ปัญญาประดิษฐ์ในระบบดูแลสุขภาพ: คำมั่นสัญญาและความท้าทายของ Microsoft Dragon Copilot

ปัญญาประดิษฐ์ในแวดวงการดูแลสุขภาพมีแนวโน้มที่จะก้าวข้ามการทำงานอัตโนมัติในงานธุรการ โดยมุ่งหวังที่จะเป็นส่วนสำคัญของความเป็นเลิศทางคลินิกและการปฏิบัติงาน แม้ว่าโซลูชัน AI ทั่วไปจะมอบคุณค่าอย่างแน่นอน แต่ผลลัพธ์ที่เปลี่ยนแปลงชีวิตได้มากที่สุดคาดว่าจะมาจากแอปพลิเคชันที่ออกแบบมาโดยเฉพาะสำหรับความท้าทาย เวิร์กโฟลว์ และโอกาสเฉพาะตัวของอุตสาหกรรมการดูแลสุขภาพ

Microsoft Dragon Copilot: ระหว่างคำสัญญาและความเป็นจริง

การประกาศเปิดตัว Dragon Copilot ผู้ช่วย AI สำหรับเวิร์กโฟลว์ทางคลินิกล่าสุดของ Microsoft ซึ่งมีกำหนดเปิดตัวในเดือนพฤษภาคม 2568 ตอกย้ำความมุ่งมั่นของบริษัทในการปฏิรูปการดูแลสุขภาพด้วยปัญญาประดิษฐ์ โซลูชันนี้ผสานความสามารถด้านเสียงของ Dragon Medical One เข้ากับเทคโนโลยี AI แวดล้อมของ DAX Copilot ซึ่งผสานรวมเข้ากับแพลตฟอร์มที่ออกแบบมาเพื่อแก้ไขปัญหาภาวะหมดไฟทางคลินิกและความไม่มีประสิทธิภาพของเวิร์กโฟลว์

บริบท: การตอบสนองต่อความท้าทายของภาคส่วน

Dragon Copilot มาถึงในช่วงเวลาสำคัญของอุตสาหกรรมการดูแลสุขภาพ ภาวะหมดไฟในการทำงานทางคลินิกลดลงเล็กน้อยจาก 53% เหลือ 48% ระหว่างปี 2566 ถึง 2567 แต่ปัญหาการขาดแคลนบุคลากรที่ยังคงดำเนินอยู่ยังคงเป็นความท้าทายสำคัญ โซลูชันของ Microsoft มุ่งหวังที่จะ:

• ลดความซับซ้อนของการบันทึกข้อมูลทางคลินิก
• ให้การเข้าถึงข้อมูลตามบริบท
• ทำให้งานทางคลินิกที่เกิดซ้ำเป็นแบบอัตโนมัติ

ผลลัพธ์เบื้องต้น: ระหว่างข้อมูลอย่างเป็นทางการและประสบการณ์ในโลกแห่งความเป็นจริง

จากข้อมูลของ Microsoft พบว่า DAX Copilot ได้ให้การสนับสนุนการพบปะผู้ป่วยมากกว่าสามล้านครั้งในองค์กรด้านการดูแลสุขภาพ 600 แห่งภายในเดือนที่ผ่านมาเพียงเดือนเดียว ผู้ให้บริการด้านการดูแลสุขภาพรายงานว่าประหยัดเวลาได้ห้านาทีต่อการพบปะแต่ละครั้ง โดย 70% ของผู้ให้บริการพบว่าอาการหมดไฟลดลง และ 93% ของผู้ป่วยสังเกตเห็นประสบการณ์ที่ดีขึ้น

อย่างไรก็ตาม ประสบการณ์ของผู้ทดสอบเบต้าเผยให้เห็นความจริงที่ซับซ้อนกว่านั้น :

