ปัญญาประดิษฐ์ (AI) กำลังขยับจากโครงการนำร่องไปสู่เครื่องมือที่ฝังตัวในระบบสุขภาพของไทย เพื่อปรับปรุงทั้งผลลัพธ์ทางคลินิกและประสิทธิภาพในการดำเนินงาน ในการคัดกรองผู้ป่วยในกรณีฉุกเฉิน โมเดลการเรียนรู้ของเครื่องจะประมวลผลอาการ, สัญญาณชีพ, และผลการตรวจทางห้องปฏิบัติการอย่างง่ายเพื่อแสดงผู้ป่วยที่มีความเสี่ยงสูงสำหรับการประเมินที่รวดเร็ว ในช่วงการระบาด โมเดลการตรวจจับความผิดปกติจากข้อมูลเชิงระบบ (syndromic data) ช่วยให้ทีมสุขภาพสาธารณะสามารถระบุกลุ่มผู้ป่วยได้เร็วขึ้น ซึ่งจะเปิดการดำเนินการทางการแพทย์ที่เหมาะสม
การถ่ายภาพทางการแพทย์เป็นอีกหนึ่งความสำเร็จที่เห็นได้ชัดเจน การอ่านผลการถ่ายภาพด้วย AI เช่น การถ่ายภาพเอ็กซ์เรย์ของปอด, การถ่ายภาพ CT และแมมโมแกรมจะทำหน้าที่เป็น “ดวงตาที่สอง” ช่วยลดอัตราการพลาดการวินิจฉัย และทำให้คุณภาพการบริการทางการแพทย์ที่โรงพยาบาลที่มีทรัพยากรน้อยสามารถเทียบเท่ากับโรงพยาบาลที่มีทรัพยากรมากขึ้น การจัดลำดับงานในการถ่ายภาพจะให้ความสำคัญกับการสงสัยว่าเป็นปอดล้ม, โรคหลอดเลือดสมอง, หรือการมีเลือดออกในสมอง ดังนั้น นักรังสีวิทยาและแพทย์ประสาทวิทยาจะสามารถแทรกแซงได้เร็วขึ้น ที่สำคัญคือระบบเหล่านี้สามารถบันทึกข้อสรุปของตนเอง ซึ่งช่วยให้มีการตรวจสอบประสิทธิภาพอย่างต่อเนื่องและสามารถตรวจจับอคติในการวิเคราะห์ข้ามกลุ่มอายุและพื้นที่
การประมวลผลภาษาธรรมชาติ (NLP) สามารถแปลงบันทึกของแพทย์ที่เป็นภาษาไทยให้เป็นข้อมูลที่มีโครงสร้าง ซึ่งช่วยให้สามารถรวบรวมข้อมูลที่สำคัญได้อัตโนมัติ เช่น รายการปัญหาสุขภาพ, ประวัติการใช้ยา, และข้อมูลสำคัญต่างๆ เช่น ครีอะตินีน, HbA1c, และความดันโลหิต การใช้เทคโนโลยี NLP ยังช่วยให้ผู้เข้ารหัสสามารถให้คำแนะนำในการเข้ารหัส ICD และ DRG ได้เร็วขึ้น พร้อมกับลดอัตราการปฏิเสธการชำระเงินจากประกันสุขภาพ ในขณะเดียวกัน ผู้จัดการการดูแลสามารถรับการแจ้งเตือนเมื่อผู้ป่วยที่มีโรคหลายโรคยังไม่ได้รับการตรวจทางห้องปฏิบัติการหรือการตรวจคัดกรองที่แนะนำ
การดำเนินงานภายในโรงพยาบาลก็ได้รับประโยชน์จาก AI เช่นกัน โมเดลทำนายสามารถคาดการณ์จำนวนผู้ป่วยในหอผู้ป่วย, ความต้องการห้องผ่าตัด, และความดันในห้อง ICU ช่วยในการวางแผนการจัดสรรพนักงานและการตัดสินใจในการโอนย้ายผู้ป่วย ในห้องยา, อัลกอริธึมจะช่วยเพิ่มประสิทธิภาพในเรื่องการจัดการคลังยา และยาไบโอโลจิกส์, ป้องกันการหมดอายุของยาในขณะที่รับประกันว่ามีสต็อกในช่วงวันหยุดยาว ในการจัดการห่วงโซ่อุปทาน, การมองเห็นภาพจากคอมพิวเตอร์ช่วยลดขั้นตอนในการนับอุปกรณ์ทางการแพทย์หรือเครื่องมือจากกล้อง ทำให้กระบวนการตรวจสอบเป็นไปได้เร็วขึ้นและมีความถูกต้องมากขึ้น
