การวัดผล AI ใน Healthcare เรื่องใหม่ที่ต้องใส่ใจก่อนเลือกใช้โซลูชั่น

การวัดผล AI ใน Healthcare เรื่องใหม่ที่ต้องใส่ใจก่อนเลือกใช้โซลูชั่น

ai performance_perceptra

การนำเทคโนโลยี AI มาใช้นั้นน่าจะเป็นการลงทุนในการพัฒนาศักยภาพองค์กรที่คุ้มค่า แต่ในขณะเดียวกันก็มีความท้าทายจากหลากหลายปัจจัย ดังนั้นการตัดสินใจเลือกใช้เทคโนโลยี AI ก็ควรจะเลือกระบบที่มีความเหมาะสมกับความต้องการขององค์กรให้มากที่สุด ด้วยเหตุนี้เราจึงควรจะพิจารณาปัจจัยต่างๆ ซึ่งจะทำให้เราสามารถเชื่อมโยงวัตถุประสงค์ขององค์กรกับศักยภาพในการทำงานของ AI ได้ แต่เมื่อ AI เป็นเทคโนโลยีที่ค่อนข้างใหม่ โดยเฉพาะกับอุตสาหกรรมแพทย์และสุขภาพ ในประเทศไทย เราจึงควรเรียนรู้และทำความเข้าใจกับเกณฑ์ในการวัดประสิทธิภาพของ AI เพื่อนำไปต่อยอดในการตัดสินใจเลือกใช้ระบบที่ตอบโจทย์องค์กรมากที่สุด

เลือกอ่าน

เทคโนโลยี AI สร้างความเปลี่ยนแปลงให้กับอุตสาหกรรม Healthcare ได้อย่างไรบ้าง

ด้วยข้อมูลวิเคราะห์เชิงลึกที่สามารถนำไปใช้ประโยชน์ได้จาก AI ในวงการแพทย์หลายองค์กรจึงเลือกใช้ AI เพื่อเพิ่มประสิทธิภาพและสร้างความได้เปรียบทางการแข่งขันในระยะยาว โดยข้อมูลจากการสำรวจ State of AI สำหรับอุตสาหกรรม Healthcare ที่จัดทำโดย Deloitte ได้อธิบายมุมมองที่น่าสนใจดังต่อไปนี้

การลงทุน

องค์กรขนาดใหญ่ที่ดำเนินการทำธุรกิจ Healthcare ซึ่งส่วนใหญ่จะเป็นโรงพยาบาลขนาดใหญ่ มักจะมีการลงทุนในเรื่องของ AI เพื่อเสริมประสิทธิภาพในการทำงานราวๆ 75% ในขณะที่หน่วยงานระดับกลางลงทุนสูงถึงเกือบ 95% เลยทีเดียว

 

ผลลัพธ์การใช้งาน

ผู้ใช้งานราวๆ 34% คิดว่า AI สามารถช่วยเพิ่มประสิทธิภาพได้มากขึ้น ผู้ใช้งาน 27% พบว่าช่วยปรับปรุงการให้บริการได้ และอีก 26% พบว่าการใช้ AI สามารถช่วยลดต้นทุนได้

ความกังวลของผู้ใช้งาน

ผู้ใช้งานราวๆ 36% มีความกังวลในเรื่องของต้นทุนและการลงทุนในเทคโนโลยี 30% มีความเป็นห่วงในเรื่องปัญหาของการใช้งานและการผสาน AI ให้เข้ากับองค์กร และอีก 28% กังวลในเรื่องความเสี่ยงของข้อมูล

