AI มีความฉลาดกว่าแพทย์ของคุณแล้ว นั่นไม่ใช่ส่วนที่น่ากลัว

ฉันต้องการให้ AI แก้ไขปัญหานี้

หลายปีที่ผ่านมา ฉันได้รวบรวมประวัติผู้ป่วยที่ซับซ้อน, ผลการตรวจในห้องปฏิบัติการ, อาการ, ยา, อาหารเสริมและประวัติการรักษาหลายปีและพยายามแปลงทั้งหมดเป็นแผนการคลินิกที่สอดคล้องกัน กรณีที่ซับซ้อนอาจใช้เวลาวิจัยสามชั่วโมงก่อนที่ฉันจะรู้สึกสบายใจในการตัดสินใจว่าปัจจัยใดสำคัญและควรทำอะไรต่อไป

จากนั้น AI เชิงสร้างสรรค์ก็เข้ามา

ความคิดแรกของฉันคือสิ่งที่ชัดเจน: สุดท้าย

นี่คือเทคโนโลยีที่สามารถดูดซับข้อมูลมหาศาล, จำความรู้ทางการแพทย์ได้เร็วกว่าที่ฉันเคยทำและค้นหาความสัมพันธ์ในกรณีต่าง ๆ ภายในไม่กี่วินาที ฉันคาดว่าเราสามารถสร้างอินเทอร์เฟซรอบโมเดลภาษาใหญ่, สร้างการป้องกันเล็กน้อยและเสร็จสิ้นได้

นั่นคงจะยอดเยี่ยม

แต่แทนที่จะเป็นเช่นนั้น หลังจากประมาณหนึ่งปีและ 1 ล้านดอลลาร์, โดยมีวิศวกรซอฟต์แวร์ทำงานร่วมกับทีมคลินิก 10 คน, เรายังคงอยู่ในขั้นตอนการสร้าง

สาเหตุไม่ได้มาจาก AI ไม่ฉลาดพอ

แต่ความฉลาดเป็นเรื่องง่าย

ฉันได้รับ AI ที่แตกต่างจากคนอื่น

สัญญาณแรกของฉันมาถึงก่อนที่เราจะลองสร้างซอฟต์แวร์คลินิก ฉันสังเกตว่าฉันสามารถใช้เครื่องมือ AI เดียวกันกับคนที่นั่งข้างๆ และได้ผลลัพธ์ที่ดีกว่ามาก

ทำไม? เพราะฉันไม่ได้แค่ถามคำถามแล้วรับคำตอบ ฉันโต้เถียงกับมัน ท้าทายสมมติฐาน ให้ข้อมูลที่มันพลาด แก้ไขข้อผิดพลาด เปลี่ยนกรอบการคิด แล้วผลักดันต่อ

โดยเทคนิคเราใช้เครื่องมือเดียวกัน แต่ในเชิงการทำงานเราไม่ได้

นั่นเป็นปัญหาผลผลิตที่น่าสนใจเมื่อคุณกำลังเขียนโฆษณา แต่เมื่อหัวข้อเป็นผู้ป่วย ปัญหานั้นกลายเป็นเรื่องที่แตกต่างอย่างมาก

ฉันเคยทำงานกับผู้ปฏิบัติงานกว่า 70,000 คน คนหนึ่งอาจฉลาดด้านคลินิกแต่ยังแย่มากในการดึงข้อมูลที่เป็นประโยชน์จากระบบ AI

ทักษะเหล่านั้นแตกต่างกัน

แต่ดูเหมือนคำตอบของการดูแลสุขภาพส่วนใหญ่คือให้ผู้คลินิกเรียนรู้ “การออกแบบพรอมต์”

ฉันไม่คิดว่านั่นเป็นวิธีแก้ที่จริงจัง

หากระบบ AI ทางคลินิกต้องการให้แพทย์กลายเป็นผู้เชี่ยวชาญการออกแบบพรอมต์ขั้นสูงก่อนที่ระบบจะเชื่อถือได้ เราก็ยังไม่ได้สร้าง AI ทางคลินิกให้เสร็จ