การมีส่วนร่วมของผู้ป่วยที่ขับเคลื่อนด้วย AI กำลังเติบโตผ่านตัวแทนสนทนาใน LINE และแอปพลิเคชันของโรงพยาบาล แชทบอทสามารถตอบคำถามเกี่ยวกับการนัดหมายและการเตรียมตัวสำหรับการรักษา, คัดกรองอาการที่ต้องการความสนใจจากแพทย์ก่อนการเข้าพบ, และแจกจ่ายข้อมูลการศึกษาเฉพาะทางหลังจากการปล่อยตัวจากโรงพยาบาล สำหรับการดูแลสุขภาพจิต โมดูลการช่วยเหลือตนเองที่มีการแนะนำยังช่วยขยายขีดความสามารถโดยไม่ทำให้คลินิกของโรงพยาบาลล้นหลาม
ข้อควรระวังเป็นสิ่งสำคัญ โรงพยาบาลต่างๆ จัดตั้งคณะกรรมการบริหารจัดการโมเดลเพื่อทบทวนตัวชี้วัดการตรวจสอบความถูกต้อง, การสอบเทียบ, และการลื่นไหลของข้อมูลที่เกิดจากการใช้โมเดล AI โดยจะมีการบันทึกการใช้งานที่เหมาะสม, ข้อจำกัดของโมเดล, และการยืนยันการตรวจสอบผลลัพธ์จากมนุษย์อย่างชัดเจน เพื่อให้มั่นใจว่าแพทย์ยังคงรับผิดชอบในกระบวนการตัดสินใจสุดท้าย นอกจากนี้ การจัดการข้อมูลที่สอดคล้องกับ PDPA, การลบข้อมูลที่สามารถระบุตัวตนในการฝึกอบรมโมเดล, และการขอความยินยอมที่ชัดเจนจากผู้ป่วยในระหว่างการฝึกฝนยังคงรักษาสิทธิของผู้ป่วย
การเสริมพลังให้กับบุคลากรในโรงพยาบาลก็มีบทบาทสำคัญเช่นกัน นักรังสีวิทยาคอยปรับเกณฑ์ของ AI และสอนนักศึกษาแพทย์ให้ตีความข้อผิดพลาดในการอ่านผลบวกเทียม พยาบาลร่วมออกแบบคำแนะนำในขั้นตอนการคัดกรองเพื่อให้เครื่องมือเหล่านี้สามารถเข้ากับการทำงานจริงในโรงพยาบาลได้ ทีม IT คอยตรวจสอบความเร็วในการประมวลผลของโมเดลและระยะเวลาในการทำงานเพื่อป้องกันความผิดพลาดที่ไม่แสดงออกมา ด้วยวิธีนี้ AI จะช่วยเพิ่มความปลอดภัย, ลดเวลาในการส่งผล และช่วยให้ผู้เชี่ยวชาญมีเวลาในการดูแลผู้ป่วยมากขึ้น
เมื่อประเทศไทยขยายเครือข่าย 5G และการคำนวณในขอบเขตมากขึ้น (edge computing), โมเดล AI หลายๆ ตัวจะสามารถทำงานใกล้จุดดูแลผู้ป่วย เช่น การแนะนำการใช้งานอัลตราซาวด์ในคลินิกที่ห่างไกล, การตรวจหาภาวะเบาหวานในเลือดและการตรวจจอประสาทตาในรถพยาบาลเคลื่อนที่, และการตรวจจับความเสี่ยงจากการล้มในสถานดูแลผู้สูงอายุ จุดสำคัญคือการเสริมศักยภาพให้กับทีมแพทย์และพยาบาลผ่านเครื่องมือที่เชื่อถือได้และโปร่งใส
