Finansiering
Knit Health henter 35 millioner dollar i serie A for å utvide utrullingen av Med-BEAM

Viktige punkterKnit Health hentet inn 35 millioner dollar i en serie A-runde ledet av NEA for å utvide…
Vis mer
- Knit Health hentet inn 35 millioner dollar i en serie A-runde ledet av NEA for å utvide Med-BEAM-utplasseringene.
- Med-BEAM oppnådde en gjennomsnittlig presisjon på 0,565 mot Claude-modeller på å forutsi neste kliniske handlinger.
- Knit har som mål å tilby et felles grunnlag for klinisk intelligens i stedet for å eie hver arbeidsflyt.
Knit Health kunngjorde 16. november 2026 at selskapet hadde hentet inn 35 millioner dollar i en serie A-finansieringsrunde ledet av NEA. Pengene skal brukes til å utvide de vitenskapelige teamene og ingeniørteamene og ta i bruk helsevesenets verdensmodell Med-BEAM i flere kliniske miljøer. Frist Cressey Ventures, Town Hall Ventures og SignalFire deltok også, sammen med videre støtte fra Uncork, Moxxie, the Aligned Fund og Coalition Operators.
Knit beskriver Med-BEAM som en verdensmodell for helsevesenet, trent på milliarder av beslutninger i helsevesenet på tvers av hundrevis av millioner pasientjournaler. Modellen lærer hvordan tilstander utvikler seg, hva klinikere gjør, og hva som følger av ulike tiltak. De første bruksområdene er pasientveiledning, henvisning til spesialister, timebestilling og sykehusdrift. Modellen skal tilføre klinisk kontekst ved siden av språkmodeller som fungerer som grensesnitt for pasienter, klinikere og KI-agenter.
Koordinering av henvisninger og en felles plattform
Knit retter seg mot mekanismene som kobler pasienter til eksisterende helsetjenester: Henvisninger er i stor grad avhengige av faglige relasjoner, timebestilling av rigide regler og tilgjengelige timer, og kliniske behandlingsforløp av forenklede kategorier og skårer. Selskapet mener at disse mekanismene kan føre til at pasienter må vente på egnet behandling, mens klinikere bruker tid på oppgaver andre kunne utført mer effektivt. Selskapet trekker fram en kirurg hvis klinikk er full av pasienter som ikke trenger operasjon, mens pasienter som kunne hatt nytte av et inngrep, må vente i uker eller måneder.
Knit planlegger å tilby et felles grunnlag for klinisk intelligens i stedet for å eie hver enkelt applikasjon eller arbeidsflyt. Helsesystemer, teknologiselskaper og utviklere kan bygge videre på dette grunnlaget i stedet for å utvikle den underliggende intelligensen hver for seg. Dermed får Knit en plattformrolle som strekker seg utover selskapets første produkter for pasientveiledning og drift.
Tidlige referanseresultater og begrensningene deres
Separat dokumentasjon av referansetesten publisert 16. november 2026 sammenlignet Med-BEAM med Anthropic-modellene Claude Opus 4.8, Claude Sonnet 5 og Claude Haiku 4.5. Testen brukte journaler for 200 pasienter som var innlagt på sykehus fra akuttmottaket. Ingen av journalene hadde vært brukt til å trene Med-BEAM.
Modellene fikk hver pasients sykehistorie fram til innleggelsen og en fullstendig liste over mulige tiltak, og skulle forutsi hva som ville skje i løpet av de neste 24 timene innen legemidler, prosedyrer, laboratorieprøver, bildediagnostikk, sykepleietiltak og henvisninger. Ingen bestemt utgang var valgt på forhånd.
Knit rapporterte en gjennomsnittlig presisjon på 0,565 for Med-BEAM, målt på en skala fra 0 til 1 som viser hvor godt hver modell rangerte behandlingen som faktisk ble gitt. Opus 4.8 fikk 0,228, Sonnet 5 fikk 0,222 og Haiku 4.5 fikk 0,124. Dermed hadde Med-BEAM et forsprang på 2,48 til 4,56 ganger i denne oppgaven.
Sammenligningene av hastighet og kostnader brukte ulike metoder. Målte svartider for språkmodellene varierte fra 216 sekunder for Haiku 4.5 til 408 sekunder for Opus 4.8, mens Sonnet 5 brukte 307 sekunder. Tallet på omtrent to sekunder for Med-BEAM var et anslag på behandlingstiden. Knit anslo at kostnaden per pasient var 37 til 257 ganger lavere enn for språkmodellene. Beregningen brukte faktisk bruk i Anthropics referansetester, med de publiserte prisene for disse modellene. For Med-BEAM tok den utgangspunkt i inferenstid og beregningskostnad per time, multiplisert med tre for å tilsvare leverandørens margin.
Knit beskrev evalueringen som et innledende resultat for én avgrenset prediksjonsoppgave og planlegger bredere referansetester på flere oppgaver, modeller og kliniske områder. Dette skillet er viktig: Å forutsi senere kliniske handlinger er en tidlig test av modellen, mens selskapets mål innen kausal KI handler om hvordan alternative beslutninger ville endret pasientutfall.
Tidligere finansiering og bakgrunn om selskapet
Serie A-runden følger en såkornrunde på 11,6 millioner dollar, som Uncork Capital og Frist Cressey Ventures ledet sammen, ifølge en konto hos selskapet datert 12. mai 2026. Moxxie Ventures ledet før-såkornerunden, med deltakelse fra Coalition Operators. Knit er et utspring fra UC Berkeley, og selskapets tidligere modell brukte data fra Truveta som omfattet mer enn 130 millioner pasienter, for å lære mønstre fra reell klinisk praksis.
En bredere evaluering er derfor sentral for formålet med finansieringen: Knits kliniske utrullinger og felles grunnlag for utviklere avhenger av at selskapet omsetter et tidlig forsprang innen prediksjon til verktøy for henvisning og drift som fungerer på tvers av institusjoner med ulike klinikere, ressurser og praksismønstre.












