Ai4
可穿戴设备通过整合连续生理体征、电子病历与化验单数据,正推动健康AI从被动数据记录转向具备闭环诊疗能力的预防型决策支持。
AI-assisted summary of Fireside Chat with Dr. Tanvi Jayaraman, Oura and Alice Park, TIME — original source. Check the original for full context.
Source published:
Detailed notes
## Background 本内容由频道 Ai4 于 2026 年 8 月 22 日在 YouTube 平台发布,记录了《时代》周刊资深健康记者 Alice Park 与 Oura 健康 AI 临床负责人 Tanvi Jayaraman 博士展开的炉边谈话。视频简介指出,本次讨论聚焦于健康 AI 如何摆脱“一刀切”模式,通过融合连续生物体征数据、生理学理解与长期趋势,构建具有临床依据、高度个性化且负责任的健康 AI 体验与产品功能(如 Oura Advisor 等)。
## TL;DR 本次炉边对谈深入探讨了 Oura 如何从传统硬件追踪器演进为主动式健康与临床决策支持平台。Jayaraman 博士分享了硬件轻量化 40% 对长期体征采集的价值,并介绍了基于大规模临床研究(如 TemPredict)落地的健康雷达、GLP-1 药物洞察及夜间呼吸异常预警等功能。此外,对话重点拆解了原生大语言模型体验 Oura Advisor 的技术与安全架构,包括引入一线医生制定安全红线、合成数据压力测试、整合电子病历(EHR)与第三方化验单,以及与 Council Health 合作打造 App 内闭环诊疗体验,最终推动医疗健康体系从被动“治病”向主动“预防”转型。
## Atmosphere & style 整场炉边谈话节奏明快且极具专业深度,开场由主持人的幽默互动轻松破冰,随后迅速切入前沿医学工程与严谨算法的交汇点。Alice Park 以敏锐的媒体视角层层追问 AI 安全性、幻觉防范与隐私归属,而 Jayaraman 博士则以兼具临床医生与技术负责人的双重视角沉稳作答,大量运用“整部电影与单帧快照”、“发动机故障灯”等生动比喻。听感上既有严谨硬核的医学工程质感,又充满对以患者为中心、重塑预防医学未来的理性乐观与前瞻洞见。
## Key takeaways - [00:04](https://www.youtube.com/watch?v=0eMRQc5hncg&t=4s) 新一代 Oura 戒指通过将硬件体积缩小 40% 实现无感佩戴,极大提升了长期佩戴率与连续体征数据的采集完整度。 - [00:04](https://www.youtube.com/watch?v=0eMRQc5hncg&t=4s) 针对代谢健康需求,Oura 推出 GLP-1 Insights 及健康雷达(Health Radar)功能矩阵,推动产品从被动记录向主动健康趋势洞察转型。 - [02:18](https://www.youtube.com/watch?v=0eMRQc5hncg&t=138s) 与加州大学旧金山分校(UCSF)合作的 TemPredict 研究证实,戒指能够在上呼吸道感染临床症状出现前 2 至 3 天发出体征异常预警。 - [02:18](https://www.youtube.com/watch?v=0eMRQc5hncg&t=138s) Oura 将监测功能严格定位于健康生活方式(Wellness)而非医学诊断,扮演类似汽车“发动机故障灯”的预防性警示角色。 - [04:53](https://www.youtube.com/watch?v=0eMRQc5hncg&t=293s) 依托 40 多位算法博士与在职临床医师,结合体温监测达到医用级 99% 的硬件精度,Oura 为算法模型提供了高可靠性的底层支撑。 - [04:53](https://www.youtube.com/watch?v=0eMRQc5hncg&t=293s) 基于大语言模型(LLM)的 Oura Advisor 能够原生连接客观时序生理数据与主观症状标签,用通俗语言提供高上下文的健康教育解答。 - [08:10](https://www.youtube.com/watch?v=0eMRQc5hncg&t=490s) 为划定安全红线,一线临床医生团队建立了严格的分诊决策树与合成用户数据压力测试集,严禁 AI 越界开药、改剂量或下达诊断。 - [08:10](https://www.youtube.com/watch?v=0eMRQc5hncg&t=490s) 健康 AI 正在经历行业范式转变,从最初的语音听写、数据记录与摘要生成,加速演进为深度介入的主动型临床决策支持(Decision Support)。 - [11:31](https://www.youtube.com/watch?v=0eMRQc5hncg&t=691s) 临床就医仅是人生的“单帧快照”,可穿戴设备则记录了连续生活的“整部电影”,其核心价值在于弥合两次看诊之间的漫长数据空白。 - [13:05](https://www.youtube.com/watch?v=0eMRQc5hncg&t=785s) Oura 与 Council Health 展开深度合作,支持用户在 App 内部直接与执业医生连线进行诊断与开方,形成数据回流的闭环原生体验。 - [15:00](https://www.youtube.com/watch?v=0eMRQc5hncg&t=900s) 系统在回答中精准结合历史趋势与医学文献,一旦用户提问触及疾病诊断等医疗红线,会立即触发拦截机制并建议咨询临床医生。 - [18:05](https://www.youtube.com/watch?v=0eMRQc5hncg&t=1085s) Oura 支持导入电子病历(EHR)和任意机构的化验单 PDF,使 AI 能够结合既往病史、用药清单与睡眠呼吸数据,扮演全方位的个性化健康教练。 - [20:25](https://www.youtube.com/watch?v=0eMRQc5hncg&t=1225s) 在数据隐私方面,Oura 将最终控制权交还给用户,支持随时撤销 EHR 授权、关闭数据整合以及彻底删除个人档案数据。 - [22:06](https://www.youtube.com/watch?v=0eMRQc5hncg&t=1326s) 健康 AI 的深远潜力在于打破传统只在患病后介入的“疾病治疗”(sick care)局限,全面迈向全生命周期主动预防的健康管理生态。
## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=0eMRQc5hncg&t=4s) Oura 新一代硬件迭代与健康软件生态拓展
对谈在《时代》周刊资深健康记者 Alice Park 的幽默互动中开场。她首先询问现场有多少人正佩戴着 Oura 智能戒指,随后引出 Oura 最新发布的硬件迭代。Oura 健康 AI 临床负责人 Tanvi Jayaraman 博士介绍,她的核心职责是统筹推进 Oura 产品的 AI 健康战略及相关软件功能的落地。从临床医学的角度来看,最有价值的数据莫过于具备连续性与完整性的体征数据。过去数年间,用户对于每代硬件最普遍的诉求便是"能否做得更小巧一点"。新一代硬件将体积缩小了 40%,这种极致的轻量化带来了显著的无感佩戴体验,使用户几乎感受不到戒指的存在,从而极大提高了长期佩戴与连续数据采集的完成度。
伴随新硬件的推出,Oura 进一步向深水区的健康管理领域迈进,推出了多项针对性的软件功能。例如,针对患有代谢健康障碍的会员,团队注意到许多用户在 Reddit 等社群中迫切希望了解自身生物体征如何与用药情况相关联。为此,Oura 推出了备受期待的 "GLP-1 Insights"(GLP-1 药物洞察)功能。此外,Oura 还推出了一整套名为 "Health Radar"(健康雷达)的功能矩阵,标志着产品从单纯的数据记录跃升至主动式的健康趋势洞察。
