5 วิธีในการใช้ Generative AI ในการดูแลสุขภาพ

PwC คาดการณ์ว่าค่าใช้จ่ายด้านการรักษาพยาบาลจะเพิ่มขึ้น 7% ในปี 2567 การเพิ่มขึ้นนี้มีสาเหตุหลักมาจากบุคลากรทางการแพทย์ที่ประสบปัญหาความเหนื่อยล้า การขาดแคลนแรงงานตามมา ข้อพิพาทระหว่างผู้จ่ายเงินและผู้ให้บริการ และอัตราเงินเฟ้อ เพื่อให้มั่นใจในการดูแลผู้ป่วยที่มีประสิทธิภาพโดยไม่ต้องเสียค่าใช้จ่ายในการดำเนินงานมากเกินไป อุตสาหกรรมกำลังสำรวจเทคโนโลยีที่เป็นนวัตกรรม เช่น เจเนอเรทีฟเอไอในการดูแลสุขภาพ

Accenture รายงานว่า 40% ของชั่วโมงทำงานของผู้ให้บริการด้านการดูแลสุขภาพสามารถปรับปรุงได้ด้วย AI ในขณะที่บทความ Forbes ล่าสุดชี้ให้เห็นว่าเทคโนโลยีนี้สามารถช่วยภาคส่วนการแพทย์ของสหรัฐอเมริกาได้อย่างน้อย 200 พันล้านดอลลาร์เป็นค่าใช้จ่ายต่อปี

Geneative AI ในการดูแลสุขภาพใช้อัลกอริธึมการเรียนรู้ของเครื่องเพื่อวิเคราะห์ข้อมูลที่ไม่มีโครงสร้าง เช่น บันทึกสุขภาพของผู้ป่วย รูปภาพทางการแพทย์ การบันทึกเสียงคำปรึกษา ฯลฯ และสร้างเนื้อหาใหม่ที่คล้ายคลึงกับที่ได้รับการฝึกอบรม

ในบทความนี้ บริษัทพัฒนา generative AI ของเราจะอธิบายว่าเทคโนโลยีนี้สามารถสนับสนุนองค์กรด้านการดูแลสุขภาพได้อย่างไร

กรณีการใช้งาน AI เชิงสร้างสรรค์ในการดูแลสุขภาพ

1. อำนวยความสะดวกในการฝึกอบรมและการจำลองทางการแพทย์
2. ช่วยในการวินิจฉัยทางคลินิก
3. มีส่วนช่วยในการพัฒนายา
4. งานธุรการอัตโนมัติ
5. การสร้างข้อมูลทางการแพทย์สังเคราะห์

อำนวยความสะดวกในการฝึกอบรมและการจำลองทางการแพทย์

AI เจนเนอเรชั่นในการดูแลสุขภาพสามารถสร้างแบบจำลองที่สมจริงโดยจำลองสภาวะสุขภาพที่หลากหลาย ช่วยให้นักศึกษาแพทย์และผู้เชี่ยวชาญสามารถฝึกฝนในสภาพแวดล้อมที่มีการควบคุมและปราศจากความเสี่ยง AI สามารถสร้างแบบจำลองผู้ป่วยที่มีโรคต่างๆ หรือช่วยจำลองการผ่าตัดหรือหัตถการทางการแพทย์อื่นๆ

การฝึกอบรมแบบดั้งเดิมเกี่ยวข้องกับสถานการณ์ที่ตั้งโปรแกรมไว้ล่วงหน้าซึ่งมีข้อจำกัด ในทางกลับกัน AI สามารถสร้างกรณีผู้ป่วยได้อย่างรวดเร็วและปรับตัวแบบเรียลไทม์เพื่อตอบสนองต่อการตัดสินใจของผู้เข้ารับการฝึกอบรม สิ่งนี้จะสร้างประสบการณ์การเรียนรู้ที่ท้าทายและสมจริงยิ่งขึ้น

ตัวอย่างชีวิตจริง

มหาวิทยาลัยมิชิแกนได้สร้าง AI เชิงกำเนิดในโมเดลการดูแลสุขภาพที่สามารถสร้างสถานการณ์ต่างๆ สำหรับจำลองการรักษาภาวะติดเชื้อในกระแสเลือด

