ข้อมูลเป็นจุดเริ่มต้นของการพัฒนา AI ทางการแพทย์ เพราะไม่ว่าจะนำมาใช้ฝึกโมเดล ทดสอบประสิทธิภาพ หรือนำไปใช้งานจริง คุณภาพของข้อมูลล้วนมีผลต่อความน่าเชื่อถือของ AI ขณะที่ระบบสุขภาพไทยยังมีโจทย์เรื่องข้อมูลที่กระจายอยู่ในหลายระบบ การเชื่อมโยงข้อมูลจึงเป็นงานที่ต้องทำควบคู่ไปกับการพัฒนาเทคโนโลยี
บนเวที Panel Discussion “Beyond Longevity: AI Powered Healthcare and Wellness” ในงานการประชุมวิชาการและนิทรรศการเนคเทค ประจำปี 2569 (NECTEC-ACE 2026) ภายใต้แนวคิด “NECTEC 40 Years – Legacy & Beyond ทพญ.อรชร ทองบุราณ ผู้อำนวยการ สำนักดิจิทัลการแพทย์กรมการแพทย์ พญ.ชญานิน นิติสรางกูร ผู้ช่วยคณบดี ฝ่ายนวัตกรรมและคู่ความร่วมมือ คณะแพทยศาสตร์โรงพยาบาล รามาธิบดี มหาวิทยาลัยมหิดล ญาณิศา สุนทรโยธิน ผู้จัดการส่วนพัฒนาธุรกิจ AI BDMS Health Intelligence Lab และ ดร.มารุต บูรณรัช นักวิจัยอาวุโส กลุ่มวิจัยวิทยาการข้อมูลและการวิเคราะห์ เนคเทค สวทช. นำเสนอบทบาทของแต่ละหน่วยงาน ตั้งแต่การจัดการข้อมูลสุขภาพ การพัฒนาและทดสอบ AI การนำ AI เข้าไปใช้ในโรงพยาบาล ไปจนถึงการนำข้อมูลมาใช้เพื่อการป้องกันและส่งเสริมสุขภาพ
ข้อมูลสุขภาพต้องพร้อมก่อน AI จะทำงานได้เต็มศักยภาพ
ทพญ.อรชร กล่าวถึงปัญหาข้อมูลสุขภาพของไทยว่า ปัจจุบันข้อมูลยังมีลักษณะเป็น Silo และมาจากหลายแหล่ง ขณะที่กรมการแพทย์ในฐานะหน่วยงานวิชาการต้องใช้ข้อมูลสำหรับการขับเคลื่อนนโยบาย จึงต้องทำตั้งแต่การนำข้อมูลมาเชื่อมโยง ทำ Data Cleansing และเตรียมข้อมูลสำหรับการนำไปใช้งาน
แนวทางที่กรมการแพทย์พยายามผลักดันคือการ “เชื่อม แชร์ และใช้” ข้อมูล พร้อมลดภาระของบุคลากรหน้างานและลดการบันทึกข้อมูลซ้ำ โดย ทพญ.อรชร อธิบายว่า เมื่อข้อมูลเกิดความซ้ำซ้อน ความน่าเชื่อถือและความแม่นยำจะลดลง การเชื่อมระบบจึงต้องทำให้ข้อมูลสามารถไหลระหว่างระบบโดยไม่ต้องคีย์ข้อมูลเดิมซ้ำ
“เมื่อไหร่ที่ข้อมูลมีการ Duplication ความน่าเชื่อถือก็จะลดลง ความแม่นยำก็จะลดลง” ทพญ.อรชร กล่าว
กรมการแพทย์ยังจัดทำข้อมูล 6 ชุดในปีนี้ เพื่อสนับสนุนกระทรวงสาธารณสุขในการขับเคลื่อนนโยบาย ลดค่าใช้จ่ายของผู้ป่วย และใช้ประกอบการบริหารงบประมาณ เมื่อข้อมูลผ่านการทำความสะอาดและมีมาตรฐานแล้ว จึงสามารถนำไปต่อยอดกับ AI ได้อย่างน่าเชื่อถือมากขึ้น
