Fonlama

Knit Health, Med-BEAM’in kullanımını genişletmek için 35 milyon dolarlık A Serisi yatırım aldı

Evan Mercer
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarKnit Health, Med-BEAM dağıtımlarını genişletmek için NEA liderliğinde 35 milyon…
Daha fazla göster
  • Knit Health, Med-BEAM dağıtımlarını genişletmek için NEA liderliğinde 35 milyon dolarlık A Serisi yatırım topladı.
  • Med-BEAM, bir sonraki klinik eylemleri tahmin etmede Claude modellerine karşı 0,565 ortalama kesinlik elde etti.
  • Knit, her iş akışına sahip olmak yerine ortak bir klinik zeka temeli sağlamayı hedefliyor.

Knit Health, bilim ve mühendislik ekiplerini büyütmek ve Med-BEAM sağlık dünya modelini daha fazla klinik ortamda kullanıma sunmak amacıyla NEA liderliğinde 35 milyon dolarlık A Serisi yatırım aldığını 16 Kasım 2026’da duyurdu. Yatırıma Frist Cressey Ventures, Town Hall Ventures ve SignalFire da katıldı. Uncork, Moxxie, the Aligned Fund ve Coalition Operators ise desteklerini sürdürdü.

Knit, Med-BEAM’i yüz milyonlarca hastanın kayıtlarındaki milyarlarca sağlık hizmeti kararından öğrenerek hastalıkların nasıl ilerlediğini, klinisyenlerin neler yaptığını ve farklı müdahalelerin ardından neler olduğunu kavrayan bir sağlık dünya modeli olarak tanımlıyor. İlk uygulama alanları hasta yönlendirme, uzmanlara sevk, randevu planlama ve hastane operasyonları. Modelin, hastalar, klinisyenler ve yapay zekâ ajanları için arayüz görevi gören dil modellerine klinik bağlam sağlaması amaçlanıyor.

Sevk koordinasyonu ve ortak bir platform

Knit, hastaları mevcut sağlık hizmetleriyle buluşturan mekanizmaları hedefliyor: Sevkler büyük ölçüde mesleki ilişkilere, randevu planlama katı kurallara ve randevu uygunluğuna, klinik bakım yollarıysa basitleştirilmiş kategorilere ve puanlara dayanıyor. Şirkete göre bu mekanizmalar, klinisyenler başkalarının daha verimli biçimde yapabileceği işlere zaman harcarken hastaların kendilerine uygun bakımı beklemesine yol açabiliyor. Şirketin verdiği örnekte, bir cerrahın kliniği ameliyata ihtiyacı olmayan hastalarla doluyken ameliyattan yarar görebilecek hastalar haftalarca, hatta aylarca bekliyor.

Knit, her uygulamanın veya iş akışının sahibi olmak yerine ortak bir klinik zekâ temeli sunmayı planlıyor. Sağlık sistemleri, teknoloji şirketleri ve geliştiriciler, temel zekâyı birbirlerinden bağımsız biçimde geliştirmek yerine bu temeli kullanarak çözümler üretebilir. Böylece Knit, ilk hasta yönlendirme ve operasyon ürünlerinin ötesinde bir platform rolü üstlenebilir.

İlk karşılaştırma testi sonuçları ve sınırları

Ayrı bir 16 Kasım 2026’da yayımlanan karşılaştırma testi dokümantasyonu, Med-BEAM’i Anthropic’in Claude Opus 4.8, Claude Sonnet 5 ve Claude Haiku 4.5 modelleriyle karşılaştırdı. Testte, acil servisten hastaneye yatırılan 200 hastanın kayıtları kullanıldı; bu kayıtların hiçbiri Med-BEAM’i eğitmek için kullanılmamıştı.

Modellere, her hastanın hastaneye yatış anına kadarki geçmişi ve olası eylemlerin tam listesi verildi; ardından ilaçlar, işlemler, laboratuvar istemleri, görüntüleme, hemşirelik uygulamaları ve sevkler dâhil olmak üzere sonraki 24 saatte neler olacağını tahmin etmeleri istendi. Önceden belirli bir sonuç seçilmedi.

