Finansiering

Knit Health lanseras med 11,6 miljoner dollar i såddfinansiering för AI som bygger på verkliga kliniska beslut

Antoine Tardif
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterKnit Health tränar AI på klinikers beteende snarare än enbart på medicinsk text
Visa mer
  • Knit Health tränar AI på klinikers beteende snarare än enbart på medicinsk text
  • Plattformen lär sig operativa beslut som triage och tidpunkt för utskrivning
  • Beteendeinriktad AI skulle kunna standardisera vårdleveransen och minska klinikers utbrändhet

Hälso- och sjukvårdsföretag som utvecklar AI har i stor utsträckning fokuserat på att träna modeller på medicinsk litteratur, kliniska anteckningar och textbaserad data. Men Knit Health tar ett annat angreppssätt: att lära AI-system hur hälso- och sjukvården faktiskt fungerar inom sjukhus och kliniker.

University of California, Berkeley-spinoffen har gått ur stealth-läget med 11,6 miljoner dollar i såddfinansiering i en runda som leds gemensamt av Uncork Capital och Frist Cressey Ventures, med pre-seed-finansiering från Moxxie Ventures och medverkan från Coalition Operators. Företaget säger att kapitalet kommer att stödja utveckling och distribution av dess Large Clinical Behavior Model (LCBM), ett system som är utformat för att lära sig av hur kliniker fattar beslut i verkliga hälso- och sjukvårdsmiljöer.

Till skillnad från att fungera som en traditionell medicinsk chattbot eller dokumentationsassistent, bygger Knit Health det som de beskriver som “kollektiv klinisk intelligens” — AI som tränats på mönster som är inbäddade i patientflöde, remisser, schemaläggningsbeslut, utskrivningstid och vårdkoordineringsflöden inom sjukhus.

Att gå bortom textbaserad hälso- och sjukvårds-AI

De flesta generativa AI-system inom hälso- och sjukvården idag är i grunden språkmodeller. De excellerar på att sammanfatta journaler, generera anteckningar eller svara på frågor baserat på publicerad medicinsk kunskap.

Knit hävdar att många av de viktigaste operativa besluten inom hälso- och sjukvården inte uttryckligen är skrivna ner. Istället uppstår de från år av klinisk erfarenhet av att navigera i verkliga begränsningar som specialisttillgänglighet, remissköer, sjukhuskapacitet och patientkomplexitet.

Företagets LCBM tränas med hjälp av Truveta elektroniska journaldata som omfattar mer än 130 miljoner patienter inom 30 amerikanska hälso- och sjukvårdssystem. Knit säger att de tillämpar tekniker som djup förstärkningsinlärning, kausalinferens och beteendekloning för att modellera hur vårdbeslut utvecklas i praktiken.

Detta skiljer sig avsevärt från konventionella hälso- och sjukvårds-AI-system som i huvudsak förlitar sig på statiska datamängder eller publicerad forskning. Istället för att förutsäga nästa ord i en mening, försöker Knit förutsäga operativa vårdbeslut inom hälso- och sjukvårdssystem.

Enligt företaget kan systemet anpassa sig till de specifika operativa dynamikerna inom enskilda sjukhus, inklusive remissmönster, bemanningsbegränsningar och flödesstrukturer.

Att bygga ett infrastrukturlager för sjukhus

Knit Health positionerar sin plattform som ett grundläggande intelligenslager för hälso- och sjukvårdsverksamhet snarare än en fristående applikation.

Företaget säger att deras modeller initialt distribueras för triage, patientflödesoptimering, utskrivningsförutsägelse, remisshantering och kvalitetsförbättringsinitiativ. På lång sikt verkar det breda målet vara att integrera AI i den operativa infrastrukturen under nästan varje kliniskt arbetsflöde.

Detta överensstämmer med en bredare förändring som sker inom hälso- och sjukvårds-AI, där företag alltmer riktar sig mot operativa ineffektiviteter snarare än enbart diagnostik eller konversationsassistenter.

Hälso- och sjukvårdssystem fortsätter att kämpa med problem som försenade remisser, överfulla specialistvårdsköer, ineffektiv schemaläggning och fragmenterad samordning mellan avdelningar. Dessa operativa problem påverkar ofta direkt patientresultaten trots framsteg inom klinisk kunskap och behandlingstillgänglighet.

Knits strategi tyder på att framtida hälso- och sjukvårds-AI-system kan bli mindre fokuserade på att ersätta läkare och mer fokuserade på att orkestrera de komplexa system som omger patientvården.

Truvetas utvidgade roll inom hälso- och sjukvårds-AI

Knits partnerskap med Truveta reflekterar också den växande betydelsen av storskaliga verkliga kliniska datamängder i utvecklingen av hälso- och sjukvårds-AI.

Truveta har byggt en av de största samlingarna av deidentifierad klinisk data i USA, som representerar mer än 130 miljoner patienter inom ett nätverk av stora hälso- och sjukvårdssystem. Företaget har alltmer positionerat sig som en nyckelleverantör av infrastruktur för AI-driven hälso- och sjukvårdsforskning och operativ intelligens.

När allt fler företag inom hälso- och sjukvårds-AI söker tillgång till longitudinella kliniska data snarare än isolerade datamängder kan samarbeten som detta bli allt viktigare för modellutveckling och införande.

Framtiden för beteende-AI inom medicin

Knit Healths lansering belyser en bredare utveckling inom hälso- och sjukvårds-AI: en övergång från system som tränats primärt på medicinsk kunskap till system som tränats på institutionellt beteende.

Om det är framgångsrikt, kunde denna kategori av beteende-AI till slut hjälpa sjukhus att standardisera högkvalitativ vårdleverans över stora organisationer samtidigt som de minskar operativ friktion som bidrar till klinisk utbrändhet och försenad behandling.

Tillvägagångssättet kunde också påverka hur framtida AI-system utvecklas inom andra branscher där institutionella arbetsflöden och mänsklig samordning är lika viktiga som formell dokumentation.

För hälso- och sjukvården specifikt, går de långsiktiga implikationerna utöver automatisering. System som kan lära sig av miljontals verkliga patientförlopp kan på sikt bidra till att identifiera operativa mönster som hänger samman med bättre resultat. Det kan göra det möjligt för hälso- och sjukvårdssystem att kontinuerligt förbättra hur vården ges utifrån observerat beteende, inte enbart statiska riktlinjer.

Antoine är en visionär ledare och medgrundare av Unite.AI, driven av en orubblig passion för att forma och främja framtiden för AI och robotik. Som serieentreprenör tror han att AI kommer att förändra samhället lika genomgripande som elektriciteten, och han talar ofta entusiastiskt om potentialen i banbrytande teknik och artificiell generell intelligens (AGI).

Som futurist ägnar han sig åt att utforska hur dessa innovationer kommer att forma vår värld. Han är även grundare av Securities.io, en plattform med fokus på investeringar i spetsteknik som omdefinierar framtiden och omformar hela branscher.