ความกังวลเกี่ยวกับการใช้ AI

แม้ว่า AI จะเป็นเครื่องมือที่มีความฉลาดล้ำและสามารถเพิ่มประสิทธิภาพในการทำงานของธุรกิจ Healthcare ได้อย่างมากมาย แต่ก็ยังมีเรื่องที่น่ากังวลอยู่ในบางประการ เช่น เรื่องของอคติ โดย Kadija Ferryman จากสถาบันวิจัย Data & Society ในนิวยอร์กได้ตั้งข้อสังเกตเอาไว้ว่า อคติอาจจะฝังอยู่ในข้อมูลที่ถูกป้อนไปยังอัลกอริทึมได้ เช่น เรื่องสีผิว เพศ เชื้อชาติ นอกจากนี้การใช้ AI ยังต้องเข้าถึงข้อมูลส่วนบุคคล เช่น เวชระเบียน ข้อมูลจากเซ็นเซอร์สุขภาพ อัลกอริธึมทางการแพทย์ และแหล่งข้อมูลใดก็ตามที่สามารถเรียนรู้ได้ ซึ่งแม้ว่าข้อมูลเหล่านั้นจะเป็นนิรนาม แต่ก็พบในหลายกรณีว่า สามารถตรวจสอบกลับไปยังบุคคลที่แท้จริงได้ ซึ่งอาจจะขัดกับหลักการเก็บรักษาข้อมูลและสิทธิส่วนบุคคล

แนวทางในการพิจารณาประสิทธิภาพการทำงานของ AI ที่ใช้ในทางการแพทย์

การรวม AI เข้ากับระบบนิเวศของหน่วยงานที่ให้บริการทางสุขภาพนั้นสามารถสร้างประโยชน์ได้มากมาย เพราะ AI ช่วยในด้านการวิเคราะห์ ซึ่งเพิ่มความคล่องตัวให้กับการทำงาน นอกจากนี้ AI ยังสามารถช่วยลดภาระในการบริหารจัดการได้ดีอีกด้วย โดยข้อมูลจาก Insider Intelligence พบว่าค่าบริหารจัดการต่างๆ ที่มากถึง 30% สามารถใช้ AI ในการช่วยดูแลและลดภาระค่าใช้จ่ายส่วนนี้ลงได้ แต่ทั้งนี้ AI ก็ควรจะมีมาตรฐานและประสิทธิภาพเพียงพอที่จะทำให้ระบบสามารถเดินหน้าได้อย่างเต็มที่ เพื่อจะช่วยสร้างกระบวนการในรักษาพยาบาลให้มีความรวดเร็ว แม่นยำ และประหยัดทรัพยากรได้มากขึ้น ซึ่งจะส่งผลต่อการช่วยลดต้นทุนได้อย่างแท้จริง ทาง FDA ของสหรัฐฯ  Health Canada และ MHRA ของประเทศอังกฤษได้ร่วมกันศึกษาและค้นคว้าถึงแนวทางในการพัฒนาระบบ AI ให้มีความปลอดภัยและมีคุณภาพสำหรับการใช้งานในสถานบริการสุขภาพและธุรกิจ Healthcare ดังต่อไปนี้ 

1. AI ควรมาพร้อมกับชุดข้อมูลแบบสหวิชาชีพ

เมื่อ AI เปรียบเสมือนสมองที่ช่วยให้การทำคล่องตัว ดังนั้นระบบที่ดีควรมีองค์ความรู้ที่หลากหลาย ซึ่งการรวบรวมชุดความรู้และข้อมูลแบบสหวิชาชีพจากหลากหลายสาขาวิชา (Multi-Disciplinary Expertise) จะทำให้การทำงานมีประสิทธิภาพสูงที่สุดและแม่นยำมากยิ่งขึ้น เนื่องจากความเข้าใจในเชิงลึกในหลากหลายสาขาจะช่วยเพิ่มความสามารถในการวิเคราะห์และนำไปใช้ในขั้นตอนการทำงานได้ดีมากขึ้น ซึ่งจะเพิ่มความสำเร็จในการรักษาผู้ป่วยและลดความเสี่ยงที่ไม่พึงประสงค์ได้

