Финансирование
Knit Health привлекает $35 млн в раунде серии A для расширения внедрения Med-BEAM

Ключевые моментыKnit Health привлекла 35 миллионов долларов в раунде Series A под руководством NEA для…
Показать больше
- Knit Health привлекла 35 миллионов долларов в раунде Series A под руководством NEA для расширения развертывания Med-BEAM.
- Med-BEAM показала среднюю точность 0,565 в сравнении с моделями Claude при прогнозировании следующих клинических действий.
- Knit стремится предоставить общую основу клинического интеллекта, а не владеть каждым рабочим процессом.
Knit Health объявила 16 ноября 2026 года, что привлекла $35 млн в раунде серии A, который возглавила NEA. Средства пойдут на расширение научной и инженерной команд компании, а также на внедрение ее модели мира в здравоохранении Med-BEAM в большем числе клинических учреждений. В раунде также участвовали Frist Cressey Ventures, Town Hall Ventures и SignalFire, а Uncork, Moxxie, the Aligned Fund и Coalition Operators продолжили поддерживать компанию.
Knit описывает Med-BEAM как модель мира в здравоохранении, обученную на миллиардах медицинских решений и сотнях миллионов записей о пациентах. Модель учится тому, как развиваются заболевания, что делают врачи и к чему приводят разные вмешательства. Первые области применения — навигация пациентов, маршрутизация к специалистам, планирование приемов и управление работой больниц. Предполагается, что модель будет предоставлять клинический контекст в дополнение к языковым моделям, которые служат интерфейсами для пациентов, врачей и ИИ-агентов.
Координация направлений к специалистам и единая платформа
Knit нацелена на механизмы, которые связывают пациентов с уже существующей медицинской помощью: направления во многом зависят от профессиональных связей, планирование приемов — от жестких правил и наличия свободного времени, а клинические маршруты — от упрощенных категорий и оценок. Компания утверждает, что из-за этих механизмов пациенты могут ждать подходящей помощи, а врачи — тратить время на задачи, которые другие могли бы выполнять эффективнее. В качестве примера компания приводит хирурга, чья клиника заполнена пациентами, которым операция не нужна, в то время как те, кому она могла бы помочь, ждут ее неделями или месяцами.
Knit планирует предоставить общую основу клинического интеллекта, а не владеть каждым приложением или рабочим процессом. Системы здравоохранения, технологические компании и разработчики смогут создавать решения на этой основе, вместо того чтобы независимо разрабатывать базовый интеллектуальный компонент. Это позволит Knit занять платформенную роль, выходящую за рамки ее первых продуктов для навигации пациентов и управления операционной деятельностью.
Первые результаты тестирования и их ограничения
В отдельной документации по тестированию, опубликованной 16 ноября 2026 года, Med-BEAM сравнивалась с Claude Opus 4.8, Claude Sonnet 5 и Claude Haiku 4.5 от Anthropic. В рамках задачи использовались записи 200 пациентов, поступивших в больницу из отделения неотложной помощи; ни одна из этих записей не применялась для обучения Med-BEAM.
Получив историю болезни каждого пациента до момента госпитализации и полный список возможных действий, модели предсказывали, что произойдет в следующие 24 часа, учитывая назначение лекарств, процедуры, лабораторные анализы, визуализационные исследования, действия медсестер и направления к специалистам. Заранее не выбирали какой-либо конкретный исход.
По данным Knit, средняя точность Med-BEAM составила 0,565. Для оценки использовалась шкала от 0 до 1, показывающая, насколько хорошо каждая модель ранжировала фактически оказанную помощь. Opus 4.8 набрала 0,228, Sonnet 5 — 0,222, а Haiku 4.5 — 0,124; таким образом, преимущество Med-BEAM в этой задаче составило от 2,48 до 4,56 раза.
Для сравнения скорости и стоимости использовались разные методы. Измеренное время ответа языковых моделей составляло от 216 секунд у Haiku 4.5 до 408 секунд у Opus 4.8; у Sonnet 5 оно равнялось 307 секундам. Показатель Med-BEAM — примерно две секунды — представлял собой расчетное время обработки. По оценке Knit, затраты на одного пациента были в 37–257 раз ниже, чем у языковых моделей. Для расчета использовались фактические объемы запросов к моделям Anthropic в ходе тестирования и опубликованные тарифы на них, а для Med-BEAM — время инференса и почасовая стоимость вычислений, умноженная на три для учета маржи поставщика.
Knit охарактеризовала эту оценку как первоначальный результат, полученный на одной четко определенной задаче прогнозирования, и планирует провести более масштабное тестирование на дополнительных задачах, моделях и в разных клинических условиях. Это различие важно: прогнозирование последующих клинических действий — ранняя проверка модели, тогда как цель компании в области причинно-следственного ИИ состоит в том, чтобы выяснить, как альтернативные решения повлияли бы на исходы лечения пациентов.
Предыдущие раунды финансирования и история компании
Раунду серии A предшествовал посевной раунд на $11,6 млн, который совместно возглавили Uncork Capital и Frist Cressey Ventures, согласно публикации компании от 12 мая 2026 года. Раунд предварительного посевного финансирования возглавила Moxxie Ventures при участии Coalition Operators. Knit — спин-аут Калифорнийского университета в Беркли, а в ее более ранней модели использовались данные Truveta о более чем 130 миллионах пациентов, чтобы выявлять реальные закономерности клинической практики.
Поэтому расширение оценки — одна из ключевых целей привлечения финансирования: клиническое внедрение решений Knit и общая основа для разработчиков зависят от того, удастся ли превратить первоначальное преимущество в прогнозировании в инструменты маршрутизации и управления операционной деятельностью, которые будут работать в разных учреждениях, где отличаются врачи, ресурсы и практические подходы.












