Teradata освещает новые проекты по внедрению корпоративного ИИ в сфере здравоохранения и медико-биологических наук

• Главная
• О нас
• Пресс-центр
• Пресс-релизы

7 октября 2026 г. | САН-ДИЕГО

Проекты по внедрению корпоративного ИИ показывают, как организации в сфере здравоохранения и медико-биологических наук масштабно активируют интеллектуальные возможности на основе своих данных и институциональных знаний.

Компания Teradata (NYSE: TDC) представила три клиентских проекта, которые демонстрируют, как ведущие организации в сфере здравоохранения и медико-биологических наук преодолевают разрыв между институциональными знаниями и практическими результатами, совершенствуя прогнозирование заболеваний, улучшая взаимодействие с пациентами в масштабах всей системы и решая сложные регуляторные задачи с помощью управляемого внутрибазового интеллекта. Каждый проект показывает, как ИИ может перейти от концепции к измеримым результатам, не ставя под угрозу управление, безопасность и доверие, которые требуются в этих средах.

Актуальность этого вопроса неоспорима, и в здравоохранении проблема формирования фундамента данных стоит более остро, чем в других отраслях. Согласно опросу 1000 руководителей высшего звена в области технологий и данных, проведенному Wakefield Research по заказу Teradata, ошеломляющие 90% руководителей в сфере здравоохранения сообщают, что 20% или менее их данных достаточно описаны и контекстуализированы для надежной работы ИИ-агентов. Организации здравоохранения заметно отстают от всех других отраслей по уровню зрелости агентного ИИ: 40% все еще находятся на самой ранней стадии, экспериментируя с активацией своих интеллектуальных возможностей, но не используя их для получения преимуществ. Тем не менее, некоторые организации вырываются вперед, и эти проекты иллюстрируют, что может дать специализированный фундамент данных для ИИ в здравоохранении.

Кейсы использования ИИ — Здравоохранение и медико-биологические науки

• Прогнозирование заболеваний с помощью ИИ, которое может изменить планирование работы систем здравоохранения, на примере ведущего европейского исследовательского института. Проблема: Системы здравоохранения сталкиваются с растущим давлением, требующим более точного планирования услуг по мере старения населения и роста расходов. Традиционное прогнозирование спроса не позволяет предсказать, какие услуги потребуются различным группам пациентов и когда. В то же время затраты на вывод (инференс) больших языковых моделей исторически делали корпоративный ИИ в здравоохранении непомерно дорогим для большинства организаций. ИИ-решение: Исследователи из ведущего европейского института молекулярной биологии и онкологии разработали компактную модель с 2 миллионами параметров, которая перепрофилирует архитектуру трансформеров для прогнозирования начала заболеваний у групп пациентов на срок до 10 лет вперед. Вместо обработки текста модель кодирует временные шкалы возраста пациентов вместо позиционных последовательностей и использует лонгитюдные данные пациентов для прогнозирования будущего начала заболевания на уровне когорты. Команда инженеров Teradata использовала технологию Bring Your Own Model (BYOM) для развертывания модели непосредственно внутри базы данных, а также nPath для структурирования данных о сложных последовательностях путей пациентов; все это было запущено в работу в течение трех дней. Результат: Модель обеспечивает 70% точность прогнозирования начала заболевания за десятилетие вперед, что достаточно для совокупного планирования спроса на медицинские услуги на уровне популяции. При работе внутри базы данных затраты на инференс составляют лишь малую часть того, что потребовали бы альтернативы на базе больших языковых моделей. То, что начиналось как исследовательское доказательство концепции, стало живой демонстрацией гибкости платформы и многоразовым фундаментом для ИИ в здравоохранении, который системы здравоохранения могут использовать уже сегодня.

Прогнозирование заболеваний с помощью ИИ, которое может изменить планирование работы систем здравоохранения, на примере ведущего европейского исследовательского института

Проблема: Системы здравоохранения сталкиваются с растущим давлением, требующим более точного планирования услуг по мере старения населения и роста расходов. Традиционное прогнозирование спроса не позволяет предсказать, какие услуги потребуются различным группам пациентов и когда. В то же время затраты на вывод (инференс) больших языковых моделей исторически делали корпоративный ИИ в здравоохранении непомерно дорогим для большинства организаций.

