1. ข้อมูลคือรากฐานสำคัญกว่าโมเดล AI
ปัญหาหลักของระบบสุขภาพไทยคือข้อมูลยังกระจัดกระจายเป็นไซโล อยู่คนละโรงพยาบาล คนละระบบ และมีการบันทึกซ้ำ ส่งผลให้:
บุคลากรหน้างานมีภาระคีย์ข้อมูลซ้ำ
ข้อมูลเดียวกันอาจไม่ตรงกัน
ผู้ป่วยต้องขอหรือส่งประวัติใหม่เมื่อเปลี่ยนโรงพยาบาล
การกำหนดนโยบายและวางงบประมาณทำได้ยาก
AI ได้ข้อมูลที่ไม่สะอาดและให้ผลลัพธ์ไม่น่าเชื่อถือ
กรมการแพทย์จึงให้ความสำคัญกับการทำ Data integration, Data cleansing, Data standardization และ Health Information Exchange เพื่อให้ข้อมูลไหลระหว่างหน่วยบริการโดยไม่ต้องคีย์ใหม่
เป้าหมายระยะยาวคือประชาชนสามารถเป็นเจ้าของและเข้าถึงข้อมูลสุขภาพของตนเอง ใช้ประวัติเดียวกันได้ทั้งโรงพยาบาลรัฐและเอกชน รวมถึงรับบริการ นัดหมาย และติดตามสุขภาพผ่านระบบออนไลน์
แก่นสำคัญคือ AI จะเก่งได้เพียงใดขึ้นอยู่กับคุณภาพ ความครบถ้วน และมาตรฐานของข้อมูลที่ป้อนเข้าไป
2. AI ทางการแพทย์ต้องผ่านมาตรฐานสูงกว่า AI ทั่วไป
การนำภาพเอกซเรย์หรือข้อมูลสุขภาพไปถามโมเดล AI ทั่วไปอาจได้คำตอบที่ดูสมเหตุสมผล แต่ยังไม่เพียงพอสำหรับการรักษาจริง เพราะ:
ถามต่างรูปแบบอาจได้คำตอบไม่เหมือนกัน
ผลลัพธ์อาจไม่สม่ำเสมอ
โมเดลอาจฝึกจากประชากรต่างชาติซึ่งแตกต่างจากคนไทย
เครื่องเอกซเรย์และกระบวนการเก็บข้อมูลของแต่ละโรงพยาบาลไม่เหมือนกัน
ไม่มีระบบรับผิดชอบหากคำตอบผิด
ไม่ได้ผ่านการรับรองในฐานะเครื่องมือแพทย์
รามาธิบดียกตัวอย่างว่า AI ที่มีผลแม่นยำสูงในงานวิจัย เมื่อนำไปใช้กับโรงพยาบาลอื่นอาจมี Accuracy ลดลง 20–30% และบางกรณีอาจลดลงมากกว่านั้น เนื่องจากความแตกต่างของประชากร โรค เครื่องมือ และคุณภาพข้อมูล
ดังนั้น Medical AI ต้องมี:
ความแม่นยำ
ความสม่ำเสมอ
การตรวจสอบย้อนหลัง
ความรับผิดชอบที่ชัดเจน
การทดสอบกับประชากรเป้าหมาย
การติดตามประสิทธิภาพหลังเริ่มใช้งาน
3. กระบวนการนำ Medical AI ไปใช้จริง
รามาธิบดีเสนอขั้นตอนสำคัญดังนี้:
พัฒนาโมเดลจากงานวิจัย: เตรียมและกำกับข้อมูลโดยผู้เชี่ยวชาญ
External validation: ทดสอบกับข้อมูลจากโรงพยาบาลอื่น เพื่อพิสูจน์ว่าโมเดลไม่เก่งเฉพาะพื้นที่ต้นทาง
Sandbox/Shadow mode: ทดลองในสภาพแวดล้อมจริง แต่ยังไม่นำคำตอบไปใช้ตัดสินใจรักษาโดยตรง
Expert verification: ให้แพทย์เฉพาะทางตรวจ Accuracy, จุดบอด และความเสี่ยงต่อผู้ป่วย