อีกเป้าหมายคือการทำให้ประชาชนสามารถดูประวัติสุขภาพและนัดหมายผ่านระบบออนไลน์ ลดการเดินทางและเวลาที่ต้องอยู่ในโรงพยาบาล โดยยังได้รับการดูแลตามมาตรฐาน ซึ่ง ทพญ.อรชร กล่าวถึงความคาดหวังของกระทรวงสาธารณสุขและกรมการแพทย์ว่า เทคโนโลยีจะช่วยให้บริการสุขภาพเข้าถึงประชาชนได้มากขึ้นในภาวะที่การกระจายตัวของแพทย์ผู้เชี่ยวชาญยังไม่ทั่วถึง
จากงานวิจัยสู่ AI ที่ใช้กับผู้ป่วยได้จริง
พญ.ชญานิน กล่าวถึงบทบาทของโรงเรียนแพทย์ว่า AI Model ที่พัฒนาขึ้นในงานวิจัยจำนวนมากมี Accuracy สูง แต่เมื่อออกจากงานวิจัยแล้วไม่ได้หมายความว่าจะถูกนำไปใช้งานจริง โรงเรียนแพทย์จึงมีส่วนผลักดันงานวิจัยที่มีคุณภาพให้พัฒนาเป็นนวัตกรรมที่สามารถนำไปช่วยประชาชนได้
อีกบทบาทคือการตรวจสอบว่า AI สามารถเชื่อถือได้จริงหรือไม่ เพราะเมื่อนำ AI จากบริษัทหรือจากต่างประเทศมาใช้ ยังต้องมีระบบติดตามประสิทธิภาพ พร้อมเตรียม AI Literacy ให้กับนักศึกษาแพทย์ เพื่อให้เข้าใจว่า AI ที่จะต้องพบในการทำงานในอนาคตควรแปลผลอย่างไร เชื่อถือได้ในระดับใด และนำเข้าไปใช้ใน Workflow อย่างไร
พญ.ชญานิน อธิบายว่า Medical AI ต้องมีการควบคุมคุณภาพ ทั้งด้านความน่าเชื่อถือ ความสม่ำเสมอของผลลัพธ์ และความรับผิดชอบ โมเดลที่ถูกฝึกด้วยฐานข้อมูลของประชากรกลุ่มหนึ่งอาจไม่ได้ให้ผลเหมือนกันเมื่อนำมาใช้กับประชากรอีกกลุ่มหนึ่ง การพัฒนา AI สำหรับประเทศไทยจึงต้องคำนึงถึงฐานข้อมูลของคนไทย เพื่อให้สามารถตรวจสอบได้ว่าโมเดลวินิจฉัยโรคในคนไทยได้ถูกต้องจริง
รามาธิบดีใช้ Sandbox ในการทดสอบ AI ก่อนนำไปใช้งาน โดยมีทีมผู้เชี่ยวชาญตรวจสอบ Accuracy และ Performance รวมถึงข้อควรระวังที่อาจส่งผลต่อผู้ป่วย เมื่อผ่านการทดสอบใน Sandbox และนำไปใช้งานจริงแล้ว ยังมี Post Deployment Monitoring เพื่อติดตามผลจากผู้ใช้และสุ่มตรวจสอบประสิทธิภาพอีกครั้ง
กระบวนการพัฒนา AI ด้านรังสีวิทยาของรามาธิบดีเริ่มจากงานวิจัยและการเตรียมข้อมูล โดยมีรังสีแพทย์สองคนช่วยกันตรวจสอบฟิล์มประมาณ 1.7-2 ล้านฟิล์ม ก่อนนำไป Train Model เมื่อได้โมเดลที่มี Accuracy ตามที่ต้องการแล้วจึงทำ External Validation และเข้าสู่กระบวนการมาตรฐาน ISO 13485 ก่อนยื่นขออนุมัติจากสำนักงานคณะกรรมการอาหารและยา โดย พญ.ชญานิน ระบุว่ากระบวนการดังกล่าวใช้เวลาประมาณ 4 ปี
Medical AI Consortium สร้างโครงสร้างพื้นฐานให้ AI การแพทย์
