บททดสอบถัดไปของ AI ด้านสุขภาพคือการเชื่อมเข้ากับงานจริง

บทความชี้ว่าการเข้ามาของบริษัท AI รายใหญ่ในวงการสาธารณสุขเป็นพัฒนาการที่สำคัญและมีประโยชน์ เพราะโมเดลรุ่นใหม่เริ่มเก่งขึ้นมากในการอ่านเวชระเบียนยาวๆ ทำความเข้าใจศัพท์เฉพาะทางแพทย์ เปรียบเทียบเอกสารกับหลักฐาน และสรุปข้อมูลจำนวนมากให้ใช้งานได้ง่ายขึ้น ส่งผลให้แพทย์ เจ้าหน้าที่ปฏิบัติการ และทีมธุรการลดภาระในการค้นหาข้อมูลจากระบบที่กระจัดกระจาย

อย่างไรก็ตาม ผู้เขียนเตือนว่า “ความสามารถของโมเดล” ไม่เท่ากับ “ความสามารถในการทำงานจริง” ปัญหาหลักของระบบสุขภาพไม่ได้เกิดจากข้อมูลน้อย แต่เกิดจากข้อมูล กระบวนการทำงาน และความรับผิดชอบที่แยกส่วนกันมานาน หลายองค์กรลงทุนในระบบที่เก็บข้อมูลเฉพาะจุด เช่น เวชระเบียนอิเล็กทรอนิกส์ ระบบเคลม ระบบพอร์ทัลของผู้จ่ายเงิน ระบบนัดหมาย และศูนย์บริการ แต่ระบบเหล่านี้ไม่ถูกออกแบบมาให้คิดเชื่อมโยงตลอดห่วงโซ่การตัดสินใจที่ส่งผลต่อการเข้าถึงบริการ การเบิกจ่าย และการชำระเงิน

บทความยก “revenue cycle” หรือกระบวนการตั้งแต่ลงทะเบียน นัดหมาย เข้ารหัสโรค ออกบิล ติดตามผู้จ่ายเงิน ไปจนถึงเก็บเงิน เป็นสนามทดสอบสำคัญของ AI ในโรงพยาบาล เพราะมีข้อมูลทั้งแบบมีโครงสร้างและไม่มีโครงสร้าง ปริมาณธุรกรรมสูง และผลลัพธ์วัดได้ชัดเจน อีกทั้งหนึ่งเคลมอาจเกี่ยวข้องกับข้อมูลประกันสุขภาพ เอกสารทางคลินิก กฎการเข้ารหัส นโยบายของผู้จ่ายเงิน และเงื่อนไขอนุมัติล่วงหน้าหลายชั้น ความผิดพลาดเพียงจุดเดียวอาจลามไปสร้างปัญหาในอีกหลายสัปดาห์หรือหลายเดือนต่อมา

ผู้เขียนมองว่าเครื่องมืออัตโนมัติแบบเดิม เช่น RPA มักไม่พอสำหรับงานลักษณะนี้ เพราะกฎของผู้จ่ายเงินเปลี่ยนบ่อย เอกสารที่ต้องใช้ไม่คงที่ และข้อยกเว้นเกิดขึ้นเสมอ แม้ LLM จะช่วยอ่านและสรุปข้อมูลเชิงบรรยายได้ดีขึ้น แต่ถ้าใช้ลำพังอาจสร้างคำตอบที่ฟังดูสมเหตุสมผลแต่ตรวจสอบย้อนกลับไม่ได้ และยังไม่เข้าใจบริบทของเวิร์กโฟลว์หรือประวัติของผู้จ่ายเงินรายนั้นๆ

เนื้อหาชี้ว่าความได้เปรียบระยะยาวจะไม่ได้มาจากการใช้โมเดลพื้นฐานเพียงอย่างเดียว เพราะเมื่อโมเดลทั่วไปฉลาดขึ้น ทุกองค์กรก็เข้าถึงความรู้พื้นฐานได้ใกล้เคียงกันมากขึ้น สิ่งที่แตกต่างจริงจะอยู่ที่การผสมผสานโมเดลกับข้อมูลการทำงานขององค์กรเอง ความรู้เชิงปฏิบัติที่สะสมจากเคสจริง เวิร์กโฟลว์ที่มีบริบท และระบบกำกับดูแลที่ดี ความรู้สำคัญหลายอย่าง เช่น กลยุทธ์การอุทธรณ์ที่ได้ผล หรือรูปแบบเอกสารที่มักทำให้การเบิกจ่ายล่าช้า ล้วนเป็นความรู้เชิงพฤติกรรมและสะสมจากประสบการณ์จริง ไม่ได้อยู่ในตำราทั่วไป

ทางออกที่บทความเสนอคือแนวคิด “agentic orchestration” หรือการจัดการให้ AI ไม่ได้แค่ตอบคำถาม แต่ประสานการทำงานข้ามระบบได้จริง โดยอาจดึงเอกสารผ่าน FHIR ตรวจจับข้อมูลที่ขาด สร้างชุดส่งคำขอ ส่งต่อกรณีพิเศษให้ผู้เชี่ยวชาญ ติดตามผลจากผู้จ่ายเงิน และเรียนรู้จากผลลัพธ์ที่เกิดขึ้นทั้งหมด พร้อมใช้โครงสร้างไฮบริดที่ผสม LLM, ฐานความรู้เชิงโครงสร้าง, กฎตรรกะ, reinforcement learning และชั้นตรวจสอบผลแบบกำหนดตายตัวเพื่อคุมความเสี่ยงด้านกฎระเบียบ ความเป็นส่วนตัว และความถูกต้องทางคลินิก

ช่วงท้ายบทความสรุปว่า ในทศวรรษหน้า ความสำเร็จของ AI ด้านสุขภาพจะถูกตัดสินด้วย “การบูรณาการ” มากกว่าพลังของโมเดลเพียงอย่างเดียว องค์กรที่สร้างมูลค่าได้สูงสุดคือองค์กรที่เชื่อมโมเดลเข้ากับข้อมูลที่กำกับดูแลอย่างดี เวิร์กโฟลว์จริง ความเชี่ยวชาญของคน และผลลัพธ์ที่วัดได้ โดยต้องทำให้ AI อยู่ในจุดที่การตัดสินใจสำคัญเกิดขึ้นจริง ทั้งเรื่องการเข้าถึงบริการ เอกสาร การเบิกจ่าย และประสบการณ์ของผู้ป่วย