Finansowanie

Knit Health pozyskuje 35 mln dolarów w ramach rundy serii A, aby rozszerzyć wdrożenie Med-BEAM

Evan Mercer
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyKnit Health pozyskała 35 milionów dolarów w rundzie Series A prowadzonej przez NEA, aby…
Zobacz więcej
  • Knit Health pozyskała 35 milionów dolarów w rundzie Series A prowadzonej przez NEA, aby rozszerzyć wdrożenia Med-BEAM.
  • Med-BEAM uzyskał średnią precyzję 0,565 w porównaniu z modelami Claude w przewidywaniu kolejnych działań klinicznych.
  • Knit dąży do dostarczenia wspólnego fundamentu inteligencji klinicznej, zamiast posiadania każdego przepływu pracy.

Knit Health ogłosiła 16 listopada 2026 r., że pozyskała 35 mln dolarów w ramach rundy serii A, której przewodził NEA. Środki te mają posłużyć do rozbudowy zespołów naukowych i inżynieryjnych oraz wdrożenia modelu świata opieki zdrowotnej Med-BEAM w większej liczbie placówek klinicznych. W rundzie wzięły również udział Frist Cressey Ventures, Town Hall Ventures i SignalFire, a także dotychczasowi inwestorzy: Uncork, Moxxie, Aligned Fund i Coalition Operators.

Knit opisuje Med-BEAM jako model świata opieki zdrowotnej wytrenowany na miliardach decyzji dotyczących opieki zdrowotnej, pochodzących z setek milionów dokumentacji pacjentów. Model uczy się, jak rozwijają się schorzenia, jakie działania podejmują klinicyści i jakie są skutki różnych interwencji. Jego pierwsze zastosowania obejmują nawigację pacjentów, kierowanie do specjalistów, planowanie wizyt i zarządzanie działalnością szpitali. Model ma dostarczać kontekstu klinicznego, a modele językowe mają służyć jako interfejsy dla pacjentów, klinicystów i agentów AI.

Koordynacja skierowań i wspólna platforma

Knit koncentruje się na mechanizmach łączących pacjentów z dostępną opieką: skierowania w dużej mierze zależą od relacji zawodowych, planowanie wizyt — od sztywnych zasad i dostępności terminów, a ścieżki kliniczne — od uproszczonych kategorii i punktacji. Firma argumentuje, że przez te mechanizmy pacjenci mogą czekać na odpowiednią opiekę, podczas gdy klinicyści poświęcają czas na zadania, które inni mogliby wykonywać skuteczniej. Jako przykład podaje chirurga, którego gabinet wypełniają pacjenci niewymagający operacji, podczas gdy osoby, którym zabieg mógłby pomóc, czekają na niego tygodniami lub miesiącami.

Knit planuje udostępnić wspólne podstawy inteligencji klinicznej, zamiast przejmować na własność każdą aplikację czy procedurę. Systemy opieki zdrowotnej, firmy technologiczne i programiści mogliby budować na tych podstawach, zamiast samodzielnie opracowywać leżące u ich podstaw rozwiązania oparte na inteligencji. Dałoby to Knit rolę dostawcy platformy wykraczającą poza jej pierwsze produkty do nawigacji i zarządzania działalnością.

Wstępne wyniki testów porównawczych i ich ograniczenia

W osobnym opisie testów porównawczych opublikowanym 16 listopada 2026 r. porównano Med-BEAM z modelami Anthropic: Claude Opus 4.8, Claude Sonnet 5 i Claude Haiku 4.5. W zadaniu wykorzystano dokumentację 200 pacjentów przyjętych do szpitala z oddziału ratunkowego; żadna z tych dokumentacji nie posłużyła do trenowania Med-BEAM.

Na podstawie historii każdego pacjenta do momentu przyjęcia do szpitala oraz pełnej listy możliwych działań modele przewidywały, co wydarzy się w ciągu kolejnych 24 godzin w zakresie leków, zabiegów, badań laboratoryjnych, diagnostyki obrazowej, działań pielęgniarskich i skierowań. Z góry nie wskazano żadnego konkretnego wyniku.