มหาวิทยาลัยเพนซิลวาเนียใช้โมเดล AI เชิงสร้างสรรค์เพื่อจำลองการแพร่กระจายของโควิด-19 และทดสอบการแทรกแซงต่างๆ สิ่งนี้ช่วยให้นักวิจัยประเมินผลกระทบที่อาจเกิดขึ้นจากการเว้นระยะห่างทางสังคมและการฉีดวัคซีนต่อไวรัส

ช่วยในการวินิจฉัยทางคลินิก

นี่คือวิธีที่ AI กำเนิดสำหรับการดูแลสุขภาพสามารถมีส่วนร่วมในการวินิจฉัย:

• การสร้างภาพลักษณ์ทางการแพทย์คุณภาพสูง โรงพยาบาลสามารถใช้เครื่องมือ generative AI เพื่อเพิ่มความสามารถในการวินิจฉัยของ AI แบบดั้งเดิมได้ เทคโนโลยีนี้สามารถแปลงการสแกนคุณภาพต่ำให้เป็นภาพทางการแพทย์ที่มีความละเอียดสูงพร้อมรายละเอียดที่ยอดเยี่ยม ใช้อัลกอริธึม AI การตรวจจับความผิดปกติ และนำเสนอผลลัพธ์แก่นักรังสีวิทยา
• การวินิจฉัยโรค นักวิจัยสามารถฝึกโมเดล AI เชิงสร้างสรรค์บนภาพทางการแพทย์ การทดสอบในห้องปฏิบัติการ และข้อมูลผู้ป่วยอื่นๆ เพื่อตรวจจับและวินิจฉัยภาวะสุขภาพต่างๆ ที่เริ่มมีอาการตั้งแต่เนิ่นๆ อัลกอริธึมเหล่านี้สามารถตรวจจับมะเร็งผิวหนัง มะเร็งปอด กระดูกหักที่ซ่อนอยู่ สัญญาณเริ่มต้นของโรคอัลไซเมอร์ ภาวะเบาหวานขึ้นจอประสาทตา และอื่นๆ นอกจากนี้ แบบจำลอง AI ยังสามารถเปิดเผยตัวบ่งชี้ทางชีวภาพที่สามารถทำให้เกิดความผิดปกติบางอย่างและคาดการณ์การลุกลามของโรคได้
• ตอบคำถามทางการแพทย์ . นักวินิจฉัยสามารถหันมาใช้ AI เชิงสร้างสรรค์ในการดูแลสุขภาพได้ หากพวกเขามีคำถาม แทนที่จะมองหาคำตอบในหนังสือทางการแพทย์ อัลกอริธึม AI สามารถประมวลผลข้อมูลจำนวนมากและสร้างคำตอบได้อย่างรวดเร็ว ช่วยประหยัดเวลาอันมีค่าของแพทย์

ตัวอย่างในชีวิตจริง

ทีมนักวิจัยได้ทดลองใช้โมเดล Generative Adversarial Network (GAN) เพื่อแยกและปรับปรุงคุณลักษณะต่างๆ ในการสแกนทางการแพทย์คุณภาพต่ำ โดยเปลี่ยนให้เป็นภาพที่มีความละเอียดสูง วิธีการนี้ได้รับการทดสอบกับการสแกนด้วยเครื่อง MRI ของสมอง การส่องกล้องผิวหนัง การส่องกล้องจอประสาทตา และภาพอัลตราซาวนด์หัวใจ ซึ่งแสดงอัตราความแม่นยำที่เหนือกว่าในการตรวจจับความผิดปกติหลังการปรับปรุงภาพ

ในอีกตัวอย่างหนึ่ง Med-Palm 2 ที่ขับเคลื่อนโดย AI ของ Google ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูล MedQA และมีอัตราความแม่นยำ 85% ในขณะที่ตอบคำถามทางการแพทย์ที่เกี่ยวข้อง Google ยอมรับว่าอัลกอริทึมยังคงต้องการการปรับปรุง แต่เป็นจุดเริ่มต้นที่ดีสำหรับ AI ทั่วไปในฐานะผู้ช่วยในการวินิจฉัย