- **硬件轻量化**:新一代戒指体积缩减 40%,实现全天候无感佩戴,保障生物体征数据的完整采集。 - **代谢健康功能**:基于社群反馈推出 GLP-1 洞察,帮助用户将生理指标与减重/降糖药物的服用建立联系。 - **产品战略转型**:由传统的被动睡眠与运动追踪,全面升级为主动式健康管理与预警平台。
---
[02:18](https://www.youtube.com/watch?v=0eMRQc5hncg&t=138s) 病毒预警与健康雷达:从 TemPredict 研究到多维生理信号监测
Tanvi 博士深入阐述了健康雷达功能的发展脉络。该功能的雏形是早期的 "Symptom Radar"(症状雷达)。回顾六年前的新冠疫情初期,Oura 团队致力于探索如何帮助用户在身体感知到异样之前及早捕捉到潜在的感染征兆。Oura 联合加州大学旧金山分校(UCSF)开展了名为 TemPredict 的大规模临床研究。该研究证实,通过综合分析多维体征,症状雷达能够在用户实际感知到上呼吸道感染等病毒性疾病临床症状的 2 至 3 天前,就发出体征异常的主要迹象预警。
在新一代产品的健康雷达套件中,监测范围进一步拓展到更多生理维度,例如血压信号(Blood Pressure Signals)与夜间呼吸监测(Nighttime Breathing)。在呼吸监测中,算法会分析会员过去 30 天的夜间呼吸基线数据,一旦捕捉到潜在的异常偏离,系统便会主动向用户推送预警。Tanvi 博士特别强调,所有这些功能在定位上均属于"健康生活方式(Wellness)功能",绝非用于医学诊断或直接治疗,其本质是扮演类似汽车仪表盘上的 "发动机故障灯(check engine light)" 角色,旨在及时提示会员关注身体变化或适时前往医院就诊。
- **TemPredict 研究成果**:与 UCSF 合作证实,戒指可在用户产生临床症状前 2~3 天提前侦测到病毒性感染迹象。 - **血压与呼吸信号**:新增血压信号监测与基于 30 天滚动基线的夜间呼吸异常偏移分析。 - **健康指示灯定位**:明确将功能定位于预防性警示与科普,提供早期信号而非替代临床诊断。
---
[04:53](https://www.youtube.com/watch?v=0eMRQc5hncg&t=293s) 算法严谨性、临床精度与 Oura Advisor 的大模型交互架构
针对 Alice Park 关于 AI 如何在庞大数据集中挖掘早期疾病信号的提问,Tanvi 博士指出,这依赖于极度严谨的基础科学研究与算法工程。目前 Oura 算法团队拥有超过 40 位博士,并有在职临床医师全程参与算法从设计到上线的全生命周期评估。依托全球超过 500 万只戒指的销售与佩戴积累,团队在正式立项前会进行严密的数据回溯与评估,严格把控阳性预测值(PPV)、假阳性率(FPR)及假阴性率(FNR)等临床统计指标。在硬件精度上,Oura 戒指的体温传感器监测精度已达到医用级体温计的 99%,为上层算法提供了可靠的底层输入。
在用户交互层面,Oura 推出了基于大语言模型(LLM)的平台级功能 "Oura Advisor"。Alice Park 追问这是否是一种远程医疗(Telehealth)连接,Tanvi 博士澄清 Advisor 是一套原生的大模型驱动体验。用户可以在 App 内与 Advisor 展开多轮对话,Advisor 能够将连续的生物指标趋势与用户的主观描述实时关联。以 GLP-1 用户为例,当用户在应用内记录药物副作用,或在调整剂量后发现心率变异性(HRV)发生改变时,Advisor 能够拉取其 HRV 变化曲线与副作用标签,用通俗易懂的语言解释机体内部可能正在发生的生理机制。
```mermaid flowchart TD accTitle: Oura Advisor 数据整合与临床安全交互架构 subgraph DataInput ["多模态数据输入层"] A["高精度硬件体征<br/>(99% 医用级体温/HRV/呼吸)"] B["用户主动标注<br/>(GLP-1 剂量/副作用标签)"] C["用户自然语言提问<br/>(症状咨询/生理疑问)"] end
