Executive Summary
환자에게 다음에 무슨 일이 일어날지 미리 그려 보겠다는 의료 AI가 공개됐다. 샌프란시스코의 Knit Health가 NEA 주도 시리즈 A를 마감하면서 함께 내놓은 Med-BEAM(메드빔)이다. 회사는 이것을 '의료를 위한 월드 모델'이라고 부른다. 자율주행차가 도로와 차량의 움직임을 한발 앞서 내다보듯, 환자가 병원을 통과하는 경로를 모델 안에 담아 두겠다는 뜻이다.
회사가 근거로 내놓은 비교는 응급실을 거쳐 입원한 환자 200명을 놓고 다음 24시간의 임상 행위를 맞히는 과제다. 평균 정밀도에서 Med-BEAM은 함께 견준 범용 모델들을 앞섰다. 다만 그 비교를 설계하고 수행하고 공개한 주체는 모두 Knit Health이고, 보도자료가 내세운 '4배'는 함께 견준 모델 가운데 가장 낮은 점수를 받은 쪽과 맞춘 값이다.
1절부터 4절까지는 회사 발표와 보도에 적힌 내용이다. 5절은 페블러스의 해석이다.
주요 수치
이 소식에 붙은 숫자는 넷이다. 이번에 모은 돈, 전작 모델이 읽은 환자 기록의 규모, 그리고 회사가 공개한 비교의 두 축이다.
출처: Knit Health 보도자료, UC버클리 하스 뉴스룸, 그리고 이를 인용한 보도.
3,500만 달러
이번 시리즈 A 조달액
NEA가 주도했고 누적 조달액은 4,660만 달러가 됐다
1억 3,000만 명
전작 모델이 학습한 환자 기록
미국 병원 시스템 30곳의 비식별 기록이다. Med-BEAM 자체는 "수억 명"으로만 밝혔다
0.565 대 0.228
평균 정밀도 — Med-BEAM과 범용 최고점
오른쪽은 함께 견준 모델 중 가장 높은 Claude Opus 4.8이다
200명
비교에 쓰인 환자 수
학습에 쓰이지 않은 환자다. 과제는 하나였고 실험은 회사가 돌렸다
투자 소식과 함께 나온 모델 하나
Knit Health는 11월 16일 3,500만 달러 규모의 시리즈 A를 공개했다. NEA가 주도했고 타운홀 벤처스와 시그널파이어가 새로 들어왔다. 지난 5월 시드로 받은 1,160만 달러를 더하면 누적 조달액은 4,660만 달러다. 회사는 이 돈을 Med-BEAM을 더 많은 임상 현장에 배포하고 과학·엔지니어링 인력을 늘리는 데 쓰겠다고 밝혔다.
대표 조너선 콜스태드(Jonathan Kolstad)는 지금의 의료가 너무 자주 우연에 가까운 것에 좌우된다고 말했다. 어느 의사를 만나는지, 어느 날 병원에 도착하는지, 어느 병원에 들어가는지가 결과를 가른다는 뜻이다. 그 우연을 줄이려면 환자에게 다음에 무슨 일이 일어날지, 그리고 지금 내리는 결정이 그 경로를 어떻게 바꾸는지를 미리 볼 수 있어야 한다는 것이 회사의 출발점이다.
회사는 생긴 지 얼마 안 된 곳이다. 2023년 10월 UC버클리 하스 경영대학원의 의료경제학 교수와 박사과정생이 카페에서 나눈 대화에서 시작했고, 법인과 제품을 세상에 처음 내놓은 것은 올해 5월이다. UC버클리 의료시장혁신센터(CHMI)에서 나온 첫 스타트업이기도 하다. 창업진에는 인과추론 설계를 맡은 생물통계·역학 교수와 행동경제학 배경의 운영 책임자가 함께 있다.
Med-BEAM은 이 회사가 처음 만든 모델도 아니다. 앞서 대규모 임상 행동 모델(LCBM)이라는 이름의 모델이 있었고, 프로비던스 헬스와 함께 돌린 시범 적용에서 응급실에 온 환자의 입원 여부를 임상의 수준의 정확도로 더 빨리 가려냈다고 하스 뉴스룸은 전했다. Med-BEAM은 그 연장선에서 예측 범위를 넓힌 모델이다.
