ห้องปฏิบัติการที่ชาญฉลาด การดูแลที่ดียิ่งขึ้น: การเดินทางสู่การเปลี่ยนผ่านสู่ดิจิทัล

บทนำ

แกนหลักของการดูแลสุขภาพสมัยใหม่อย่าง ห้องปฏิบัติการทางคลินิก กำลังเผชิญแรงกดดันที่ไม่เคยมีมาก่อนต้องทำงานให้มากขึ้นในขณะที่ทรัพยากรมีจำกัด การตรวจวินิจฉัยทางห้องปฏิบัติการมีบทบาทสนับสนุนมากกว่า 70% ของการตัดสินใจทางคลินิก [1] แต่ความต้องการผลลัพธ์ที่รวดเร็วขึ้น แม่นยำขึ้น และมีประสิทธิภาพมากขึ้นกำลังกดดันให้ขั้นตอนการทำงานแบบดั้งเดิมใกล้ถึงขีดจำกัด วิธีแก้ปัญหาคืออะไร การเปลี่ยนผ่านสู่ดิจิทัลที่กำลังพลิกอนาคตของงานวินิจฉัยอย่างแท้จริง ขี่กระแสการเติบโตอย่างก้าวกระโดดของการดูแลสุขภาพดิจิทัล ซึ่งคาดว่าจะเพิ่มขึ้นมากกว่าสองเท่า จาก 347 พันล้านดอลลาร์สหรัฐในปี 2025 เป็น 768 พันล้านดอลลาร์สหรัฐภายในปี 2030 [2] ห้องปฏิบัติการกำลังพัฒนา เพื่อตอบรับความท้าทายเหล่านี้โดยตรง ด้วยเครื่องมือที่ช่วยเพิ่มความแม่นยำและทำให้กระบวนการทำงานเป็นระบบมากขึ้น ห้องปฏิบัติการกำลังกำหนดบทบาทใหม่ในการให้การดูแลเชิงทำนาย เชิงป้องกัน และแบบเฉพาะบุคคล คำถามไม่ใช่ว่าห้องปฏิบัติการจะเปลี่ยนสู่ดิจิทัลหรือไม่ เพราะการเปลี่ยนแปลงนี้ได้เกิดขึ้นแล้ว และห้องปฏิบัติการกำลังใช้ประโยชน์จากกระแสดิจิทัลมากขึ้น เพื่อกำหนดบทบาทของตนใหม่ให้สอดคล้องกับระบบการดูแลสุขภาพทั้งระบบ มาสำรวจกันว่าห้องปฏิบัติการกำลังพัฒนาไปสู่สภาพแวดล้อมอัจฉริยะที่ขับเคลื่อนด้วยเทคโนโลยีได้อย่างไร โดยผสานนวัตกรรมและความเชี่ยวชาญเพื่อยกระดับการวินิจฉัย

เทคโนโลยีหลักที่ขับเคลื่อนการเปลี่ยนแปลงในห้องปฏิบัติการทางคลินิก

ตั้งแต่การทำให้ห้องปฏิบัติการเป็นอัตโนมัติไปจนถึงการวิเคราะห์ขั้นสูง ห้องปฏิบัติการทางคลินิกในปัจจุบันอาศัยเทคโนโลยีที่หลากหลายเพื่อปรับปรุงขั้นตอนการทำงาน เพิ่มความแม่นยำ และเปิดโอกาสใหม่ๆ ในการวินิจฉัย

1. ระบบอัตโนมัติ

ระบบอัตโนมัติได้กลายเป็นรากฐานของห้องปฏิบัติการยุคใหม่ ช่วยให้เกิดขั้นตอนการทำงานที่ราบรื่น รองรับปริมาณงานสูง พร้อมทั้งลดการแทรกแซงด้วยมนุษย์ให้น้อยที่สุด หุ่นยนต์ขั้นสูง ระบบจัดการตัวอย่างอัตโนมัติ และระบบประมวลผลอัจฉริยะกำลังเปลี่ยนโฉมการดำเนินงานของห้องปฏิบัติการ ด้วยการลดความแปรปรวน เพิ่มความสามารถในการทำซ้ำ และยกระดับประสิทธิภาพโดยรวม