มีส่วนสนับสนุนการพัฒนายา

จากข้อมูลของสำนักงานงบประมาณรัฐสภา กระบวนการพัฒนายาใหม่มีค่าใช้จ่ายโดยเฉลี่ย 1 พันล้านดอลลาร์ถึง 2 พันล้านดอลลาร์ ซึ่งรวมถึงยาที่ล้มเหลวด้วย โชคดีที่มีหลักฐานว่า AI มีศักยภาพในการลดเวลาที่จำเป็นในการออกแบบและคัดกรองยาใหม่ได้เกือบครึ่งหนึ่ง ซึ่งช่วยประหยัดค่าใช้จ่ายประจำปีในกระบวนการนี้ให้กับอุตสาหกรรมยาได้ประมาณ 26 พันล้านดอลลาร์ นอกจากนี้ เทคโนโลยีนี้สามารถลดต้นทุนที่เกี่ยวข้องกับการทดลองทางคลินิกได้ 28 พันล้านดอลลาร์ต่อปี

บริษัทยาสามารถนำ AI เชิงสร้างสรรค์มาใช้ในการดูแลสุขภาพเพื่อเร่งการค้นพบยาโดย:

• การออกแบบและสร้างโมเลกุลใหม่ที่มีคุณสมบัติที่ต้องการซึ่งนักวิจัยสามารถประเมินได้ในภายหลังในห้องปฏิบัติการ
• การทำนายคุณสมบัติของตัวยาและโปรตีนชนิดใหม่
• การสร้างสารประกอบเสมือนที่มีความสัมพันธ์ผูกพันกับเป้าหมายสูง ซึ่งสามารถทดสอบในการจำลองด้วยคอมพิวเตอร์เพื่อลดต้นทุน
• การพยากรณ์ผลข้างเคียงของยาชนิดใหม่โดยการวิเคราะห์โครงสร้างโมเลกุล

คุณสามารถดูข้อมูลเพิ่มเติมเกี่ยวกับบทบาทของ AI ในการค้นคว้ายา และวิธีที่ AI สนับสนุนการทดลองทางคลินิกได้ในบล็อกของเรา

ตัวอย่างในชีวิตจริง

การเพิ่มขึ้นของความร่วมมือเชิงกลยุทธ์ระหว่างบริษัทเทคโนโลยีชีวภาพและสตาร์ทอัพด้าน AI ถือเป็นสัญญาณเริ่มต้นของ generative AI ที่เข้ามาแทนที่อุตสาหกรรมยา

เมื่อไม่นานมานี้ Recursion Pharmaceuticals ได้เข้าซื้อกิจการสตาร์ทอัพ AI ของแคนาดา 2 แห่งด้วยมูลค่า 88 ล้านดอลลาร์ หนึ่งในนั้นคือ Valence มีชื่อเสียงในด้านความสามารถในการสร้าง AI และจะทำงานเพื่อออกแบบตัวเลือกยาโดยอิงจากชุดข้อมูลขนาดเล็กและมีเสียงรบกวน ซึ่งไม่เพียงพอสำหรับวิธีการค้นพบยาแบบดั้งเดิม

อีกตัวอย่างที่น่าสนใจมาจากมหาวิทยาลัยโตรอนโต ทีมวิจัยได้สร้างระบบ AI เชิงสร้างสรรค์ชื่อ ProteinSGM ซึ่งสามารถสร้างโปรตีนที่เหมือนจริงแบบใหม่ได้ หลังจากศึกษาการแสดงภาพโครงสร้างโปรตีนที่มีอยู่แล้ว เครื่องมือนี้สามารถผลิตโปรตีนได้ในอัตราที่สูง จากนั้นจึงนำแบบจำลอง AI อีกแบบหนึ่งที่เรียกว่า OmegaFold มาใช้เพื่อประเมินศักยภาพของโปรตีนที่เกิดขึ้น นักวิจัยรายงานว่าลำดับที่สร้างขึ้นใหม่ส่วนใหญ่จะพับเป็นโครงสร้างโปรตีนจริง

