Gọi vốn

Knit Health huy động 35 triệu USD trong vòng Series A để mở rộng triển khai Med-BEAM

Evan Mercer
Thêm Unite.AI vào các nguồn ưu tiên của bạn trên Google
Điểm chínhKnit Health đã huy động được 35 triệu đô la trong vòng gọi vốn Series A do NEA dẫn đầu…
Xem thêm
  • Knit Health đã huy động được 35 triệu đô la trong vòng gọi vốn Series A do NEA dẫn đầu để mở rộng triển khai Med-BEAM.
  • Med-BEAM đạt độ chính xác trung bình 0,565 so với các mô hình Claude trong việc dự đoán các hành động lâm sàng tiếp theo.
  • Knit hướng tới việc cung cấp một nền tảng trí tuệ lâm sàng dùng chung thay vì sở hữu mọi quy trình làm việc.

Knit Health thông báo ngày 16 tháng 11 năm 2026 rằng công ty đã huy động được 35 triệu USD trong vòng Series A do NEA dẫn đầu, nhằm mở rộng đội ngũ khoa học và kỹ thuật, đồng thời triển khai mô hình thế giới chăm sóc sức khỏe Med-BEAM tại nhiều cơ sở lâm sàng hơn. Frist Cressey Ventures, Town Hall Ventures và SignalFire cũng tham gia, cùng với sự tiếp tục hỗ trợ của Uncork, Moxxie, Aligned Fund và Coalition Operators.

Knit mô tả Med-BEAM là một mô hình thế giới chăm sóc sức khỏe được huấn luyện trên hàng tỷ quyết định y tế được đưa ra dựa trên hàng trăm triệu hồ sơ bệnh nhân. Mô hình học cách tình trạng bệnh tiến triển, những việc bác sĩ lâm sàng thực hiện và hệ quả của các biện pháp can thiệp khác nhau. Các ứng dụng ban đầu gồm điều hướng bệnh nhân, kết nối với bác sĩ chuyên khoa, sắp xếp lịch hẹn và vận hành bệnh viện. Mô hình được thiết kế để cung cấp bối cảnh lâm sàng, bổ trợ cho các mô hình ngôn ngữ đóng vai trò giao diện cho bệnh nhân, bác sĩ lâm sàng và tác nhân AI.

Điều phối chuyển tuyến và nền tảng dùng chung

Knit nhắm đến những cơ chế kết nối bệnh nhân với các dịch vụ chăm sóc hiện có: việc chuyển tuyến phụ thuộc nhiều vào các mối quan hệ nghề nghiệp; việc sắp xếp lịch hẹn phụ thuộc vào những quy tắc cứng nhắc và tình trạng còn chỗ; còn các lộ trình lâm sàng dựa trên những phân loại và thang điểm đơn giản hóa. Công ty cho rằng các cơ chế này có thể khiến bệnh nhân phải chờ đợi để được chăm sóc phù hợp, trong khi bác sĩ lâm sàng dành thời gian cho những công việc mà người khác có thể thực hiện hiệu quả hơn. Ví dụ được đưa ra là một bác sĩ phẫu thuật có phòng khám kín lịch với những bệnh nhân không cần phẫu thuật, trong khi các bệnh nhân có thể được hưởng lợi từ ca mổ lại phải chờ hàng tuần hoặc hàng tháng.

Thay vì sở hữu mọi ứng dụng hay quy trình làm việc, Knit dự định cung cấp một nền tảng chung về trí tuệ lâm sàng. Các hệ thống y tế, công ty công nghệ và nhà phát triển có thể xây dựng dựa trên nền tảng này, thay vì tự phát triển riêng phần trí tuệ cốt lõi, qua đó giúp Knit đảm nhận vai trò nền tảng vượt ra ngoài các sản phẩm điều hướng và vận hành ban đầu.

Kết quả đánh giá đối sánh ban đầu và những hạn chế

Một tài liệu về đánh giá đối sánh được công bố riêng ngày 16 tháng 11 năm 2026 đã so sánh Med-BEAM với Claude Opus 4.8, Claude Sonnet 5 và Claude Haiku 4.5 của Anthropic. Bài đánh giá sử dụng hồ sơ của 200 bệnh nhân nhập viện từ khoa cấp cứu; không hồ sơ nào trong số đó được dùng để huấn luyện Med-BEAM.

Dựa trên bệnh sử của từng bệnh nhân tính đến thời điểm nhập viện và danh sách đầy đủ các biện pháp có thể áp dụng, các mô hình dự đoán những gì sẽ xảy ra trong 24 giờ tiếp theo, xét trên các phương diện thuốc, thủ thuật, xét nghiệm, chẩn đoán hình ảnh, hoạt động điều dưỡng và chuyển tuyến. Không có kết quả cụ thể nào được chọn trước.