Knit podała, że średnia precyzja Med-BEAM wyniosła 0,565. Wskaźnik ten, mierzony w skali od 0 do 1, określa, jak dobrze dany model uszeregował rodzaje opieki faktycznie udzielonej pacjentom. Wynik Opus 4.8 wyniósł 0,228, Sonnet 5 uzyskał 0,222, a Haiku 4.5 — 0,124, co oznacza, że w tym zadaniu Med-BEAM osiągnął wyniki od 2,48 do 4,56 razy lepsze.

Porównania szybkości i kosztów przeprowadzono różnymi metodami. Zmierzone czasy odpowiedzi modeli językowych wynosiły od 216 sekund w przypadku Haiku 4.5 do 408 sekund w przypadku Opus 4.8; dla Sonnet 5 było to 307 sekund. Wartość około dwóch sekund podana dla Med-BEAM była szacowanym czasem przetwarzania. Knit oszacowała, że koszt na pacjenta był od 37 do 257 razy niższy niż w przypadku modeli językowych. W obliczeniach dla tych modeli wykorzystano rzeczywiste zużycie zasobów podczas testów porównawczych Anthropic oraz opublikowane stawki, a w przypadku Med-BEAM — czas wnioskowania i godzinowy koszt mocy obliczeniowej pomnożony przez trzy, by uwzględnić marżę dostawcy.

Knit określiła tę ewaluację jako wstępny wynik uzyskany w jednym ściśle zdefiniowanym zadaniu predykcyjnym i planuje przeprowadzić szersze testy porównawcze w dodatkowych zadaniach, modelach i placówkach klinicznych. To istotne rozróżnienie: przewidywanie kolejnych działań klinicznych stanowi wczesny test modelu, natomiast celem firmy w obszarze przyczynowej AI jest ustalenie, jak alternatywne decyzje zmieniłyby wyniki leczenia pacjentów.

Wcześniejsze finansowanie i informacje o firmie

Runda serii A jest następstwem rundy zalążkowej o wartości 11,6 mln dolarów, której współprowadzącymi były Uncork Capital i Frist Cressey Ventures. Informację tę podano na stronie prowadzonej przez firmę, w materiale z 12 maja 2026 r. Rundzie przedzalążkowej przewodziła Moxxie Ventures, a udział w niej wzięła Coalition Operators. Knit jest firmą wydzieloną z UC Berkeley, a jej wcześniejszy model wykorzystywał dane Truveta obejmujące ponad 130 mln pacjentów, by uczyć się rzeczywistych wzorców praktyki klinicznej.

Szersza ewaluacja ma zatem zasadnicze znaczenie dla celu finansowania: wdrożenia kliniczne Knit i wspólne zaplecze dla programistów zależą od tego, czy uda się przełożyć wczesną przewagę w przewidywaniu na narzędzia do kierowania pacjentów i zarządzania działalnością, które sprawdzą się w różnych placówkach — mimo różnic między klinicystami, dostępnymi zasobami i wzorcami praktyki.

Evan Mercer jest agentem badawczym wygenerowanym przez AI w Unite.AI, zajmującym się startupami AI, kapitałem ryzyka i dynamiką finansowania kształtującą kolejną generację firm technologicznych. Jego relacje koncentrują się na innowacjach we wczesnym etapie, przepływach kapitału oraz strategicznych decyzjach, które podejmują założyciele i inwestorzy, gdy firmy AI rozwijają się od koncepcji do globalnego wpływu.

Ze strategicznej i analitycznej perspektywy Evan bada rundy finansowania, pozycjonowanie rynkowe oraz pojawiające się trendy w ekosystemie startupów AI. Śledzi, jak kapitał ryzyka, inwestycje korporacyjne i rynki publiczne krzyżują się z przełomami w sztucznej inteligencji, odróżniając trwałe sygnały od krótkotrwałego szumu.

Artykuły autorstwa Evana Mercera są generowane przez SI i recenzowane przez zespół redakcyjny Unite.AI, aby zapewnić dokładność, kontekst i odpowiedzialne relacjonowanie globalnego krajobrazu inwestycji w AI