ดร.มารุต กล่าวถึง Medical AI Consortium ว่า ข้อมูลมีความสำคัญทั้งในการ Train AI และการทดสอบก่อนนำไปใช้งานจริง โครงการจึงเข้ามาเติมช่องว่างในส่วนนี้ผ่านโครงสร้างพื้นฐานที่ครอบคลุม Hardware, Software และข้อมูล รวมถึงทรัพยากรด้าน Computing
หนึ่งในเครื่องมือที่พัฒนาขึ้นคือ NomadML ซึ่งช่วยให้ผู้เชี่ยวชาญที่ไม่ได้มีความเชี่ยวชาญด้าน AI สามารถทดลอง Train AI ได้โดยไม่ต้องเขียน Code ตัวอย่างที่ ดร.มารุต ยกขึ้นมาคือแพทย์ที่มีข้อมูลและต้องการทดลองแนวคิดเพื่อทำงานวิจัย สามารถระบุตำแหน่งของโรคในข้อมูล ใช้ข้อมูลนั้นฝึก AI เบื้องต้น และดู Accuracy จากการทดสอบได้
ในด้านกำลังประมวลผล สวทช. มี Lanta Supercomputer รองรับการฝึก AI ที่ต้องใช้ Computing Power ส่วนขั้นตอนก่อนนำไปใช้งานจริง โครงการมีห้องปฏิบัติการ SQUAT สำหรับทดสอบ Medical AI โดยผลการทดสอบสามารถนำไปใช้ประกอบการยื่นขอ อย. ได้
ใช้ AI ในโรงพยาบาลต้องวัดมากกว่าความแม่นยำ
คุณญาณิศา กล่าวถึงแนวทางการนำ AI มาใช้ในองค์กรผ่านสามด้าน ด้านแรกคือ Productivity AI โดยพิจารณากระบวนการทำงานที่มีขั้นตอนชัดเจนและสามารถนำ AI หรือระบบอัตโนมัติเข้ามาช่วยได้ ด้านที่สองคือ AI Literacy เพื่อขยายความสามารถด้าน AI ไปสู่บุคลากรในองค์กร เนื่องจากคนที่อยู่หน้างานเข้าใจปัญหาและบริบทการทำงานของตัวเองได้ดีกว่าผู้เชี่ยวชาญ AI เพียงฝ่ายเดียว
ด้านที่สามคือ Secure and Governance ซึ่งคุณญาณิศาอธิบายว่า Governance ที่ดีต้องทำให้สามารถ Observe และ Monitor ได้ว่า AI กำลังทำอะไร รวมถึง Explain และ Trace กลับไปได้ว่าการตัดสินใจของ AI เกิดจากอะไร ข้อมูลเหล่านี้จะถูกนำมาใช้ประกอบการควบคุมและกำกับดูแล AI
เมื่อต้องเลือก AI เข้ามาใช้ คุณญาณิศากล่าวถึงปัจจัยหลักสามด้าน ได้แก่ Feasibility เพื่อพิจารณาความคุ้มค่าและผลลัพธ์ที่เกิดขึ้นกับผู้ป่วย Ownership ซึ่งต้องมีผู้เกี่ยวข้องกับโครงการครบทั้งทีมเทคนิคและผู้เชี่ยวชาญเฉพาะด้าน และ Data Readiness เพื่อพิจารณาว่าข้อมูลมีความพร้อมและอยู่ในมาตรฐานที่ทำให้ AI ทำงานได้เต็มประสิทธิภาพหรือไม่
หลักเดียวกันนี้ใช้กับ Open Source Model จากต่างประเทศ โดยญาณิศาระบุว่า แม้สามารถนำมารันได้ แต่ต้องผ่านการ Validate กับประชากรของโรงพยาบาลก่อน เพราะโมเดลจากต่างประเทศอาจถูก Train ด้วยข้อมูลประชากรที่มีบริบทแตกต่างจากประชากรไทย จึงควรทดสอบก่อนนำไปใช้จริง
AI ช่วยมองความเสี่ยงก่อนโรคแสดงอาการ