subgraph LLMEngine ["Oura Advisor 核心引擎"] D["临床算法过滤<br/>(40+ PhD 团队严研)"] E["LLM 上下文整合引擎<br/>(趋势分析与生理机制关联)"] end
subgraph GuardrailAndOutput ["安全护栏与分流输出"] F{"是否超出 Wellness 范畴?"} G["个性化健康教育<br/>(生理学机制科普与趋势解释)"] H["临床升级分诊提示<br/>(建议联系主治医生/就医指引)"] end
A --> D B --> D D --> E C --> E E --> F F -- "日常健康咨询" --> G F -- "触发高危/医疗级红线" --> H ```
- **研发团队配置**:超过 40 位算法 PhD 与临床医生协同,确保每个算法指标具备统计学与医学双重验证。 - **体温测量精度**:传感器精准度达到医用级温度计的 99%,涵盖静息心率、呼吸率与体温等核心指标。 - **Oura Advisor 定位**:通过 LLM 连接客观生理时序数据与主观症状标签,提供高上下文关联的健康科普问答。
---
[08:10](https://www.youtube.com/watch?v=0eMRQc5hncg&t=490s) 临床安全边界划分、合成数据验证与决策支持演进
随着健康 AI 逐渐从被动的数据展示走向主动的决策辅助,如何划定 AI 的安全红线成为关键议题。Tanvi 博士指出,Oura 内部组建了包括妇产科临床主任(OB-GYN)、执业护士(NP)在内的现役一线临床医生团队。这些临床专家将真实的门诊经验引入系统设计,明确划分哪些属于健康教育与背景科普,哪些属于必须由持牌医生把控的诊疗领域。当用户面临复杂的体征波动时,系统内建了严格的决策树逻辑,确保 Advisor 绝不做出开药、更改剂量或下达临床诊断等越界行为,并在必要时刻明确向用户发出转诊建议:"是时候与你的主治医生沟通了。"
在安全验证机制上,Oura 采取了"自顶向下"与"自底向上"相结合的策略。除了由临床医生制定医疗护栏外,团队还构建了复杂的合成用户数据(Synthetic User Data)测试集。通过模拟不同病史背景、慢性病管理状态以及多重用药方案的合成用户画像,AI 团队在这些高拟真度的复杂场景下对功能进行反复的压力测试与质量评估。Alice Park 总结道,整个健康 AI 行业正经历深刻范式转变——从最初被动的语音听写、数据记录与摘要生成,加速演进为主动且深度介入的临床决策支持(Decision Support)。
- **一线临床把关**:由在职妇产科专家及资深护理团队亲自构建系统防护栏,界定科普与医疗的严格边界。 - **合成场景压力测试**:利用包含多样化合并症与多药治疗方案的合成患者档案,全天候验证 AI 响应的安全性。 - **行业范式跃迁**:健康 AI 从被动记录(Scribing/Tracking)正式迈入主动型决策支持(Decision Support)新阶段。
以下是根据该段 transcript 内容整理的详细且忠实于原文的文字记录与深度梳理:
[11:31](https://www.youtube.com/watch?v=0eMRQc5hncg&t=691s) Oura 的定位:从基础日常监测到专业临床对接
Tanvi Jayaraman 博士首先以临床医生的视角阐述了 Oura 的定位。当她戴上医生的帽子时,会将 Oura 的用户视为自己的“患者”。在传统医学培训中,全科医生(Primary Care Physician)非常清楚自己的能力边界——了解患者的大量基础情况,但在超出专业范围时,必须及时转诊并引入专科医生(Specialist)。
