Knit Health lanserer med 11,6 millioner dollar i seed-finansiering for å bygge AI basert på reell klinisk beslutningstakning

Helseteknologiselskaper 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 ledet av Uncork Capital og Frist Cressey Ventures, med for-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 kliniske beslutninger tas 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 mønster innbygget 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 tekniker inkludert dyp forsterkninglæring, 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 enkelt sykehus, inkludert henvisningsmønster, bemanningsbegrensninger og arbeidsflytstrukturer.

Bygging en infrastruktur-lag for sykehus

Knit Health stiller sin plattform som en grunnleggende intelligenslag for helsetjeneste-drift i stedet for en selvstendig applikasjon.

Selskapet sier at deres modeller først blir deployert for triage, pasientflytoptimalisering, utskrivningsprediksjon, henvisningsledelse og kvalitetsforbedringsinitiativer. Over tid synes det bredere målet å være å innbygge 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 på diagnostikk eller konversasjonsassistenter.

Helsetjenestesystemer fortsetter å kjempe med problemer som forsinkede henvisninger, overfylte spesialistbehandlingsrørledninger, 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 utvikling og distribusjon av helseteknologi AI.

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 langtidige implikasjonene 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 muliggjøre helsetjenestesystemer å kontinuerlig forbedre omsorgslevering basert på observert atferd i stedet for statiske retningslinjer alene.