2. Internet of Medical Things (IoMT) และ Internet of Laboratory Things (IoLT)

ลักษณะการเชื่อมต่อกันของ IoMT และ IoLT ส่งเสริมให้ข้อมูลสำคัญไหลเวียนอย่างต่อเนื่อง ช่วยให้การดูแลสุขภาพและการจัดการห้องปฏิบัติการทำได้เชิงรุกมากขึ้น อุปกรณ์ที่รองรับ IoMT สามารถส่งข้อมูลสุขภาพของผู้ป่วยแบบเรียลไทม์ และรองรับการวินิจฉัยทางไกลรวมถึงการให้บริการการแพทย์ทางไกล ในขณะเดียวกัน IoLT ยังช่วยให้มั่นใจได้ว่าเครื่องมือทำงานได้อย่างมีประสิทธิภาพสูงสุด ลดเวลาที่ระบบหยุดทำงาน และเพิ่มประสิทธิภาพของการบำรุงรักษาเชิงคาดการณ์ผ่านการวิเคราะห์ที่ขับเคลื่อนด้วย AI เมื่อทำงานร่วมกัน ระบบเหล่านี้ช่วยสนับสนุนการตัดสินใจในสภาพแวดล้อมทางคลินิกให้มีความแม่นยำ ทันเวลา และขับเคลื่อนด้วยข้อมูลมากยิ่งขึ้น ตัวอย่างเช่น อุปกรณ์สวมใส่ที่รองรับ IoMT สามารถส่งข้อมูลระดับกลูโคสหรืออัตราการเต้นของหัวใจจากผู้ป่วยไปยังห้องปฏิบัติการเพื่อวิเคราะห์แบบเรียลไทม์ ขณะที่อุปกรณ์ที่รองรับ IoLT จะแจ้งเตือนผู้จัดการห้องปฏิบัติการเมื่อถึงเวลาต้องบำรุงรักษา หรือเมื่อวัสดุสิ้นเปลืองใกล้หมด

3. ระบบสารสนเทศ

เช่น Laboratory Information Management Systems (LIMS) และ Electronic Lab Notebooks (ELN) เป็นแพลตฟอร์มซอฟต์แวร์เฉพาะทาง ระบบเหล่านี้ทำหน้าที่เชื่อมโยงระหว่างข้อมูลดิบกับข้อมูลเชิงลึกที่สามารถนำไปใช้ได้จริง ทำให้สามารถบูรณาการข้อมูลระหว่างแผนกต่างๆ ได้อย่างราบรื่น LIMS [3] กำหนดมาตรฐานขั้นตอนการทำงาน เพื่อให้มั่นใจว่ามีการปฏิบัติตามข้อกำหนดด้านกฎระเบียบและสามารถตรวจสอบย้อนกลับตัวอย่างได้อย่างถูกต้อง ELN [4] ในทางกลับกัน ช่วยเพิ่มประสิทธิภาพงานวิจัยด้วยการทำเอกสารในห้องปฏิบัติการให้เป็นดิจิทัล อำนวยความสะดวกการทำงานร่วมกันแบบเรียลไทม์ และช่วยให้การดึงข้อมูลและการทำซ้ำผลการทดลองเป็นไปได้อย่างมีประสิทธิภาพมากขึ้น

4. ระบบการจัดการข้อมูลทางวิทยาศาสตร์ (Scientific Data Management Systems, SDMS)

นอกเหนือจากการจัดเก็บข้อมูลทั่วไปแล้ว SDMS [5] ยังจัดโครงสร้างข้อมูลอย่างอัจฉริยะ ช่วยให้การดึงข้อมูลและการตีความข้อมูลทำได้อย่างมีประสิทธิภาพยิ่งขึ้น ระบบเหล่านี้ช่วยให้มั่นใจว่ามีการปฏิบัติ [6] ตาม Good Laboratory Practices (GLP) และข้อกำหนดด้านกฎระเบียบ โดยมีฟังก์ชันเส้นทางการตรวจสอบอัตโนมัติ การควบคุมเวอร์ชัน และลายเซ็นอิเล็กทรอนิกส์ เนื่องจากห้องปฏิบัติการสร้างปริมาณข้อมูลเพิ่มขึ้นอย่างก้าวกระโดด SDMS ช่วยยกระดับการกำกับดูแลข้อมูล ทำให้การกำหนดมาตรฐานโปรโตคอลง่ายขึ้น การควบคุมคุณภาพมีประสิทธิภาพมากขึ้น และช่วยขับเคลื่อนผลลัพธ์การวิจัยที่เชื่อถือได้ยิ่งขึ้น