ข้อจำกัดในการสร้างบันทึกทางคลินิก

แพทย์หลายท่านที่เคยทดสอบ Dragon Copilot รายงานว่าบันทึกที่สร้างขึ้นมักมีรายละเอียดมากเกินไปสำหรับบันทึกทางการแพทย์ส่วนใหญ่ แม้จะเปิดใช้งานการปรับแต่งทั้งหมดแล้วก็ตาม ดังที่ผู้ทดสอบเบต้ารายหนึ่งกล่าวไว้ว่า " คุณจะได้รับบันทึกที่ยาวมาก และยากที่จะแยกแยะสิ่งที่ดีออกจากสิ่งที่ไม่ดี "

การสนทนาทางการแพทย์มีแนวโน้มที่จะกระโดดไปมาตามลำดับเวลา และ Dragon Copilot ประสบปัญหาในการจัดระเบียบข้อมูลนี้ให้มีความสอดคล้องกัน ซึ่งมักบังคับให้แพทย์ต้องตรวจสอบและแก้ไขบันทึก ซึ่งขัดกับวัตถุประสงค์ของเครื่องมือบางส่วน

จุดแข็งและจุดอ่อน

ผู้ทดสอบเบต้าเน้นย้ำจุดแข็งและจุดอ่อนที่เฉพาะเจาะจงบางประการ:

จุดแข็ง:

• การจดจำชื่อยาได้อย่างดีเยี่ยม แม้ว่าผู้ป่วยจะออกเสียงไม่ถูกต้องก็ตาม
• มีประโยชน์เป็นเครื่องมือสำหรับบันทึกการสนทนาและอ้างอิงเมื่อเขียนบันทึก
• มีประสิทธิภาพสำหรับกรณีง่ายๆ และการเยี่ยมชมระยะสั้น

จุดอ่อน:

• การปรากฏตัวของ "ภาพหลอน" (ข้อมูลที่คิดขึ้น) แม้ว่าโดยทั่วไปจะเป็นเรื่องเล็กน้อย (ข้อผิดพลาดเกี่ยวกับเพศและอายุ)
• ความยากลำบากในการแยกแยะความสำคัญสัมพันธ์ของข้อมูล (ถือว่าข้อมูลทั้งหมดมีความสำคัญเท่าเทียมกัน)
• ปัญหาในการจัดระเบียบข้อมูลการตรวจร่างกาย
• บันทึกเวลาตรวจสอบที่ลดผลประโยชน์ด้านประสิทธิภาพตามที่สัญญาไว้

แพทย์ผู้ทดสอบเบต้าสรุปประสบการณ์ของเขาว่า " สำหรับการวินิจฉัยแบบง่าย มันสามารถบันทึกการประเมินและวางแผนได้อย่างดี ซึ่งอาจเป็นเพราะการวินิจฉัยแบบง่ายทั้งหมดอยู่ในชุดฝึกอบรมแล้ว อย่างไรก็ตาม สำหรับการวินิจฉัยที่ซับซ้อนกว่านั้น แพทย์จะต้องเป็นผู้กำหนดอย่างชัดเจน "

‍

การทำงานและศักยภาพของ AI ด้านการดูแลสุขภาพ

การสนับสนุนการตัดสินใจทางคลินิก

โมเดล AI เฉพาะด้านการดูแลสุขภาพ เช่นโมเดลที่อยู่เบื้องหลัง Dragon Copilot ได้รับการฝึกฝนจากข้อมูลผู้ป่วยที่ไม่ระบุชื่อหลายล้านรายการและเอกสารทางการแพทย์เพื่อ:

• ระบุรูปแบบในข้อมูลผู้ป่วยที่อาจบ่งชี้ถึงสภาวะที่เกิดขึ้นใหม่
• แนะนำแนวทางการวินิจฉัยที่เหมาะสมตามอาการและประวัติการรักษา
• รายงานปฏิกิริยาระหว่างยาและข้อห้ามที่อาจเกิดขึ้น
• เน้นการวิจัยทางคลินิกที่เกี่ยวข้องสำหรับการนำเสนอเฉพาะ

