit wil een gedeelde basis voor klinische intelligentie leveren in plaats van elke workflow zelf te bezitten.
Knit Health maakte op 16 november 2026 bekend dat het een Series A-financieringsronde van 35 miljoen dollar heeft afgesloten onder leiding van NEA. Het bedrijf wil daarmee zijn wetenschappelijke en technische teams uitbreiden en zijn wereldmodel voor de gezondheidszorg, Med-BEAM, inzetten in meer klinische omgevingen. Ook Frist Cressey Ventures, Town Hall Ventures en SignalFire namen deel, naast de blijvende steun van Uncork, Moxxie, het Aligned Fund en Coalition Operators.
Knit omschrijft Med-BEAM als een wereldmodel voor de gezondheidszorg dat is getraind op miljarden zorgbeslissingen op basis van honderden miljoenen patiëntendossiers. Het model leert hoe aandoeningen zich ontwikkelen, wat zorgverleners doen en wat de gevolgen zijn van verschillende interventies. De eerste toepassingen zijn patiëntbegeleiding, doorverwijzing naar specialisten, planning en ziekenhuisactiviteiten. Het model moet klinische context bieden naast taalmodellen die als interface dienen voor patiënten, zorgverleners en AI-agenten.
Coördinatie van verwijzingen en een gedeeld platform
Knit richt zich op de mechanismen die patiënten verbinden met de bestaande zorg: verwijzingen zijn sterk afhankelijk van professionele relaties, afsprakenplanning van rigide regels en beschikbare afspraakmomenten, en klinische zorgpaden van vereenvoudigde categorieën en scores. Volgens het bedrijf kunnen deze mechanismen ertoe leiden dat patiënten moeten wachten op passende zorg, terwijl zorgverleners tijd besteden aan werk dat anderen effectiever zouden kunnen uitvoeren. Als voorbeeld noemt het bedrijf een chirurg wiens spreekuur vol zit met patiënten die geen operatie nodig hebben, terwijl patiënten die baat zouden hebben bij een operatie weken of maanden moeten wachten.
Knit is van plan een gedeelde basis voor klinische intelligentie te bieden, in plaats van eigenaar te worden van elke toepassing of workflow. Zorgstelsels, technologiebedrijven en ontwikkelaars zouden op die basis kunnen voortbouwen, in plaats van de onderliggende intelligentie allemaal afzonderlijk te ontwikkelen. Zo krijgt Knit een platformrol die verder reikt dan de eerste producten voor patiëntbegeleiding en bedrijfsvoering.
Eerste benchmarkresultaten en hun beperkingen
In afzonderlijke benchmarkdocumentatie die op 16 november 2026 is gepubliceerd, werd Med-BEAM getest tegenover Claude Opus 4.8, Claude Sonnet 5 en Claude Haiku 4.5 van Anthropic. Voor de taak werden dossiers gebruikt van 200 patiënten die vanuit de spoedeisende hulp in het ziekenhuis waren opgenomen. Geen van deze dossiers was gebruikt om Med-BEAM te trainen.
Op basis van de voorgeschiedenis van elke patiënt tot aan de opname en een volledige lijst met mogelijke handelingen voorspelden de modellen wat er in de daaropvolgende 24 uur zou gebeuren op het gebied van medicatie, procedures, laboratoriumonderzoek, beeldvorming, verpleegkundige handelingen en verwijzingen. Er werd vooraf geen specifieke uitkomst geselecteerd.
Knit rapporteerde voor Med-BEAM een gemiddelde precisie van 0,565, op een schaal van 0 tot 1 die aangeeft hoe goed elk model de zorg rangschikte die daadwerkelijk werd verleend. Opus 4.8 scoorde 0,228, Sonnet 5 scoorde 0,222 en Haiku 4.5 scoorde 0,124. Daarmee had Med-BEAM bij deze taak een voorsprong van 2,48 tot 4,56 keer.
Voor de vergelijkingen van snelheid en kosten werden verschillende methoden gebruikt. De gemeten responstijden van de taalmodellen liepen uiteen van 216 seconden voor Haiku 4.5 tot 408 seconden voor Opus 4.8; voor Sonnet 5 bedroeg de responstijd 307 seconden. Het cijfer van ongeveer twee seconden voor Med-BEAM was een geschatte verwerkingstijd. Knit schatte de kosten per patiënt op 37 tot 257 keer lager dan die van de taalmodellen. Voor die modellen baseerde het bedrijf de berekening op het daadwerkelijke gebruik tijdens de Anthropic-benchmark en de gepubliceerde tarieven. Voor Med-BEAM gebruikte het de inferentietijd en de rekenkosten per uur, vermenigvuldigd met drie om de marge van de aanbieder mee te nemen.
Knit omschreef de evaluatie als een eerste resultaat voor één afgebakende voorspellingstaak en is van plan uitgebreidere benchmarks uit te voeren voor aanvullende taken, modellen en klinische omgevingen. Dat onderscheid is belangrijk: het voorspellen van daaropvolgende klinische handelingen is een eerste test van het model, terwijl het doel van het bedrijf op het gebied van causale AI draait om de vraag hoe alternatieve beslissingen de uitkomsten voor patiënten zouden veranderen.
Eerdere financiering en achtergrond van het bedrijf
De Series A volgt op een seedronde van 11,6 miljoen dollar die mede werd geleid door Uncork Capital en Frist Cressey Ventures, volgens een door het bedrijf gehost bericht van 12 mei 2026. Moxxie Ventures leidde de pre-seedronde, waaraan Coalition Operators deelnam. Knit is een spin-off van UC Berkeley. Voor een eerder model gebruikte het bedrijf gegevens van Truveta over meer dan 130 miljoen patiënten om patronen uit de dagelijkse klinische praktijk te leren.
Een bredere evaluatie is daarom essentieel voor het doel van de financiering: de klinische toepassingen van Knit en de gedeelde basis voor ontwikkelaars zijn afhankelijk van de vraag of het bedrijf een vroege voorspellende voorsprong kan omzetten in hulpmiddelen voor doorverwijzing en bedrijfsvoering die werken bij instellingen met uiteenlopende zorgverleners, middelen en praktijkpatronen.