งานวิจัยกำลังบอกเราถึงสิ่งที่ทำให้ไม่สบายใจ

การทดลองแบบสุ่มในปี 2024 การทดลองทางคลินิก ให้กรณีการวินิจฉัยที่ยากแก่แพทย์ 50 คน แพทย์ที่ใช้ GPT-4 ได้คะแนน 76 เปอร์เซ็นต์; ผู้ที่ใช้แหล่งข้อมูลแบบดั้งเดิมได้คะแนน 74 เปอร์เซ็นต์, ความแตกต่างนี้ไม่สำคัญทางสถิติ

จากนั้นนักวิจัยทดสอบ GPT-4 เพียงอย่างเดียว พบว่ามันชนะแพทย์ที่ใช้แหล่งข้อมูลแบบดั้งเดิมถึง 16 จุดเปอร์เซ็นต์

การทดลองในปี 2026 การทดลอง ที่ปากีสถานพบว่า หลังจากการฝึกอบรมความรู้ด้าน AI แพทย์ที่เข้าถึง GPT-4o ได้คะแนน 71.4 เปอร์เซ็นต์ในการให้เหตุผลการวินิจฉัย เทียบกับ 42.6 เปอร์เซ็นต์สำหรับผู้ที่ใช้แหล่งข้อมูลแบบดั้งเดิม แต่ GPT-4o เพียงอย่างเดียวได้คะแนน 82.9 เปอร์เซ็นต์

การศึกษาในสหราชอาณาจักรปี 2026 การทำซ้ำ พบช่องว่างที่คล้ายกัน: แพทย์ที่ได้รับการช่วยเหลือจาก AI มีการปรับปรุง แต่คะแนนยังต่ำกว่าระบบ LLM ที่ทำงานด้วยตนเองมากกว่า 21 จุดเปอร์เซ็นต์

เราต้องพูดส่วนที่ทำให้ไม่สบายใจออกมาชัดเจน: ในบางงานด้านการรับรู้ AI มีประสิทธิภาพดีกว่าแพทย์คนเดียวแล้ว

ไม่มีแพทย์คนใดได้อ่านบทความทางการแพทย์ทั้งหมดหรือจำโรคที่หายาก, ปฏิกิริยา หรือข้อห้ามทุกอย่างได้ทันทีที่มันเกี่ยวข้อง AI สามารถประมวลผลข้อมูลมหาศาลโดยไม่เหนื่อยหรือหมดเวลา

ความผิดพลาดคือการสมมติว่าเราสามารถวางแชทบอทต่อหน้าผู้คลินิกและถือว่าปัญหาแก้ไขแล้ว

กล่องพรอมต์ว่างเปล่าเป็นปัญหา

ลองนึกภาพว่าแพทย์อัปโหลดรายงานห้องปฏิบัติการที่มีตัวชี้วัด 150 รายการและขอให้ LLM วิเคราะห์

คำตอบกลับมาจัดเรียงอย่างสวยงาม มีเพียงปัญหาเดียว: ระบบไม่สามารถสกัดตัวชี้วัดทั้ง 150 รายการได้อย่างเชื่อถือได้

LLM ที่ออกแบบเพื่อใช้งานทั่วไปไม่ใช่ตัวแยกเอกสารคลินิกที่กำหนดผลลัพธ์ได้อย่างแน่นอน ตารางและรายงานการแพทย์ที่หนาแน่นยังคงเป็นเรื่องยากเป็นพิเศษ ส่วนที่น่ากลัวคือคำตอบสุดท้ายอาจไม่บอกว่า “ฉันพลาดค่า 50 ค่า”

มันอาจเพียงแค่ตอบ

ตอนนี้ลองนึกภาพว่าค่าที่หายไปหนึ่งค่าต้องการการประเมินทางการแพทย์เร่งด่วน

นั่นไม่ใช่ข้อจำกัดที่ฉันยอมรับได้ เราต้องสร้างเทคโนโลยีการสกัดข้อมูลที่แตกต่างเพื่อจัดการรายงานห้องปฏิบัติการอย่างแม่นยำและทำซ้ำได้ก่อนที่ส่วนการให้เหตุผลทางคลินิกของระบบของเราจะเริ่มทำงาน

