Finansiering
Knit Health tar in 35 miljoner dollar i en serie A-runda för att utöka införandet av Med-BEAM

Viktiga punkterKnit Health tog in 35 miljoner dollar i en serie A-runda ledd av NEA för att utöka…
Visa mer
- Knit Health tog in 35 miljoner dollar i en serie A-runda ledd av NEA för att utöka distributionen av Med-BEAM.
- Med-BEAM uppnådde 0,565 i genomsnittlig precision jämfört med Claude-modeller vid förutsägelse av nästa kliniska åtgärder.
- Knit strävar efter att tillhandahålla en gemensam grund för klinisk intelligens i stället för att äga varje arbetsflöde.
Knit Health meddelade den 16 november 2026 att företaget hade tagit in 35 miljoner dollar i en serie A-runda ledd av NEA för att utöka sina team inom forskning och teknik och införa sin världsmodell för hälso- och sjukvården, Med-BEAM, i fler kliniska verksamheter. Frist Cressey Ventures, Town Hall Ventures och SignalFire deltog också, liksom de befintliga investerarna Uncork, Moxxie, the Aligned Fund och Coalition Operators.
Knit beskriver Med-BEAM som en världsmodell för hälso- och sjukvården, tränad på miljarder vårdbeslut baserade på hundratals miljoner patientjournaler. Modellen lär sig hur tillstånd utvecklas, vad kliniker gör och vad som följer av olika insatser. De första tillämpningarna gäller patientvägledning, remisshantering, tidsbokning och sjukhusdrift. Modellen är tänkt att bidra med klinisk kontext vid sidan av språkmodeller som fungerar som gränssnitt för patienter, kliniker och AI-agenter.
Remisshantering och en gemensam plattform
Knit riktar in sig på de mekanismer som kopplar patienter till befintlig vård: remisser är i hög grad beroende av yrkesmässiga relationer, tidsbokning av rigida regler och tillgång till tider, och kliniska vårdvägar av förenklade kategorier och poängsystem. Företaget menar att dessa mekanismer kan leda till att patienter får vänta på lämplig vård, samtidigt som kliniker ägnar tid åt arbetsuppgifter som andra skulle kunna utföra mer effektivt. Som exempel nämner företaget en kirurg vars mottagning är full av patienter som inte behöver opereras, medan patienter som skulle kunna ha nytta av en operation får vänta i veckor eller månader.
Knit planerar att tillhandahålla en gemensam grund för klinisk intelligens i stället för att äga varje applikation eller arbetsflöde. Vårdsystem, teknikföretag och utvecklare skulle kunna bygga vidare på grunden i stället för att var för sig utveckla den underliggande intelligensen. Det skulle ge Knit en plattformsroll som sträcker sig längre än företagets första produkter för patientvägledning och drift.
Tidiga jämförelseresultat och deras begränsningar
Separat dokumentation om jämförelsetester, publicerad den 16 november 2026, jämförde Med-BEAM med Anthropics Claude Opus 4.8, Claude Sonnet 5 och Claude Haiku 4.5. Testet omfattade journaler för 200 patienter som hade lagts in på sjukhus från akutmottagningen. Ingen av journalerna hade använts för att träna Med-BEAM.
Modellerna fick varje patients sjukdomshistoria fram till inskrivningen och en fullständig lista över möjliga åtgärder, och skulle förutsäga vad som skulle hända under de följande 24 timmarna inom områdena läkemedel, ingrepp, laboratorieordinationer, bilddiagnostik, omvårdnadsåtgärder och remisser. Inget särskilt utfall hade valts ut i förväg.
Knit rapporterade ett genomsnittligt precisionstal på 0,565 för Med-BEAM, med ett mått från 0 till 1 på hur väl varje modell rangordnade den vård som faktiskt gavs. Opus 4.8 fick 0,228, Sonnet 5 fick 0,222 och Haiku 4.5 fick 0,124, vilket gav Med-BEAM ett försprång på 2,48 till 4,56 gånger i detta test.
Jämförelserna av hastighet och kostnad använde olika metoder. De uppmätta svarstiderna för språkmodellerna varierade från 216 sekunder för Haiku 4.5 till 408 sekunder för Opus 4.8, medan Sonnet 5 tog 307 sekunder. Uppgiften på ungefär två sekunder för Med-BEAM var en uppskattad bearbetningstid. Knit uppskattade kostnaden per patient till 37–257 gånger lägre än för språkmodellerna. Beräkningen byggde på den faktiska användningen i Anthropics jämförelsetest, med de publicerade priserna för modellerna, och för Med-BEAM på inferenstid och beräkningskostnad per timme multiplicerad med tre för att motsvara leverantörens marginal.
Knit beskrev utvärderingen som ett första resultat för en avgränsad prediktionsuppgift och planerar bredare jämförelser för fler uppgifter, modeller och kliniska verksamheter. Skillnaden är betydelsefull: att förutsäga efterföljande kliniska åtgärder är ett tidigt test av modellen, medan företagets mål inom kausal AI handlar om hur alternativa beslut skulle förändra patienternas utfall.
Tidigare finansiering och företagets bakgrund
Serie A-rundan följer på en såddrunda på 11,6 miljoner dollar, som leddes gemensamt av Uncork Capital och Frist Cressey Ventures, enligt en redogörelse publicerad av företaget och daterad den 12 maj 2026. Moxxie Ventures ledde pre-seed-rundan, där Coalition Operators också deltog. Knit är en avknoppning från UC Berkeley, och företagets tidigare modell använde data från Truveta som omfattade fler än 130 miljoner patienter för att lära sig verkliga mönster i klinisk praxis.
En bredare utvärdering är därför central för syftet med finansieringen: Knits kliniska införanden och gemensamma utvecklarplattform är beroende av att företagets tidiga prediktionsfördel omsätts i verktyg för remisshantering och drift som fungerar på olika institutioner med skilda kliniker, resurser och vårdmönster.