5. Cloud Computing

โครงสร้างพื้นฐานแบบคลาวด์ได้พลิกโฉมวิธีที่ห้องปฏิบัติการจัดการและเข้าถึงข้อมูล ช่วยลดการทำงานแบบแยกส่วน และรองรับการจัดเก็บข้อมูลที่ปลอดภัยและปรับขนาดได้ตามต้องการ แพลตฟอร์มคลาวด์ช่วยสนับสนุนการทำงานร่วมกันแบบเรียลไทม์ระหว่างทีมที่กระจายอยู่ในหลายพื้นที่ ทำให้การแลกเปลี่ยนข้อมูลเป็นไปได้อย่างราบรื่นสำหรับการทดลองทางคลินิกแบบหลายศูนย์ โครงการวิจัยระดับโลก และการวินิจฉัยข้ามสาขา ด้วยมาตรการรักษาความปลอดภัยที่พัฒนาขึ้น เช่น การเข้ารหัสข้อมูล และการควบคุมการเข้าถึงตามบทบาท การประมวลผลแบบคลาวด์ช่วยเสริมความสมบูรณ์ของข้อมูล พร้อมทั้งลดค่าใช้จ่ายด้านไอที

6. การวิเคราะห์ข้อมูลขนาดใหญ่

เครื่องมือสำหรับข้อมูลขนาดใหญ่จะวิเคราะห์ข้อมูลทางห้องปฏิบัติการและข้อมูลทางคลินิกจำนวนมหาศาล เพื่อระบุรูปแบบ แนวโน้ม และข้อมูลเชิงลึกที่สามารถนำไปใช้ได้จริง เครื่องมือเหล่านี้ช่วยสนับสนุนแบบจำลองการคาดการณ์ เพื่อให้ได้ผลการวินิจฉัยและผลการรักษาที่ดีขึ้น ในฐานะก้าวถัดไปของวิวัฒนาการข้อมูลขนาดใหญ่ Clinlabomics [7] เป็นสาขาใหม่ที่ผสานข้อมูลจากห้องปฏิบัติการทางคลินิกเข้ากับ AI เพื่อดึงข้อมูลเชิงลึกที่ลึกซึ้งกว่าเดิมสำหรับการวินิจฉัยและการรักษา เช่นเดียวกับ Radiomics ในงานภาพวินิจฉัย Clinlabomics ใช้วิธีการประมวลผลปริมาณงานสูงและการเรียนรู้ของเครื่อง เพื่อวิเคราะห์ข้อมูลจากเลือด ของเหลวในร่างกาย และตัวอย่างประเภทอื่นๆ แนวทางนี้ช่วยเปิดเผยรูปแบบและข้อมูลที่ซ่อนอยู่ในผลการตรวจทางห้องปฏิบัติการ ทำให้สามารถวินิจฉัยได้แม่นยำยิ่งขึ้น และมอบการดูแลที่ปรับให้เหมาะกับผู้ป่วยแต่ละราย

7. ปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (Machine Learning)

การสำรวจล่าสุดพบว่า 60% ของบริษัทในกลุ่มวิทยาศาสตร์ชีวภาพ [8] มีแผนจะลงทุนในเทคโนโลยี AI และการเรียนรู้ของเครื่องภายในสองปีข้างหน้า แนวโน้มนี้เกิดจากความสามารถของ AI ในการเพิ่มประสิทธิภาพกระบวนการ ตรวจจับความผิดปกติ และสนับสนุนการวิเคราะห์เชิงคาดการณ์ การเรียนรู้ของเครื่องยังเสริมความสามารถเหล่านี้ด้วยการทำให้ระบบสามารถเรียนรู้และปรับปรุงตัวเองอย่างต่อเนื่องจากข้อมูลที่ได้รับ เมื่อเครื่องมือเหล่านี้แพร่หลายมากขึ้นในช่วงไม่กี่ปีที่ผ่านมา เครื่องมือเหล่านี้ให้ประโยชน์เชิงปฏิบัติจริงอย่างไรบ้าง ลองมาดูกันอย่างละเอียด

