ในปี 2559 Geoffrey Hinton นักจิตวิทยาด้านการรู้คิดชาวอังกฤษและนักวิทยาศาสตร์คอมพิวเตอร์ ได้เรียกร้องให้หยุดการฝึกอบรมนักรังสีวิทยาเพิ่มเติม ด้วยแอปพลิเคชันรังสีวิทยาที่ใช้ AI ซึ่งมีประสิทธิภาพมากขึ้นเรื่อยๆ Hinton เชื่อว่า AI อาจเข้ามารับงานรังสีวิทยาส่วนใหญ่ [1] AI ให้คำมั่นว่าจะส่งผลกระทบที่คล้ายกันต่อพื้นที่การวินิจฉัยของห้องปฏิบัติการ แต่เช่นเดียวกับรังสีวิทยา งานในห้องปฏิบัติการบางประเภทมีแนวโน้มที่จะถูกนำไปใช้ระบบอัตโนมัติมากกว่างานประเภทอื่นๆ งานวินิจฉัยที่ต้องอาศัยการประมวลผลข้อมูลจากชุดข้อมูลที่หลากหลายจำนวนมาก จะค่อนข้างยากต่อการใช้ระบบอัตโนมัติ ตัวอย่างเช่น หากระบบ AI เรียนรู้การวินิจฉัยมะเร็งเต้านมตั้งแต่เริ่มต้น จะต้องพิจารณาตัวแปรมากกว่า 30 ตัวแปรในแต่ละครั้งที่พยายามทำการวินิจฉัย ซึ่งรวมถึงข้อมูลที่มีโครงสร้างจากการสแกนภาพและการทดสอบทางพันธุกรรม ตลอดจนเรื่องเล่าของผู้ป่วยที่ไม่มีโครงสร้างและประวัติครอบครัว เพื่อให้บรรลุระดับความเชี่ยวชาญเดียวกับแพทย์ผู้เชี่ยวชาญ มีการประมาณการว่าระบบ AI จะต้องวิเคราะห์ตัวอย่างมะเร็งเต้านมที่ไม่ซ้ำกันถึง 7 พันล้าน ตัวอย่าง งานวินิจฉัยอื่นๆ อาจมีความเหมาะสมมากกว่าในการนำไปใช้ระบบอัตโนมัติ เมื่อเปรียบเทียบกับมะเร็งเต้านม การวินิจฉัยโรคหลอดเลือดหัวใจ การทำแผนที่แนวโน้มของไข้หวัดใหญ่ หรือการรับรู้ภาวะหัวใจเต้นผิดจังหวะในคลื่นไฟฟ้าหัวใจ (ECG) จำเป็นต้องพิจารณาตัวแปรน้อยกว่า ในช่วงสองปีที่ผ่านมา ทีมงานสองทีมแสดงให้เห็นว่า AI มีประสิทธิภาพในการวินิจฉัยมะเร็งผิวหนังได้ดีพอๆ กับแพทย์ผู้เชี่ยวชาญ ในขณะที่อีกทีมหนึ่งที่สแตนฟอร์ดแสดงให้เห็นผลลัพธ์เดียวกันสำหรับการวินิจฉัยโรคปอดบวม [2] นอกจากนี้ AI ยังมีศักยภาพในการเปลี่ยนแปลงพื้นที่การวินิจฉัยของห้องปฏิบัติการในสองลักษณะที่กว้างขึ้น โดยการปรับปรุงการเข้าถึงบริการวินิจฉัยในสภาพแวดล้อมที่มีทรัพยากรต่ำ และการสร้างโอกาสใหม่ๆ สำหรับการเฝ้าติดตามผู้ป่วยอย่างต่อเนื่อง
การนำบริการวินิจฉัยไปสู่ผู้ที่ขาดแคลน
ในประเทศกำลังพัฒนาหลายแห่งและในพื้นที่ห่างไกลของโลกที่พัฒนาแล้ว ผู้คนหลายล้านคนขาดการเข้าถึงบริการวินิจฉัยขั้นพื้นฐาน ซึ่งรวมถึงเวลาให้คำปรึกษาจากแพทย์ที่สามารถสร้าง ตีความ และอธิบายผลห้องปฏิบัติการได้ ด้วยการรับงานเหล่านี้บางส่วนและลดต้นทุนการวินิจฉัย AI สามารถมีบทบาทสำคัญในการแก้ไขปัญหานี้ได้ ในขณะที่ระบบวินิจฉัยที่รองรับด้วย AI บางระบบอาจให้การวินิจฉัยที่ยืนยัน