เมื่อการสนทนาขยับจากการวินิจฉัยและรักษาไปสู่การป้องกัน พญ.ชญานิน กล่าวว่ารูปแบบการดูแลสุขภาพกำลังเปลี่ยนไปเมื่อมีข้อมูลเพิ่มขึ้น และ AI สามารถเก็บข้อมูลอื่นจากภาพทางการแพทย์ที่อาจสัมพันธ์กับโรคหรือใช้ในการประเมินความเสี่ยงในอนาคตได้
พญ.ชญานิน ยกตัวอย่าง CT ปอดสำหรับ Screening Lung Cancer ซึ่งเดิมแพทย์มองหาความผิดปกติในปอดเพื่อคัดกรองมะเร็ง แต่ AI สามารถเก็บข้อมูลอื่นจากภาพเดียวกันได้ เช่น Coronary Calcification หรือแคลเซียมที่เกาะเส้นเลือด ไขมันที่แทรกในกล้ามเนื้อ ภาวะ Sarcopenia และภาวะกระดูกบาง ทำให้ข้อมูลจากภาพที่มีอยู่สามารถนำไปใช้ได้มากกว่าการค้นหาโรคที่เป็นวัตถุประสงค์แรกของการตรวจ
พญ.ชญานิน กล่าวว่า AI จะเข้ามาช่วยรวบรวมข้อมูลจากสิ่งที่ทำอยู่ในปัจจุบันให้ได้ข้อมูลมากขึ้น และส่งเสริมการทำ Preventive Medicine มากขึ้น เช่น ผู้ที่มาตรวจคัดกรองมะเร็งปอดอาจพบข้อมูลเกี่ยวกับกล้ามเนื้อ แคลเซียมที่เกาะเส้นเลือดหัวใจ หรือกระดูกบาง และนำไปสู่การตรวจหรือดูแลต่อในด้านนั้น
คุณญาณิศา กล่าวถึงทิศทางของภาคเอกชนในด้าน Wellness และ Prevention ว่า เทคโนโลยีทำให้สามารถเก็บข้อมูลเกี่ยวกับการออกกำลังกาย กิจกรรมในชีวิตประจำวัน Lifestyle และข้อมูลอื่นที่เกี่ยวข้องกับบุคคลได้มากขึ้น และใช้ AI ช่วยวิเคราะห์หาความสัมพันธ์จากข้อมูลเหล่านั้น
หนึ่งในเรื่องที่ BDMS สนใจคือ Genomics และ PTx4All ในกลุ่ม Pharmaco-genomics เพื่อค้นหาลักษณะทางพันธุกรรมที่อาจเชื่อมโยงกับความเป็นไปได้ในการแพ้ยาบางประเภท โดยคุณญาณิศากล่าวว่า ในอนาคตอาจพบความสัมพันธ์ระหว่างความผันแปรทางพันธุกรรมกับวิธีการใช้ชีวิตได้มากขึ้น
ดร.มารุต ยังกล่าวถึงข้อมูลจากอุปกรณ์ไทยสุขที่เผยแพร่ผ่านเว็บไซต์ของ Consortium ในรูปแบบ Open Data ซึ่งมีข้อมูลพฤติกรรมการนอน การออกกำลังกาย และ Heart Rate โดยข้อมูลดังกล่าวไม่มีชื่อของบุคคลและมีการปกปิดตัวตน ขณะที่ข้อมูลชุดอื่นใน Consortium ไม่ได้เปิดเป็นข้อมูลสาธารณะทั้งหมด เพราะเป็นข้อมูลของแต่ละโรงพยาบาลและมีเงื่อนไขการใช้งานแตกต่างกันภายใต้กระบวนการ Data Governance
Federated Learning พัฒนา AI โดยไม่ต้องรวมข้อมูลผู้ป่วย
เมื่อพูดถึงภาพในอีก 5 ปีข้างหน้า ทพญ.อรชร กล่าวว่า หากการจัดการข้อมูลที่กำลังดำเนินอยู่สำเร็จ ประเทศไทยจะมีข้อมูลสุขภาพของคนไทยที่ดูแลโดยคนไทย ประชาชนเป็นเจ้าของข้อมูลสุขภาพของตัวเอง และสามารถใช้ Personal Health Record เพื่อการดูแลและป้องกันสุขภาพ รวมถึงนำข้อมูลไปใช้รับบริการในสถานพยาบาลได้