Deployment: เปิดให้บุคลากรใช้งานจริง
Post-deployment monitoring: ติดตามผล สอบถามผู้ใช้ และสุ่มตรวจประสิทธิภาพอย่างต่อเนื่อง
Regulatory compliance: จัดทำระบบคุณภาพและยื่นรับรองเครื่องมือแพทย์ เช่น ISO 13485 และข้อกำหนดที่เกี่ยวข้อง
ตัวอย่าง AI เอกซเรย์ทรวงอกของรามาธิบดีใช้ข้อมูลภาพประมาณ 1.7–2 ล้านภาพ ผ่านการตรวจสอบจากรังสีแพทย์ และใช้เวลาพัฒนาประมาณ 4 ปี ก่อนเข้าสู่การใช้งานเชิงพาณิชย์
ข้อสรุปคือ การสร้างต้นแบบ AI ทำได้ง่ายและเร็วขึ้นมาก แต่การทำให้เป็น ผลิตภัณฑ์ทางการแพทย์ที่ปลอดภัยและใช้ได้จริง ยังคงใช้ข้อมูล ผู้เชี่ยวชาญ มาตรฐาน และเวลา
4. ยุทธศาสตร์ AI ของ BDMS
BDMS แบ่งการขับเคลื่อน AI ออกเป็นสามเสาหลัก
4.1 Productivity AI
เลือกกระบวนการที่มี SOP และขั้นตอนชัดเจนมาปรับปรุงก่อน เพราะสามารถทำ Automation และวัดผลตอบแทนได้ง่าย เช่น:
งานเอกสารและงานสนับสนุน
การจัดเตรียมข้อมูล
กระบวนการที่ทำซ้ำเป็นจำนวนมาก
การช่วยวินิจฉัย
การปรับปรุง Patient journey
การวิเคราะห์ความเสี่ยงและสุขภาพเชิงป้องกัน
กระบวนการใดยิ่งเป็นมาตรฐานมาก ยิ่งเปลี่ยนเป็นระบบอัตโนมัติได้เร็ว
4.2 AI Literacy และการกระจายความสามารถ
ผู้เชี่ยวชาญ AI เพียงกลุ่มเดียวไม่สามารถเข้าใจปัญหาของทุกหน่วยงานได้ดีเท่าคนหน้างาน BDMS จึงต้องการให้แพทย์ พยาบาล และเจ้าหน้าที่สามารถ:
เข้าใจข้อดีและข้อจำกัดของ AI
ระบุปัญหาที่ควรนำ AI มาแก้
ทำงานร่วมกับทีมเทคนิค
ตรวจสอบผลลัพธ์
พัฒนาและขยาย Use case ภายในองค์กร
แนวคิดคือเปลี่ยน AI จากความสามารถของทีมส่วนกลางให้เป็นความสามารถของทั้งองค์กร
4.3 Security และ Governance
Governance ที่ดีไม่ได้มีหน้าที่เพียงชะลอความเสี่ยง แต่ช่วยให้องค์กรขยาย AI ได้เร็วและมั่นใจขึ้น โดยระบบต้องมี:
Observability: มองเห็นว่า AI กำลังทำอะไร
Traceability: ตรวจสอบย้อนกลับได้ว่าใช้ข้อมูลและเหตุผลใด
Explainability: อธิบายที่มาของผลลัพธ์ในระดับที่เหมาะสม
Monitoring: ติดตามประสิทธิภาพอย่างต่อเนื่อง
Security: คุ้มครองข้อมูลผู้ป่วยและจำกัดสิทธิการเข้าถึง
5. เกณฑ์ที่ BDMS ใช้เลือกโครงการ AI
BDMS พิจารณาสามองค์ประกอบหลัก:
ปัจจัยคำถามสำคัญ
Feasibility และ Value
เทคโนโลยีทำได้จริงหรือไม่ ช่วยผู้ป่วยหรือสร้างผลตอบแทนเพียงใด
Ownership
