Knit Health lanserar med 11,6 miljoner dollar i startkapital för att bygga AI baserat på kliniska beslutsfattanden i verkligheten

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 en annan approach: 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 startkapital som leds av Uncork Capital och Frist Cressey Ventures, med för-startfinansiering 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 förstärkt inlärning, 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 en infrastrukturlager för sjukhus

Knit Health positionerar sin plattform som en 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 klinisk 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.

Ju fler hälso- och sjukvårds-AI-företag som söker tillgång till longitudinell klinisk data snarare än isolerade datamängder, kan samarbeten som detta bli allt viktigare för modellutveckling och distribution.

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 patientresor kan till slut hjälpa hälso- och sjukvårdssystem att kontinuerligt förbättra vårdleveransen baserat på observerat beteende snarare än enbart statiska riktlinjer.