🏥 Artificial Intelligence in Healthcare

แนวทางการประยุกต์ใช้ ข้อจำกัด และการคุ้มครองข้อมูลส่วนบุคคล

บรรยายวิชาการ · มิถุนายน 2569

🎯 วัตถุประสงค์ + นิยาม

หลังจบ session นี้ ผู้เข้าร่วมสามารถ:

  1. อธิบาย AI/Machine Learning ในบริบททางการแพทย์
  2. จำแนก AI ที่ใช้ในชีวิตประจำวัน vs. AI ในงานคลินิก
  3. ยกตัวอย่าง clinical applications ที่มีหลักฐานเชิงประจักษ์รองรับ
  4. ประยุกต์ AI ในงานบริหารและการดูแลผู้ป่วย
  5. ปฏิบัติตาม พ.ร.บ. คุ้มครองข้อมูลส่วนบุคคล (PDPA)

AI (Artificial Intelligence) = ระบบคอมพิวเตอร์ที่จำลองความสามารถทางปัญญาของมนุษย์ · 80% ของ medical AI ใช้ supervised learning

LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436-444.

📱 AI ในชีวิตประจำวัน (ก่อนเข้าโรงพยาบาล)

🏠 Consumer AI 🧠 ที่ใช้แล้วไม่รู้ตัว
🔍 Search engine (Google, Bing) 🗺️ Navigation (Maps, Grab)
📧 Email — spam filter 💳 Banking — fraud detection
📱 Social media — feed curation 🛒 Shopping — recommendation
🗣️ Voice assistant (Siri, Alexa) 📸 Photos — face recognition
🌐 Translation (Google Translate) 🎵 Music — Spotify Discover

💡 Insight: ทุกครั้งที่ "scroll Facebook" หรือ "ค้น Google" = คุณกำลังให้ข้อมูลกับ AI model อยู่ — นี่คือ social contract ที่ผู้ใช้ต้องเข้าใจ

🏥 AI ในงานคลินิก (4 หมวดหลัก)

หมวด Use case Mature?
🩻 Diagnostic imaging CXR, CT, MRI, mammography, pathology ✅ FDA-cleared
💊 Drug discovery Target ID, molecule generation 🟡 Emerging
📊 Clinical decision support Risk prediction, early warning, CDSS ✅ ใช้ใน รพ. ใหญ่
🤖 Operational AI Scheduling, NLP EHR, coding, billing ✅ ROI ชัดเจน
🧬 Precision medicine Genomics, pharmacogenomics 🟡 Specialized centers

📌 Mature = มี prospective validation + regulatory clearance + ใช้งานจริง

Topol EJ. High-performance medicine. Nat Med. 2019;25(1):44-56.

🩻 Diagnostic Imaging AI (หลักฐานเข้ม)

🔬 Peer-reviewed studies ที่สำคัญ

1. Diabetic Retinopathy — Google Health / IDx-DR

  • Sensitivity 96.8%, Specificity 87.0% · FDA-cleared 2018 (AI แรกที่ตัดสินใจเองได้)

2. Mammography — McKinney et al. (Nature 2020)

  • ลด false positive 5.7% / false negative 9.4% vs. radiologist · n = 28,953

3. Chest X-ray — CheXNet (Stanford 2017)

  • F1 score 0.435 vs. radiologist 0.387 (14-class pathology)

4. Sepsis early warning (Hospitals 2022)

  • ทำนาย sepsis 4–6 ชม. ก่อน onset · ลด mortality 18%
McKinney SM, et al. Nature 2020;577:89-94 · Abràmoff MD, et al. NPJ Digit Med 2018;1:39

⚠️ Frontier Models vs Clinical Reality (Nature Medicine 2026)

Fig. 1

Gu Y, Horvitz E, Topol E, et al. Nature Medicine, 26 มิ.ย. 2569 · doi:10.1038/s41591-026-04501-8

⚠️ GPT-5 เดาคำตอบ "Dermatomyositis" ถูก แม้ไม่มีภาพ + fabricate reasoning

"Strong performance in standard benchmarks belies underlying fragility" — Gu et al. 2026

⚠️ Take-Home: Benchmark ≠ Clinical Reasoning

🎯 "Strong performance belies underlying fragility"

  • 🚫 อย่าเชื่อ benchmark score — GPT-5/Gemini ผ่าน MedQA สูง แต่ perturb โจทย์ performance ร่วง
  • ✅ ต้องทำ adversarial stress test ก่อน deploy ในคลินิก
  • 👨‍⚕️ Audit reasoning trace โดยแพทย์ทุกครั้ง — ห้ามดูแค่ final answer
  • 📊 Benchmark เป็น starting point ไม่ใช่ evidence of readiness

💡 Clinical Implication

"ในงานคลินิกจริง เราไม่ได้ถาม GPT-5 ด้วย multiple choice — เราต้องการ multimodal reasoning ที่ทนต่อ input variation"

Gu Y, Horvitz E, Topol E, et al. Nat Med. 2026. doi:10.1038/s41591-026-04501-8

💡 CDSS & Drug Discovery

🧠 Clinical Decision Support

  • Risk prediction (HEART, CHA2DS2-VASc, Wells')
  • Deterioration early warning (MEWS, NEWS2 + AI)
  • Ambient AI scribe — ลด documentation time 50–70%

💊 Drug Discovery (Acceleration!)