'월드 모델'이 로봇에서 의료로 건너왔다
월드 모델은 원래 로봇과 자율주행에서 쓰던 말이다. 기계가 움직이기 전에 주변 환경이 어떻게 변할지를 안에서 돌려 보고, 지금 핸들을 꺾으면 1초 뒤 무엇이 달라지는지 가늠하게 하는 장치를 가리킨다. 언어를 다루는 모델이 다음 낱말을 고르는 것과 달리, 이쪽은 세계의 다음 상태를 고른다.
Knit Health가 가져다 쓴 것이 바로 이 틀이다. 회사의 설명에 따르면 언어 모델은 말을 이해하고 만들어 내는 데는 뛰어나지만, 실제 환자를 치료할 때 무슨 일이 벌어지는지는 알지 못한다. Med-BEAM이 학습한 것은 말이 아니라 경로다. 병세가 어떻게 전개되는지, 임상의가 실제로 무엇을 선택하는지, 서로 다른 개입 뒤에 환자가 어디로 가는지를 익혔다는 것이다.
회사는 두 종류의 모델이 서로를 대체한다고 말하지 않는다. 언어 모델은 환자와 임상의와 AI 에이전트가 붙잡는 손잡이 역할을 하고, 자기네 월드 모델은 그 손잡이가 놓인 임상 환경을 이해하는 쪽을 맡는다는 포지셔닝이다. 쓰임새로 제시된 것은 치료 경로 조정, 환자 안내, 임상시험 참여자 모집, 전문의 배정, 치료 반응 예측 같은 일이다. 전문의를 찾기까지 세 번 걸리던 방문을 한 번으로 줄일 수 있다는 주장도 함께 내놓았다. 회사가 노리는 자리는 이 업무들을 직접 돌리는 제품보다 한 층 아래다. 여러 곳이 함께 쓰는 임상 지능의 바탕이 되겠다는 것이 회사가 밝힌 전략이다.
비유가 깔끔할수록 질문 하나를 지나치기 쉽다. 자율주행의 월드 모델은 센서가 모은 주행 기록으로 세계를 안다. 의료에서는 그것이 환자 기록이다. 그래서 이 모델이 무엇을 아느냐고 묻는 일은 그 기록이 어디서 어떻게 왔느냐고 묻는 일이 된다.
수억 명의 기록은 어디서 왔나
보도자료가 Med-BEAM의 학습 자료로 적은 것은 두 줄이다. 수십억 건의 진료 결정, 그리고 수억 명 분량의 장기 환자 기록. 여기까지가 공개된 전부이고, 어느 병원의 무슨 기록인지는 이번 발표에 들어 있지 않다.
구체적인 출처가 적힌 자료는 앞서 인용한 UC버클리 하스 뉴스룸 기사다. 전작 모델 LCBM을 소개하면서 이 기사가 밝힌 바에 따르면, 그 모델은 의료 데이터 회사 트루베타(Truveta)와의 제휴로 미국 주요 병원 시스템 30곳의 비식별 전자의무기록을 읽었다. 규모는 1억 3,000만 명분으로, 미국 인구의 약 3분의 1에 해당한다. 주문과 의뢰, 진단처럼 칸이 정해진 기록이 중심이고 자유롭게 쓴 임상 노트 쪽은 아니라는 설명도 붙어 있다.
여기서 두 숫자를 겹쳐 읽지 않는 편이 좋다. 1억 3,000만 명은 전작 모델에 대해 확인된 값이고, 수억 명은 이번 모델에 대해 회사가 밝힌 어림이다. 이번 발표에서 늘어난 규모가 같은 제휴를 넓힌 결과인지 다른 경로가 더해진 결과인지는 공개 자료만으로는 알 수 없다.
회사가 데이터에 관해 세워 둔 원칙은 두 가지다. 사용권이 명확하게 문서로 정리된 자료만 쓴다는 것, 그리고 회사에 도달하기 전에 전부 비식별 처리를 거친다는 것이다. HIPAA를 지키고 SOC 2 인증을 받았으며 권한이 부여된 데이터만 다룬다고도 적었다. 이 설명 어디에도 환자 개인의 동의는 등장하지 않는다. 실질적인 근거는 병원과 데이터 회사 사이의 사용 계약이고, 비식별 처리를 거친 기록은 개별 동의 없이도 2차로 쓸 수 있다는 것이 현행 제도의 통념이다. 그 구조에서 환자 개인은 자기 기록이 어떤 모델을 학습시키는 데 쓰였는지 알 길이 없다. 그 기록 위에서 나온 예측에 회사가 어느 정도 확신을 두는지는 따로 설명돼 있다.