ศักยภาพที่สำคัญประการหนึ่งที่ผู้ใช้แพทย์รายหนึ่งเน้นย้ำคือความสามารถของระบบเหล่านี้ในการ " นำข้อมูลประวัติการรักษาของผู้ป่วยเข้าสู่บริบทและนำเสนอข้อมูลสำคัญแก่แพทย์ ซึ่งปกติแล้วข้อมูลเหล่านี้จะถูกมองข้ามไปในข้อมูลประวัติการรักษาแบบอิเล็กทรอนิกส์ที่มากมายมหาศาลในปัจจุบัน "

การเพิ่มประสิทธิภาพการเดินทางของผู้ป่วย

AI เฉพาะด้านการดูแลสุขภาพอาจสามารถเปลี่ยนประสบการณ์ของผู้ป่วยได้ดังนี้:

• การกำหนดตารางล่วงหน้าเพื่อลดเวลาในการรอ
• การสร้างแผนการดูแลแบบเฉพาะบุคคล
• การระบุการแทรกแซงเชิงรุกสำหรับผู้ป่วยที่มีความเสี่ยงสูง
• การคัดกรองแบบเสมือนจริงเพื่อนำผู้ป่วยไปยังสถานพยาบาลที่เหมาะสมที่สุด

การปฏิบัติตามข้อกำหนดและการพิจารณาความเป็นส่วนตัว

การบูรณาการเครื่องมือ AI เช่น Dragon Copilot ก่อให้เกิดปัญหาการปฏิบัติตามข้อกำหนดที่สำคัญ:

• แพทย์จะต้องใส่ข้อความปฏิเสธความรับผิดชอบในหมายเหตุที่ระบุการใช้เครื่องมือ
• จะต้องแจ้งให้คนไข้ทราบล่วงหน้าว่าจะมีการบันทึกเสียงสนทนา
• เกิดความกังวลเกี่ยวกับการเข้าถึงข้อมูลโดยบริษัทประกันภัย

ความท้าทายเชิงปฏิบัติและผลกระทบต่ออนาคต

“การให้เหตุผลแบบมอบหมาย” และความเสี่ยง

ประเด็นละเอียดอ่อนที่ผู้เชี่ยวชาญในอุตสาหกรรมให้ความสำคัญเป็นพิเศษคือ “การถ่ายโอน” เหตุผลจากแพทย์ไปยังเครื่องมือ AI ดังที่ แพทย์ประจำบ้าน และผู้เชี่ยวชาญด้านวิทยาการคอมพิวเตอร์ท่านหนึ่งกล่าวไว้ว่า “ อันตรายอาจเกิดจากสิ่งนี้เกิดขึ้นอย่างลับๆ โดยเครื่องมือเหล่านี้จะเป็นผู้ตัดสินว่าอะไรสำคัญและอะไรไม่สำคัญ ”

สิ่งนี้ทำให้เกิดคำถามพื้นฐานเกี่ยวกับบทบาทของการตัดสินทางคลินิกของมนุษย์ในระบบนิเวศที่ใช้ AI เป็นตัวกลางมากขึ้นเรื่อยๆ

ความคุ้มค่าและทางเลือกอื่น

องค์ประกอบสำคัญที่เน้นย้ำโดยคำรับรองหลายฉบับคือค่าใช้จ่ายที่สูงของ Dragon Copilot เมื่อเทียบกับทางเลือกอื่น:

ผู้ใช้รายหนึ่งที่เข้าร่วมรุ่นเบต้ารายงานว่าหลังจากผ่านไป 1 ปี มีแพทย์ในคลินิกของเขาเพียง 1 ใน 3 เท่านั้นที่ยังคงใช้งานอยู่