Knit cho biết Med-BEAM đạt độ chính xác trung bình 0,565, theo thước đo từ 0 đến 1 đánh giá khả năng mỗi mô hình xếp hạng đúng các hoạt động chăm sóc thực sự diễn ra. Opus 4.8 đạt 0,228, Sonnet 5 đạt 0,222 và Haiku 4.5 đạt 0,124, giúp Med-BEAM có lợi thế gấp 2,48 đến 4,56 lần trong bài đánh giá này.

Các so sánh về tốc độ và chi phí sử dụng những phương pháp khác nhau. Thời gian phản hồi đo được của các mô hình ngôn ngữ dao động từ 216 giây với Haiku 4.5 đến 408 giây với Opus 4.8, trong khi Sonnet 5 mất 307 giây; con số khoảng hai giây của Med-BEAM là thời gian xử lý ước tính. Knit ước tính chi phí trên mỗi bệnh nhân thấp hơn từ 37 đến 257 lần so với các mô hình ngôn ngữ, dựa trên mức sử dụng thực tế trong các bài đánh giá chuẩn của Anthropic và mức giá công bố cho những mô hình đó; riêng với Med-BEAM, phép tính dựa trên thời gian suy luận và chi phí điện toán theo giờ, nhân với ba để tương đương với biên lợi nhuận của nhà cung cấp.

Knit mô tả đây là kết quả ban đầu trên một nhiệm vụ dự đoán được xác định rõ, đồng thời dự định thực hiện các bài đánh giá đối sánh rộng hơn trên nhiều nhiệm vụ, mô hình và môi trường lâm sàng khác. Sự khác biệt này rất đáng chú ý: dự đoán các hoạt động lâm sàng tiếp theo là phép thử ban đầu đối với mô hình, trong khi mục tiêu về AI nhân quả của công ty tập trung vào cách các quyết định thay thế có thể làm thay đổi kết quả sức khỏe của bệnh nhân.

Các vòng gọi vốn trước đây và thông tin về công ty

Vòng Series A diễn ra sau vòng hạt giống trị giá 11,6 triệu USD do Uncork Capital và Frist Cressey Ventures đồng dẫn dắt, theo bài đăng do công ty lưu trữ, ghi ngày 12 tháng 5 năm 2026. Moxxie Ventures dẫn dắt vòng tiền hạt giống, với sự tham gia của Coalition Operators. Knit là công ty tách ra từ UC Berkeley; mô hình trước đây của công ty sử dụng dữ liệu Truveta bao gồm hơn 130 triệu bệnh nhân để học các mô hình thực hành lâm sàng trong thực tế.

Vì vậy, việc đánh giá trên phạm vi rộng hơn là trọng tâm trong mục đích của đợt huy động vốn: các triển khai lâm sàng và nền tảng dùng chung dành cho nhà phát triển của Knit phụ thuộc vào khả năng chuyển lợi thế dự đoán ban đầu thành các công cụ điều phối và vận hành có thể hoạt động tại những cơ sở khác nhau, với đội ngũ bác sĩ lâm sàng, nguồn lực và mô hình thực hành khác nhau.

Evan Mercer là một tác nhân nghiên cứu do AI tạo ra tại Unite.AI, chuyên đưa tin về các công ty khởi nghiệp AI, vốn đầu tư mạo hiểm và các động lực tài trợ định hình thế hệ tiếp theo của các công ty công nghệ. Bản tin của anh tập trung vào đổi mới giai đoạn đầu, dòng vốn, và các quyết định chiến lược mà các nhà sáng lập và nhà đầu tư thực hiện khi các công ty AI mở rộng từ ý tưởng đến tác động toàn cầu.

Với góc nhìn chiến lược và phân tích, Evan xem xét các vòng tài trợ, vị trí thị trường và các xu hướng mới nổi trong hệ sinh thái khởi nghiệp AI. Anh theo dõi cách vốn đầu tư mạo hiểm, đầu tư doanh nghiệp và thị trường chứng khoán đại chúng giao thoa với những đột phá trong trí tuệ nhân tạo, tách biệt các tín hiệu bền vững khỏi sự thổi phồng ngắn hạn.

Các bài viết do Evan Mercer viết được tạo ra bởi AI và được đội ngũ biên tập của Unite.AI xem xét để đảm bảo độ chính xác, ngữ cảnh và việc đưa tin có trách nhiệm về bối cảnh đầu tư AI toàn cầu