类似地,Oura 将自己定位为一个汇集了极其丰富生物体征信号(Biometric Signals)的平台。Jayaraman 博士用了一个非常生动的比喻:如果将一个人的健康生活比作一部完整的电影,那么去医院看诊的短短几分钟仅仅是这部电影中的一个“单帧画面”或“快照”,而绝大多数生活细节和体征变化都发生在两次看诊之间的漫长时间里。可穿戴设备恰好填补了这一空白,能够持续收集这一期间的数据。
Oura 的核心理念是:如何赋予患者掌控自身健康的权力?如何帮助用户在发现身体异样前就了解内部变化?以及如何将这些繁杂的数据打包整理,让用户能够有备而来地与自己的临床医疗团队进行有深度的对话,从而同时为患者和医生赋能。
- Oura 将传统医疗看诊比作电影中的单一帧(Snapshot),而可穿戴设备则记录了整部“电影”的过程。 - 核心目标是帮助用户建立健康主体意识,并在寻求医疗帮助前提供有价值的体征洞察。
[13:05](https://www.youtube.com/watch?v=0eMRQc5hncg&t=785s) 与 Council Health 合作:在 Oura App 内部打造闭环诊疗体验
为了在保持自身优势的同时解决超越“健康保健(Wellness)”范畴的临床需求,Oura 与 Council Health 展开了深度合作。这项合作体验目前已集成在 Oura Labs 中,并随着今年早些时候发布的 Oura Ring Gen3 / Oura Horizon(及相关 O5 更新)一同推出。
用户在 Oura App 内部主动选择开启 Council Health 服务后,可以直接在 AI 聊天界面中与真正的执业医生进行实时互动。这些医生能够调取并审查用户的 Oura 生物体征数据,帮助解答疑问,甚至可以针对特定病症进行诊断、开具处方和制定治疗方案。
主持人 Alice Park 提问这种合作是否构成了某种双向数据交互机制。Jayaraman 博士解释道,尽管该功能目前仍处于 Beta 测试阶段,但整体体验完全是按照“Oura 原生(Oura Native)”的理念来设计的。用户无需离开 Oura App;只要用户授权同意,医生在诊疗对话中做出的任何临床决策和记录,都会无缝反馈并同步回用户的 Oura 个人档案(Profile)中,形成一个完整的数据闭环(Closed Loop),让用户后续在 App 内部使用其他服务时也能持续获益。
- **合作方**:Council Health(集成于 Oura Labs 体验中)。 - **临床能力**:支持真实医生在线接入,结合 Oura 数据进行诊断(Diagnose)、开处方(Prescribe)及治疗(Treat)。 - **数据闭环**:在用户知情同意前提下,诊疗决策数据会回流至 Oura 账户,实现全应用统一。
[15:00](https://www.youtube.com/watch?v=0eMRQc5hncg&t=900s) AI 安全防线与评估机制:如何防止幻觉并设定边界
面对近期业内关于大语言模型(LLM)“幻觉(Hallucinations)”以及生成式 AI 越发自主化所带来的担忧,Alice Park 询问在严谨的医疗健康领域,Oura 采取了哪些安全防护措施(Safeguards)来监控并确保 AI 输出的准确性。
Jayaraman 博士指出,这正是她和她的团队最核心的工作职责。他们建立了一套极其严谨的内部测试架构与软件系统,在任何新功能正式发布(Ship)之前,都会在后台通过大量的“合成场景(Synthetic Scenarios)”进行压力测试。
以 Oura 推出的“夜间呼吸异常/呼吸扰动(Nighttime Breathing Disturbances)”功能为例:该功能通过对用户连续 30 天的呼吸与睡眠数据进行基线分析,一旦发现偏离基线的情况,会向用户发出不同危险等级的提示。在研发阶段,团队预判了用户可能提出的数百种不同类型的问题(如“什么是夜间呼吸异常?”、“我是不是患有失眠或睡眠呼吸暂停?”等)。