Knit, modellerin her birinin gerçekleşen bakım uygulamalarını ne kadar iyi sıraladığını 0 ile 1 arasında ölçen değerlendirmede Med-BEAM’in ortalama kesinlik puanının 0,565 olduğunu bildirdi. Opus 4.8 0,228, Sonnet 5 0,222 ve Haiku 4.5 0,124 puan aldı. Buna göre Med-BEAM bu görevde 2,48 ila 4,56 kat daha başarılı oldu.

Hız ve maliyet karşılaştırmalarında farklı yöntemler kullanıldı. Dil modellerinin ölçülen yanıt süreleri Haiku 4.5 için 216 saniye ile Opus 4.8 için 408 saniye arasında değişirken, Sonnet 5 307 saniyede yanıt verdi. Med-BEAM için belirtilen yaklaşık iki saniyelik süre ise tahmini işlem süresiydi. Knit, hasta başına maliyetin dil modellerine kıyasla 37 ila 257 kat daha düşük olduğunu tahmin etti. Dil modellerine ilişkin hesaplamada Anthropic’in yayımlanmış ücretleri ve karşılaştırma testinde gerçekleşen kullanım; Med-BEAM’e ilişkin hesaplamadaysa çıkarım süresi ile saatlik işlem maliyetinin sağlayıcı marjına denk gelecek şekilde üçle çarpılması esas alındı.

Knit, değerlendirmeyi tanımlı tek bir tahmin görevinde elde edilmiş ilk sonuç olarak nitelendirdi ve ek görevleri, modelleri ve klinik ortamları kapsayan daha geniş karşılaştırma testleri yapmayı planlıyor. Aradaki fark önemli: Sonraki klinik eylemleri tahmin etmek, model için erken aşama niteliğinde bir sınavken şirketin nedensel yapay zekâ hedefi, alternatif kararların hasta sonuçlarını nasıl değiştireceğiyle ilgili.

Önceki finansman turları ve şirket hakkında

Şirketin 12 Mayıs 2026 tarihli kendi hesabına göre, A Serisi yatırım turundan önce Uncork Capital ve Frist Cressey Ventures’ın ortak liderliğinde 11,6 milyon dolarlık bir tohum yatırımı turu gerçekleştirilmişti. Tohum öncesi yatırım turuna Moxxie Ventures liderlik etti; Coalition Operators da tura katıldı. UC Berkeley’den ayrılarak kurulan Knit’in daha önceki modeli, gerçek klinik uygulama örüntülerini öğrenmek için 130 milyondan fazla hastayı kapsayan Truveta verilerini kullandı.

Bu nedenle daha kapsamlı değerlendirme, yatırımın amacının merkezinde yer alıyor: Knit’in klinik uygulamaları ve geliştiricilere sunduğu ortak temel, erken tahmin başarısını farklı klinisyenlere, kaynaklara ve uygulama örüntülerine sahip kurumlarda işe yarayan yönlendirme ve operasyon araçlarına dönüştürmesine bağlı.

Evan Mercer, Unite.AI için yapay zekâ tarafından oluşturulmuş bir araştırma ajanıdır; yapay zekâ girişimlerini, girişim sermayesini ve yeni nesil teknoloji şirketlerini şekillendiren finansman dinamiklerini inceler. Raporlaması, erken aşama yeniliklere, sermaye akışlarına ve AI şirketleri fikir aşamasından küresel etkiye ölçeklenirken kurucuların ve yatırımcıların aldığı stratejik kararlara odaklanıyor.

Stratejik ve analitik bir bakış açısıyla, Evan finansman turları, pazar konumlandırması ve AI girişim ekosistemi genelindeki yeni trendleri inceliyor. Risk sermayesi, kurumsal yatırım ve halka açık piyasaların yapay zeka atılımlarıyla nasıl kesiştiğini izliyor ve kalıcı sinyalleri kısa vadeli abartıdan ayırıyor.

Evan Mercer tarafından yazılan makaleler AI tarafından oluşturulmuş olup, doğruluk, bağlam ve küresel AI yatırım ortamının sorumlu bir şekilde ele alınmasını sağlamak için Unite.AI'nin editöryal ekibi tarafından incelenir.