2. ปฏิบัติตามแนวทางด้านวิศวกรรมซอฟต์แวร์และมีความปลอดภัยสูง

หลักสำคัญขั้นพื้นฐานที่ขาดไม่ได้เลยของ AI ก็คือ การวางรากฐานของระบบตามแนวทางด้านวิศวกรรมซอฟต์แวร์ ซึ่งหากแยกย่อยออกมาก็จะมีอยู่หลายส่วน เช่น การประกันคุณภาพข้อมูล (Data Quality Assurance) การจัดการข้อมูล (Data Management) หลักปฏิบัติด้านความปลอดภัยทางไซเบอร์ที่เข้มงวด (Cybersecurity Practices) นอกจากนี้แนวทางปฏิบัติที่ดียังควรเน้นในเรื่องของการรับรองความถูกต้องของข้อมูลและความสมบูรณ์ของข้อมูล เพื่อความแม่นยำมากที่สุด ในส่วนของทางผู้ให้บริการเองก็ควรมีแนวทางในการจัดการและบริหารความเสี่ยง (Risk Management) ที่สามารถนำไปใช้ในหน้างานจริงได้อย่างเหมาะสม

3. อัดแน่นด้วยการศึกษาทางคลินิกและ Data Set ของประชากรผู้ป่วย

ความน่าเชื่อถือและความแม่นยำของ AI ส่วนหนึ่งจะขึ้นอยู่กับการรวบรวมข้อมูล (Data Collection Protocol) ดังนั้นเราควรตรวจสอบให้แน่ใจว่าข้อมูลที่เกี่ยวข้องกับประชากรผู้ป่วยที่จะถูกนำมาใช้งานในการวิเคราะห์ เช่น อายุ เพศ เชื้อชาติ จะมีตัวอย่างข้อมูลเพียงพอและเหมาะสม เพื่อช่วยให้การสรุปผลมีความน่าเชื่อถือและได้คำตอบที่ตรงตามเป้าหมายได้ และสิ่งที่สำคัญอีกอย่างคือ เรื่องการจัดการกับอคติต่างๆ ซึ่งถือเป็นอีกหนึ่งสิ่งสำคัญที่จะช่วยส่งเสริมการวิเคราะห์ข้อมูลให้มีความถูกต้องแม่นยำที่สุด

4. ข้อมูลควรแยกเป็นอิสระ

ข้อมูลทั้งสองส่วนควรถูกแยกออกจากกันอย่างเป็นอิสระ ไม่ว่าจะเป็นข้อมูล Test Set หรือ Training Data Set โดยเฉพาะอย่างยิ่งสำหรับ Independent Test Set ควรเป็นข้อมูลที่มาจากหลากหลายแหล่ง เช่น โรงพยาบาลต่างๆ ทั่วประเทศ หรือทั่วภูมิภาคเป็นต้น ซึ่งวิธีการนี้เหมาะกับการประเมินการเรียนรู้ในส่วนที่จำเพาะเจาะจง ส่วนในกรณีที่มีข้อมูลจำนวนมากนั้น การเลือกใช้วิธีการ Cross Validation ก็จะเหมาะสมกว่า

5. ใช้วิธีการที่ดีและได้มาตรฐานในการเลือกชุดข้อมูลอ้างอิง

การจัดสรรและเลือกชุดข้อมูลอ้างอิงนั้นควรได้รับการศึกษาและรับรองว่าเป็นข้อมูลที่เกี่ยวข้องและมีความเหมาะสมกับบริบททางการแพทย์ที่จะนำมาใช้งาน นอกจากนี้ควรเข้าใจข้อจำกัดต่างๆ ของชุดข้อมูลอ้างอิง ซึ่งสามารถนำไปในช่วงการจำลองโมเดลและการทดลอง