3.1신뢰도를 낮춰 표시한다는 장치
그 설명에서 회사가 내세우는 것이 보정이다. 예측을 실제 임상 결과와 맞춰 보면서 모델의 확신 정도가 실제로 일어난 일에 가까워지도록 조정했고, 근거가 충분하지 않은 자리에서는 신뢰도를 낮춰 표시한다고 밝혔다. 회사 사이트는 이를 두고 각 결과에 대한 정직한 확실성 측정이라고 적는다. 같은 자리에 모델링 선택이 투명하고 문서로 남으며 감사 가능하다는 문장도 나란히 있다.
공개된 것은 거기까지다. 어떤 알고리즘으로 보정했는지, 신뢰도를 낮추는 기준선이 어디에 그어져 있는지, 어떤 데이터로 그 보정을 검증했는지는 회사 자료와 보도 어디에서도 찾을 수 없다. 장치가 있다는 선언만으로는 무엇이 걸러지는지 알 수 없다. 병원이 이 표시를 믿고 환자 응대 순서를 바꾸려면, 신뢰도가 낮다고 표시된 예측이 실제로 얼마나 자주 빗나가는지가 먼저 설명돼야 한다.
'4배 정확'은 누가 어떻게 측정했나
Knit Health가 내놓은 비교는 과제 하나가 전부다. 응급실을 거쳐 입원한 환자 200명을 고르고, 이들에게 앞으로 24시간 동안 어떤 임상 행위가 이뤄질지 순서대로 짚게 했다. 환자는 학습 자료에 들어가지 않은 사람들이다. 지표는 평균 정밀도로, 실제로 일어난 처치를 모델이 얼마나 위쪽에 올려놓았는지를 0에서 1 사이 값으로 나타낸다.
'4배'라는 수사는 이 네 값을 나눈 데서 나왔다. Med-BEAM의 0.565를 가장 높은 점수를 받은 Claude Opus 4.8의 0.228로 나누면 2.5배이고, 가장 낮은 Claude Haiku 4.5의 0.124로 나누면 4.6배다. 범위의 위쪽 끝을 가져다 한 낱말로 줄인 표현인 셈이다.
속도와 비용으로 넘어가면 비교의 성격이 한 번 더 달라진다. 세 수치가 서로 다른 방식으로 만들어졌기 때문이다.
| 무엇을 견줬나 | 공개된 값 | 어떻게 나온 값인가 |
|---|---|---|
| 정확도 | 평균 정밀도 0.565 대 0.124~0.228 | 환자 200명 한 과제에서 실제로 측정한 값이다 |
| 응답 시간 | 약 2초 대 216~408초 | Med-BEAM 쪽 2초는 추정한 처리 시간이다. 두 축이 같은 방법으로 측정된 값은 아니다 |
| 비용 | 보도자료는 250배 저렴하다고 적었다 | 독립 보도는 37~257배로 폭을 두고 적었다. 실제 운영비가 아니라 추론 시간에 컴퓨트 단가를 곱해 추정한 값이다 |
▲ Knit Health 보도자료와 이를 검증한 Unite.ai 보도에서 옮겼다
이 비교를 가장 꼼꼼히 뜯어본 매체는 Unite.ai였다. 지적은 네 갈래다. 측정된 것은 정해진 하나의 과제일 뿐이라는 것, 회사가 궁극의 목표로 내건 인과 추론과 실제로 측정한 행위 예측이 서로 다른 일이라는 것, 속도 비교가 서로 다른 방법을 섞었다는 것, 그리고 더 넓은 평가는 이번 투자로 앞으로 하겠다는 일에 속한다는 것이다. 회사 뉴스룸은 이 비교를 '임상 튜링 테스트'라고 부르는데, 그 말이 무엇을 뜻하는지 정의한 문서는 공개돼 있지 않다.
정리하면 0.565는 회사 바깥에서 아직 한 번도 다시 측정되지 않은 값이다. 지금 시점에서는 검증된 사실이 아니라 회사의 주장으로 두는 것이 맞다.
