Financiamento

Knit Health capta US$ 35 milhões em rodada Série A para ampliar a implantação do Med-BEAM

Evan Mercer
Adicione Unite.AI às suas fontes preferidas no Google
Pontos-chaveA Knit Health levantou uma Série A de 35 milhões de dólares liderada pela NEA para…
Ver mais
  • A Knit Health levantou uma Série A de 35 milhões de dólares liderada pela NEA para expandir as implantações do Med-BEAM.
  • O Med-BEAM obteve uma precisão média de 0,565 em comparação com os modelos Claude na previsão das próximas ações clínicas.
  • A Knit pretende fornecer uma base compartilhada de inteligência clínica em vez de possuir todos os fluxos de trabalho.

A Knit Health anunciou em 16 de novembro de 2026 que captou US$ 35 milhões em uma rodada Série A liderada pela NEA para ampliar suas equipes científicas e de engenharia e implantar seu modelo de mundo para a saúde Med-BEAM em mais contextos clínicos. Frist Cressey Ventures, Town Hall Ventures e SignalFire também participaram, assim como Uncork, Moxxie, Aligned Fund e Coalition Operators, que mantiveram seu apoio.

A Knit descreve o Med-BEAM como um modelo de mundo para a saúde treinado com bilhões de decisões relacionadas à saúde e centenas de milhões de registros de pacientes, que aprende como as condições evoluem, o que os profissionais de saúde fazem e o que acontece após diferentes intervenções. As aplicações iniciais são navegação de pacientes, encaminhamento a especialistas, agendamento e operações hospitalares. O modelo foi desenvolvido para fornecer contexto clínico em conjunto com modelos de linguagem que servem de interface para pacientes, profissionais de saúde e agentes de IA.

Coordenação de encaminhamentos e uma plataforma compartilhada

A Knit busca aprimorar os mecanismos que conectam os pacientes aos serviços de saúde existentes: os encaminhamentos dependem muito de relações profissionais; o agendamento, de regras rígidas e da disponibilidade de consultas; e os percursos clínicos, de categorias e pontuações simplificadas. A empresa argumenta que esses mecanismos podem deixar pacientes à espera de atendimento adequado, enquanto os profissionais de saúde dedicam tempo a tarefas que outras pessoas poderiam realizar com mais eficácia. Como exemplo, cita um cirurgião cujo ambulatório está cheio de pacientes que não precisam de cirurgia, enquanto pacientes que poderiam se beneficiar de uma operação esperam semanas ou meses.

A Knit planeja oferecer uma base compartilhada de inteligência clínica, em vez de ser proprietária de cada aplicação ou fluxo de trabalho. Sistemas de saúde, empresas de tecnologia e desenvolvedores poderiam criar soluções com base nessa estrutura, em vez de desenvolver por conta própria a inteligência subjacente, o que daria à Knit um papel de plataforma que vai além de seus produtos iniciais de navegação e operações.

Resultados iniciais de benchmark e suas limitações

Uma documentação separada do benchmark, publicada em 16 de novembro de 2026, avaliou o Med-BEAM em comparação com Claude Opus 4.8, Claude Sonnet 5 e Claude Haiku 4.5, da Anthropic. A tarefa utilizou registros de 200 pacientes internados após chegarem ao hospital pelo pronto-socorro; nenhum desses registros havia sido usado para treinar o Med-BEAM.

Com o histórico de cada paciente até a internação e uma lista completa de ações possíveis, os modelos previram o que aconteceria nas 24 horas seguintes em relação a medicamentos, procedimentos, exames laboratoriais, exames de imagem, ações de enfermagem e encaminhamentos. Nenhum resultado específico foi escolhido de antemão.

A Knit informou que o Med-BEAM obteve precisão média de 0,565, usando uma medida de 0 a 1 que indica o quanto cada modelo ordenou corretamente os cuidados que de fato ocorreram. Opus 4.8 obteve 0,228, Sonnet 5, 0,222, e Haiku 4.5, 0,124, dando ao Med-BEAM uma vantagem de 2,48 a 4,56 vezes nessa tarefa.

As comparações de velocidade e custo utilizaram métodos diferentes. Os tempos medidos de resposta dos modelos de linguagem variaram de 216 segundos para Haiku 4.5 a 408 segundos para Opus 4.8, sendo de 307 segundos para Sonnet 5; o valor aproximado de dois segundos atribuído ao Med-BEAM era uma estimativa do tempo de processamento. A Knit estimou que os custos por paciente eram de 37 a 257 vezes menores que os dos modelos de linguagem. Para esses modelos, usou o consumo real no benchmark da Anthropic e as tarifas publicadas; para o Med-BEAM, considerou o tempo de inferência e o custo computacional por hora, multiplicados por três para corresponder à margem do provedor.

A Knit caracterizou a avaliação como um resultado inicial em uma única tarefa de previsão definida e planeja realizar benchmarks mais amplos, abrangendo tarefas, modelos e contextos clínicos adicionais. A distinção é significativa: prever as ações clínicas subsequentes é um teste inicial do modelo, enquanto o objetivo da empresa em IA causal diz respeito a como decisões alternativas mudariam os resultados dos pacientes.

Financiamento anterior e histórico da empresa

A rodada Série A vem após uma rodada seed de US$ 11,6 milhões, co-liderada por Uncork Capital e Frist Cressey Ventures, de acordo com um relato publicado pela própria empresa, datado de 12 de maio de 2026. Moxxie Ventures liderou a rodada pré-seed, que também contou com a participação de Coalition Operators. A Knit é uma empresa derivada da UC Berkeley, e seu modelo anterior usou dados da Truveta que abrangem mais de 130 milhões de pacientes para aprender padrões reais da prática clínica.

Por isso, uma avaliação mais ampla é central para o propósito do financiamento: as implantações clínicas da Knit e sua base compartilhada para desenvolvedores dependem de transformar uma vantagem preditiva inicial em ferramentas de encaminhamento e operacionais que funcionem em instituições com diferentes profissionais de saúde, recursos e padrões de prática.

Evan Mercer é um agente de pesquisa gerado por IA na Unite.AI, cobrindo startups de IA, capital de risco e as dinâmicas de financiamento que moldam a próxima geração de empresas de tecnologia. Seu trabalho foca na inovação em estágio inicial, fluxos de capital e nas decisões estratégicas que fundadores e investidores tomam à medida que as empresas de IA escalam do conceito ao impacto global.

Com uma perspectiva estratégica e analítica, Evan examina rodadas de financiamento, posicionamento de mercado e tendências emergentes em todo o ecossistema de startups de IA. Ele acompanha como o capital de risco, investimento corporativo e os mercados públicos se cruzam com avanços em inteligência artificial, separando sinais duradouros de hype de curto prazo.

Artigos escritos por Evan Mercer são gerados por IA e revisados pela equipe editorial da Unite.AI para garantir precisão, contexto e cobertura responsável do panorama global de investimentos em IA