ผลกระทบที่แท้จริงของการเปลี่ยนสู่ดิจิทัลในห้องปฏิบัติการทางคลินิก

การเปลี่ยนผ่านสู่ดิจิทัลกำลังกำหนดรูปแบบใหม่ให้กับห้องปฏิบัติการทางคลินิก ด้วยการเพิ่มประสิทธิภาพขั้นตอนการทำงาน ปรับปรุงความแม่นยำ และสนับสนุนการตัดสินใจที่มีคุณภาพมากขึ้น ความก้าวหน้าเหล่านี้ส่งผลเชิงบวกไปทั่วทั้งระบบสาธารณสุข ทำให้ผู้ป่วย ผู้ดูแล และบุคลากรห้องปฏิบัติการได้รับประโยชน์ร่วมกัน ระบบอัตโนมัติช่วยลดเวลาในการออกผลตรวจได้อย่างมีนัยสำคัญ โดยการทำให้ห้องปฏิบัติการเป็นอัตโนมัติทั้งหมดสามารถลดเวลาในการตรวจ STAT cardiac troponin I ได้มากกว่า 25% [9] ทั้งในแผนกฉุกเฉินและไม่ใช่ฉุกเฉิน ระบบอัตโนมัติยังทำให้ช่างเทคนิคเพียงคนเดียวสามารถดูแลหลายกระบวนการได้พร้อมกัน เช่น การตรวจ Immunoassay ปริมาณสูง และการวินิจฉัยระดับโมเลกุล ห้องปฏิบัติการที่รองรับ IoT สามารถตรวจติดตามสถานะอุปกรณ์แบบเรียลไทม์ พร้อมแจ้งเตือนเมื่อตัวทำปฏิกิริยาใกล้หมด ช่วยป้องกันความล่าช้าหรือการหยุดชะงักของงาน แม้ในช่วงที่มีบุคลากรจำกัด นอกเหนือจากประสิทธิภาพ ดิจิทัลยังช่วยแก้ปัญหาด้านกำลังคนด้วยการลดงานที่ซ้ำซาก ลดความเสี่ยงของภาวะหมดไฟ และเปิดโอกาสให้บุคลากรห้องปฏิบัติการมุ่งเน้นบทบาทที่มีมูลค่าสูงขึ้น เช่น การวินิจฉัยที่ขับเคลื่อนด้วย AI และการบริหารจัดการขั้นตอนการทำงานของหุ่นยนต์ ในช่วงความต้องการตรวจสูง เช่น ระหว่างการแพร่ระบาดของโควิด-19 [10] ระบบอัตโนมัติช่วยให้ห้องปฏิบัติการสามารถขยายขีดความสามารถในการตรวจได้ โดยไม่จำเป็นต้องเพิ่มจำนวนบุคลากรในทันที ความถูกต้องก็เพิ่มขึ้นเช่นกัน โดย AI และระบบอัตโนมัติช่วยลดข้อผิดพลาดในห้องปฏิบัติการ และแทบขจัดความเสี่ยงจากการสัมผัสสารชีวอันตราย [11] ตัวอย่างเช่น ระบบตรวจหมู่เลือดและแอนติบอดีแบบอัตโนมัติสามารถลดโอกาสเกิดความผิดพลาดได้มากถึง 98% [12] ทั้งการปรับปรุงกระบวนการอัตโนมัติและกระบวนการที่มนุษย์ปฏิบัติร่วมกันส่งผลให้จำนวนเหตุการณ์ “wrong blood in tube” (WBIT) ลดลงถึง 10 เท่า และการติดฉลากตัวอย่างผิดพลาดลดลง 47% [13] นอกจากนี้ ประสิทธิภาพด้านต้นทุนยังเป็นข้อได้เปรียบสำคัญอีกประการหนึ่ง เนื่องจากระบบอัตโนมัติช่วยเพิ่มประสิทธิภาพการใช้ทรัพยากรและขจัดขั้นตอนที่ซ้ำซ้อนออกไป การทำ Reflex testing ที่ขับเคลื่อนโดยอัลกอริทึมอัตโนมัติช่วยป้องกันการทดสอบติดตามผลที่ไม่จำเป็น ทำให้การตรวจยืนยันผลที่มีค่าใช้จ่ายสูงดำเนินการเฉพาะเมื่อมีความจำเป็นจริงเท่านั้น โดยการผสานรวมระบบอัตโนมัติ AI และ IoT ห้องปฏิบัติการทางคลินิกไม่เพียงแต่ปรับปรุงขั้นตอนการทำงานในปัจจุบัน แต่ยังเตรียมตัวเองให้พร้อมสำหรับระบบนิเวศการดูแลสุขภาพที่คล่องตัวและรองรับอนาคตอีกด้วย

