Finanțare
Knit Health se lansează cu 11,6 milioane de dolari seed pentru IA bazată pe decizii clinice reale

Puncte cheieKnit Health antrenează IA pe comportamentul clinicienilor, nu doar pe text medical
Vezi mai mult
- Knit Health antrenează IA pe comportamentul clinicienilor, nu doar pe text medical
- Platforma învață decizii operaționale precum triajul și momentul externării
- IA comportamentală ar putea standardiza furnizarea îngrijirii și reduce epuizarea clinicienilor
Companiile de inteligență artificială din domeniul sănătății s-au concentrat în mare măsură pe antrenarea modelelor pe literatura medicală, note clinice și date textuale. Dar Knit Health adoptă o abordare diferită: învățarea sistemelor de inteligență artificială despre modul în care funcționează realmente sănătatea în spitale și clinici.
Spin-off-ul Universității din California, Berkeley a ieșit din stealth cu 11,6 milioane de dolari în finanțare seed, într-o rundă condusă în comun de Uncork Capital și Frist Cressey Ventures, cu sprijin pre-seed de la Moxxie Ventures și participarea Coalition Operators. Compania afirmă că capitalul va susține dezvoltarea și implementarea Modelului de Comportament Clinic Mare (LCBM), un sistem proiectat pentru a învăța din modul în care clinicienii iau decizii în medii reale de sănătate.
În loc să funcționeze ca un chatbot medical tradițional sau asistent de documentare, Knit Health construiește ceea ce descrie ca “inteligență clinică colectivă” – inteligență artificială antrenată pe modele încorporate în traseul pacientului, trimiteri medicale, decizii de programare, momentul externării și fluxuri de coordonare a îngrijirii în spitale.
Depășirea inteligenței artificiale bazate pe text în sănătate
Majoritatea sistemelor de inteligență artificială generativă din sănătate de astăzi sunt fundamental modele de limbaj. Ele excelează la rezumarea înregistrărilor, generarea de note sau răspunsurile la întrebări pe baza cunoștințelor medicale publicate.
Knit susține că multe dintre deciziile operaționale cele mai importante în sănătate nu sunt explicit scrise. În schimb, ele rezultă din ani de experiență a clinicienilor care navighează constrângerile din lumea reală, cum ar fi disponibilitatea specialiștilor, blocajele de trimiteri medicale, capacitatea spitalului și complexitatea pacientului.
Sistemul LCBM al companiei este antrenat utilizând datele electronice medicale Truveta, care acoperă peste 130 de milioane de pacienți din 30 de sisteme de sănătate din SUA. Knit afirmă că aplică tehnici, inclusiv învățarea profundă de întărire, inferența cauzală și clonarea comportamentală, pentru a modela modul în care deciziile de îngrijire se desfășoară în practică.
Acest lucru diferă semnificativ de sistemele convenționale de inteligență artificială din sănătate, care se bazează în primul rând pe seturi de date statice sau cercetări publicate. În loc să prevadă următorul cuvânt dintr-o propoziție, Knit încearcă să prevadă deciziile operaționale de îngrijire din interiorul sistemelor de sănătate.
Conform companiei, sistemul se poate adapta la dinamica operațională specifică fiecărui spital, inclusiv tiparele de trimitere medicală, limitările de personal și structurile de flux de lucru.
Construirea unui strat de infrastructură pentru spitale
Knit Health își poziționează platforma ca un strat de inteligență fundamental pentru operațiunile de sănătate, mai degrabă decât o aplicație autonomă.
Compania afirmă că modelele sale sunt inițial implementate pentru triaj, optimizarea fluxului de pacienți, predicția externării, managementul trimiterilor medicale și inițiativele de îmbunătățire a calității. Pe termen lung, obiectivul pare a fi integrarea inteligenței artificiale în infrastructura operațională de sub aproape toate fluxurile de lucru clinice.
Acest lucru se aliniază cu o schimbare mai amplă care are loc în domeniul inteligenței artificiale din sănătate, unde companiile își concentrează din ce în ce mai mult atenția asupra ineficiențelor operaționale, mai degrabă decât doar asupra diagnosticului sau asistenților conversaționali.
Sistemele de sănătate continuă să lupte cu probleme, cum ar fi trimiterile medicale întârziate, circuitele supraaglomerate de îngrijire specializată, programarea ineficientă și coordonarea fragmentată între departamente. Aceste probleme operaționale afectează adesea direct rezultatele pacienților, în ciuda progreselor în cunoașterea clinică și disponibilitatea tratamentului.
Strategia Knit sugerează că viitoarele sisteme de inteligență artificială din sănătate s-ar putea concentra mai puțin pe înlocuirea medicilor și mai mult pe orchestrarea sistemelor complexe din jurul îngrijirii pacienților.
Extinderea rolului Truveta în inteligența artificială din sănătate
Parteneriatul Knit cu Truveta reflectă, de asemenea, importanța crescândă a seturilor de date clinice din lumea reală în dezvoltarea inteligenței artificiale din sănătate.
Truveta a construit una dintre cele mai mari colecții de date clinice de-identificate din Statele Unite, reprezentând peste 130 de milioane de pacienți dintr-o rețea de sisteme de sănătate majore. Compania s-a poziționat din ce în ce mai mult ca furnizor de infrastructură cheie pentru cercetarea și inteligența operațională bazată pe inteligență artificială.
Pe măsură ce tot mai multe companii de inteligență artificială din sănătate caută acces la date clinice longitudinale, nu la seturi de date izolate, parteneriate de acest fel ar putea deveni tot mai importante pentru dezvoltarea și implementarea modelelor.
Viitorul inteligenței artificiale comportamentale în medicină
Lansarea Knit Health subliniază o evoluție mai amplă în inteligența artificială din sănătate: o tranziție de la sisteme antrenate în primul rând pe cunoștințe medicale către sisteme antrenate pe comportamentul instituțional.
Dacă este încununată de succes, această categorie de inteligență artificială comportamentală ar putea ajuta, în cele din urmă, spitalele să standardizeze furnizarea îngrijirilor de înaltă calitate în cadrul unor organizații mari, reducând, în același timp, fricțiunile operaționale care contribuie la epuizarea clinicienilor și la tratamentele întârziate.
Această abordare ar putea, de asemenea, influența modul în care sistemele de inteligență artificială vor fi dezvoltate în alte industrii, în care fluxurile de lucru instituționale și coordonarea umană sunt la fel de importante ca documentația formală.
Pentru sănătate, în special, implicațiile pe termen lung merg dincolo de automatizare. Sistemele capabile să învețe din milioane de trasee de pacienți din lumea reală ar putea, în cele din urmă, ajuta la identificarea modelelor operaționale asociate cu rezultate mai bune, permițând sistemelor de sănătate să își rafineze continuu furnizarea îngrijirilor pe baza comportamentului observat, mai degrabă decât doar a ghidurilor statice.