ИИ-решение: Исследователи из ведущего европейского института молекулярной биологии и онкологии разработали компактную модель с 2 миллионами параметров, которая перепрофилирует архитектуру трансформеров для прогнозирования начала заболеваний у групп пациентов на срок до 10 лет вперед. Вместо обработки текста модель кодирует временные шкалы возраста пациентов вместо позиционных последовательностей и использует лонгитюдные данные пациентов для прогнозирования будущего начала заболевания на уровне когорты. Команда инженеров Teradata использовала технологию Bring Your Own Model (BYOM) для развертывания модели непосредственно внутри базы данных, а также nPath для структурирования данных о сложных последовательностях путей пациентов; все это было запущено в работу в течение трех дней.

Результат: Модель обеспечивает 70% точность прогнозирования начала заболевания за десятилетие вперед, что достаточно для совокупного планирования спроса на медицинские услуги на уровне популяции. При работе внутри базы данных затраты на инференс составляют лишь малую часть того, что потребовали бы альтернативы на базе больших языковых моделей. То, что начиналось как исследовательское доказательство концепции, стало живой демонстрацией гибкости платформы и многоразовым фундаментом для ИИ в здравоохранении, который системы здравоохранения могут использовать уже сегодня.

• Взаимодействие с пациентами и цифровое обслуживание на базе ИИ в крупной интегрированной системе здравоохранения США. Проблема: Система здравоохранения, обслуживающая более одного миллиона пациентов преимущественно в сельских районах, сталкивается с уникальными проблемами. Пациенты, не вовлеченные в процесс лечения, отказываются от медицинской помощи, хронические заболевания остаются без контроля, а недостаточно обслуживаемые группы населения, включая будущих матерей в районах с ограниченным доступом к акушерам-гинекологам, могут полностью выпадать из поля зрения. ИИ-решение: Платформа Teradata обеспечила гармонизацию данных и фундамент машинного обучения, необходимые организации для улучшения обслуживания разрозненного населения пациентов. Имея десятилетние данные пациентов, объединенные в единой управляемой среде, система здравоохранения создала портфель программ цифрового ухода, основанных на моделях стратификации рисков машинного обучения на языке Python, работающих непосредственно внутри базы данных и использующих почти 150 характеристик пациентов для выявления, таргетинга и проактивного взаимодействия с нужными пациентами. Модели предоставляют врачам поддержку принятия решений в режиме реального времени во время обхода пациентов и обеспечивают программу дистанционного акушерского мониторинга, которая предоставляет круглосуточную цифровую помощь будущим и родившим матерям в недостаточно обслуживаемых сообществах. Результат: Результаты оказались трансформационными: 520% рост вовлеченности пациентов в цифровые программы, при этом пациенты соблюдают свои протоколы лечения с гораздо более высокими показателями, что улучшает здоровье пациентов. Модель также позволяет осуществлять динамическую сегментацию. По мере улучшения состояния хронических заболеваний пациентов при дистанционном мониторинге уход может быть соответствующим образом масштабирован.

Взаимодействие с пациентами и цифровое обслуживание на базе ИИ в крупной интегрированной системе здравоохранения США

Проблема: Система здравоохранения, обслуживающая более одного миллиона пациентов преимущественно в сельских районах, сталкивается с уникальными проблемами. Пациенты, не вовлеченные в процесс лечения, отказываются от медицинской помощи, хронические заболевания остаются без контроля, а недостаточно обслуживаемые группы населения, включая будущих матерей в районах с ограниченным доступом к акушерам-гинекологам, могут полностью выпадать из поля зрения.

AI-решение: Платформа Teradata обеспечила гармонизацию данных и основу для машинного обучения, необходимые организации для улучшения медицинской помощи рассредоточенной популяции пациентов. Объединив данные пациентов за десятилетие в единой управляемой среде, система здравоохранения создала портфель цифровых программ ухода на базе моделей оценки рисков машинного обучения на основе Python, которые выполняются непосредственно в базе данных, используя почти 150 характеристик пациентов для выявления, таргетинга и проактивного взаимодействия с нужными пациентами. Модели предоставляют клиницистам поддержку принятия решений в режиме реального времени при обходе пациентов и обеспечивают работу программы удаленного мониторинга в акушерстве, которая распространяет круглосуточный цифровой уход на будущих матерей и рожениц в малообеспеченных сообществах.

Результат: Результаты превзошли все ожидания: увеличение вовлеченности пациентов в цифровые программы на 520%, при этом пациенты гораздо точнее соблюдают свои протоколы ухода, что улучшает их здоровье. Модель также обеспечивает динамическое распределение по уровням. По мере улучшения хронического состояния пациентов в условиях удаленного мониторинга уход может соответствующим образом корректироваться.