6. การออกแบบโมเดล

ควรปรับให้เหมาะกับวัตถุประสงค์ของการทำงาน เพราะการพัฒนาโมเดลถือเป็นสิ่งสำคัญที่จะเติมเต็มประสิทธิภาพของการใช้งาน ดังนั้นการออกแบบโมเดลจึงต้องเหมาะสมกับชุดข้อมูล รวมถึงปัจจัยต่างๆ เช่น ปัญหาการลดลงของประสิทธิภาพ (Performance Degradation) ความเสี่ยงด้านความปลอดภัย (Security Risks) เพื่อช่วยให้การวิเคราะห์ข้อมูลเป็นไปตามเป้าหมายที่ต้องการ

7. เน้นประสิทธิภาพของการทำงานด้วย Human-AI

การนำ AI มาใช้งานนั้นมีความเกี่ยวเนื่องและมีผลต่อมนุษย์โดยตรง ดังนั้นการจำลองโมเดลในการทำงาน และการพิจารณาปัจจัยต่างๆ จึงจำเป็นต้องใช้คน รวมไปถึงมุมมองและความคิดของมนุษย์ในการร่วมทำงานด้วย เพื่อช่วยให้การตีความต่างๆ เสมือนจริงและเข้าใจมนุษย์ได้มากที่สุด ดังนั้นระบบจึงควรเน้นที่ประสิทธิภาพของทีม Human-AI ซึ่งใช้คนในการร่วมทีมทำงานไปพร้อมกับ AI ด้วย ไม่ใช่การใช้เพียงแค่โมเดลจำลองเพียงอย่างเดียว

8. สามารถวิเคราะห์ผลลัพธ์ได้จากการทดสอบ

ในการทดสอบได้จำลองและดำเนินการเสมือนจริงเพื่อที่จะตรวจสอบคุณภาพของระบบแม้ว่าจะใช้ข้อมูลชุด Training Data Set ซึ่งปัจจัยหลักๆ ที่ขาดไม่ได้ก็คือ ข้อมูลประชากรผู้ป่วยที่ต้องการใช้ในการทำงาน ข้อมูลกลุ่มย่อย (Subgroup) สภาพแวดล้อมทางคลินิก (Clinical Environment) และการใช้งานจากทีม Human-AI และข้อมูลการวัดผล รวมไปถึงข้อมูลอื่นๆ ที่สำคัญที่เกี่ยวข้องในการวิเคราะห์ผล

 

9.ความต้องการที่ชัดเจนจากทางผู้ใช้งานจริง

ความร่วมมือของผู้ใช้งานนั้นมีผลต่อการทำงานของระบบอย่างมากทีเดียว ดังนั้นทางผู้ใช้งานควรอธิบายความต้องการและให้ข้อมูลที่ชัดเจน รวมถึงข้อจำกัดและเรื่องที่กังวลต่างๆ เพราะทั้งหมดนี้จะถูกนำไปต่อยอดในการทำงานของ AI

10.ควรตรวจสอบประสิทธิภาพของโมเดลที่เลือกใช้

แน่นอนว่าโมเดลจำลองจะถูกใช้งานในหน้างานจริง ซึ่งนอกจากผลลัพธ์ในการวิเคราะห์ที่มีคุณภาพแล้ว เราควรจะใส่ใจในเรื่องของความปลอดภัย และหลังจากใช้ไปสักระยะหนึ่งแล้ว ควรมีวิธีการดูแลที่เหมาะสมเพื่อจัดการความเสี่ยงในเรื่องต่างๆ เช่น ปัญหา Overfitting  ความอคติที่ไม่ได้ตั้งใจ (Unintended Bias) ซึ่งทั้งหมดนี้อาจส่งผลต่อประสิทธิภาพของโมเดลที่จะนำไปใช้งานได้

 