‍

ผู้ทดสอบเบต้าหลายรายกล่าวถึงทางเลือกอื่น เช่น Nudge AI, Lucas AI และเครื่องมืออื่น ๆ ที่มีฟังก์ชันการทำงานคล้ายกันในราคาที่ต่ำกว่าอย่างมาก และในบางกรณีก็มีประสิทธิภาพที่ดีกว่าในบริบทเฉพาะด้วย

‍

‍

การนำ AI ด้านการดูแลสุขภาพมาใช้: ข้อควรพิจารณาที่สำคัญ

เมื่อประเมินโซลูชัน AI สำหรับการดูแลสุขภาพ สิ่งสำคัญคือต้องพิจารณาสิ่งต่อไปนี้:

1. ความสมดุลระหว่างระบบอัตโนมัติและการตัดสินทางคลินิก
   วิธีแก้ปัญหาควรสนับสนุน ไม่ใช่แทนที่การใช้เหตุผลทางคลินิกของแพทย์
2. การปรับแต่งสำหรับความเชี่ยวชาญเฉพาะและเวิร์กโฟลว์
   ดังที่ผู้ก่อตั้งบริษัท AI ทางการแพทย์รายหนึ่งกล่าวไว้ว่า " ผู้เชี่ยวชาญแต่ละคนมีความชอบของตนเองเกี่ยวกับสิ่งที่สำคัญที่ควรใส่ไว้ในบันทึกเทียบกับสิ่งที่ควรยกเว้น และความชอบนี้จะเปลี่ยนไปตามโรค สิ่งที่นักประสาทวิทยาต้องการในบันทึกเกี่ยวกับโรคลมบ้าหมูจะแตกต่างอย่างมากจากสิ่งที่พวกเขาต้องการในบันทึกเกี่ยวกับภาวะสมองเสื่อม "
3. ความง่ายในการแก้ไขและควบคุมดูแลโดยมนุษย์
   การแทรกแซงของมนุษย์จะต้องเรียบง่ายและมีประสิทธิภาพเพื่อให้แน่ใจว่าบันทึกมีความถูกต้อง
4. ความสมดุลระหว่างความสมบูรณ์และการสังเคราะห์
   หมายเหตุที่สร้างขึ้นไม่ควรมีรายละเอียดหรือรายละเอียดมากเกินไป
5. ความโปร่งใสกับผู้ป่วย
   ผู้ป่วยควรได้รับข้อมูลเกี่ยวกับการใช้เครื่องมือเหล่านี้และบทบาทของเครื่องมือเหล่านี้ในกระบวนการดูแล

บทสรุป: สู่การบูรณาการที่สมดุล

นวัตกรรมเช่น Dragon Copilot ของ Microsoft ถือเป็นก้าวสำคัญในการบูรณาการ AI เข้ากับการดูแลสุขภาพ แต่ประสบการณ์ของผู้ทดสอบเบต้าเน้นย้ำว่าเรายังอยู่ในช่วงเริ่มต้น และยังมีความท้าทายมากมายที่ต้องเอาชนะ

อนาคตของ AI ในระบบการดูแลสุขภาพจะต้องอาศัยความสมดุลที่ละเอียดอ่อนระหว่างประสิทธิภาพการบริหารจัดการและการตัดสินใจทางคลินิก ระหว่างระบบอัตโนมัติและความสัมพันธ์ระหว่างแพทย์กับผู้ป่วย เครื่องมืออย่าง Dragon Copilot มีศักยภาพที่จะช่วยลดภาระงานด้านการบริหารจัดการของแพทย์ แต่ความสำเร็จจะขึ้นอยู่กับความสามารถในการผสานรวมเข้ากับขั้นตอนการทำงานทางคลินิกในโลกแห่งความเป็นจริงได้อย่างเป็นธรรมชาติ โดยคำนึงถึงความซับซ้อนและรายละเอียดปลีกย่อยของการปฏิบัติงานทางการแพทย์