ระบบอื่นๆ จะมุ่งเน้นเฉพาะการตัดออกโรคที่รุนแรงเท่านั้น ค่าทำนายผลลบที่บรรลุโดยระบบ AI สำหรับโรคที่รุนแรงหลายโรคอยู่ในระดับ 90% แล้ว ซึ่งมักจะมีความแม่นยำดีกว่าแพทย์ทั่วไปที่ทำงานในพื้นที่ชนบท สำหรับผู้ที่ผลการทดสอบกลับมาเป็นบวก ผู้ป่วยเหล่านี้สามารถถูกส่งต่อไปและได้รับการจัดการโดยระบบดูแลสุขภาพระดับภูมิภาค ซึ่งผู้เชี่ยวชาญที่ได้รับการฝึกฝนในด้านเวชศาสตร์คลินิกและห้องปฏิบัติการสามารถให้การดูแลที่พวกเขาต้องการได้
การปรับปรุงการดูแลด้วยการเฝ้าติดตามอย่างต่อเนื่อง
ในระยะยาว ห้องปฏิบัติการยังสามารถใช้ AI เพื่อรวมประเภทข้อมูลผู้ป่วยใหม่ๆ และเฝ้าติดตามผู้ป่วยอย่างต่อเนื่องด้วยวิธีการที่เป็นส่วนบุคคลมากขึ้น ทุกๆ ปี มีผู้คนใช้อุปกรณ์สวมใส่เพิ่มขึ้น ซึ่งติดตามจำนวนก้าว อัตราการเต้นของหัวใจ รูปแบบการนอนหลับ และแคลอรี่ของพวกเขาได้แบบเรียลไทม์ ในที่สุด เราอาจเห็นการนำแปรงสีฟันอัจฉริยะมาใช้กันอย่างแพร่หลายซึ่งสามารถดึงข้อมูลจากตัวบ่งชี้ทางชีวภาพในน้ำลายขณะที่เราแปรงฟัน ภายในห้าปีข้างหน้า ความก้าวหน้าดังกล่าวจะเปลี่ยนสิ่งที่เรารู้เกี่ยวกับผู้ป่วยไปอย่างสิ้นเชิง ผู้ป่วยจะไม่ใช่แค่คนที่สัญญาณชีพถูกสังเกตในช่วงเวลาที่ไม่ต่อเนื่องอีกต่อไป ซึ่งจะยังคงเกิดขึ้น แต่ห้องปฏิบัติการก็จะสามารถเข้าถึงสัญญาณต่อเนื่องได้ด้วยเช่นกัน ความผันแปรส่วนบุคคลที่สำคัญใดๆ จะช่วยให้ห้องปฏิบัติการสามารถสนับสนุนการปรับแผนการดูแลที่มีอยู่ได้อย่างทันท่วงที เรากำลังเริ่มทำความเข้าใจว่าไม่ใช่ช่วงอ้างอิงของประชากรที่กำหนดว่าผลลัพธ์ของบุคคลนั้นปกติหรือไม่ แต่เป็นวิธีที่ผลลัพธ์เหล่านั้นเปลี่ยนแปลงไปตามกาลเวลาต่างหาก ในอีกห้าปีข้างหน้า แอปพลิเคชัน AI ที่ใช้งานได้จริงจะเกิดขึ้นมากขึ้น ห้องปฏิบัติการที่เตรียมพร้อมสำหรับระบบดูแลสุขภาพที่สนับสนุนด้วย AI ตั้งแต่ตอนนี้จะได้รับประโยชน์มากที่สุด เพื่อเตรียมพร้อมสำหรับความเป็นจริงใหม่นี้ กุญแจสำคัญคือการให้ห้องปฏิบัติการเริ่มเปลี่ยนข้อมูลให้เป็นดิจิทัล ทำดัชนี และจัดเก็บในรูปแบบที่เข้าถึงได้ง่าย
เอกสารอ้างอิง:
[1] A.I. Versus M.D., What happens when diagnosis is automated? The New Yorker, 2017
[2] Stanford algorithm can diagnose pneumonia better than radiologists, Stanford News, 2017 บทความนี้อ้างอิงจากการนำเสนอ “Artificial Intelligence in Healthcare and Diagnostics” ในการประชุมสุดยอดผู้นำด้านการวินิจฉัยโรค LEADx ที่มุมไบ ประเทศอินเดีย