团队针对这类场景的测试标准包括: 1. **数据准确调用**:AI 必须能够精准提取用户过去一个月的历史趋势,准确关联睡眠、呼吸乃至心血管健康(Cardiovascular Health)等跨维度数据。 2. **医学文献对齐**:必须结合最新的专业医学文献进行回答。 3. **安全触发器(Trigger)机制**:一旦用户的提问超出健康咨询(Wellness)边界,进入疾病诊断等医疗领域,系统必须**立即且无缝地触发安全机制**,明确告知用户“该问题已超出 Oura 的解答范围”,并引导用户咨询专业临床医生。
```mermaid accTitle: Oura AI 响应与安全分流流程 flowchart TD subgraph DataIngestion ["1. 数据集成"] A["Oura 30天生物体征<br/>(睡眠/呼吸/心率)"] B["EHR 电子病历 &<br/>Quest 化验单数据"] end
subgraph AIProcessing ["2. 智能推理与检索"] C["Oura Advisor / LLM"] D["检索医学文献 &<br/>交叉比对多维数据"] A --> C B --> C C --> D end
subgraph Evaluation ["3. 边界判断与安全触发"] E{"是否超出 Wellness 范畴?"} D --> E F["提供个性化健康指导与趋势分析<br/>('Coach Role')"] G["触发安全拦截机制<br/>(Trigger Activated)"] E -- "否 (健康咨询)" --> F E -- "是 (涉及医疗诊断)" --> G G --> H["建议咨询专业临床团队 /<br/>对接 Council Health 医生"] end ```
[18:05](https://www.youtube.com/watch?v=0eMRQc5hncg&t=1085s) 多维健康数据融合:电子病历(EHR)与实验室化验单集成
针对主持人提到 Oura 用户目前可以导入电子病历(EHR, Electronic Health Record)的功能,Jayaraman 博士详细介绍了这一功能如何让 AI 的回答变得更加极其个性化与具体化,而不是像通用线上搜索引擎那样给出泛泛而谈的建议。
现在,Oura 不仅拥有丰富的体征监测数据,还能深度整合用户导入的 EHR,包括: - 过往病史(Past Medical History) - 正在管理的慢性或急性病症(Current Conditions) - 当前服用的药物清单(Current Medications) - 现行的治疗方案(Treatment Plans)
此外,除了此前与 Quest Diagnostics 合作提供的 Oura 健康检测面板(Health Panel)外,用户现在还可以将**任何医疗机构**出具的实验室化验单(Labs)PDF 文件直接上传至 Oura 平台。
通过将睡眠趋势、呼吸状况、EHR 病史以及化验单指标等多源数据打通,AI 就像是一个了解你全方位健康背景的“教练(Coach)”。例如,当用户在夜间 3 点频繁醒来时,AI 能够结合“用户患有高血压、正在服用某类药物、且过去一个月的 Oura 睡眠数据存在特定波动”等具体上下文进行综合分析,引导用户思考可能的原因,提出针对性的后续追问,并生成一份详尽的报告,帮助用户在下一次看诊时与医生展开更有成效的沟通。
- **导入支持**:支持电子病历(EHR)集成以及任何来源的实验室化验单 PDF 上传。 - **上下文感知**:结合既往病史(如高血压)、用药情况与 Oura 实际监测到的体征变化进行综合归因。 - **应用场景**:帮助解答如“为什么我每晚凌晨 3 点都会醒来”等极其个性化的复杂健康疑问。
[20:25](https://www.youtube.com/watch?v=0eMRQc5hncg&t=1225s) 数据隐私与用户自主控制权
在对谈的最后阶段,Alice Park 提出了一个关于数据隐私的关键问题:用户开启电子病历(EHR)整合后,数据调用是每次提问时自动全量进行,还是允许用户针对具体问题进行单次授权或选择性屏蔽?