งานธุรการอัตโนมัติ

นี่เป็นหนึ่งในกรณีการใช้งาน AI เจนเนอเรชั่นที่โดดเด่นที่สุดในการดูแลสุขภาพ ผลการศึกษาพบว่าอัตราความเหนื่อยหน่ายของแพทย์ในสหรัฐอเมริกาสูงถึง 62% แพทย์ที่ทุกข์ทรมานจากภาวะนี้มีแนวโน้มที่จะมีส่วนร่วมในเหตุการณ์ที่เป็นอันตรายต่อผู้ป่วยและมีแนวโน้มที่จะใช้แอลกอฮอล์ในทางที่ผิดและคิดฆ่าตัวตายมากกว่า

โชคดีที่ generative AI ในการดูแลสุขภาพสามารถแบ่งเบาภาระของแพทย์ได้บางส่วนด้วยการปรับปรุงงานธุรการ สามารถลดต้นทุนที่เกี่ยวข้องกับการบริหารไปพร้อมๆ กัน ซึ่งตามรายงานของ HealthAffairs คิดเป็น 15%-30% ของค่าใช้จ่ายด้านการรักษาพยาบาลโดยรวม นี่คือสิ่งที่ AI สร้างสรรค์สามารถทำได้:

• ดึงข้อมูลจากเวชระเบียนของผู้ป่วยและเติมข้อมูลทะเบียนสุขภาพที่เกี่ยวข้อง Microsoft กำลังวางแผนที่จะรวม generative AI เข้ากับ EHR ของ Epic เครื่องมือนี้จะทำหน้าที่ดูแลระบบต่างๆ เช่น การตอบกลับข้อความของผู้ป่วย
• ถอดความและสรุปคำปรึกษาของผู้ป่วย กรอกข้อมูลนี้ลงในสาขา EHR ที่เกี่ยวข้อง และจัดทำเอกสารทางคลินิก Nuance ของ Microsoft ผสานรวมเทคโนโลยี AI แบบกำเนิด GPT-4 เข้ากับซอฟต์แวร์การถอดรหัสทางคลินิก แพทย์สามารถทดสอบเวอร์ชันเบต้าได้แล้ว
• สร้างรายงานสุขภาพที่มีโครงสร้างโดยการวิเคราะห์ข้อมูลผู้ป่วย เช่น ประวัติทางการแพทย์ ผลการตรวจทางห้องปฏิบัติการ การสแกน ฯลฯ
• ให้คำแนะนำการรักษา
• ตอบคำถามของแพทย์
• ค้นหาช่วงเวลาที่เหมาะสมที่สุดสำหรับการนัดหมายตามความต้องการของผู้ป่วยและความพร้อมของแพทย์
• สร้างการแจ้งเตือนการนัดหมายส่วนบุคคลและอีเมลติดตามผล
• ตรวจสอบการเคลมค่าประกันสุขภาพและคาดการณ์ว่ารายการใดมีแนวโน้มที่จะถูกปฏิเสธ
• เขียนแบบสำรวจเพื่อรวบรวมความคิดเห็นของผู้ป่วยเกี่ยวกับขั้นตอนและการนัดตรวจต่างๆ วิเคราะห์ และสร้างข้อมูลเชิงลึกที่สามารถนำไปปฏิบัติได้เพื่อปรับปรุงการส่งมอบการดูแล

ตัวอย่างชีวิตจริง

Navina ซึ่งเป็นสตาร์ทอัพ AI ทางการแพทย์ ได้สร้างผู้ช่วย AI เจนเนอเรชั่นที่ช่วยให้แพทย์จัดการหน้าที่การบริหารได้อย่างมีประสิทธิภาพมากขึ้น เครื่องมือนี้สามารถเข้าถึงข้อมูลผู้ป่วย รวมถึง EHR การเคลมประกัน และเอกสารที่สแกน ให้ข้อมูลอัปเดตสถานะ แนะนำตัวเลือกการดูแล และตอบคำถามของแพทย์ มันสามารถสร้างเอกสารที่มีโครงสร้างได้ เช่น จดหมายอ้างอิงและบันทึกความคืบหน้า

