ทีม BT beartai ได้เข้าร่วมฟัง 2 เซสชัน จาก 2 คนในวงการเชิงการแพทย์ พญ. ปรมาภรณ์ ปราสาททองโอสถ กรรมการผู้อำนวยการใหญ่ และประธานคณะผู้บริหารอาวุโส กลุ่ม 1 BDMS และ ศาสตราจารย์จอร์จ คาร์โดโซ (Prof. Jorge Cardoso) จาก King’s college London ทั้งสองได้พูดถึงการนำ AI เข้ามาปรับปรุง และพัฒนาแนวการการรักษา และป้องกันการระบาด โดยเฉพาะในด้าน Operation หรือการปฎิบัติการ และได้รวบมาสรุปในบทความนี้ 

BDMS เร่งสร้าง ‘Health Ecosystem’ ขับเคลื่อนด้วย AI มุ่งสู่ Value-based Healthcare

BDMS มุ่งพัฒนาระบบนิเวศด้านสุขภาพ (Health Ecosystem) ที่ครอบคลุมทั้งการรักษา การป้องกัน และการดูแลสุขภาพนอกโรงพยาบาล (Home care) โดยผนึกกำลังกับพันธมิตรหลากหลาย เช่น ร้านขายยา โรงงานยา/น้ำเกลือ และ Health Start-up เพื่อสร้างเครือข่ายที่มีประสิทธิภาพสูงสุด

พญ. ปรมาภรณ์ ปราสาททองโอสถ อธิบายว่าปัญญาประดิษฐ์ (AI) คือเครื่องมือสำคัญที่ BDMS จะนำมาใช้สนับสนุนกลยุทธ์ระยะยาว 5-10 ปี เพื่อให้สอดคล้องกับเป้าหมายองค์กรในด้านต่าง ๆ ได้แก่ กลยุทธ์องค์กร (Corporation Strategy), ประสิทธิภาพทางคลินิก (Chemical Effectiveness), การมีส่วนร่วมของผู้ป่วย (Patient Engagement) และการบริหารความเสี่ยง

  • การจัดการข้อมูล : รวบรวมและเชื่อมโยงข้อมูลที่กระจัดกระจายอย่างปลอดภัยตามมาตรฐาน Data Privacy เพื่อเพิ่มประสิทธิภาพการดูแลสุขภาพและการบริหารจัดการภายใน
  • การประยุกต์ใช้ AI : BDMS เริ่มใช้ AI มาตั้งแต่ปี 2018–2019 ทั้งในส่วนหน้าบ้านและหลังบ้าน ปัจจุบันบุคลากรมีความพร้อมในการนำ AI มาช่วยในการทำงาน เช่น การคัดกรองข้อมูล, การอ่านภาพ X-Ray และการลดความผิดพลาดในการจัดการข้อมูล/โคด

โดยมีเป้าหมายเพื่อปรับปรุงด้านการดำเนินงาน (Operation), ลดต้นทุน (Cost), พัฒนาผลิตภัณฑ์ (Product) และธุรกิจ (Business Development) เพื่อก้าวไปสู่การเป็น Value-based Healthcare

นอกจากนี้ยังเสริมอีกว่า ความสำเร็จขึ้นอยู่กับการสร้าง วัฒนธรรมองค์กรที่เชื่อมั่นในนวัตกรรมและความรวดเร็วในการปรับตัว ผู้นำมีบทบาทสำคัญในการกำหนดวิสัยทัศน์และทิศทาง, จัดการข้อมูล/ทรัพยากรอย่างเป็นระบบ และแบ่งทีมงานที่ชัดเจนระหว่างทีมที่ทำงานเชิงรุกกับการบริหารความเสี่ยง เพื่อให้การใช้ AI และข้อมูลเกิดประโยชน์สูงสุดอย่างยั่งยืน บนพื้นฐานของความรับผิดชอบและความปลอดภัยของข้อมูล

‘The London Artificial Intelligence Centre Ecosystem : From Open-Source Frameworks to Federated Learning’