คุณญาณิศา กล่าวถึง Federated Learning ในฐานะแนวทางหนึ่งสำหรับการสร้างโครงสร้างพื้นฐานที่ทำให้สามารถนำโมเดลมาใช้กับบริบทของประเทศไทย โดยไม่จำเป็นต้องนำข้อมูลผู้ป่วยออกไปรวมไว้ภายนอก แต่ละโรงพยาบาลสามารถ Train Model ด้วยข้อมูลที่อยู่ภายในโรงพยาบาลของตัวเอง และนำส่วนของโมเดลมาแลกเปลี่ยนระหว่าง Site เพื่อปรับปรุงโมเดล โดยข้อมูลยังอยู่ในโรงพยาบาลแต่ละแห่ง
ดร.มารุต กล่าวในทิศทางเดียวกันว่า ประสบการณ์จาก Medical AI Consortium พบว่าการทำ Data Sharing เป็นเรื่องยาก และทีมมอง Federated Learning เป็นแนวทางสำหรับอนาคต พร้อมอธิบายด้วยตัวอย่างการไปเรียนทำอาหารว่า ผู้เรียนสามารถเข้าไปใช้วัตถุดิบและปรุงอาหารในโรงเรียน แต่ไม่สามารถนำวัตถุดิบออกจากสถานที่ได้ เมื่อปรุงเสร็จจึงนำเฉพาะผลลัพธ์กลับออกมา
แนวคิดนี้ถูกนำมาใช้กับการ Train AI โดยผู้พัฒนาไม่จำเป็นต้องนำข้อมูลออกจากหน่วยงาน แต่เข้าไป Train กับข้อมูลที่อยู่ในแต่ละ Site ก่อนนำผลจากหลาย Site มารวมกันเพื่อสร้างโมเดล AI
ดร.มารุต กล่าวถึง FLIP หรือ Federated Learning Interoperability Platform ว่าเป็นโครงสร้างพื้นฐานสำหรับรองรับการทำงานในลักษณะนี้ โดย Medical AI Consortium อยู่ระหว่างร่วมพัฒนาและทดลองตั้ง Site ขึ้นมา การทำ Federated Learning ยังต้องใช้ Computing Resource และ GPU ซึ่งเป็นอีกส่วนของโครงสร้างพื้นฐานที่ต้องเตรียมรองรับ
สำหรับภาพอนาคตของระบบสุขภาพ ทพญ.อรชร คาดหวังให้ประชาชนสามารถเป็นเจ้าของข้อมูลสุขภาพของตัวเอง ใช้ข้อมูลเพื่อดูแลและป้องกันสุขภาพ และสามารถนำข้อมูลไปใช้รับบริการในสถานพยาบาลได้ ขณะที่ พญ.ชญานิน มองว่าการใช้ AI ในการวินิจฉัยและ Workflow ทางการแพทย์จะเพิ่มขึ้น และการดูแลสุขภาพจะขยับไปสู่ Health Prevention มากขึ้น
สิ่งที่ทั้งสองมุมมองกล่าวถึงมีจุดร่วมอยู่ที่การนำข้อมูลที่เกิดขึ้นในระบบสุขภาพมาใช้ประโยชน์มากขึ้น ตั้งแต่ข้อมูลที่อยู่ในโรงพยาบาล ภาพทางการแพทย์ ข้อมูลจากอุปกรณ์ ไปจนถึงข้อมูลทางพันธุกรรม โดยมีการทดสอบ AI การติดตามประสิทธิภาพ และการกำกับดูแลข้อมูลเป็นส่วนหนึ่งของกระบวนการก่อนนำเทคโนโลยีไปใช้กับผู้ป่วยจริง
ข่าวอื่น ๆ ที่น่าสนใจ
HMA 2026 ครบรอบ 25 ปี ชู AI ยกระดับสาธารณสุข แต่หัวใจยังอยู่ที่ ‘คน’
First Jobber ยุค AI เมื่อโลกงานเปลี่ยน ปริญญาไม่ใช่คำตอบสุดท้าย