มีเจ้าของโครงการ ทีมเทคนิค แพทย์ผู้เชี่ยวชาญ และผู้ตรวจสอบครบหรือไม่
Data readiness
ข้อมูลสะอาด มีมาตรฐาน และพร้อมนำไปใช้หรือไม่
โครงการที่ดูน่าสนใจแต่ไม่มีเจ้าของ ไม่มีผู้เชี่ยวชาญตรวจสอบ หรือข้อมูลไม่พร้อม อาจถูกลดลำดับความสำคัญ เพราะมีโอกาสเป็นโครงการทดลองที่ไม่สามารถขยายผลได้
Open-source model สามารถนำมาใช้ได้ แต่ต้องผ่านการ Validate กับประชากรและข้อมูลของโรงพยาบาลก่อน ไม่สามารถนำโมเดลที่ฝึกจากต่างประเทศมาใช้กับผู้ป่วยไทยโดยตรงโดยไม่ตรวจสอบ
6. Medical AI Consortium ลดระยะเวลาพัฒนา AI
อุปสรรคใหญ่ของผู้พัฒนา Medical AI ในอดีตคือการใช้เวลาหลายปีเพื่อ:
ขอข้อมูลจากโรงพยาบาล
ทำความสะอาดและกำกับข้อมูล
เตรียมระบบคอมพิวเตอร์และ GPU
สร้างเครื่องมือ Labeling
ทดสอบโมเดล
จัดทำมาตรฐาน
เตรียมเอกสารขออนุญาต
Medical AI Consortium ซึ่งร่วมดำเนินการโดยกรมการแพทย์ รามาธิบดี และเนคเทค มีเป้าหมายสร้างโครงสร้างพื้นฐานกลางเพื่อย่นระยะเวลาจากงานวิจัยไปสู่ผลิตภัณฑ์จริง ประกอบด้วย:
แพลตฟอร์มแบ่งปันข้อมูลภายใต้เงื่อนไขที่กำหนด
เครื่องมือเตรียมและกำกับข้อมูล
ระบบฝึกและทดสอบโมเดล
Computing resources และ GPU
เครื่องมือ No-code/Low-code เช่น Nomad ML
ห้องปฏิบัติการทดสอบ Medical AI
กระบวนการสนับสนุนการขอรับรองจาก อย.
Supercomputer “LANTA” และแผนพัฒนา LANTA 2
เครื่องมือเหล่านี้ทำให้แพทย์ที่มีข้อมูลและความรู้เฉพาะโรคสามารถสร้างต้นแบบ AI ได้โดยไม่ต้องเขียนโค้ดทั้งหมดเอง แต่การนำไปใช้รักษาจริงยังต้องผ่านการตรวจสอบและรับรองตามมาตรฐาน
7. Federated Learning คือทางออกของการแชร์ข้อมูลสุขภาพ
ข้อมูลสุขภาพมีความอ่อนไหว โรงพยาบาลจึงไม่สามารถรวบรวมข้อมูลทั้งหมดไว้ส่วนกลางได้ง่าย เวทีนี้เสนอ Federated Learning เป็นโครงสร้างสำคัญในอนาคต
หลักการคือ:
ข้อมูลผู้ป่วยยังคงอยู่ภายในโรงพยาบาลแต่ละแห่ง
โมเดลเข้าไปเรียนรู้จากข้อมูลภายในพื้นที่นั้น
ส่งกลับเฉพาะค่าการเรียนรู้หรือการปรับปรุงโมเดล
ระบบกลางรวบรวมผลจากหลายโรงพยาบาลเพื่อสร้างโมเดลที่ดีขึ้น
ไม่ต้องเคลื่อนย้ายข้อมูลดิบออกจากโรงพยาบาล
ข้อดีคือช่วยรักษาความเป็นส่วนตัวและทำให้โมเดลเรียนรู้จากประชากรไทยหลายพื้นที่ แต่ข้อมูลของแต่ละโรงพยาบาลยังต้องมีมาตรฐานใกล้เคียงกัน และทุกพื้นที่ต้องมี Computing infrastructure เพียงพอ