แนวตั้งที่แท้จริงเทียบกับแนวตั้งปลอม: กุญแจสู่ความสำเร็จใน AI ด้านการดูแลสุขภาพ

สิ่งสำคัญที่ต้องพิจารณาอยู่เสมอคือความแตกต่างระหว่าง "แนวดิ่งที่แท้จริง" กับ "แนวดิ่งที่ผิดพลาด" ใน AI ด้านการดูแลสุขภาพ และปัญญาประดิษฐ์โดยทั่วไป "แนวดิ่งที่แท้จริง" คือโซลูชันที่ออกแบบขึ้นตั้งแต่ต้น โดยมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับกระบวนการทางคลินิกเฉพาะทาง เวิร์กโฟลว์เฉพาะทาง และความต้องการเฉพาะของสถานพยาบาลแต่ละแห่ง ระบบเหล่านี้ผสานรวมความรู้เฉพาะด้านไว้ไม่เพียงแต่ในระดับผิวเผิน แต่ยังรวมถึงสถาปัตยกรรมและแบบจำลองข้อมูลด้วย

‍

ในทางตรงกันข้าม "แนวดิ่งเท็จ" โดยพื้นฐานแล้วเป็นโซลูชันแนวนอน (เช่น ระบบการถอดความทั่วไปหรือหลักสูตรนิติศาสตรมหาบัณฑิต (LLM) ทั่วไป) ที่มีชั้นบางๆ ของการปรับแต่งการดูแลสุขภาพเฉพาะบุคคลทับอยู่ด้านบน ระบบเหล่านี้มักจะล้มเหลวอย่างแม่นยำในสาขาที่ซับซ้อนและละเอียดอ่อนที่สุดของการปฏิบัติทางคลินิก ดังจะเห็นได้จากความไม่สามารถแยกแยะความสำคัญของข้อมูล หรือจัดระเบียบข้อมูลทางการแพทย์ที่ซับซ้อนได้อย่างเหมาะสม

‍

ดังที่ความคิดเห็นของผู้ทดสอบเบต้าแสดงให้เห็น การนำแบบจำลองภาษาทั่วไปมาใช้กับเอกสารทางการแพทย์ แม้จะฝึกอบรมจากข้อมูลด้านการดูแลสุขภาพแล้วก็ตาม ก็ยังไม่เพียงพอที่จะสร้างโซลูชันที่ตอบโจทย์ความต้องการเฉพาะด้านอย่างแท้จริง โซลูชันที่มีประสิทธิภาพมากที่สุดน่าจะเป็นโซลูชันที่พัฒนาโดยให้ผู้เชี่ยวชาญทางการแพทย์มีส่วนร่วมโดยตรงในทุกขั้นตอนของกระบวนการออกแบบ ครอบคลุมประเด็นเฉพาะทางทางการแพทย์ และผสานรวมเข้ากับเวิร์กโฟลว์ที่มีอยู่แล้ว

‍

ดังที่ผู้ทดสอบเบต้ารายหนึ่งได้กล่าวไว้ว่า " ศิลปะของการแพทย์คือการเปลี่ยนทิศทางผู้ป่วยให้ให้ข้อมูลที่สำคัญ/เกี่ยวข้องที่สุด " การพิจารณานี้ยังคงเป็นเรื่องของมนุษยชาติอย่างแท้จริง อย่างน้อยก็ในตอนนี้ ซึ่งชี้ให้เห็นว่าอนาคตที่ดีที่สุดน่าจะเป็นความร่วมมือที่สอดประสานกันระหว่างปัญญาประดิษฐ์และความเชี่ยวชาญทางคลินิกของมนุษย์ พร้อมด้วยโซลูชันเฉพาะทางที่แท้จริงซึ่งเคารพและขยายความเชี่ยวชาญทางการแพทย์ แทนที่จะพยายามแทนที่หรือทำให้มาตรฐานสูงเกินไป