Snowflakeは2026年10月15日付の投稿で、がん研究から治療後のサバイバーシップまで、分断されたデータをつないで業務を支援するエージェンティックAIの活用を説明しました。対象となる5段階は、研究、検診、診断と治療計画、ケア調整、サバイバーシップです。ゲノム、画像、診療、保険請求、ウェアラブル端末のデータが分散していると判断が遅れるため、投稿は複数の情報源を横断して推論できる統合データ基盤が必要だとしています。

創薬研究では、腫瘍領域の臨床試験は脱落率が95%を超え、失敗した試験に毎年500億〜600億ドルが費やされていると、JAMA Network Openに掲載された2023年の研究が推計しました。エージェント型システムは、ゲノム、構造、文献のデータを結び付け、候補や失敗要因を早期に特定できます。検診後の生検では、病理検査の結果を待つ期間が2〜6週間に及び、バイオマーカー検査やゲノム検査が必要な場合はさらに長くなります。AIによる画像の優先判定は処理時間を数日から数分に短縮でき、米国の大規模検診研究では、AI支援の流れが標準的なマンモグラフィー読影より乳がんを21.6%多く発見しました。

診断と治療計画では、検査結果をきっかけに動くエージェントが診療記録を集め、患者の要約を作成し、腫瘍ボード向けに臨床試験の適格性を確認できます。ケア調整では、複雑な試験基準に合う患者を探し、試験開始前に実施可能性、登録期間、施設の受け入れ能力、計画書の複雑さを評価します。サバイバーシップでは、実臨床データを整理し、処方薬の再補充、患者が報告する症状、受診漏れを追跡して、長期治療を中断する恐れのある患者を見つけます。投稿によると、こうしたエビデンスの作成期間は、データの利用可能性、研究設計、ガバナンスに応じて、年単位から月単位へ短縮される可能性があります。

Snowflakeは導入例としてAstraZenecaを挙げました。同社はSnowflake Cortex AIを使い、データ製品の開発期間を、16人のエンジニアで6カ月かかっていたところから、2人で4日に短縮しました。さらに118件を超えるデータ製品を作り、数千時間分の生産性向上と1,000万ドルを超える節約を実現したとしています。同社のAI搭載胸部X線画像は肺疾患の早期発見を目的としており、特定の事例では生存率が最大90%上昇したことと関連付けられています。Zelis Healthcareはデータ基盤をSnowflakeに移行し、Snowflake Openflowを通じて40を超える情報源からほぼリアルタイムでデータを取り込んでいます。同社は本番環境で20を超えるエージェントを導入し、概念実証用エージェントは1日で構築でき、その2日後に本番環境へ移行できると説明しています。投稿は、エージェントが保護対象の医療情報や臨床判断を扱う際には、管理されたデータアクセス、セキュリティ、監査可能性、人による監督が欠かせないとしています。

Snowflakeは2026年10月15日付の投稿で、がん研究から治療後のサバイバーシップまで、分断されたデータをつないで業務を支援するエージェンティックAIの活用を説明しました。対象となる5段階は、研究、検診、診断と治療計画、ケア調整、サバイバーシップです。ゲノム、画像、診療、保険請求、ウェアラブル端末のデータが分散していると判断が遅れるため、投稿は複数の情報源を横断して推論できる統合データ基盤が必要だとしています。

創薬研究では、腫瘍領域の臨床試験は脱落率が95%を超え、失敗した試験に毎年500億〜600億ドルが費やされていると、JAMA Network Openに掲載された2023年の研究が推計しました。エージェント型システムは、ゲノム、構造、文献のデータを結び付け、候補や失敗要因を早期に特定できます。検診後の生検では、病理検査の結果を待つ期間が2〜6週間に及び、バイオマーカー検査やゲノム検査が必要な場合はさらに長くなります。AIによる画像の優先判定は処理時間を数日から数分に短縮でき、米国の大規模検診研究では、AI支援の流れが標準的なマンモグラフィー読影より乳がんを21.6%多く発見しました。

診断と治療計画では、検査結果をきっかけに動くエージェントが診療記録を集め、患者の要約を作成し、腫瘍ボード向けに臨床試験の適格性を確認できます。ケア調整では、複雑な試験基準に合う患者を探し、試験開始前に実施可能性、登録期間、施設の受け入れ能力、計画書の複雑さを評価します。サバイバーシップでは、実臨床データを整理し、処方薬の再補充、患者が報告する症状、受診漏れを追跡して、長期治療を中断する恐れのある患者を見つけます。投稿によると、こうしたエビデンスの作成期間は、データの利用可能性、研究設計、ガバナンスに応じて、年単位から月単位へ短縮される可能性があります。

Snowflakeは導入例としてAstraZenecaを挙げました。同社はSnowflake Cortex AIを使い、データ製品の開発期間を、16人のエンジニアで6カ月かかっていたところから、2人で4日に短縮しました。さらに118件を超えるデータ製品を作り、数千時間分の生産性向上と1,000万ドルを超える節約を実現したとしています。同社のAI搭載胸部X線画像は肺疾患の早期発見を目的としており、特定の事例では生存率が最大90%上昇したことと関連付けられています。Zelis Healthcareはデータ基盤をSnowflakeに移行し、Snowflake Openflowを通じて40を超える情報源からほぼリアルタイムでデータを取り込んでいます。同社は本番環境で20を超えるエージェントを導入し、概念実証用エージェントは1日で構築でき、その2日後に本番環境へ移行できると説明しています。投稿は、エージェントが保護対象の医療情報や臨床判断を扱う際には、管理されたデータアクセス、セキュリティ、監査可能性、人による監督が欠かせないとしています。