แม้ว่าเราจะมีผู้ช่วยที่ชาญฉลาดอย่าง AI เข้ามาแล้ว แต่อย่าลืมว่าบุคลากรผู้ใช้งานขององค์กรก็ยังถือเป็นบุคคลหน้างานอย่างแท้จริง ที่จะต้องทำงานร่วมกับ AI ซึ่งปัจจัยแห่งความสำเร็จจากงานวิจัยใน Frontiers in Digital Health ได้นำเสนอไว้ว่า เนื่องจาก AI เป็นเทคโนโลยีใหม่และคนส่วนใหญ่ไม่คุ้นเคย ดังนั้นเราควรสร้างความไว้วางใจให้เกิดขึ้นกับผู้ใช้งาน  นอกจากนี้ควรเพิ่มคล่องตัวในการทำงานของทุกๆ ฝ่าย ด้วยการจัดหมวดหมู่ของข้อมูล การฝึกอบรม การทำความเข้าใจของวัตถุประสงค์การใช้งาน และการประเมินความเสี่ยง  เพราะเมื่อปัจจัยต่างๆ เชื่อมโยงถึงกันได้แล้ว เราถึงจะสามารถดึงศักยภาพของ AI ออกมาใช้งานได้อย่างเต็มที่มากที่สุด

อ่านเพิ่มเติมเกี่ยวกับ Data Security เก็บข้อมูลอย่างไรให้ปลอดภัย

 
Facebook
Twitter
LinkedIn

เรื่องที่คุณอาจจะสนใจ

ทำความรู้จักกับ Inspectra CXR ผู้ช่วยแพทย์ด้วยเทคโนโลยีปัญญาประดิษฐ์

ทำความรู้จักกับ Inspectra CXR ผู้ช่วยแพทย์ด้วยเทคโนโลยีปัญญาประดิษฐ์ Inspectra คืออะไร “Inspectra CXR” เทคโนโลยีปัญญาประดิษฐ์ (AI) ที่เข้ามาช่วยแพทย์ในการคัดกรองผู้ป่วยที่มีอาการติดเชื้อในปอด ของบริษัท เพอเซ็ปทรา จำกัด Healthtech Startup ในประเทศไทย ตัวระบบ

Read More »
อุปสรรคสำคัญในการสร้างปัญญาประดิษฐ์เพื่อการแพทย์ในประเทศไทย

อุปสรรคสำคัญในการสร้างปัญญาประดิษฐ์เพื่อการแพทย์ในประเทศไทย อุปสรรคสำคัญในการสร้างปัญญาประดิษฐ์เพื่อการแพทย์ในประเทศไทย กว่าหนึ่งปีแล้วที่บริษัทเพอเซ็ปทราทำงานอย่างมุ่งมั่นที่จะทำให้ปัญญาประดิษฐ์สามารถตรวจโรคจากภาพถ่ายทางการแพทย์ได้ในโลกจริง ความฝันของเราคือการทำให้ AI สามารถตรวจพบความผิดปกติในรูปถ่ายเอกซเรย์ เพื่อคัดกรองโรคที่ฆ่าชีวิตคนไทยได้ตั้งแต่ในระยะเริ่มต้น เช่น มะเร็งปอด ปอดติดเชื้อ ถุงลมโป่งพอง และวัณโรค เพื่อช่วยเพิ่มโอกาสการรักษาให้หายได้ และเราอยากเห็นทุกโรงพยาบาลในประเทศไทยได้ใช้ประโยชน์จากเอไอโดยทั่วกันแม้ว่าการนำเอาปัญญาประดิษฐ์มาตรวจภาพถ่ายทางการแพทย์ ไม่ใช่เรื่องใหม่แล้วในสังคมของนักวิชาการ

Read More »
ทำอย่างไรไม่ให้ AI แย่งงาน

ทำอย่างไรไม่ให้ AI แย่งงาน “AI จะแย่งงานไหม” หรือ “สักวัน AI จะเข้ามาทำงานนี้แทนไหม” อาจจะเป็นคำถามที่เกิดขึ้นบ่อยครั้งกับใครหลาย ๆ คน แม้ว่าจะมีคำอธิบายมากมายจากหลายแหล่งเกี่ยวกับ AI ทางการแพทย์ว่า

Read More »