페블러스가 이 소식에 주목하는 이유
이 모델의 성능을 떠받치는 것은 구조가 아니라 재료다. 자율주행 쪽에서는 센서를 더 달면 기록이 늘지만, 의료 쪽에서는 기록이 늘어나는 유일한 길이 누군가의 진료다. 모델이 좋아졌다는 말은 곧 더 많은 사람의 병력을 읽었다는 말이 된다.
그런데 전자의무기록은 모델을 학습시키려고 쌓인 적이 없다. 보험 청구와 진료 연속성을 위해 남긴 기록이고, 병원마다 코드 체계가 다르며, 같은 처치가 시스템에 따라 다른 칸에 들어간다. 기록되지 않은 처치는 일어나지 않은 처치와 구별되지 않는다. 이런 자료 위에서 모델이 배우는 것은 질병의 전개만이 아니라 그 병원이 기록을 남겨 온 습관이기도 하다.
그래서 의료 AI를 고르는 쪽이 성능 숫자보다 먼저 물어야 할 것은 세 가지다. 아래 표의 오른쪽 칸은 이번 발표가 지금까지 내놓은 답이다.
| 먼저 물을 것 | Med-BEAM의 현재 답 |
|---|---|
| 학습 자료가 어디서 왔고 무엇을 근거로 쓰였나 | 문서화된 사용권과 비식별 처리를 밝혔다. 어느 병원의 기록인지, 환자가 이 쓰임을 알 수 있는지는 공개되지 않았다 |
| 신뢰도 표시가 실제로 무엇을 걸러 내나 | 보정했다는 선언은 있다. 기준선과 검증 방법은 공개되지 않았다 |
| 성능 비교를 누가 설계하고 수행했나 | 설계와 수행과 공개가 모두 회사다. 환자 200명의 한 과제이고 외부 재현은 아직 없다 |
▲ 왼쪽은 페블러스가 제안하는 물음, 오른쪽은 이번 발표와 공개 자료에서 확인된 범위다
세 칸 모두 모델을 평가하는 물음이 아니라 자료와 측정을 평가하는 물음이다. 페블러스가 AI-Ready Data를 말할 때 겨냥하는 자리도 여기다. 쓸 만한 모델인지 가리는 일은 그 모델이 읽은 자료의 내력과 그 성능을 측정한 주체가 어디에 속해 있는지를 확인하는 데서 시작한다.
Med-BEAM이 내건 목표가 가벼운 것은 아니다. 어느 의사를 만나느냐에 따라 결과가 갈리는 상황을 줄이겠다는 말은 의료가 오래 안고 있던 문제를 정면으로 겨눈다. 다만 그 목표가 이뤄졌는지를 판정할 자리는 아직 회사 안에 있다. 바깥의 연구진이 같은 환자군과 같은 과제로 다시 측정한 결과가 나오기 전까지, 지금 공개된 숫자가 말해 주는 것은 모델의 실력이 아니라 회사가 자기 실력을 어떻게 보여 주기로 했는지다.
참고문헌
회사 발표와 보도자료
- 1.Knit Health. (2026). "Beyond Large Language Models: Knit Health Unveils Med-BEAM, a World Model for Healthcare, Backed by $35M from NEA." Business Wire (via FinancialContent), 2026.11.16.
- 2.Knit Health. "Building a World Model for Healthcare." 회사 뉴스룸.
- 3.citybiz. (2026). "Knit Health Raises $35M Series A Led by NEA." 2026.11.16. 본문 직접 접근은 막혀 제목과 요약으로만 교차 확인했다.
독립 보도
- 4.Unite.ai. (2026). "Knit Health Raises $35M Series A to Expand Med-BEAM Deployment." 2026.11.16. 벤치마크의 한계를 가장 구체적으로 짚었다.
- 5.TNW. (2026). "Knit Health raises $35M Series A led by NEA." 2026.11.16.
- 6.FinSMEs. (2026). "Knit Health Raises $35M in Series A Funding." 2026.11.16.
전작 모델과 데이터 출처
- 7.Berkeley Haas Newsroom. (2026). "UC Berkeley researchers, entrepreneurs create first healthcare AI model trained to understand clinical decisions." 트루베타 제휴와 1억 3,000만 명 규모를 밝힌 유일한 공개 자료다.