เซสชันต่อมา ศาสตราจารย์จอร์จ คาร์โดโซ (Prof. Jorge Cardoso) จาก King’s college London ก็ได้มาพูดอธิบายเสริมในหัวข้อ ระบบนิเวศศูนย์ปัญญาประดิษฐ์แห่งลอนดอนจากกรอบงานโอเพนซอร์สสู่การเรียนรู้แบบรวมศูนย์

สรุปข้อมูลได้ดังนี้ การนำปัญญาประดิษฐ์ (AI) มาใช้ในระบบสุขภาพไม่ได้มุ่งหมายที่จะเข้ามาแทนที่แพทย์ แต่เป็นการสนับสนุนการตัดสินใจของแพทย์เป็นหลัก โดยความปลอดภัยและความแม่นยำจะค่อย ๆ พัฒนาไปตามลำดับ

  • การเรียนรู้จากความผิดพลาด : หัวใจสำคัญของการพัฒนาคือการที่ระบบสามารถเรียนรู้จากข้อมูลที่เก็บมา (Labeled Data) โดยเฉพาะอย่างยิ่ง การระบุและติดป้ายกำกับกรณีที่อัลกอริทึมให้ผลผิดพลาดซึ่งเป็นข้อมูลที่มีค่าอย่างยิ่งในการฝึกฝน AI รุ่นใหม่ให้มีประสิทธิภาพมากขึ้น
  • การทำให้เป็นอัตโนมัติ : เมื่อ AI มีความแม่นยำสูงขึ้น จนแพทย์เชื่อมั่นและอนุมัติผลอย่างต่อเนื่องในกรณีเฉพาะทาง ระบบจะพัฒนาไปสู่การทำงานแบบอัตโนมัติเต็มรูปแบบในที่สุด
  • ความท้าทายด้านธรรมาภิบาล : การสร้างระบบที่ทำงานได้จริงและเป็นประโยชน์ต่อทุกคนนั้น ต้องอาศัยการวางโครงสร้าง, กรอบการทำงาน (Frameworks), และการกำกับดูแลด้านจริยธรรม (Ethics) ที่ชัดเจนและสอดคล้องกันไปพร้อม ๆ กับการพัฒนาเทคโนโลยี

พลังของข้อมูลที่พร้อมใช้สำหรับ AI (AI-Ready Data)

การแปลงข้อมูลโรงพยาบาลให้อยู่ในรูปแบบที่ ‘พร้อมใช้สำหรับ AI’ เป็นกุญแจสำคัญที่ทำให้คำมั่นสัญญาของ Digital Medicine เป็นจริงได้ ไม่ว่าจะเป็น 

  • วิเคราะห์ข้อมูลได้รวดเร็ว : การนำข้อมูลมาใช้ร่วมกัน เช่น ข้อมูลจากร้านขายยา (Pharmacy Data) รวมกับข้อมูลการเข้าตรวจที่คลินิก และประวัติการเปลี่ยนแปลงยาหรือปริมาณยาของแพทย์ ช่วยให้สามารถทำการวิเคราะห์ได้ภายในเวลาไม่กี่ชั่วโมง ซึ่งเทียบเท่ากับการวิจัยที่เคยใช้เวลา 10 ปี โดย 12 มหาวิทยาลัยในสหรัฐอเมริกา
  • ปรับปรุงการรักษาและลดค่าใช้จ่าย : ด้วยการวิเคราะห์อัตโนมัติ ระบบสามารถคาดการณ์ได้ว่าผู้ป่วยรายใดจะต้องเข้าโรงพยาบาลหลายครั้ง (เช่น 5 ครั้ง) เพื่อปรับยาให้เหมาะสม ซึ่งเป็นการสิ้นเปลืองและไม่เป็นผลดีต่อผู้ป่วย การเข้าถึงข้อมูลที่พร้อมใช้จะช่วยให้แพทย์ตัดสินใจได้รวดเร็วขึ้น ผู้ป่วยได้รับการรักษาที่ถูกต้องเร็วขึ้น บริการถูกลง และเข้าโรงพยาบาลน้อยลง

การใช้ AI เพื่อการจัดการและคาดการณ์เชิงปฏิบัติการ (Operational Component)