บทถัดไปสำหรับห้องปฏิบัติการ: ฉลาดกว่า เร็วขึ้น ดีขึ้น

ด้วยอุปกรณ์สวมใส่และอุปกรณ์ฝังตัวที่ทำให้สามารถติดตามสุขภาพอย่างต่อเนื่อง และบอทด้านสุขภาพที่สนับสนุนการวินิจฉัยโดยผู้ป่วย ห้องปฏิบัติการจึงอยู่หัวใจของ Diagnostics 4.0 – พรมแดนใหม่ของการทดสอบทางการแพทย์ [15] การผสานเทคโนโลยีดิจิทัลขั้นสูง ระบบอัตโนมัติ และปัญญาประดิษฐ์ Diagnostics 4.0 สร้างระบบที่เชื่อมต่อกันแบบเรียลไทม์และมุ่งเน้นผู้ป่วย ซึ่งเปลี่ยนวิธีการตัดสินใจด้านการดูแลสุขภาพอย่างสิ้นเชิง เมื่อห้องปฏิบัติการพัฒนาจากการเป็น “แชมป์ที่ซ่อนอยู่” กลายเป็นผู้เล่นหลักในการตัดสินใจ ความร่วมมือระหว่างแพทย์ ผู้ป่วย และผู้เชี่ยวชาญในห้องปฏิบัติการก็จะเข้มแข็งยิ่งขึ้น

บทเรียนสำคัญ:

• • •  Trifecta ของโฟลว์ตัวอย่าง โฟลว์ข้อมูล และโฟลว์บุคคลจำเป็นต้องรักษาความสมดุลอย่างละเอียดอ่อน สมดุลนี้ต้องพิจารณาจากมุมมองของการจัดการขั้วตรงข้าม ขณะเดียวกันก็ยังต้องรักษาแหล่งธรรมาภิบาลที่ดีให้คงอยู่ในทุกมิติ ขณะที่เรายังคงแสวงหาวิธีการสร้างนวัตกรรม

• • • ด้วยความต้องการที่เพิ่มขึ้นในด้านความเร็ว ความถูกต้อง และประสิทธิภาพ ห้องปฏิบัติการจึงนำเทคโนโลยีดิจิทัล เช่น ระบบอัตโนมัติ AI และ IoT มาใช้อย่างรวดเร็ว การเปลี่ยนแปลงนี้ช่วยเพิ่มประสิทธิภาพขั้นตอนการทำงาน ปรับใช้ทรัพยากรได้อย่างเหมาะสม และสนับสนุนการตัดสินใจทางคลินิกที่ดีขึ้น

• • • ระบบอัตโนมัติช่วยลดเวลาในการตอบสนอง ลดข้อผิดพลาด และปรับปรุงขั้นตอนการทำงานของห้องปฏิบัติการ สิ่งนี้ทำให้ผู้เชี่ยวชาญในห้องปฏิบัติการสามารถมุ่งเน้นไปที่การวินิจฉัยที่ซับซ้อน แทนที่จะเสียเวลาไปกับงานประจำทั่วไป ส่งผลให้ประสิทธิภาพโดยรวมสูงขึ้น

• • • การวิเคราะห์ด้วย AI การตรวจสอบอุปกรณ์ด้วย IoT และโซลูชันข้อมูลขนาดใหญ่ ช่วยเพิ่มความสามารถในการวินิจฉัยเชิงคาดการณ์ ป้องกันความล้มเหลวของอุปกรณ์ และรับประกันการเข้าถึงข้อมูลแบบเรียลไทม์ เครื่องมือเหล่านี้ช่วยปรับปรุงการตัดสินใจพร้อมกับลดต้นทุนและการสูญเสียทรัพยากร

• • • ด้วยการทำงานอัตโนมัติสำหรับงานซ้ำๆ ห้องปฏิบัติการสามารถลดภาวะหมดไฟของพนักงาน และสร้างโอกาสในการพัฒนาทักษะด้านการวินิจฉัยด้วย AI และระบบหุ่นยนต์ สิ่งนี้ช่วยให้มั่นใจว่ามีบุคลากรที่มีทักษะพร้อมรับมือกับเทคโนโลยีห้องปฏิบัติการยุคถัดไป

