Фінансування
Knit Health залучає 11,6 млн доларів посівного фінансування для ШІ на основі реальних клінічних рішень

Ключові моментиKnit Health навчає ШІ на поведінці клініцистів, а не лише на медичних текстах
Показати більше
- Knit Health навчає ШІ на поведінці клініцистів, а не лише на медичних текстах
- Платформа вивчає операційні рішення, як-от тріаж і час виписки
- Поведінковий ШІ міг би стандартизувати надання медичної допомоги та зменшити вигорання клініцистів
Компанії зі штучного інтелекту в сфері охорони здоров’я в основному зосереджувалися на навчанні моделей на медичній літературі, клінічних записах та текстових даних. Але Knit Health підходить до цього питання по-іншому: вчить системи штучного інтелекту, як працює охорона здоров’я всередині лікарень і клінік.
Спін-офф Університету Каліфорнії в Берклі вийшов з режиму стелс з 11,6 мільйона доларів посівного фінансування в раунді, який спільно очолили Uncork Capital і Frist Cressey Ventures, з підтримкою на передпосівному етапі від Moxxie Ventures та участю Coalition Operators. Компанія заявляє, що ці кошти підтриматимуть розробку та розгортання своєї Large Clinical Behavior Model (LCBM), системи, призначеної для навчання на основі того, як клініцисти приймають рішення в реальних умовах охорони здоров’я.
На відміну від традиційних медичних чат-ботів або помічників документації, Knit Health будує те, що описується як “колективний клінічний інтелект” – штучний інтелект, навчений на закономірностях, закладених у маршрутизації пацієнтів, направленнях, рішеннях щодо розкладу, часу виписки та робочих процесах координації допомоги в лікарнях.
Переходячи за межі текстового штучного інтелекту в охороні здоров’я
Більшість генеративних систем штучного інтелекту в охороні здоров’я сьогодні є фундаментально мовними моделями. Вони добре справляються з підбиттям підсумків записів, генерацією нотаток або відповідями на питання на основі опублікованих медичних знань.
Knit стверджує, що багато найважливіших оперативних рішень в охороні здоров’я не записані явно. Замість цього вони виникають з років клінічного досвіду навігації в реальних обмеженнях, таких як доступність спеціалістів, вузькі місця в направленні на лікування, місткість лікарень та складність пацієнтів.
Система LCBM компанії навчена за допомогою даних електронних медичних записів Truveta, які охоплюють понад 130 мільйонів пацієнтів у 30 системах охорони здоров’я США. Knit заявляє, що застосовує техніки, включаючи глибоке навчання з підкріпленням, каузальну інференцію та поведінне клонування, для моделювання того, як рішення щодо лікування розгортаються на практиці.
Це суттєво відрізняється від традиційних систем штучного інтелекту в охороні здоров’я, які в основному покладаються на статичні набори даних або опубліковані дослідження. Замість прогнозування наступного слова в реченні Knit намагається прогнозувати оперативні рішення щодо лікування всередині систем охорони здоров’я.
Згідно з компанією, система може адаптуватися до конкретної оперативної динаміки окремих лікарень, включаючи моделі направлення, обмеження персоналу та структури робочих процесів.
Будівництво інфраструктурного шару для лікарень
Knit Health позиціонує свою платформу як фундаментальний інтелектуальний шар для операцій охорони здоров’я, а не як самостійну програму.
Компанія заявляє, що її моделі спочатку розгортаються для тріажу, оптимізації потоку пацієнтів, прогнозування виписки, управління направленнями та ініціатив щодо покращення якості. З часом ширша мета, схоже, полягає в тому, щоб вбудувати штучний інтелект у оперативну інфраструктуру під майже кожним клінічним робочим процесом.
Це відповідає більш широкій тенденції, яка відбувається в сфері штучного інтелекту в охороні здоров’я, де компанії все частіше націлюються на оперативні неефективності, а не лише на діагностику або конверсаційні помічники.
Системи охорони здоров’я продовжують стикатися з проблемами, такими як затримки направлення, переповнені спеціалізовані лінії лікування, неефективне планування та фрагментована координація між відділами. Ці оперативні проблеми часто безпосередньо впливають на результати лікування пацієнтів, попри досягнення в клінічних знаннях та доступності лікування.
Стратегія Knit свідчить про те, що майбутні системи штучного інтелекту в охороні здоров’я можуть стати менше орієнтованими на заміну лікарів і більше орієнтованими на оркестрування складних систем, що оточують лікування пацієнтів.
Розширювана роль Truveta в штучному інтелекті охорони здоров’я
Партнерство Knit з Truveta також відображає зростаючу важливість великомасштабних реальних клінічних даних у розробці штучного інтелекту в охороні здоров’я.
Truveta створила одну з найбільших колекцій деідентифікованих клінічних даних у США, яка представляє понад 130 мільйонів пацієнтів у мережі великих систем охорони здоров’я. Компанія все частіше позиціонує себе як ключового постачальника інфраструктури для досліджень штучного інтелекту в охороні здоров’я та операційної аналітики.
Якщо більше компаній зі штучного інтелекту в охороні здоров’я шукають доступ до довготривалих клінічних даних, а не ізольованих наборів даних, партнерства, подібні до цього, можуть стати все більш важливими для розробки та розгортання моделей.
Майбутнє поведінкового штучного інтелекту в медицині
Запуск Knit Health підкреслює більш широку еволюцію в штучному інтелекті охорони здоров’я: перехід від систем, навчених в основному на медичних знаннях, до систем, навчених на інституційних поведінках.
Якщо це буде успішно, ця категорія поведінкового штучного інтелекту може в кінцевому підсумку допомогти лікарням стандартизувати надання якісної допомоги в масштабах великих організацій, одночасно зменшуючи операційні труднощі, що сприяють вигоранню клініцистів та затримці лікування.
Цей підхід також може вплинути на те, як майбутні системи штучного інтелекту будуть розроблені в інших галузях, де інституційні робочі процеси та координація людини мають таку ж важливість, як і формальна документація.
Для охорони здоров’я зокрема довгострокові наслідки виходять за межі автоматизації. Системи, здатні навчатися на мільйонах реальних пацієнтських шляхів, можуть в кінцевому підсумку допомогти ідентифікувати оперативні закономірності, пов’язані з кращими результатами, дозволяючи системам охорони здоров’я постійно вдосконалювати надання медичної допомоги на основі спостережуваної поведінки, а не лише статичних вказівок.