Jayaraman 博士澄清道,通常情况下,一旦用户完成了知情同意(Consent)流程并开启了该功能,这种数据感知在整个应用内部是保持一致的(针对某些特殊模块,如女性健康 features,Oura 提供了更细粒度的单独开关)。
但她特别强调,Oura 始终将**数据的最终所有权与控制权交还给用户**: - 用户可以随时在 App 的设置菜单中**撤销访问权限(Revoke Access)**。 - 用户可以随时关闭特定数据源的整合,甚至完全删除个人档案中的历史数据(Data Deletion)。 - 整个界面设计非常透明,用户可以清晰地决定希望 Oura 了解哪些信息以及移除哪些信息。
在对话结束时,Alice Park 感谢了 Jayaraman 博士的分享,并表示非常期待看到像 Oura 这样基于 AI 的健康策略如何进一步赋能患者,推动整个医疗体系向“以预防为中心(Prevention)”的方向迈进。
[22:06](https://www.youtube.com/watch?v=0eMRQc5hncg&t=1326s) 从疾病治疗转向健康管理与圆桌结语
在对谈的尾声,话题聚焦于健康领域的核心范式转变——即从被动的“疾病治疗”(sick care)全面转向主动的“日常健康与预防管理”(wellness)。讲者强调,借助结合连续生物识别数据与临床医学背景的 AI 技术,未来的医疗健康体系能够更深入地渗透到日常生活中,帮助个体在未病阶段建立起个性化、长期的健康洞察,从而真正实现预防为主的健康生态。
随着这一核心理念的阐述,整场炉边谈话圆满结束。嘉宾与主持人向在场观众表达了由衷的感谢,在热烈的致谢声("Thank you very much. Thank you so much. Thank you all.")中为本场关于健康 AI、女性健康模型及负责任技术落地的深度讨论画上了句号。
- **核心范式转变**:强调健康 AI 的真正潜力在于打破传统医疗只聚焦于患病后干预(sick care)的局限,转型为全生命周期的主动健康管理与生活方式干预(wellness)。 - **致谢与闭幕**:嘉宾及主持人向现场与会者致谢,圆桌对话正式落下帷幕。
## Notable quotes > [00:04](https://www.youtube.com/watch?v=0eMRQc5hncg&t=4s) 能否做得更小巧一点 — Tanvi Jayaraman
> [02:18](https://www.youtube.com/watch?v=0eMRQc5hncg&t=138s) 发动机故障灯(check engine light) — Tanvi Jayaraman
> [08:10](https://www.youtube.com/watch?v=0eMRQc5hncg&t=490s) 是时候与你的主治医生沟通了。 — Tanvi Jayaraman
> [11:31](https://www.youtube.com/watch?v=0eMRQc5hncg&t=691s) 如果将一个人的健康生活比作一部完整的电影,那么去医院看诊的短短几分钟仅仅是这部电影中的一个“单帧画面”或“快照”,而绝大多数生活细节和体征变化都发生在两次看诊之间的漫长时间里。 — Tanvi Jayaraman
> [15:00](https://www.youtube.com/watch?v=0eMRQc5hncg&t=900s) 该问题已超出 Oura 的解答范围 — Tanvi Jayaraman
> [18:05](https://www.youtube.com/watch?v=0eMRQc5hncg&t=1085s) 为什么我每晚凌晨 3 点都会醒来 — Tanvi Jayaraman
> [22:06](https://www.youtube.com/watch?v=0eMRQc5hncg&t=1326s) Thank you very much. Thank you so much. Thank you all. — Alice Park & Tanvi Jayaraman
## Mentioned Alice Park, Tanvi Jayaraman, Oura, TIME, Ai4, Reddit, GLP-1 Insights, Health Radar, Symptom Radar, 加州大学旧金山分校(UCSF), TemPredict, Oura Advisor, Council Health, Oura Labs, Oura Ring Gen3, Oura Horizon, Quest Diagnostics
## Video description Alice Park - Senior Health Correspondent, TIME Tanvi Jayaraman - Clinical Lead, Health AI, Oura
As health AI moves beyond one-size-fits-all systems, the opportunity is to build experiences that are more personalized, context-aware, and clinically grounded.
In this session, Dr. Tanvi Jayaraman will share how Oura is building clinically grounded AI experiences that combine continuous biometric data with a deeper understanding of physiology, life stages, and longitudinal trends to deliver more personalized guidance.
She’ll discuss how this work comes to life within Oura Advisor, including the development of a women-specific large language model, while also exploring how Oura is applying similar principles more broadly to make health AI more useful, trustworthy, and relevant across different health contexts.
Attendees will also get a closer look at the clinical and technical considerations behind building responsible health AI, including privacy, equity, and what it takes to create systems that are accurate, trustworthy, and useful in real-world care conversations.
[Source](https://www.youtube.com/watch?v=0eMRQc5hncg)