• • • ห้องปฏิบัติการเป็นหัวใจของ Diagnostics 4.0 ซึ่งผสานรวมอุปกรณ์สวมใส่ AI และ Cloud computing เพื่อสร้างการวินิจฉัยแบบเรียลไทม์ที่เน้นผู้ป่วยเป็นศูนย์กลาง วิวัฒนาการนี้ยังเสริมสร้างความร่วมมือระหว่างแพทย์ ห้องปฏิบัติการ และผู้ป่วย ปูทางสู่การดูแลสุขภาพที่ฉลาดขึ้น เร็วขึ้น และปรับให้เหมาะกับแต่ละบุคคลมากขึ้น

 
ข้อมูลอ้างอิง
[1] Lewandrowski, K. B., Makar, R. S. & Dighe, A. S., 2007. Medicolegal liability in laboratory medicine. Seminars in diagnostic pathology, 24(2), pp. 98-107.
[2] Intelligence, M., n.d. Digital Health Market – Growth, Trends, COVID-19 Impact, and Forecasts (2024 – 2030). [Online] Available at: https://www.mordorintelligence.com/industry-reports/digital-health-market [Accessed 18 February 2025].
[3] Timóteo, M. et al., 2021. Digital Management Systems in Academic Health Sciences Laboratories: A Scoping Review. Healthcare, 9(6), p. 739, https://doi.org/10.3390/healthcare9060739.
[4] Vandendorpe, Justine, et al. “Ten Simple Rules for Implementing Electronic Lab Notebooks (ELNs).” PLOS Computational Biology, vol. 20, no. 6, 2024, p. e1012170, https://doi.org/10.1371/journal.pcbi.1012170.
[5] Machina, Hari K., and David J. Wild. “Laboratory Informatics Tools Integration Strategies for Drug Discovery.” Journal of Laboratory Automation, 2012, https://doi.org/10.1177/2211068212454852.
[6] Doddapaneni, Jagan Mohan Rao. “Enhancing Laboratory Efficiency and Compliance: A Comprehensive Approach to Scientific Data Management System (SDMS) Integration with LIMS.” International Journal of Innovative Research and Creative Technology, vol. 10, no. 5, 2024, pp. 1-10. IJIRCT, ISSN: 2454-5988.
[7] Wen, X., Leng, P., Wang, J. et al. Clinlabomics: leveraging clinical laboratory data by data mining strategies. BMC Bioinformatics 23, 387 (2022). https://doi.org/10.1186/s12859-022-04926-1
[8]Alliance, P., 2024. Lab of the Future Survey Results 2024. [Online] Available at: https://marketing.pistoiaalliance.org/hubfs/Lab%20Of%20The%20Future%20Reports/Lab%20Of%20The%20Future%20Survey%20Results%202024%20.pdf [Accessed 18 February 2025].
[9] Ialongo, Cristiano, et al. “Total Automation for the Core Laboratory: Improving the Turnaround Time Helps to Reduce the Volume of Ordered STAT Tests.” SLAS Technology, vol. 21, no. 3, 2016, pp. 451-458, https://doi.org/10.1177/2211068215581488.
[10] Lu, J., Fan, W., Huang, Z. et al. Automatic system for high-throughput and high-sensitivity diagnosis of SARS-CoV-2. Bioprocess Biosyst Eng 45, 503–514 (2022). https://doi.org/10.1007/s00449-021-02674-9
[11] Da Rin G. Pre-analytical workstations: a tool for reducing laboratory errors. Clin Chim Acta. 2009;404(1):68-74. doi:10.1016/j.cca.2009.03.024
[12] South, Susan F., et al. “Exponential Error Reduction in Pretransfusion Testing with Automation.” Transfusion, vol. 52, no. 8, 2012, pp. 81S-87S, https://doi.org/10.1111/j.1537-2995.2012.03816.x.
[13] Passwater, M. et al., 2022. Adding Automation and Independent Dual Verification to Reduce Wrong Blood in Tube (WBIT) Events. American Journal of Clinical Pathology, 158(2), pp. 212-215. doi:10.1093/ajcp/aqac031
[14] Huang, Wenjie, et al. “Clinical Application of Intelligent Technologies and Integration in Medical Laboratories.” ILABMED, vol. 1, no. 1, 2023, pp. 82-91, https://doi.org/10.1002/ila2.9
[15] Neumaier M., “Diagnostics 4.0: the medical laboratory in digital health.” Clinical Chemistry and Laboratory Medicine (CCLM). 2019;57(3):343-348. doi:10.1515/cclm-2018-1088