Snowflake는 2026년 10월 15일 게시물에서 암 연구와 진료 전반에 에이전틱 AI를 활용해 흩어진 데이터를 연결하고 업무 흐름을 지원하는 사례를 설명했습니다. 연구, 검진, 진단 및 치료 계획, 진료 조정, 생존 관리의 5단계에서 유전체·영상·임상·보험 청구·웨어러블 데이터가 분산돼 있으면 의사결정이 늦어질 수 있다고 밝혔습니다. Snowflake는 이들 자료를 함께 분석할 통합 데이터 기반이 필요하다고 주장했습니다.

2023년 《JAMA Network Open》에 실린 연구에 따르면 종양 임상시험은 실패율이 95%를 넘고, 실패한 시험에 매년 약 500억~600억 달러가 쓰이는 것으로 추정됩니다. 에이전틱 시스템은 유전체·구조·문헌 데이터를 연결해 후보 물질과 잠재적 실패 요인을 더 일찍 찾을 수 있습니다. 검진의 경우 생검 뒤 병리 결과를 받기까지 2~6주가 걸릴 수 있으며, 바이오마커나 유전체 검사가 필요하면 더 길어집니다. AI 영상 선별은 처리 시간을 며칠에서 몇 분으로 줄일 수 있고, 미국의 대규모 검진 연구에서는 AI 지원 업무 흐름이 표준 유방촬영 판독보다 유방암을 21.6% 더 발견했습니다.

진단과 치료 계획 단계에서는 검사 결과에 따라 작동하는 에이전트가 기록을 모으고 환자 요약을 준비하며 종양위원회에서 검토할 임상시험 참여 자격을 확인할 수 있습니다. 진료 조정 단계에서는 복잡한 시험 기준에 맞는 환자를 찾아 시험 가능성, 등록 일정, 시험기관 수용력, 계획서 복잡성을 시험 시작 전에 평가할 수 있습니다. 생존 관리 단계에서는 실제 진료 데이터를 정리하고 처방약 재조제, 보고된 증상, 누락된 추적 진료를 살펴 장기 치료를 중단할 위험이 있는 환자를 표시할 수 있습니다. 게시물은 데이터 이용 가능성, 연구 설계, 거버넌스에 따라 이런 근거 마련에 걸리는 시간이 수년에서 수개월로 줄어들 수 있다고 밝혔습니다.

Snowflake는 AstraZeneca 사례로 Snowflake Cortex AI를 활용해 데이터 제품 개발 기간을 엔지니어 16명 기준 6개월에서 2명 기준 4일로 단축했다고 소개했습니다. 이 과정에서 데이터 제품 118개 이상을 만들고 생산성 수천 시간을 확보했으며 1,000만 달러 이상을 절감했습니다. 회사의 AI 기반 흉부 엑스레이는 폐 질환 조기 발견 개선을 목표로 하며, 일부 사례에서 생존율이 최대 90% 증가한 것과 연관됐습니다. Zelis Healthcare는 데이터 기반을 Snowflake로 이전하고 Snowflake Openflow를 통해 40개가 넘는 출처에서 거의 실시간으로 데이터를 수집합니다. 이 회사는 운영 환경에 에이전트 20개 이상을 배포했으며, 개념 검증용 에이전트는 하루 만에 만들고 이틀 뒤 운영 환경으로 옮길 수 있다고 밝혔습니다. 게시물은 에이전트가 보호 대상 건강 정보와 임상 의사결정을 다룰 때 통제된 데이터 접근, 보안, 감사 가능성, 사람의 감독이 필수라고 강조했습니다.

Snowflake는 2026년 10월 15일 게시물에서 암 연구와 진료 전반에 에이전틱 AI를 활용해 흩어진 데이터를 연결하고 업무 흐름을 지원하는 사례를 설명했습니다. 연구, 검진, 진단 및 치료 계획, 진료 조정, 생존 관리의 5단계에서 유전체·영상·임상·보험 청구·웨어러블 데이터가 분산돼 있으면 의사결정이 늦어질 수 있다고 밝혔습니다. Snowflake는 이들 자료를 함께 분석할 통합 데이터 기반이 필요하다고 주장했습니다.

2023년 《JAMA Network Open》에 실린 연구에 따르면 종양 임상시험은 실패율이 95%를 넘고, 실패한 시험에 매년 약 500억~600억 달러가 쓰이는 것으로 추정됩니다. 에이전틱 시스템은 유전체·구조·문헌 데이터를 연결해 후보 물질과 잠재적 실패 요인을 더 일찍 찾을 수 있습니다. 검진의 경우 생검 뒤 병리 결과를 받기까지 2~6주가 걸릴 수 있으며, 바이오마커나 유전체 검사가 필요하면 더 길어집니다. AI 영상 선별은 처리 시간을 며칠에서 몇 분으로 줄일 수 있고, 미국의 대규모 검진 연구에서는 AI 지원 업무 흐름이 표준 유방촬영 판독보다 유방암을 21.6% 더 발견했습니다.

진단과 치료 계획 단계에서는 검사 결과에 따라 작동하는 에이전트가 기록을 모으고 환자 요약을 준비하며 종양위원회에서 검토할 임상시험 참여 자격을 확인할 수 있습니다. 진료 조정 단계에서는 복잡한 시험 기준에 맞는 환자를 찾아 시험 가능성, 등록 일정, 시험기관 수용력, 계획서 복잡성을 시험 시작 전에 평가할 수 있습니다. 생존 관리 단계에서는 실제 진료 데이터를 정리하고 처방약 재조제, 보고된 증상, 누락된 추적 진료를 살펴 장기 치료를 중단할 위험이 있는 환자를 표시할 수 있습니다. 게시물은 데이터 이용 가능성, 연구 설계, 거버넌스에 따라 이런 근거 마련에 걸리는 시간이 수년에서 수개월로 줄어들 수 있다고 밝혔습니다.

Snowflake는 AstraZeneca 사례로 Snowflake Cortex AI를 활용해 데이터 제품 개발 기간을 엔지니어 16명 기준 6개월에서 2명 기준 4일로 단축했다고 소개했습니다. 이 과정에서 데이터 제품 118개 이상을 만들고 생산성 수천 시간을 확보했으며 1,000만 달러 이상을 절감했습니다. 회사의 AI 기반 흉부 엑스레이는 폐 질환 조기 발견 개선을 목표로 하며, 일부 사례에서 생존율이 최대 90% 증가한 것과 연관됐습니다. Zelis Healthcare는 데이터 기반을 Snowflake로 이전하고 Snowflake Openflow를 통해 40개가 넘는 출처에서 거의 실시간으로 데이터를 수집합니다. 이 회사는 운영 환경에 에이전트 20개 이상을 배포했으며, 개념 검증용 에이전트는 하루 만에 만들고 이틀 뒤 운영 환경으로 옮길 수 있다고 밝혔습니다. 게시물은 에이전트가 보호 대상 건강 정보와 임상 의사결정을 다룰 때 통제된 데이터 접근, 보안, 감사 가능성, 사람의 감독이 필수라고 강조했습니다.