Knit Health capta 35 mdd para orientar derivaciones con IA

Knit Health capta 35 mdd para orientar derivaciones con IA

Knit Health capta 35 mdd para ampliar Med-BEAM, una IA que anticipa acciones clínicas.

Por Humberto Toledo el 17 de noviembre del 2026 a las 12:59 am PST

✨︎ Resumen (TL;DR):

  • NEA lideró una serie A de 35 millones de dólares para Knit Health.
  • Med-BEAM obtuvo 0.565 de precisión promedio al anticipar acciones clínicas en los historiales de 200 pacientes.
  • La prueba se enfocó en predicciones sobre las siguientes 24 horas; no midió diagnósticos correctos, tiempos de espera ni resultados de salud.

Knit Health captó 35 millones de dólares en una serie A liderada por NEA para ampliar Med-BEAM, un modelo de IA que anticipa acciones clínicas y busca apoyar la orientación de pacientes y las derivaciones a especialistas. La ronda se anunció el 16 de noviembre de 2026 y financiará sus equipos científicos y de ingeniería, además de llevar la tecnología a más entornos clínicos. La prueba inicial midió si el modelo podía anticipar acciones registradas, no si mejoraba la salud de los pacientes.

NEA encabezó la ronda. Frist Cressey Ventures, Town Hall Ventures y SignalFire también participaron, junto con inversionistas que ya respaldaban a la empresa. Jonathan Kolstad, cofundador y director ejecutivo de Knit Health, explicó que el capital se destinará a ampliar los equipos científicos y de ingeniería y a llevar la tecnología a más entornos clínicos.

Knit surgió de un equipo vinculado con la Universidad de California en Berkeley. En mayo de 2026 había anunciado una ronda semilla de 11.6 millones de dólares, codirigida por Uncork Capital y Frist Cressey Ventures.

La IA médica aún no prueba su eficacia clínica
Te podría interesar:
La IA médica aún no prueba su eficacia clínica

Med-BEAM busca anticipar la siguiente decisión clínica

Med-BEAM es un modelo de inteligencia artificial que usa secuencias de información clínica para anticipar qué podría ocurrir después, incluidas las acciones de los profesionales de salud. Knit lo describe como un “modelo de mundo” para la atención médica y busca que reconozca patrones en la forma en que se atiende a los pacientes a lo largo del tiempo.

La compañía plantea varios usos para el modelo:

  • Orientar a pacientes hacia la atención adecuada.
  • Ayudar a identificar a qué especialista dirigir a una persona.
  • Apoyar la programación de citas.
  • Aplicarlo en operaciones hospitalarias.

El anuncio no cuantifica una reducción de tiempos de espera atribuible a Med-BEAM.

Para entrenar el modelo, Knit anunció en mayo una colaboración con Truveta. En ese momento, el proveedor de datos informó que su base incluía expedientes electrónicos desidentificados de más de 130 millones de pacientes. Esa cifra describe la base mencionada por Truveta, no el número de personas atendidas mediante Med-BEAM.

Una prueba con 200 pacientes y 24 horas

En la evaluación publicada junto con el anuncio de la ronda, Knit comparó Med-BEAM con tres modelos de lenguaje de Anthropic: Claude Opus 4.8, Claude Sonnet 5 y Claude Haiku 4.5.

La empresa les proporcionó los historiales de 200 personas ingresadas en un hospital tras llegar por urgencias, además de una lista de posibles acciones. Según Knit, los historiales de ninguno de esos pacientes se usaron para entrenar Med-BEAM.

La tarea consistía en anticipar qué acciones quedarían registradas durante las siguientes 24 horas, entre ellas medicamentos, pruebas, procedimientos y derivaciones. Knit midió la capacidad de cada modelo para colocar las acciones que sí ocurrieron entre las primeras posiciones de sus predicciones.

El indicador, llamado precisión promedio, se expresa en una escala de 0 a 1. Los resultados fueron:

  • Med-BEAM: 0.565
  • Claude Opus 4.8: 0.228
  • Claude Sonnet 5: 0.222
  • Claude Haiku 4.5: 0.124

Estas cifras corresponden a una tarea específica. No son porcentajes de diagnósticos correctos ni una medición directa de la calidad de la atención. Knit diseñó y publicó la comparación.

Anticipar una acción no prueba que sea la correcta

El resultado muestra qué tan bien los modelos colocaron entre sus primeras predicciones acciones que después quedaron registradas. La evaluación no midió si Med-BEAM reduce tiempos de espera, mejora las derivaciones o cambia los resultados de salud.

La investigación que dio origen a Knit ya planteaba esa diferencia. Maya Petersen, cofundadora y directora científica de la empresa, explicó a UC Berkeley que registrar lo que ocurrió durante una atención no permite determinar por sí solo qué decisión habría sido la adecuada. Knit dice que trabaja en métodos para estimar cómo cambiarían los resultados con decisiones alternativas.

Un estudio independiente publicado en 2025 en el Journal of Clinical Epidemiology revisó 109 artículos sobre el desarrollo de modelos clínicos basados en regresión. Encontró que 18 describían modelos validados externamente después de su desarrollo y que solo uno había tenido una evaluación de impacto durante el seguimiento. El estudio no evaluó Med-BEAM, pero muestra la diferencia entre validar un modelo con otros datos y medir su efecto en la atención.

Con la nueva financiación, Knit planea llevar su tecnología a más entornos clínicos y ampliar las pruebas a otras tareas, modelos y contextos. Por ahora, la evidencia publicada se limita a una tarea concreta: anticipar acciones registradas en 200 historiales durante una ventana de 24 horas. Falta medir si esa capacidad cambia una derivación, reduce una espera o mejora un resultado de salud.

Fuentes: 1, 2, 3, 4, 5, 6

+ Temas Relacionados

Más de AI

Feed