Finansiering
Knit Health lanseres med 11,6 millioner dollar i seed-finansiering til AI basert på reelle kliniske beslutninger

Viktige punkterKnit Health trener AI på klinikeres atferd i stedet for kun medisinsk tekst
Vis mer
- Knit Health trener AI på klinikeres atferd i stedet for kun medisinsk tekst
- Plattformen lærer operasjonelle beslutninger som triage og tidspunkt for utskrivning
- Atferdsbasert AI kan standardisere behandlingsleveranse og redusere utbrenthet blant klinikere
Selskaper som utvikler AI for helsevesenet, har i stor grad fokusert på å trene modeller på medisinsk litteratur, kliniske notater og tekstbasert data. Men Knit Health tar en annen tilnærming: å lære AI-systemer hvordan helsevesenet faktisk opererer innenfor sykehus og klinikker.
University of California, Berkeley-spinoff har kommet ut av stealth-modus med 11,6 millioner dollar i seed-finansiering med felles ledelse av Uncork Capital og Frist Cressey Ventures, med pre-seed-støtte fra Moxxie Ventures og deltakelse fra Coalition Operators. Selskapet sier at kapitalen vil støtte utvikling og distribusjon av deres Large Clinical Behavior Model (LCBM), et system designet for å lære fra hvordan klinikere tar beslutninger i reelle helsetilbudsmiljøer.
I stedet for å fungere som en tradisjonell medisinsk chatbot eller dokumentasjonsassistent, bygger Knit Health det de beskriver som “kollektiv klinisk intelligens” — AI trent på mønstre som er innebygd i pasientrutering, henvisninger, tidsplanlegging, utskrivningstid og samordningsarbeidsflyt over sykehus.
Beveger seg bort fra tekstbasert helseteknologi AI
De fleste generative AI-systemer i helsevesenet i dag er grunnleggende språkmodeller. De excellerer i å sammenfatte journaler, generere notater eller svare på spørsmål basert på publisert medisinsk kunnskap.
Knit argumenterer for at mange av de viktigste operative beslutningene i helsevesenet ikke er eksplisitt skrevet ned. I stedet oppstår de fra år med klinisk erfaring med å navigere reelle verdensbegrensninger som spesialisttilgjengelighet, henvisningsbottlenecks, sykehuskapasitet og pasientkompleksitet.
Selskapets LCBM er trent med Truveta elektroniske medisinske journaldata som omfatter over 130 millioner pasienter over 30 amerikanske helse-systemer. Knit sier at de anvender teknikker som dyp forsterkningslæring, årsaksinferens og atferdskloning for å modellere hvordan omsorgsbeslutninger utvikler seg i praksis.
Dette skiller seg betydelig fra konvensjonelle helseteknologi AI-systemer som primært avhenger av statiske datasett eller publisert forskning. I stedet for å forutsi neste ord i en setning, prøver Knit å forutsi operative omsorgsbeslutninger innenfor helse-systemer.
Ifølge selskapet kan systemet tilpasse seg de spesifikke operative dynamikkene i enkelte sykehus, inkludert henvisningsmønster, bemanningsbegrensninger og arbeidsflytstrukturer.
Å bygge et infrastrukturlag for sykehus
Knit Health posisjonerer plattformen sin som et grunnleggende intelligenslag for helsetjeneste-drift i stedet for en selvstendig applikasjon.
Selskapet sier at deres modeller i første omgang tas i bruk for triage, pasientflytoptimalisering, utskrivningsprediksjon, håndtering av henvisninger og kvalitetsforbedringsinitiativer. Over tid synes det bredere målet å være å integrere AI i den operative infrastrukturen under nesten hver klinisk arbeidsflyt.
Dette stemmer overens med en bredere forskyving som skjer over hele helseteknologien, hvor selskaper i økende grad tar sikte på operative ineffektiviteter i stedet for å fokusere utelukkende på diagnostikk eller konversasjonsassistenter.
Helsetjenestesystemer fortsetter å kjempe med problemer som forsinkede henvisninger, overbelastede forløp i spesialisthelsetjenesten, ineffektiv tidsplanlegging og fragmentert koordinering mellom avdelinger. Disse operative problemene påvirker ofte direkte pasientresultater til tross for fremgang i klinisk kunnskap og behandlingstilgjengelighet.
Knits strategi antyder at fremtidige helseteknologi AI-systemer kan bli mindre fokusert på å erstatte leger og mer fokusert på å koordinere de komplekse systemene omkring pasientbehandling.
Truvetas utvidede rolle i helseteknologi AI
Knits partnerskap med Truveta reflekterer også den voksende betydningen av storstilte, reelle kliniske datasett i utviklingen av AI for helsevesenet.
Truveta har bygget en av de største samlingene av de-identifiserte kliniske data i USA, som representerer over 130 millioner pasienter over et nettverk av større helse-systemer. Selskapet har i økende grad posisjonert seg selv som en nøkkel-infrastruktur-tilbyder for AI-drevet helsetjeneste-forskning og operativ intelligens.
Ettersom flere helseteknologi AI-selskaper søker tilgang til longitudinelle kliniske data i stedet for isolerte datasett, kan slike partnerskap bli stadig viktigere for modellutvikling og -distribusjon.
Fremtiden for atferdsbasert AI i medisin
Knit Healths lansering understreker en bredere utvikling i helseteknologi AI: en overgang fra systemer trent primært på medisinsk kunnskap til systemer trent på institusjonell atferd.
Hvis det er vellykket, kan denne kategorien av atferdsbasert AI potensielt hjelpe sykehus å standardisere høykvalitets omsorgslevering over store organisasjoner mens de reduserer operative friksjoner som bidrar til kliniker-utbrenning og forsinket behandling.
Tilnærmingen kan også påvirke hvordan fremtidige AI-systemer utvikles i andre industrier hvor institusjonelle arbeidsflyter og menneskelig koordinering betyr like mye som formell dokumentasjon.
For helsetjenesten spesifikt, går de langsiktige konsekvensene utover automatisering. Systemer i stand til å lære fra millioner av reelle pasientreiser kan potensielt hjelpe med å identifisere operative mønster assosiert med bedre resultater, og gjøre det mulig for helsetjenestesystemer å forbedre behandlingen kontinuerlig basert på observert atferd i stedet for statiske retningslinjer alene.












