Saltar al contenido
IA

Knit Health capta 35 millones de dólares para orientar derivaciones médicas con IA

NEA lideró la serie A de la startup, que quiere llevar su modelo Med-BEAM a más entornos clínicos. Una prueba propia comparó su capacidad para anticipar acciones médicas con la de tres modelos de lenguaje.

por Gerardo Pavez
Dos médicos con batas de laboratorio discutiendo la historia clínica de un paciente en un entorno hospitalario.
Imagen ilustrativa · Foto de RDNE Stock project en Pexels

Knit Health captó 35 millones de dólares para ampliar el uso de Med-BEAM, un modelo de inteligencia artificial con el que busca ayudar a los sistemas de salud a dirigir a los pacientes hacia la atención adecuada. NEA lideró la ronda serie A, anunciada el 16 de noviembre de 2026. Una prueba inicial de la empresa midió si el modelo podía anticipar acciones clínicas registradas, no si mejoraba la salud de los pacientes.

La startup planea usar el dinero para ampliar sus equipos científicos y de ingeniería y llevar su tecnología a más entornos clínicos, explicó Jonathan Kolstad, cofundador y director ejecutivo de Knit Health. En la ronda también participaron Frist Cressey Ventures, Town Hall Ventures y SignalFire, junto con el apoyo continuado de inversionistas anteriores.

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.

Una IA que aprende de decisiones clínicas

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

La compañía plantea aplicaciones en la orientación de pacientes, la derivación a especialistas, la programación de citas y las operaciones hospitalarias. Una posible aplicación sería ayudar a identificar a qué especialista dirigir a una persona. El anuncio de la empresa no cuantifica una reducción de tiempos de espera atribuible al modelo.

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

La prueba de 200 pacientes

En una 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 desde urgencias y una lista de posibles acciones. Ninguno de esos pacientes se había usado para entrenar Med-BEAM, según Knit.

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

En esa métrica, llamada precisión promedio y expresada en una escala de 0 a 1, Med-BEAM obtuvo 0.565. Los resultados de Claude fueron 0.228 para Opus 4.8, 0.222 para Sonnet 5 y 0.124 para Haiku 4.5. Son cifras de una tarea específica, no porcentajes de diagnósticos correctos ni una medición directa de la calidad de la atención.

Knit diseñó y publicó la comparación. La evaluación describe predicciones sobre acciones que después quedaron registradas; no mide si usar el modelo reduce esperas, mejora las derivaciones o cambia los resultados de salud. La empresa prevé ampliar las pruebas a otras tareas, modelos y entornos clínicos.

Del pronóstico al efecto en la atención

La diferencia entre anticipar una decisión y determinar si fue la adecuada ya aparecía en la investigación que dio origen a la empresa. Maya Petersen, cofundadora y directora científica de Knit, explicó a UC Berkeley que saber qué se hizo durante una atención no equivale a saber qué debería haberse hecho. La compañía 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 siguió 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 comprobar un modelo en otros datos y medir su efecto en la atención.

La nueva financiación permitirá a Knit llevar su tecnología a más entornos clínicos. Las pruebas adicionales que anuncia la empresa serán una oportunidad para evaluar su desempeño en tareas y contextos distintos de la comparación inicial.

Fuentes: 1, 2, 3, 4, 5

Gerardo Pavez imagen de perfil
por Gerardo Pavez

Redactor y creador de contenido especializado en deportes y tecnología. Apasionado por todo lo que ocurre dentro y fuera de la cancha.

Leer más de Tecnología y Ciencia