NECTEC กำลังพัฒนาแพลตฟอร์มสำหรับ Federated Learning และอาจใช้ LANTA 2 สนับสนุนโรงพยาบาลที่ขาด GPU หรือทรัพยากรประมวลผล
8. AI จะพาการแพทย์จากการรักษาไปสู่การป้องกัน
AI ไม่ได้มีบทบาทเฉพาะเมื่อผู้ป่วยเกิดโรคแล้ว แต่สามารถรวมข้อมูลจากหลายแหล่งเพื่อประเมินความเสี่ยงล่วงหน้า เช่น:
เวชระเบียน
ภาพเอกซเรย์และ CT
ผลตรวจทางห้องปฏิบัติการ
พันธุกรรมและ Pharmacogenomics
Wearable devices
การนอน การออกกำลังกาย และอัตราการเต้นหัวใจ
พฤติกรรมและรูปแบบการใช้ชีวิต
ตัวอย่างเช่น การตรวจ CT ปอดเพื่อคัดกรองมะเร็ง เดิมแพทย์อาจมองหาเพียงก้อนในปอด แต่ AI สามารถวิเคราะห์ข้อมูลเพิ่มเติมจากภาพเดียวกัน เช่น:
แคลเซียมในหลอดเลือดหัวใจ
ภาวะมวลกล้ามเนื้อน้อย
ไขมันแทรกในกล้ามเนื้อ
ความหนาแน่นของกระดูก
ความเสี่ยงโรคเรื้อรังอื่น
จึงเปลี่ยนภาพทางการแพทย์จากเครื่องมือค้นหาโรคหนึ่งชนิด ให้เป็นแหล่งข้อมูลเพื่อวางแผนสุขภาพระยะยาว
BDMS ยังให้ความสนใจกับข้อมูล Genomics และ Pharmacogenomics เพื่อประเมินความเสี่ยงการแพ้ยา การตอบสนองต่อยา และในอนาคตอาจเชื่อมโยงไปสู่คำแนะนำด้านอาหารและวิถีชีวิตเฉพาะบุคคล
9. ภาพระบบสุขภาพไทยในอีกห้าปี
วิทยากรมองภาพอนาคตในทิศทางเดียวกันว่า:
ข้อมูลสุขภาพจะเชื่อมโยงกันมากขึ้น
ผู้ป่วยมีสิทธิควบคุมและใช้ข้อมูลของตนเอง
ลดการขอประวัติและตรวจซ้ำ
AI ช่วยวินิจฉัยและจัดลำดับความเร่งด่วน
Workflow โรงพยาบาลรวดเร็วขึ้น
แพทย์รุ่นใหม่ต้องมี AI literacy
Wearable และข้อมูลต่อเนื่องช่วยป้องกันโรค
การรักษาจะเปลี่ยนจาก Reactive ไปสู่ Predictive และ Preventive care
ไทยจะสามารถปรับโมเดลต่างประเทศให้เข้ากับบริบทคนไทย
AI ที่พัฒนาในไทยอาจต่อยอดเป็นผลิตภัณฑ์ส่งออกได้
ข้อสรุป
สาระสำคัญของเวทีนี้ไม่ใช่ “AI จะมาแทนแพทย์” แต่คือ:
AI จะเพิ่มความสามารถของแพทย์ เชื่อมข้อมูลที่กระจัดกระจาย ลดงานซ้ำ เพิ่มความเร็วในการบริการ และเปลี่ยนระบบสุขภาพจากการรักษาหลังเกิดโรคไปสู่การคาดการณ์และป้องกันล่วงหน้า
อย่างไรก็ตาม ปัจจัยชี้ขาดไม่ใช่ความเก่งของโมเดลเพียงอย่างเดียว แต่ประกอบด้วย Data readiness, Interoperability, Clinical validation, Workflow integration, Governance, บุคลากร และโครงสร้างพื้นฐานการประมวลผล
NECTEC-ACE 2026 | Beyond Longevity: AI-Powered Healthcare & Wellness