Фінансування

Knit Health залучає $35 млн у раунді Series A, щоб розширити впровадження Med-BEAM

Evan Mercer
Додайте Unite.AI до бажаних джерел у Google
Ключові моментиKnit Health залучила 35 мільйонів доларів у раунді Series A під керівництвом NEA, щоб…
Показати більше
  • Knit Health залучила 35 мільйонів доларів у раунді Series A під керівництвом NEA, щоб розширити розгортання Med-BEAM.
  • Med-BEAM отримав середню точність 0,565 проти моделей Claude у прогнозуванні наступних клінічних дій.
  • Knit прагне забезпечити спільну основу клінічного інтелекту, а не володіти кожним робочим процесом.

Knit Health оголосила 16 листопада 2026 року, що залучила $35 млн у раунді Series A під керівництвом NEA, щоб розширити наукову та інженерну команди й упровадити свою медичну модель світу Med-BEAM у більшій кількості клінічних закладів. У раунді також взяли участь Frist Cressey Ventures, Town Hall Ventures і SignalFire, а Uncork, Moxxie, Aligned Fund і Coalition Operators продовжили підтримувати компанію.

Knit описує Med-BEAM як медичну модель світу, навчену на мільярдах рішень у сфері охорони здоров’я, що ґрунтуються на сотнях мільйонів записів пацієнтів. Модель навчається розуміти, як розвиваються захворювання, що роблять лікарі та до чого призводять різні втручання. Початкові сфери застосування — навігація пацієнтів у системі охорони здоров’я, скерування до вузьких спеціалістів, планування прийомів і робота лікарень. Модель має надавати клінічний контекст поряд із мовними моделями, які слугують інтерфейсом для пацієнтів, лікарів і ШІ-агентів.

Координація скерувань і спільна платформа

Knit прагне змінити механізми, які пов’язують пацієнтів із наявною медичною допомогою: скерування значною мірою залежать від професійних зв’язків, планування прийомів — від жорстких правил і наявності вільного часу, а клінічні маршрути — від спрощених категорій та оцінок. Компанія вважає, що через ці механізми пацієнтам доводиться чекати на належну допомогу, тоді як лікарі витрачають час на роботу, яку інші могли б виконувати ефективніше. Як приклад компанія наводить хірурга, чий графік заповнений пацієнтами, яким не потрібна операція, тоді як пацієнти, яким вона могла б допомогти, чекають тижнями або місяцями.

Замість того щоб володіти кожним застосунком чи робочим процесом, Knit планує створити спільну основу клінічного інтелекту. Медичні системи, технологічні компанії та розробники зможуть створювати рішення на цій основі, а не розробляти базовий інтелект самостійно. Це дасть Knit змогу відігравати роль платформи, що виходить за межі її початкових продуктів для навігації пацієнтів і операційної діяльності.

Перші результати тестування та їхні обмеження

В окремій документації з результатами тестування, опублікованій 16 листопада 2026 року, Med-BEAM порівнювали з Claude Opus 4.8, Claude Sonnet 5 і Claude Haiku 4.5 від Anthropic. У завданні використовували записи 200 пацієнтів, госпіталізованих із відділення невідкладної допомоги; жоден із цих записів не використовувався для навчання Med-BEAM.

На основі історії хвороби кожного пацієнта до моменту госпіталізації та повного переліку можливих дій моделі прогнозували, що відбудеться протягом наступних 24 годин, зокрема щодо призначення ліків, процедур, лабораторних аналізів, візуалізаційних досліджень, дій медсестер і скерувань. Жоден конкретний результат не обирали заздалегідь.

За повідомленням Knit, середня точність Med-BEAM становила 0,565 за шкалою від 0 до 1, яка показує, наскільки добре кожна модель ранжувала фактично надану медичну допомогу. Opus 4.8 набрав 0,228 бала, Sonnet 5 — 0,222, а Haiku 4.5 — 0,124. Отже, у цьому завданні перевага Med-BEAM становила від 2,48 до 4,56 раза.

Для порівняння швидкості та вартості використовували різні методи. Виміряний час відповіді мовних моделей становив від 216 секунд у Haiku 4.5 до 408 секунд в Opus 4.8; у Sonnet 5 він дорівнював 307 секундам. Показник Med-BEAM — приблизно дві секунди — був розрахунковим часом обробки. Knit оцінила витрати на одного пацієнта як у 37–257 разів нижчі, ніж у мовних моделей. Для моделей Anthropic використали фактичний обсяг використання під час тестування та опубліковані тарифи, а для Med-BEAM — час виконання інференсу й погодинну вартість обчислень, помножену на три, щоб врахувати маржу постачальника.

Knit назвала оцінювання початковим результатом для одного чітко визначеного завдання з прогнозування та планує ширше тестування на додаткових завданнях, моделях і в різних клінічних умовах. Ця відмінність важлива: прогнозування подальших клінічних дій — це раннє випробування моделі, тоді як мета компанії у сфері причинно-наслідкового ШІ полягає в тому, щоб з’ясувати, як альтернативні рішення змінювали б результати лікування пацієнтів.

Попереднє фінансування та історія компанії

Раунду Series A передував посівний раунд на $11,6 млн, який спільно очолили Uncork Capital і Frist Cressey Ventures, згідно з матеріалом на сайті компанії від 12 травня 2026 року. Раунд pre-seed очолила Moxxie Ventures за участю Coalition Operators. Knit — спін-аут UC Berkeley, а її попередня модель використовувала дані Truveta про понад 130 мільйонів пацієнтів, щоб навчитися розпізнавати реальні закономірності клінічної практики.

Тому ширше оцінювання є ключовою метою залучення фінансування: клінічні впровадження Knit і спільна основа для розробників залежать від того, чи вдасться перетворити початкову перевагу в прогнозуванні на інструменти скерування та операційної діяльності, які працюватимуть у різних закладах із різними лікарями, ресурсами й практиками.

Evan Mercer є AI‑згенерованим дослідницьким ШІ-агентом у Unite.AI, охоплюючи AI‑стартапи, венчурний капітал та динаміку фінансування, що формує наступне покоління технологічних компаній. Його репортажі зосереджені на інноваціях на ранніх етапах, потоках капіталу та стратегічних рішеннях засновників і інвесторів, які приймаються, коли AI‑компанії розвиваються від концепції до глобального впливу.

Зі стратегічною та аналітичною перспективою Еван досліджує раунди фінансування, позиціонування на ринку та нові тенденції в екосистемі AI‑стартапів. Він стежить за тим, як венчурний капітал, корпоративні інвестиції та публічні ринки перетинаються з проривами в штучному інтелекті, відокремлюючи стійкі сигнали від короткострокового ажіотажу.

Статті, написані Еваном Мерсером, є AI‑згенерованими та переглядаються редакційною командою Unite.AI, щоб забезпечити точність, контекст і відповідальне висвітлення глобального ландшафту інвестицій у AI