ท่ามกลางกระแสการพลิกโฉมวงการแพทย์ด้วยเทคโนโลยี AI สิ่งหนึ่งที่ถูกพูดถึงอย่างกว้างขวางคือศักยภาพของ AI ในการอ่านฟิล์มและภาพทางการแพทย์ แต่ในความเป็นจริง การโฆษณาชวนเชื่อที่ว่า AI จะเข้ามาแทนที่รังสีแพทย์นั้น เป็นเพียงภาพลวงตาที่ทำให้ผู้บริหารโรงพยาบาลหลายแห่งทุ่มงบประมาณมหาศาลไปกับระบบที่ยังไม่ถึงจุดที่คาดหวัง กลายเป็นความผิดหวังและความล่าช้าในการนำเทคโนโลยีมาใช้จริง
ความท้าทายที่แท้จริงไม่ได้อยู่ที่การพัฒนาอัลกอริทึมให้ฉลาดขึ้นเท่านั้น แต่คือการผสานรวม AI เข้ากับบริบททางคลินิกได้อย่างไร้รอยต่อโดยไม่สร้างภาระเพิ่มให้กับบุคลากรทางการแพทย์ สิ่งนี้เป็นมากกว่าแค่การสอน AI ให้ระบุสิ่งผิดปกติ แต่คือการทำให้ AI สามารถเป็นส่วนหนึ่งของการตัดสินใจที่ซับซ้อนและมีความละเอียดอ่อน ในขณะที่การพัฒนาอย่างก้าวกระโดดทำให้เราเชื่อว่า AI อ่านฟิล์ม จะเป็นกุญแจสำคัญสู่การวินิจฉัยที่แม่นยำและรวดเร็วขึ้น แต่นั่นต้องมาพร้อมกับความเข้าใจที่ลึกซึ้งถึงข้อจำกัดและเงื่อนไขการใช้งานจริง ไม่ใช่เพียงแค่ความตื่นเต้นกับตัวเลขความแม่นยำบนหน้ากระดาษ
มายาคติที่ AI จะมาแทนที่รังสีแพทย์: เหตุใดจึงเป็นไปไม่ได้ในปัจจุบัน
หลายคนเชื่อว่าในไม่ช้า AI จะฉลาดพอที่จะมาแทนที่รังสีแพทย์ได้โดยสมบูรณ์ นั่นคือความเข้าใจที่คลาดเคลื่อนอย่างร้ายแรง เพราะการวินิจฉัยทางการแพทย์ไม่ใช่แค่การมองหาจุดดำบนฟิล์ม หรือระบุความผิดปกติแบบตรงไปตรงมา แต่เป็นกระบวนการที่ต้องอาศัยการตีความข้อมูลจากหลากหลายแหล่ง ไม่ว่าจะเป็นประวัติคนไข้ อาการทางคลินิก ผลเลือด หรือแม้แต่บริบททางสังคมและอารมณ์ ซึ่งสิ่งเหล่านี้ AI ยังไม่สามารถทำได้ลึกซึ้งเท่านายแพทย์ ด้วยเหตุนี้ AI จึงเป็นได้เพียงเครื่องมือที่ช่วยเสริมประสิทธิภาพการทำงานของแพทย์ ไม่ใช่ผู้ที่จะมาแทนที่
ปัญหาที่พบบ่อย คือข้อมูลที่ใช้ฝึก AI มักเป็นข้อมูลที่ได้มาตรฐานและสะอาด แต่ในโลกจริง ฟิล์มและภาพทางการแพทย์มีความหลากหลายสูง คุณภาพของภาพที่ไม่สม่ำเสมอ แสงเงาที่ต่างกัน หรือแม้แต่ท่าทางของคนไข้ที่ไม่สมบูรณ์ ล้วนส่งผลต่อความแม่นยำของ AI อย่างมาก การที่ AI ถูกฝึกมาด้วยข้อมูลชุดเดียว ทำให้มันไม่สามารถปรับตัวเข้ากับสถานการณ์ที่แตกต่างกันได้ดีนัก และนั่นคือจุดอ่อนสำคัญที่ทำให้ AI ยังไม่สามารถทำงานได้อย่างอิสระ สิ่งสำคัญคือความสามารถในการปรับตัวและตีความที่ซับซ้อน ซึ่งเป็นทักษะที่ต้องอาศัยประสบการณ์และความเข้าใจในเชิงลึกของแพทย์
ความล้มเหลวของการนำ AI มาใช้ในคลินิก: เมื่อความคาดหวังไม่ตรงกับความจริง
