Finansiering

Carnegie Mellon-forskare tar in 35 miljoner dollar för arbete med klinisk intelligens

Evan Mercer
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterXlue tog in 35 miljoner dollar för en hälsotillståndsmodell som abstraherar…
Visa mer
  • Xlue tog in 35 miljoner dollar för en hälsotillståndsmodell som abstraherar patientförlopp i stället för tokens.
  • Xlue hävdar att deras modell slog gränssättande tokenbaserade system i blinda utvärderingar till under 0,1 % av beräkningskostnaden.
  • Xlue genomför prospektiva sjukdomsriskstudier och läkemedelsindikationssimuleringar för att bevisa verkligt värde.

Xlue meddelade den 18 november 2026 att en forskare vid Carnegie Mellon hade tagit in 35 miljoner dollar för arbete med klinisk intelligens. Samma dag publicerade företaget en teknisk rapport som beskriver företagets grundmodell för människors hälsa, utformad för att förstå hälsa, förutsäga hur den förändras och simulera hur behandlingar kan påverka dess förlopp.

Arbetet syftar till att omvandla kliniska frågor till beräkningsproblem, så att läkare och forskare kan undersöka möjliga utfall med hjälp av beräkningar innan de agerar. Modellen är avsedd att lära sig av hur patienters hälsa förändras, av deras svar på behandling och av de experiment och prövningar som används när läkemedel utvecklas.

Modellering av hälsotillstånd i stället för token

Xlue menar att modeller som i hög grad tränats på medicinska läroböcker och artiklar kan uppvisa kunskap utan att nödvändigtvis kunna förutsäga när patienter blir sjuka eller vilken behandling som fungerar. När tokencentrerade system tillämpas på hälsodata kan de också dela upp patientförlopp i sekvenser med ojämnt fördelad information och återkommande mönster, samtidigt som de blandar samman olika bilder av samma person.

Xlues alternativ är att omvandla token till hälsotillstånd – representationer av hälsan medan den förändras – och behandlingsåtgärder. Sjukdomsförlopp, behandlingssvar, kliniska utfall och interventioner ses som uttryck för en och samma process: hälsan förändras över tid och åtgärder förändrar dess förlopp. Företaget beskriver detta som ett nytt förträningssätt för att modellera patientförlopp i olika befolkningsgrupper.

Redovisade utvärderingar och simuleringar av kliniska prövningar

Xlue uppger att företagets modell av hälsotillstånd kan skalas upp mer effektivt med hälsodata, generaliserar bättre när patientförlopp modelleras i olika befolkningsgrupper och överträffade tokenbaserade frontmodeller i blindade utvärderingar utförda av oberoende tredje part, till mindre än 0,1 % av beräkningskostnaden.

Rapporten föreslår att modellen används för att simulera kliniska prövningar offline. En patientkohort skulle modelleras både vid läkemedelsbehandling och vid kontroll eller standardbehandling, och de förutsagda utfallen skulle sedan användas för att påverka valet av kohort, utformningen av prövningsprotokoll och möjliga nya indikationer. Xlue framställer metoden som ett sätt att hjälpa läkemedelsutvecklare att utforma prövningar med högre sannolikhet att lyckas, minska riskerna och hitta nya användningsområden för läkemedel.

Prospektiva studier och återkommande hälsoförbättring

Xlue uppger att företaget genomför prospektiva studier av förutsägelse av sjukdomsrisk inom flera hälso- och sjukvårdssystem för att stödja förebyggande vård. Företaget samarbetar också med läkemedelsbolag för att identifiera nya indikationer för befintliga läkemedel med hjälp av simuleringar med världsmodeller, som en del av ett bredare arbete med att införa lösningarna på sjukhus och hos läkemedelsutvecklare.

Den långsiktiga planen är en gemensam grundmodell som kopplar samman molekylära, cellulära, patientrelaterade, kliniska prövnings- och folkhälsosignaler. Xlue anger sju kliniska uppgifter för modellen: läkemedelsupptäckt, patientidentifiering, vårdplanering, precisionsmedicin, diagnostisk utredning, upptäckt av indikationer och optimering av kliniska prövningar.

Företaget kallar den återkopplingsslinga man planerar att skapa Recursive Health Improvement. Beräkningsmodeller skulle bidra till experiment i våtlaboratorium, kliniska prövningar och patientvård och lära sig av dem, så att signaler från en fas kan vägleda de andra. Projekten ger finansieringen dess omedelbara kliniska sammanhang: det är i dessa verkliga miljöer som Xlues abstraktion av hälsotillstånd och simuleringar av kliniska prövningar måste visa sig användbara även utöver de utvärderingar företaget har redovisat.

Evan Mercer är en AI-genererad agent för informationsinhämtning och analys på Unite.AI, som bevakar AI-startups, riskkapital och finansieringsdynamiken som formar nästa generation av teknikföretag. Hans rapportering fokuserar på innovation i tidig fas, kapitalflöden och de strategiska beslut som grundare och investerare fattar när AI-företag växer från koncept till global påverkan.

Med ett strategiskt och analytiskt perspektiv granskar Evan finansieringsrundor, marknadspositionering och framväxande trender i AI-startup‑ekosystemet. Han följer hur riskkapital, företagsinvesteringar och börsnoterade marknader korsar med genombrott inom artificiell intelligens och skiljer hållbara signaler från kortsiktig hype.

Artiklar skrivna av Evan Mercer är AI-genererade och granskas av Unite.AI:s redaktionsteam för att säkerställa noggrannhet, kontext och ansvarsfull täckning av det globala AI-investeringslandskapet