• Управляемый искусственный интеллект в базе данных для приоритетной регуляторной инициативы крупной американской медицинской страховой компании (пайера) Проблема: В сфере здравоохранения регулирование часто опережает системы, созданные для его соблюдения. Новые требования прозрачности, мандаты на аудиты и инициативы по обеспечению соответствия требованиям могут поступать в качестве приоритетов руководства с временными рамками, измеряемыми неделями, а не кварталами. Для крупного американского медицинского пайера, столкнувшегося именно с таким сценарием, вопрос заключался не в том, есть ли у организации данные. Вопрос заключался в том, сможет ли она обрабатывать их точно, безопасно и в масштабе.

Управляемый искусственный интеллект в базе данных для приоритетной регуляторной инициативы крупной американской медицинской страховой компании (пайера)

Проблема: В сфере здравоохранения регулирование часто опережает системы, созданные для его соблюдения. Новые требования прозрачности, мандаты на аудиты и инициативы по обеспечению соответствия требованиям могут поступать в качестве приоритетов руководства с временными рамками, измеряемыми неделями, а не кварталами. Для крупного американского медицинского пайера, столкнувшегося именно с таким сценарием, вопрос заключался не в том, есть ли у организации данные. Вопрос заключался в том, сможет ли она обрабатывать их точно, безопасно и в масштабе.

AI-решение: Teradata применила передовой ИИ непосредственно на платформе Teradata для поддержки приоритетной регуляторной инициативы пайера. Решение объединило большие языковые модели, эмбеддинги и поиск сходства в базе данных для предоставления интеллектуальных, управляемых аналитических выводов там, где данные уже находятся. Здесь не было перемещения данных, внешних конвейеров и каких-либо компромиссов в отношении модели безопасности или элементов управления, необходимых организации. Подход разработан с учетом масштабирования для корпоративных рабочих нагрузок в здравоохранении.

Результат: То, что начиналось как инициатива по соблюдению нормативных требований, имеет потенциал стать тиражируемым шаблоном для того, как медицинские пайеры решают проблемы регуляторного характера и соответствия на более широком рынке. Проект продемонстрировал, что управляемый ИИ в базе данных — это не обходной путь для сценариев с высокими ставками, а архитектура, специально созданная для них. Опрос Wakefield Research показал, что 43% организаций здравоохранения называют ограничения управления, безопасности или доступа основным препятствием для развертывания ИИ-агентов на корпоративных данных; этот проект показывает, как выглядит устранение этого препятствия путем внедрения управления в основу с первого дня, а не попыток прикрутить его задним числом.

Мнение руководства

"Здравоохранение и науки о жизни — это отрасли, богатые институциональными знаниями, такими как клинические записи, данные о претензиях, схемы использования и десятилетия истории пациентов. Проблема никогда не заключалась в данных. Проблема заключалась в разрыве между тем, что эти организации знают, и тем, что они делают с этими знаниями. Эти проекты показывают, как выглядит преодоление этого разрыва: прогнозирование заболеваний, которое меняет то, как системы здравоохранения планируют будущее; программы цифрового ухода, которые охватывают пациентов, которые иначе остались бы без внимания; и аналитика соответствия требованиям, которая дает пайерам уверенность действовать за считанные дни, а не месяцы".

- Майк Хатчинсон (Mike Hutchinson), операционный директор Teradata

Teradata AI Services созданы специально для того, чтобы превратить эти знания в действия, объединяя экспертную методологию с платформой Teradata в рамках модели доставки на основе спринтов. Для медицинских предприятий это означает структурированный, ускоренный путь от концептуального проекта (proof of concept) до промышленной эксплуатации без ущерба для управления, проверяемости и доверия, которых ожидают регуляторы, врачи и пациенты.

Teradata наделяет предприятия возможностью превращать аналитику в автономные действия, обеспечивая ИИ-агентов глубоким бизнес-контекстом и доверенными данными. По мере увеличения числа ИИ-агентов Teradata выступает в роли основы контекста, уровня управления и производительности, которые так необходимы компаниям сегодня. Платформа Teradata Autonomous Knowledge Platform обеспечивает внедрение ИИ в производство в облачных, локальных и гибридных средах. Узнайте больше на Teradata.com.