Navina ได้รับเงินทุนสนับสนุนแล้ว 44 ล้านดอลลาร์ ซึ่งบ่งชี้ถึงความสนใจอย่างมากจากวงการแพทย์

การสร้างข้อมูลทางการแพทย์สังเคราะห์

การวิจัยทางการแพทย์อาศัยการเข้าถึงข้อมูลจำนวนมหาศาลเกี่ยวกับสภาวะสุขภาพที่แตกต่างกัน ข้อมูลนี้ขาดไปอย่างมาก โดยเฉพาะอย่างยิ่งเมื่อพูดถึงโรคหายาก นอกจากนี้ ข้อมูลดังกล่าวยังมีราคาแพงในการเก็บรวบรวม และการใช้งานและการแบ่งปันข้อมูลนั้นอยู่ภายใต้กฎหมายความเป็นส่วนตัว

Generative AI ในทางการแพทย์สามารถสร้างตัวอย่างข้อมูลสังเคราะห์ที่สามารถเพิ่มชุดข้อมูลสุขภาพในชีวิตจริงได้ และไม่อยู่ภายใต้กฎระเบียบด้านความเป็นส่วนตัว เนื่องจากข้อมูลด้านการดูแลสุขภาพไม่ได้เป็นของบุคคลใดบุคคลหนึ่ง ปัญญาประดิษฐ์สามารถสร้างข้อมูล EHR การสแกน ฯลฯ

ตัวอย่างในชีวิตจริง

ทีมนักวิจัยชาวเยอรมันได้สร้าง GANerAid ซึ่งเป็นโมเดลที่ขับเคลื่อนด้วย AI เพื่อสร้างข้อมูลผู้ป่วยสังเคราะห์สำหรับการทดลองทางคลินิก แบบจำลองนี้ใช้แนวทาง GAN และสามารถสร้างข้อมูลทางการแพทย์ที่มีคุณสมบัติที่ต้องการได้ แม้ว่าชุดข้อมูลการฝึกอบรมเดิมจะมีขนาดจำกัดก็ตาม

ทีมนักวิทยาศาสตร์อีกทีมทดลองกับ AI กำเนิดเพื่อสังเคราะห์บันทึกสุขภาพอิเล็กทรอนิกส์ นักวิจัยได้รับแรงบันดาลใจจากกฎระเบียบความเป็นส่วนตัวของข้อมูลที่เข้มงวด และไม่สามารถแบ่งปันข้อมูลผู้ป่วยระหว่างโรงพยาบาลได้อย่างมีประสิทธิภาพ พวกเขาสร้างแบบจำลอง EHR-M-GAN ที่สามารถดึงข้อมูล EHR ชนิดผสมที่ต่างกัน (ซึ่งหมายความว่ามีทั้งค่าต่อเนื่องและค่าแยก) ซึ่งแสดงถึงวิถีของผู้ป่วยตามความเป็นจริง

ข้อพิจารณาทางจริยธรรมและความท้าทายของ Generative AI ในการดูแลสุขภาพ

แม้ว่ายักษ์ใหญ่ด้านเทคโนโลยีและที่ปรึกษาจะยังคงลงทุนใน AI ต่อไป แต่เรายังสามารถเห็นได้ว่าผู้เชี่ยวชาญด้าน AI ที่โดดเด่น รวมถึง Elon Musk ซีอีโอของ Tesla และ Sam Altman ซีอีโอของ OpenAI เตือนถึงความเสี่ยงที่เกี่ยวข้องกับเทคโนโลยีอย่างไร แล้ว generative AI นำมาซึ่งความท้าทายอะไรบ้างในการดูแลสุขภาพ?

