医渡科技宫如璟达沃斯：医疗AI上限取决于数据基建

在6月23日举行的世界经济论坛第十七届新领军者年会上，医渡科技创始人宫如璟参与了“新药研发提速，能否惠及更广”的专题讨论，核心议题聚焦全球医药研发加速背后的结构性变革，以及AI与医疗数据基础设施如何重塑研发与临床体系。

从数据到证据：医疗AI的核心基建能力

先给出一个核心判断：中国已成为全球第二大新药研发市场，本土临床试验规模持续扩大。但问题随之而来——数据碎片化、研发周期漫长、受试者招募困难、临床证据转化效率偏低，这些痛点仍制约着创新药的可及性提升。

宫如璟的判断非常明确：这些问题的本质并非单一流程效率低下，而是数据层面的系统性割裂。数据散落在各处，标准不统一，彼此互不连通——这构成了AI真正进入医疗场景的核心障碍。而这也是医渡科技选择从底层出发，构建医疗数据基础设施的出发点。

她提出的医疗AI四层架构值得关注：算力层、通用基础模型层、医疗垂直模型层，以及最为关键的“高质量数据池”。这个“高质量数据池”本质上就是“证据层”。原始数据无法直接用于决策，只有经过标准化、持续性治理，转化为可追溯、可验证的结构化信息后，才能形成完整可信的临床证据体系。有了这套标准化的证据底座，才能搭建负责任、可控、符合安全边界的AI智能体——而这一整套底层体系，正是驱动新药研发提质增效的核心支撑。

这套逻辑的实践载体，就是医渡科技自主研发的“AI医疗大脑”YiduCore。其核心任务是将分散的医疗数据转化为结构化的疾病知识与研究能力，支撑医疗各场景的应用。截至2025年9月30日，YiduCore已累计处理分析近70亿份经授权医疗记录，覆盖超过10000家医疗机构，疾病知识图谱基本覆盖所有已知疾病。

数据基建正在直接改变药物研发效率

依托服务全国头部医院及临床试验网络的能力，医渡科技已将医疗数据基建从主体医院延伸至临床研究与药物研发的全链条，并在真实世界研究与临床试验体系中形成系统化应用。

在新药研发前端，借助疾病知识图谱，平台可精准研判研发方向，智能设计临床试验方案并进行可行性评估，有效减少传统模式中方案设计不合理、试验落地困难、资源浪费等问题——从源头压缩研发试错成本。

在临床试验核心执行环节，基于数据基建可实现跨区域、多中心的受试者智能筛选与精准匹配，大幅提升患者招募效率，缩短试验入组周期。传统临床试验面临的招募慢、匹配度低、样本同质化不足等难题，在这套体系下均得到缓解。同时，通过AI智能质控、实时数据校验、不良事件智能监测与预警，还能实现全流程动态监管，提升临床研究数据质量与合规性，降低运营风险。

在研发后端与成果转化环节，依托标准化证据层的能力，平台可高效完成真实世界数据整理、临床证据生成、患者队列分层分析。这些成果为创新药的上市后再评价、适应症拓展、医保准入、临床合理应用提供高可信度数据支撑，打通新药研发到临床普惠的价值闭环。

宫如璟在对话中提到，过去临床试验的流程优化与效率提升多依赖人工经验，而今标准化数据基建与AI能力的深度融合，已成为临床试验高质量开展、新药高效研发落地的必备条件——它不再是锦上添花的选项，而是产业创新中不可或缺的基础。

医疗AI出海：数据主权与深度本地化

在全球协作与数据治理层面，宫如璟强调一个前提：医疗数据的使用必须始终以安全与合规为基础。各国监管框架下，医疗数据需存储于属地政府的公共政务云体系，由第三方机构保障数据安全、管控访问权限，并对数据调取行为进行审计，规范使用权限。

她着重指出：医疗服务不存在通用的标准化全球产品，它受本土政策、法规、民生需求的强约束，是一个必须深度本地化运营的系统工程。海外落地并非简单的“复制粘贴”，而是要真正深入当地。

举例而言，在海外合作中，医渡科技与文莱政府成立了合资运营主体，组建联合技术团队，共同运营文莱国家级数字健康平台BruHealth。在严格保障当地数据主权与隐私安全的前提下，输出成熟的AI医疗能力，落地适配本土居民需求的数字化健康服务。

宫如璟在最后总结时表示，医渡科技长期重投入、深耕医疗AI基建，出发点很简单——让医疗创新真正转化为患者可感知、可获益的健康价值提升。在这个过程中，技术只是工具，真正的价值在于让医疗体系变得更高效、更可信、更可及。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：医渡科技宫如璟达沃斯：医疗AI上限取决于数据基建要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题