ขั้นตอน Traditional AI-assisted Speedup
Target identification 2–3 ปี 6 เดือน 4–6x
Lead optimization 3–5 ปี 1–2 ปี 3x
Preclinical 1–2 ปี 6–12 เดือน 2x

📌 Insilico Medicine — drug candidate สำหรับ IPF ใน < 18 เดือน (vs. 4–5 ปี)

Pun FW, et al. Aging Dis. 2023. · Zhavoronkov A, et al. Nat Biotechnol. 2023.

🏨 Operational AI (Back-office & Workflow)

📝 Clinical NLP / Documentation — Ambient scribe ลด typing 70% · Auto ICD-10

📅 Scheduling & Capacity — OR optimization ลด idle time 15–25% · ED flow prediction

💰 Revenue Cycle — Claim scrubber · Prior authorization automation

🛡️ Quality & Safety — Real-time adverse event (falls, AKI) · Hand hygiene (CV)

⚠️ Operational AI มักไม่ใช่ medical device — แต่ถ้าใช้ข้อมูลผู้ป่วย ต้อง comply PDPA

⚖️ พ.ร.บ. คุ้มครองข้อมูลส่วนบุคคล (PDPA)

📜 มีผลบังคับใช้ 1 มิ.ย. 2565 · บทลงโทษสูงสุด 5 ล้านบาท หรือ 2% ของรายได้

🔑 หลักการ 7 ข้อ (สำหรับ healthcare AI)

  1. Consent — opt-in ก่อนเก็บ/ใช้/เปิดเผย (ยกเว้นฐาน กฎหมาย/สัญญา/ชีวิต)
  2. Purpose limitation — ใช้เท่าที่จำเป็นตามวัตถุประสงค์ที่แจ้ง
  3. Data minimization — เก็บเฉพาะฟิลด์ที่จำเป็น
  4. Accuracy — update ข้อมูลให้ถูกต้อง
  5. Storage limitation — retention period (ส่วนใหญ่ 10 ปี)
  6. Integrity & Confidentiality — encryption + access control
  7. Accountability — มี DPO, ทำ DPIA
พ.ร.บ. คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562. · MDMC PDPA Guideline 2565.

⚠️ ข้อควรระวัง 6 ข้อ เมื่อใช้ AI ในงานคลินิก

🛡️ Patient Safety + Legal + Ethics

  1. 🔒 ห้ามใส่ข้อมูลผู้ป่วยที่ระบุตัวตน เข้า public LLM โดยไม่ de-identify
  2. 🧪 Hallucination — LLM สร้างข้อมูลเทียม (fake citation, fake drug dose) — ต้อง verify ทุกครั้ง
  3. ⚖️ Liability — AI เป็นเครื่องมือ ไม่ใช่ผู้ประกอบวิชาชีพ — แพทย์ผู้สั่งใช้รับผิดชอบเสมอ
  4. 📊 Bias — model ฝึกด้วยข้อมูลฝั่งตะวันตก อาจ underperform ในคนไทย/เอเชีย
  5. 🗂️ Data residency — cloud ต่างประเทศ ต้องตรวจ data transfer
  6. 📝 Audit trail — log ทุก prompt + response (PDPA Art. 23)

💡 Golden rule: "AI ช่วยคิด แต่แพทย์ตัดสินใจ" — final decision ต้องอยู่ที่ professional judgment เสมอ

WHO. Ethics and governance of artificial intelligence for health. 2021.

✅ Take-Home Messages + Q&A

🎯 3 ข้อสำคัญ

  1. AI เป็น augment ไม่ใช่ replacement — แพทย์ยังเป็นผู้ตัดสินใจสุดท้าย
  2. Evidence-based adoption — เลือก tool ที่มี peer-reviewed validation + regulatory clearance
  3. PDPA-first workflow — de-identify ก่อน upload + มี consent + audit trail ทุกครั้ง

📚 แหล่งเรียนรู้: WHO Ethics AI (2021) · NEJM AI · Stanford AIMI · พ.ร.บ. PDPA

🙏 Q & A