医疗保健AI正从试点阶段进入生产环境，在这里，引人注目的演示与临床可信输出之间的差距比以往任何时候都更加关键。
随着AI代理成为焦点，医疗保健和生命科学行业面临一个决定性问题：如何构建从业者真正可以信任的AI？据Snowflake公司全球医疗保健和生命科学副总裁杰西·卡利奥塔（Jesse Cugliotta，右图）称，答案越来越多地始于数据而非模型。他解释说，从分散的患者记录和传真时代的工作流程到AI总结图表的承诺，该行业最顽固的问题是结构性的，解决这些问题需要在模型训练之前很久就建立的数据基础。
"平均患者病历有46,000个单词，"卡利奥塔说。"这相当于《华氏451度》的长度。如果你走进急诊室，而医生还有其他27位患者，即使他们能够获取你的病历，他们也不会阅读你完整的病历历史。利用AI的能力……是提供更完整的画面，了解处理这位特定患者最准确的方式……这不仅对护理人员的日常体验有关键影响，也对患者结果有重大影响。"
卡利奥塔和Komodo Health公司的首席技术官阿米特·桑加尼（Amit Sangani，左图）在Snowflake Summit 2026期间与theCUBE的戴夫·维兰特（Dave Vellante）和丽贝卡·奈特（Rebecca Knight）进行了交谈，这是SiliconANGLE Media直播工作室theCUBE的独家广播。他们讨论了如何通过Snowflake上的Komodo Health Marmot平台，利用数据基础实现可信赖的医疗保健AI和患者旅程洞察。
基于患者旅程数据构建的医疗保健AI信任
医疗保健AI中的结构性挑战比模型选择更为深入。患者数据通过断开连接的系统流动——理赔、实验室、处方、提供者记录——没有任何单一组织持有完整的纵向视图。桑加尼指出，Komodo Health花费了十年时间构建这一基础，通过其医疗地图整合了超过3.5亿患者的旅程。
"[当]患者去看医生，得到诊断，然后拿到处方时，数据分散在各处。你如何为单个患者组合所有这些数据并创建完整的旅程？你通过不同细分市场或治疗领域来汇总这些数据。一旦你这样做了，它就变得非常强大，"桑加尼说。"在AI世界中，获得确定性答案非常困难，但因为我们建立了所有护栏，我们能够向客户提供这一点。"
这种透明度是Komodo Marmot平台的竞争差异化因素，该平台在医疗地图之上使用Snowflake进行存储、计算和受控缓存，构建多代理编排层。一项Snowflake研究发现，85%的医疗保健领导者将互操作性视为扩展AI的基础，这一发现直接映射到Komodo的架构，其中每个分析步骤都被记录、可审计且可重现。桑加尼解释说，对于在GLP-1疗法迁移模式或临床试验队列设计上进行深入研究的生物科学分析师，工作流程中的每一步都可以检查、修改或复制。
"这些医疗保健提供者在提问时，他们不仅想要一个答案。他们想了解底层数据提供了什么以及你是如何得出这个答案的？他们想看到每一步。第一步是计划。AI将如何创建计划并帮助我理解他们正在创建哪些队列，他们如何进行过滤，编写了什么SQL，什么是Python，这基本上生成了报告，"他说。"这使他们相信，当最终答案出现时，就像孩子做数学题一样。如果他们只给你一个答案，你会问：'你遵循了什么步骤？'这正是我们正在做的。"
以下是SiliconANGLE和theCUBE对Snowflake Summit 2026报道的完整视频采访：
（*披露：theCUBE是Snowflake Summit 2026的付费媒体合作伙伴。theCUBE活动报道的赞助商对theCUBE或SiliconANGLE上的内容没有编辑控制权。）
照片：SiliconANGLE
【全文结束】