Finansowanie
Badacz z Carnegie Mellon pozyskuje 35 mln dolarów na prace nad inteligencją kliniczną

Kluczowe punktyXlue pozyskał 35 milionów dolarów na model stanu zdrowia, który abstrahuje trajektorie…
Zobacz więcej
- Xlue pozyskał 35 milionów dolarów na model stanu zdrowia, który abstrahuje trajektorie pacjentów zamiast tokenów.
- Xlue twierdzi, że jego model pokonał wiodące systemy oparte na tokenach w testach blind pod kosztem obliczeniowym poniżej 0,1%.
- Xlue prowadzi prospektywne badania ryzyka chorób i symulacje wskazań lekowych, aby udowodnić wartość w rzeczywistym świecie.
Xlue poinformowała 18 listopada 2026 r., że badacz z Carnegie Mellon pozyskał 35 mln dolarów na prace nad inteligencją kliniczną. Tego samego dnia firma opublikowała raport techniczny opisujący podstawowy model zdrowia człowieka, zaprojektowany tak, by rozumieć stan zdrowia, przewidywać jego zmiany i symulować, jak leczenie może wpływać na ich przebieg.
Celem tych prac jest przekształcanie pytań klinicznych w problemy obliczeniowe, co pozwoli lekarzom i naukowcom analizować możliwe wyniki za pomocą obliczeń przed podjęciem działań. Model ma uczyć się na podstawie zmian stanu zdrowia pacjentów, ich reakcji na leczenie oraz eksperymentów i badań, w ramach których opracowuje się leki.
Modelowanie stanów zdrowia zamiast tokenów
Xlue argumentuje, że modele trenowane głównie na podręcznikach medycznych i publikacjach naukowych mogą wykazywać się wiedzą, niekoniecznie jednak potrafią przewidywać, kiedy pacjenci zachorują ani które leczenie okaże się skuteczne. W przypadku danych dotyczących zdrowia systemy skoncentrowane na tokenach mogą również dzielić przebieg zdrowia pacjentów na sekwencje zawierające nierównomierne ilości informacji i powtarzające się wzorce, a zarazem splatać różne obrazy tej samej osoby.
Alternatywne podejście Xlue polega na przekształcaniu tokenów w stany zdrowia — reprezentacje zdrowia zmieniającego się w czasie — oraz działania terapeutyczne. Postęp choroby, reakcja na leczenie, wyniki kliniczne i interwencje traktowane są jako przejawy jednego procesu: zmian stanu zdrowia w czasie oraz działań zmieniających jego przebieg. Firma opisuje to jako nowe podejście do wstępnego trenowania modeli przebiegu zdrowia pacjentów w różnych populacjach.
Przedstawione wyniki i symulacje badań klinicznych
Xlue informuje, że jej model stanów zdrowia skuteczniej skaluje się w przypadku danych dotyczących zdrowia, lepiej uogólnia się przy modelowaniu przebiegu zdrowia pacjentów w różnych populacjach i osiągnął lepsze wyniki niż czołowe modele oparte na tokenach w zaślepionych, niezależnych ocenach, przy koszcie obliczeń wynoszącym mniej niż 0,1% kosztu ich obliczeń.
Raport proponuje wykorzystanie modelu do symulowania badań klinicznych w trybie offline. Modelowano by kohortę pacjentów przyjmujących lek oraz kohortę otrzymującą leczenie kontrolne lub standardową opiekę, a przewidywane wyniki uwzględniano by przy doborze kohorty, projektowaniu protokołu i rozważaniu możliwych nowych wskazań. Xlue przedstawia to podejście jako sposób, który ma pomóc twórcom leków projektować badania o większym prawdopodobieństwie powodzenia, ograniczać ryzyko i identyfikować nowe zastosowania leków.
Badania prospektywne i Recursive Health Improvement
Xlue informuje, że prowadzi w wielu systemach opieki zdrowotnej prospektywne badania nad przewidywaniem ryzyka chorób, aby wspierać profilaktykę. Firma współpracuje również z przedsiębiorstwami farmaceutycznymi, by za pomocą symulacji modeli świata identyfikować nowe wskazania dla istniejących leków, w ramach szerszych działań wdrożeniowych prowadzonych z udziałem szpitali i twórców leków.
Długoterminowym planem jest stworzenie wspólnego modelu podstawowego łączącego sygnały molekularne, komórkowe, dotyczące pacjentów, badań klinicznych i zdrowia populacji. Xlue przypisuje mu siedem zadań klinicznych: odkrywanie leków, identyfikację pacjentów, planowanie opieki, medycynę precyzyjną, diagnostykę, odkrywanie nowych wskazań i optymalizację badań klinicznych.
Firma nazywa planowaną pętlę informacji zwrotnej Recursive Health Improvement. Modele obliczeniowe miałyby wspierać eksperymenty laboratoryjne, badania kliniczne i opiekę nad pacjentami, a zarazem uczyć się na ich podstawie, dzięki czemu sygnały z jednego etapu mogłyby służyć innym. Projekty te nadają finansowaniu bezpośredni kontekst kliniczny: to rzeczywiste środowiska, w których abstrakcja stanów zdrowia i symulacje badań klinicznych Xlue muszą wykazać użyteczność wykraczającą poza wyniki przedstawionych przez firmę ocen.