• อคติ ประสิทธิภาพของโมเดล AI นั้นดีพอๆ กับชุดข้อมูลที่ได้รับการฝึกฝน หากข้อมูลไม่ได้เป็นตัวแทนของประชากรเป้าหมายอย่างยุติธรรม ก็จะเหลือพื้นที่ว่างสำหรับการมีอคติต่อกลุ่มที่มีการนำเสนอน้อยกว่า เนื่องจากเครื่องมือ AI เชิงสร้างสรรค์ที่ได้รับการฝึกอบรมเกี่ยวกับข้อมูลบันทึกผู้ป่วยจำนวนมหาศาล เครื่องมือเหล่านี้จะสืบทอดอคติใดๆ ที่มีอยู่ และมันจะเป็นความท้าทายในการตรวจจับ ไม่ต้องพูดถึงการกำจัดมันให้หมดไป
• ขาดกฎระเบียบ . แม้ว่า AI จะนำเสนอข้อกังวลด้านจริยธรรมอย่างมาก แต่ก็ยังไม่มีกฎระเบียบอย่างเป็นทางการที่จะควบคุมการใช้เทคโนโลยีนี้ สหรัฐอเมริกาและสหภาพยุโรปกำลังทำงานเพื่อกำหนดนโยบายที่เกี่ยวข้องอย่างเป็นทางการ แต่สิ่งนี้จะไม่เกิดขึ้นในอนาคตอันใกล้นี้
• ข้อกังวลเรื่องความแม่นยำ AI ทำผิดพลาดได้ และในด้านการดูแลสุขภาพ ความผิดพลาดดังกล่าวมีราคาค่อนข้างสูง ตัวอย่างเช่น โมเดลภาษาขนาดใหญ่ (LLM) อาจทำให้เห็นภาพหลอนได้ หมายความว่าพวกเขาสามารถให้ผลลัพธ์ที่เป็นไปได้ทางวากยสัมพันธ์ซึ่งไม่ถูกต้องตามความเป็นจริง องค์กรด้านการดูแลสุขภาพจะต้องตัดสินใจว่าเมื่อใดควรยอมรับข้อผิดพลาด และเมื่อใดจึงต้องใช้โมเดล AI เพื่ออธิบายข้อสรุป ตัวอย่างเช่น หากใช้ generative AI เพื่อช่วยในการวินิจฉัยโรคมะเร็ง แพทย์ก็ไม่น่าจะนำเครื่องมือดังกล่าวมาใช้หากไม่สามารถให้เหตุผลตามคำแนะนำได้
• ความรับผิดชอบ ใครเป็นผู้รับผิดชอบต่อผลลัพธ์ด้านสุขภาพขั้นสุดท้าย? ไม่ว่าจะเป็นแพทย์ ผู้จำหน่าย AI นักพัฒนา AI หรือบุคคลอื่นหรือไม่? การขาดความรับผิดชอบอาจส่งผลเสียต่อแรงจูงใจและประสิทธิภาพการทำงาน

พร้อมที่จะยกระดับการปฏิบัติด้านการดูแลสุขภาพของคุณด้วย Generative AI แล้วหรือยัง?

อัลกอริธึม AI ทั่วไปกำลังมีประสิทธิภาพมากขึ้น Robert Pearl ศาสตราจารย์คลินิกที่คณะแพทยศาสตร์มหาวิทยาลัยสแตนฟอร์ดกล่าวว่า:

“ChatGPT มีอำนาจเพิ่มขึ้นสองเท่าทุกๆ หกเดือนถึงหนึ่งปี ภายในห้าปี มันจะมีพลังมากกว่าปัจจุบันถึง 30 เท่า ภายใน 10 ปี จะมีพลังมากขึ้น 1,000 เท่า สิ่งที่มีอยู่ทุกวันนี้ก็เหมือนของเล่น ในเครื่องมือยุคหน้า คาดว่าจะมีพารามิเตอร์หลายล้านล้านพารามิเตอร์ ซึ่งเป็นจำนวนโดยประมาณของการเชื่อมต่อในสมองของมนุษย์อย่างน่าสนใจ”

