Finansowanie
Knit Health startuje z 11,6 mln dolarów finansowania seed na AI opartą na rzeczywistych decyzjach klinicznych

Kluczowe punktyKnit Health szkoli AI na podstawie zachowań klinicystów, a nie wyłącznie tekstu…
Zobacz więcej
- Knit Health szkoli AI na podstawie zachowań klinicystów, a nie wyłącznie tekstu medycznego
- Platforma uczy się decyzji operacyjnych, takich jak triage i moment wypisu
- AI behawioralne mogłoby ustandaryzować świadczenie opieki i zmniejszyć wypalenie klinicystów
Firmy zajmujące się sztuczną inteligencją w ochronie zdrowia koncentrowały się głównie na szkoleniu modeli na podstawie literatury medycznej, notatek klinicznych i danych tekstowych. Jednak Knit Health stosuje odmienne podejście: uczy systemy sztucznej inteligencji, jak działa ochrona zdrowia wewnątrz szpitali i klinik.
Spin-off Uniwersytetu Kalifornijskiego w Berkeley wyszedł z fazy stealth z 11,6 mln dolarów w finansowaniu na etapie seed, którym wspólnie kierują Uncork Capital i Frist Cressey Ventures, ze wsparciem na etapie pre-seed od Moxxie Ventures i udziałem Coalition Operators. Firma twierdzi, że kapitał ten wesprze rozwój i wdrożenie Large Clinical Behavior Model (LCBM), systemu zaprojektowanego do uczenia się na podstawie podejmowania decyzji przez klinicystów w środowiskach opieki zdrowotnej.
W przeciwieństwie do tradycyjnych czatbotów medycznych lub asystentów dokumentacji, Knit Health buduje to, co określa jako „zbiorową inteligencję kliniczną” — sztuczną inteligencję szkoloną na wzorcach wbudowanych w trasę pacjenta, decyzje dotyczące skierowań, decyzje dotyczące harmonogramu, momentu wypisu oraz koordynacji opieki w szpitalach.
Przekraczanie granic opieki zdrowotnej opartej na tekście
Większość generatywnych systemów sztucznej inteligencji w ochronie zdrowia dzisiaj opiera się na modelach językowych. Doskonale radzą sobie z podsumowywaniem dokumentów, generowaniem notatek lub odpowiedzią na pytania na podstawie opublikowanej wiedzy medycznej.
Knit twierdzi, że wiele z najważniejszych decyzji operacyjnych w ochronie zdrowia nie jest wyraźnie zapisanych. Zamiast tego wynikają one z lat doświadczenia klinicystów w nawigowaniu przez rzeczywiste ograniczenia, takie jak dostępność specjalistów, wąskie gardła skierowań, pojemność szpitala i złożoność pacjentów.
Model LCBM firmy jest trenowany przy użyciu danych elektronicznych kart medycznych Truveta, obejmujących ponad 130 milionów pacjentów w 30 amerykańskich systemach opieki zdrowotnej. Knit twierdzi, że stosuje techniki, w tym głębokie uczenie ze wzmocnieniem, inferencję przyczynową i klonowanie behawioralne, aby modelować, jak decyzje dotyczące opieki rozgrywają się w praktyce.
To znacznie różni się od konwencjonalnych systemów sztucznej inteligencji w ochronie zdrowia, które opierają się głównie na statycznych zestawach danych lub opublikowanych badaniach. Zamiast przewidywać następne słowo w zdaniu, Knit próbuje przewidywać decyzje dotyczące opieki w systemach opieki zdrowotnej.
Według firmy system może dostosować się do specyficznej dynamiki operacyjnej poszczególnych szpitali, w tym wzorców skierowań, ograniczeń kadrowych i struktur przepływu pracy.
Budowanie warstwy infrastrukturalnej dla szpitali
Knit Health prezentuje swoją platformę jako podstawową warstwę inteligencji dla operacji opieki zdrowotnej, a nie jako samodzielną aplikację.
Firma twierdzi, że jej modele są początkowo wdrażane w celu triażu, optymalizacji przepływu pacjentów, przewidywania wypisu, zarządzania skierowaniami i inicjatyw poprawy jakości. W dłuższej perspektywie celem wydaje się być wbudowanie sztucznej inteligencji w infrastrukturę operacyjną wspierającą niemal każdy kliniczny przepływ pracy.
To wpisuje się w szerszy trend zachodzący w sztucznej inteligencji w ochronie zdrowia, gdzie firmy coraz częściej koncentrują się na nieefektywnościach operacyjnych, a nie wyłącznie na diagnostyce lub asystentach konwersacyjnych.
Systemy opieki zdrowotnej nadal mają trudności z problemami, takimi jak opóźnione skierowania, zatłoczone specjalistyczne ścieżki opieki, niewydajne planowanie i fragmentaryczna koordynacja między departamentami. Te problemy operacyjne często bezpośrednio wpływają na wyniki pacjentów, pomimo postępów w wiedzy klinicznej i dostępności leczenia.
Strategia Knit sugeruje, że przyszłe systemy sztucznej inteligencji w ochronie zdrowia mogą stać się mniej skupione na zastępowaniu lekarzy, a bardziej na koordynowaniu złożonych systemów otaczających opiekę nad pacjentem.
Rozszerzająca się rola Truveta w sztucznej inteligencji w ochronie zdrowia
Partnerstwo Knit z Truveta odzwierciedla również rosnące znaczenie dużych, rzeczywistych zbiorów danych klinicznych w rozwoju sztucznej inteligencji w ochronie zdrowia.
Truveta zbudowała jeden z największych w Stanach Zjednoczonych zbiorów danych klinicznych pozbawionych informacji identyfikujących pacjentów, reprezentujący ponad 130 milionów pacjentów w sieci głównych systemów opieki zdrowotnej. Firma coraz częściej prezentuje się jako kluczowy dostawca infrastruktury dla badań w ochronie zdrowia wspomaganych przez AI oraz inteligencji operacyjnej.
W miarę jak coraz więcej firm AI w ochronie zdrowia szuka dostępu do podłużnych danych klinicznych zamiast izolowanych zbiorów danych, takie partnerstwa mogą zyskiwać na znaczeniu dla rozwoju i wdrażania modeli.
Przyszłość sztucznej inteligencji behawioralnej w medycynie
Uruchomienie Knit Health podkreśla szerszą ewolucję w sztucznej inteligencji w ochronie zdrowia: przejście od systemów szkolonych głównie na wiedzy medycznej do systemów szkolonych na zachowaniach instytucjonalnych.
Jeśli się powiedzie, ta kategoria sztucznej inteligencji behawioralnej mogłaby ostatecznie pomóc szpitalom standaryzować wysokiej jakości opiekę nad pacjentem w dużych organizacjach, jednocześnie redukując tarcie operacyjne, które przyczynia się do wypalenia zawodowego klinicystów i opóźnionego leczenia.
Podejście to mogłoby również wpłynąć na to, jak przyszłe systemy sztucznej inteligencji będą rozwijane w innych branżach, gdzie instytucjonalne przepływy pracy i koordynacja ludzi mają równie wielkie znaczenie, co formalna dokumentacja.
Dla ochrony zdrowia konsekwencje te wykraczają poza zautomatyzowanie. Systemy, które mogą uczyć się z milionów rzeczywistych tras pacjentów, mogą ostatecznie pomóc w identyfikowaniu wzorców operacyjnych związanych z lepszymi wynikami, umożliwiając systemom opieki zdrowotnej ciągłe doskonalenie opieki na podstawie obserwowanego zachowania, a nie tylko statycznych wytycznych.