การนำ AI มาใช้ในโรงพยาบาลหลายแห่งประสบปัญหามากกว่าที่คิด เพราะผู้บริหารมักถูกชักจูงด้วยตัวเลขความแม่นยำที่บริษัท AI นำเสนอ โดยลืมไปว่าตัวเลขเหล่านั้นได้มาจากสภาพแวดล้อมที่ถูกควบคุมอย่างสมบูรณ์แบบ ไม่ใช่สถานการณ์จริงที่วุ่นวายและเต็มไปด้วยตัวแปร ซึ่งนำไปสู่ความคาดหวังที่สูงเกินจริงและผลลัพธ์ที่ไม่เป็นไปตามที่ต้องการ
- ขาดการบูรณาการกับ Workflow เดิม: ระบบ AI มักถูกออกแบบมาแยกส่วน ไม่ได้ถูกฝังเข้ากับระบบ HIS/RIS ของโรงพยาบาล ทำให้แพทย์ต้องเปิดโปรแกรมหลายหน้าต่าง และคีย์ข้อมูลซ้ำซ้อน เสียเวลาและเพิ่มภาระงาน
- การตีความผลที่คลุมเครือ: AI อาจระบุว่ามีสิ่งผิดปกติ แต่ไม่สามารถอธิบายได้ว่าคืออะไร หรือมีความสำคัญทางคลินิกแค่ไหน ทำให้แพทย์ต้องมาตีความซ้ำอีกครั้งและต้องใช้เวลาเพิ่มในการพิจารณา
- ต้นทุนแฝงที่สูงกว่าที่คิด: ไม่ใช่แค่ค่าซอฟต์แวร์ แต่ยังมีค่าบำรุงรักษา ค่าปรับปรุงระบบ ค่าฝึกอบรมบุคลากร ซึ่งมักถูกมองข้ามไปในตอนแรก ทำให้งบประมาณบานปลาย
- ปัญหาทางกฎหมายและจริยธรรม: หาก AI วินิจฉัยผิด ใครจะเป็นผู้รับผิดชอบ? คำถามนี้ยังคงเป็นประเด็นที่ซับซ้อนและไม่มีคำตอบที่ชัดเจน ส่งผลต่อความเชื่อมั่นในการใช้งาน
ความจริงที่เจ็บปวดคือ หลายระบบ AI ที่ติดตั้งไปแล้วกลับถูกใช้เพียงบางส่วน หรือถูกทิ้งร้าง เพราะมันไม่สามารถทำงานได้อย่างที่โฆษณา และไม่ได้ช่วยให้กระบวนการทำงานดีขึ้นจริง ส่งผลให้เกิดความสิ้นเปลืองงบประมาณและเวลาโดยเปล่าประโยชน์
The Clinical Relevance Framework: สร้าง AI ให้เป็นผู้ช่วยที่ ‘เข้าใจ’ แพทย์
เพื่อหลีกเลี่ยงความล้มเหลวข้างต้น เราต้องเปลี่ยนมุมมองจากการสร้าง AI ที่ ‘ฉลาดที่สุด’ มาเป็นการสร้าง AI ที่ ‘มีประโยชน์ที่สุด’ ในบริบททางคลินิก ผมขอเสนอ Clinical Relevance Framework เพื่อเป็นแนวทางในการพัฒนาและนำ AI มาใช้ในวงการแพทย์อย่างมีประสิทธิภาพ โดยมุ่งเน้นที่การทำความเข้าใจความต้องการและข้อจำกัดของแพทย์ รวมถึงผู้ป่วย สิ่งสำคัญคือการที่ AI ไม่ได้เพียงให้ข้อมูลดิบ แต่สามารถแปลงข้อมูลเหล่านั้นให้เป็นความรู้ที่มีคุณค่าทางคลินิกได้อย่างแท้จริง
แนวคิดนี้เน้นย้ำถึงการออกแบบระบบ AI ที่สามารถทำงานร่วมกับแพทย์ได้อย่างกลมกลืน ช่วยลดภาระงานที่ไม่จำเป็น และเพิ่มความแม่นยำในการวินิจฉัย โดยที่แพทย์ยังคงเป็นผู้มีอำนาจตัดสินใจสูงสุด ซึ่งจะนำไปสู่การใช้งาน AI ที่ยั่งยืนและสร้างผลลัพธ์ที่ดีขึ้นต่อผู้ป่วยและระบบสาธารณสุขโดยรวม