AI อาจเป็นพันธมิตรที่ทรงพลัง แต่หากใช้ในทางที่ผิด ก็สามารถสร้างความเสียหายได้อย่างมาก องค์กรด้านการดูแลสุขภาพจำเป็นต้องใช้เทคโนโลยีนี้ด้วยความระมัดระวัง หากคุณกำลังพิจารณาปรับใช้โซลูชันที่ใช้ AI สำหรับการดูแลสุขภาพ ต่อไปนี้เป็นเคล็ดลับสามประการในการเริ่มต้น:

• เตรียมข้อมูลของคุณ แม้ว่าคุณจะตัดสินใจเลือกใช้โมเดล AI สำเร็จรูปที่ผ่านการฝึกอบรมมาแล้ว คุณยังอาจต้องฝึกโมเดลนี้ใหม่บนชุดข้อมูลที่เป็นกรรมสิทธิ์ของคุณ ซึ่งต้องมีคุณภาพสูงและเป็นตัวแทนของประชากรเป้าหมาย เก็บข้อมูลทางการแพทย์ให้ปลอดภัยตลอดเวลาและปกป้องความเป็นส่วนตัวของผู้ป่วย การเปิดเผยชุดข้อมูลใดที่อัลกอริธึมได้รับการฝึกฝนจะเป็นประโยชน์ เนื่องจากช่วยให้เข้าใจว่าจุดใดจะทำงานได้ดีและจุดใดที่อาจล้มเหลว
• ควบคุมโมเดล AI ของคุณ ปลูกฝังแนวคิด AI ที่มีความรับผิดชอบในองค์กรของคุณ ตรวจสอบให้แน่ใจว่าผู้คนรู้ว่าจะใช้เครื่องมือเมื่อใดและอย่างไร และใครเป็นผู้รับผิดชอบต่อผลลัพธ์สุดท้าย ทดสอบโมเดล AI เจนเนอเรชั่นในกรณีการใช้งานที่มีผลกระทบจำกัด ก่อนที่จะปรับขนาดเป็นแอปพลิเคชันที่มีความละเอียดอ่อนมากขึ้น ตามที่กล่าวไว้ข้างต้น generative AI สามารถทำผิดพลาดได้ ตัดสินใจว่าอัตราความล้มเหลวเพียงเล็กน้อยจะยอมรับได้และจุดใดที่คุณไม่สามารถจ่ายได้ ตัวอย่างเช่น ความแม่นยำ 98% อาจเพียงพอแล้วในการใช้งานด้านการดูแลระบบ แต่ไม่เป็นที่ยอมรับในการวินิจฉัยและการพบปะกับผู้ป่วย กำหนดกรอบการทำงานที่จะควบคุมการใช้ generative AI ในการดูแลสุขภาพที่โรงพยาบาลของคุณ
• ช่วยให้พนักงานของคุณยอมรับเทคโนโลยีและใช้งาน AI ยังคงต้องการคำแนะนำจากมนุษย์ โดยเฉพาะอย่างยิ่งในภาคการดูแลสุขภาพที่มีการควบคุมอย่างเข้มงวด Human-in-the-loop ยังคงเป็นองค์ประกอบสำคัญสำหรับเทคโนโลยีที่จะประสบความสำเร็จ เจ้าหน้าที่ทางการแพทย์และฝ่ายธุรการจะได้รับการคาดหวังให้ดูแลโมเดล AI ดังนั้นโรงพยาบาลจึงต้องมุ่งเน้นที่การฝึกอบรมบุคลากรสำหรับงานนี้ ในทางกลับกัน พนักงานควรจะสามารถปรับเปลี่ยนกิจวัตรประจำวันของตนใหม่ได้ โดยมี AI เข้ามาเป็นส่วนหนึ่ง เพื่อใช้เวลาที่เหลือเพื่อสร้างมูลค่า

ต้องการได้รับประโยชน์จาก generative AI แต่ไม่แน่ใจว่าจะต้องดำเนินการอย่างไร ส่งข้อความถึงเรา! เราจะช่วยคุณจัดเตรียมข้อมูล ใช้เครื่องมือ และรวมเข้ากับการดำเนินงานของคุณ

เผยแพร่ครั้งแรกที่ https://itrexgroup.com เมื่อวันที่ 6 กันยายน 2023