ปัญญาประดิษฐ์ (AI) ไม่ได้จำกัดอยู่แค่การรักษาพยาบาลเท่านั้น แต่ยังมีศักยภาพสำคัญในการเพิ่มประสิทธิภาพการบริหารจัดการโรงพยาบาลอย่างมาก เริ่มจากการติดตามและคาดการณ์การเคลื่อนไหวของผู้ป่วย โดยใช้ข้อมูลพื้นฐาน เช่น ประวัติการย้ายแผนก เพื่อสร้าง Dashboard ที่ซับซ้อนและวิเคราะห์ รูปแบบการใช้บริการตามฤดูกาลหรือโรคระบาด ที่สำคัญคือความสามารถในการคาดการณ์ ว่าผู้ป่วยจะอยู่ในแผนกใดในอนาคตอันใกล้ ซึ่งถึงแม้จะไม่แม่นยำสมบูรณ์ แต่ก็ดีกว่าการจัดการในปัจจุบันอย่างมาก

ข้อมูลเชิงคาดการณ์นี้ช่วยให้ผู้บริหารสามารถ เพิ่มประสิทธิภาพทรัพยากรได้อย่างชาญฉลาด ไม่ว่าจะเป็นการจัดสรรจำนวน เตียง แพทย์ และพยาบาล ให้เพียงพอ หรือการตัดสินใจย้ายผู้ป่วย/รถพยาบาลไปยังโรงพยาบาลที่มีทรัพยากรพร้อมที่สุด การนำ AI มาใช้จึงเป็นโอกาสสำคัญที่องค์กรสุขภาพจะมุ่งเน้นการ ปรับปรุงกระบวนการและจัดการข้อมูลให้มีประสิทธิภาพ (Operational Components) ก่อน จากนั้นจึงใช้ AI เพื่อสร้างการคาดการณ์ (Predictions) ซึ่งก่อให้เกิดสถานการณ์ที่เป็นประโยชน์ต่อทุกฝ่าย (Win-Win) ทั้งในด้านการดูแลผู้ป่วยและการจัดการองค์กร

บทเรียนจากโควิด-19 และความสำคัญของการใช้ข้อมูลขนาดใหญ่ (Scale)

ในช่วงโควิด-19 มีการใช้ AI ที่เรียบง่ายในการนับจำนวนครั้งที่แพทย์พูดถึง “อาการคล้ายไข้หวัดใหญ่” (Flu-like symptoms) ในบันทึกการรักษาผู้ป่วย

การตรวจจับคลื่นระบาดก่อนรัฐบาล ในโรงพยาบาลทั่วสหราชอาณาจักร สามารถบ่งชี้ได้ว่าคลื่นการระบาดของโควิด-19 กำลังจะมา ก่อนที่รัฐบาลจะรับรู้เสียอีก และสามารถใช้ข้อมูลนี้แจ้งเตือนรัฐบาลได้

การทำเช่นนี้ได้ผลเพราะทำ ในระดับใหญ่ (At Scale) ทำให้ ‘สัญญาณ’ ที่ต้องการแข็งแกร่งกว่า ‘เสียงรบกวน’ จากข้อมูลอื่น ๆ ซึ่งแสดงให้เห็นว่าการใช้ข้อมูลขนาดใหญ่ให้ประโยชน์มหาศาลในการตรวจจับสิ่งที่คาดไม่ถึง (เช่นเดียวกับการตรวจจับโรคไข้หวัดใหญ่สายพันธุ์ H1N1 และ H3N2)

จะเห็นได้ว่า จากทั้งสองเซสชันนี้ อนาคตของวงการสุขภาพจะถูกกำหนดโดยความสามารถในการบูรณาการ AI เข้ากับกลยุทธ์องค์กร การสร้างโครงสร้างพื้นฐานข้อมูลที่เข้มแข็ง และการสร้างวัฒนธรรมที่เปิดรับนวัตกรรม เพื่อเปลี่ยนจากการรักษาแบบดั้งเดิมไปสู่ระบบที่ขับเคลื่อนด้วยคุณค่าและการคาดการณ์ล่วงหน้า