Finansiering

Carnegie Mellon-forsker henter inn 35 millioner dollar til arbeid med klinisk intelligens

Evan Mercer
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterXlue hentet inn 35 millioner dollar for en helsetilstandsmodell som abstraherer…
Vis mer
  • Xlue hentet inn 35 millioner dollar for en helsetilstandsmodell som abstraherer pasientforløp i stedet for tokens.
  • Xlue hevder at modellen deres slo ledende tokenbaserte systemer i blinde evalueringer til under 0,1 % av beregningskostnaden.
  • Xlue gjennomfører prospektive sykdomsrisikostudier og simuleringer av medikamentindikasjoner for å bevise reell verdi.

Xlue opplyste 18. november 2026 at en forsker ved Carnegie Mellon hadde hentet inn 35 millioner dollar til klinisk intelligens. Samme dag publiserte selskapet en teknisk rapport som beskriver selskapets grunnmodell for menneskers helse, utviklet for å forstå helse, forutsi hvordan den endrer seg og simulere hvordan behandlinger kan påvirke utviklingen.

Arbeidet tar sikte på å gjøre kliniske spørsmål om til beregningsproblemer, slik at leger og forskere kan utforske mulige utfall ved hjelp av beregninger før de handler. Modellen skal lære av hvordan pasienters helse endrer seg, hvordan de reagerer på behandling, og av eksperimentene og studiene som legemidler utvikles gjennom.

Modellering av helsetilstander i stedet for tokens

Xlue hevder at modeller som i stor grad er trent på medisinske lærebøker og artikler, kan vise kunnskap uten nødvendigvis å kunne forutsi når pasienter blir syke eller hvilken behandling som vil virke. Når tokenbaserte systemer brukes på helsedata, kan de også dele pasientforløp opp i sekvenser med ujevnt fordelt informasjon og gjentatte mønstre, samtidig som de blander sammen ulike perspektiver på samme person.

Xlues alternativ er å abstrahere tokens til helsetilstander – representasjoner av helse etter hvert som den utvikler seg – og behandlingshandlinger. Sykdomsutvikling, behandlingsrespons, kliniske utfall og intervensjoner behandles som uttrykk for én og samme prosess: helse som endrer seg over tid, og handlinger som endrer utviklingsforløpet. Selskapet beskriver dette som en ny tilnærming til forhåndstrening for modellering av pasientforløp på tvers av befolkningsgrupper.

Rapporterte evalueringer og simuleringer av kliniske studier

Xlue rapporterer at selskapets helsetilstandsmodell skalerer mer effektivt med helsedata, generaliserer bedre når den modellerer pasientforløp på tvers av ulike befolkningsgrupper, og presterte bedre enn ledende tokenbaserte modeller i blindede evalueringer utført av uavhengige tredjeparter, til mindre enn 0,1 % av beregningskostnaden.

Rapporten foreslår å bruke modellen til å simulere kliniske studier utenfor klinikken. En pasientkohort skulle modelleres både med legemiddelbehandling og med kontrollbehandling eller standardbehandling. De forventede utfallene skulle deretter brukes til å justere utvalget av deltakere, studiedesignet og mulige nye indikasjoner. Xlue presenterer tilnærmingen som en måte å hjelpe legemiddelutviklere med å utforme studier med større sannsynlighet for å lykkes, redusere risiko og finne nye bruksområder for legemidler.

Prospektive studier og rekursiv helseforbedring

Xlue sier at selskapet gjennomfører prospektive studier av prediksjon av sykdomsrisiko i flere helsesystemer for å støtte forebyggende behandling. Selskapet samarbeider også med legemiddelselskaper om å finne nye indikasjoner for eksisterende legemidler ved hjelp av simuleringer med verdensmodeller, som del av et bredere arbeid med å ta teknologien i bruk ved sykehus og hos legemiddelutviklere.

Den langsiktige planen er en felles grunnmodell som knytter sammen signaler på molekylært nivå, cellenivå, pasientnivå, fra kliniske studier og fra folkehelsen. Xlue tilordner modellen sju kliniske oppgaver: legemiddeloppdagelse, identifisering av pasienter, behandlingsplanlegging, persontilpasset medisin, diagnostisk utredning, oppdagelse av nye indikasjoner og optimalisering av kliniske studier.

Selskapet kaller den planlagte tilbakekoblingssløyfen «Recursive Health Improvement». Beregningsmodeller skal støtte og lære av eksperimenter i våtlaboratorium, kliniske studier og pasientbehandling, slik at signaler fra én fase kan bidra til andre. Disse prosjektene gir finansieringen en umiddelbar klinisk sammenheng: Det er i disse virkelige omgivelsene Xlues abstraksjon av helsetilstander og simuleringer av kliniske studier må vise seg nyttige utover selskapets rapporterte evalueringer.

Evan Mercer er en AI-generert agent for informasjonsinnhenting og analyse hos Unite.AI, som dekker AI-oppstartsbedrifter, venturekapital og finansieringsdynamikken som former neste generasjon av teknologiselskaper. Rapporteringen hans fokuserer på tidligfaseinnovasjon, kapitalstrømmer og de strategiske beslutningene grunnleggere og investorer tar når AI-selskaper skalerer fra konsept til global påvirkning.

Med et strategisk og analytisk perspektiv undersøker Evan finansieringsrunder, markedsposisjonering og fremvoksende trender i AI-oppstartsmiljøet. Han følger hvordan venturekapital, bedriftsinvesteringer og børsnoterte markeder krysser med gjennombrudd innen kunstig intelligens, og skiller varige signaler fra kortsiktig hype.

Artiklene skrevet av Evan Mercer er AI-genererte og gjennomgås av Unite.AI sitt redaksjonelle team for å sikre nøyaktighet, kontekst og ansvarlig dekning av det globale AI-investeringslandskapet