ประสบการณ์นั้นทำให้ฉันเปลี่ยนวิธีคิดเกี่ยวกับความปลอดภัยของ AI

ระบบ AI ที่บอกคุณว่ามันไม่รู้บางอย่างนั้นไม่สะดวก

ระบบ AI ที่ไม่รู้ว่ามันพลาดอะไรไปนั้นอันตราย

ทำไมเราต้องสร้างสิ่งที่เหนือกว่า AI

งานคลินิกต้องการสิ่งที่ AI สร้างสรรค์ทั่วไปไม่สามารถให้ได้โดยธรรมชาติ: ความสามารถในการทำซ้ำได้

เราต้องการการควบคุมว่าข้อมูลอะไรเข้าและอะไรออก: การสกัดข้อมูลที่เชื่อถือได้ ความรู้ที่เป็นโครงสร้าง ตรรกะเชิงกำหนด การป้องกันและระบบที่สามารถประเมินความสัมพันธ์ตลอดประวัติของผู้ป่วย

การให้เหตุผลทางคลินิกไม่ใช่แค่การรวบรวมคำสั่งถ้า-แล้วเท่านั้น บางครั้งสัญญาณคือความสัมพันธ์ระหว่างตัวบ่งชี้หลายตัว บางครั้งห้าข้อค้นพบที่ดูไม่มีนัยสำคัญแต่ละอย่างกลายเป็นสำคัญเมื่อมองร่วมกัน

วิศวกรต้องการกฎที่ชัดเจนพอให้ซอฟต์แวร์ดำเนินการได้ นักคลินิกใช้ชีวิตพูดว่า “ใช่ แต่ยกเว้น…”

ชีววิทยามนุษย์เต็มไปด้วยข้อยกเว้น ตัวปรับเปลี่ยน บริบท และคำอธิบายที่แข่งขันกัน บางครั้งการสร้างระบบรู้สึกเหมือนกลุ่มหนึ่งสื่อสารด้วยภาษามือขณะที่อีกกลุ่มพูดภาษาคลิงกอน

คำตอบไม่เคยเป็น “AI” หรือ “ไม่ใช่ AI” แต่คือการหาว่าแต่ละอย่างควรอยู่ที่ไหนอย่างแม่นยำ

AI สามารถอ่านแผนภูมิได้ มนุษย์สามารถอ่านบรรยากาศได้

เมื่อใช้ถูกต้อง AI สามารถขยายความจำของนักคลินิก เร่งการวิจัย เปิดเผยความเป็นไปได้ที่ไม่ธรรมดา และจดจำรูปแบบจากข้อมูลมหาศาล

นั่นดูเหมือนไม่ใช่การทดแทนผู้ปฏิบัติงาน แต่เป็นการสร้างผู้ปฏิบัติงานแบบไบโอนิก

แต่ผู้ป่วยไม่ใช่กรณีตัวอย่างทางคลินิก

ผู้ปฏิบัติงานได้ยินความลังเลก่อนคำตอบ เธอสังเกตเมื่อเรื่องราวเปลี่ยนแปลง เธอเรียนรู้ว่าผู้ป่วยคนหนึ่งมักลดความสำคัญของอาการในขณะที่อีกคนรายงานทุกความรู้สึกด้วยความเข้มข้นสูงสุด เธอรู้ว่าเมื่อ “ฉันสบายดี” อย่างชัดเจนไม่ได้หมายความว่าสบายดี

ข้อมูลนั้นอาจไม่มีอยู่ในแผนภูมิเลย

การโต้ตอบของมนุษย์ในวงการแพทย์ไม่ใช่เพียงชั้นที่น่าพอใจที่เราเพิ่มหลังจากเครื่องทำงานเชิงปัญญาเสร็จแล้ว แต่มันเป็นแหล่งข้อมูลคลินิกอีกหนึ่ง

AI สามารถอ่านแผนภูมิได้ มนุษย์สามารถอ่านบรรยากาศได้

ระบบคลินิกที่ดีที่สุดจะต้องมีทั้งสองอย่าง

หยุดถามว่า AI จะทดแทนแพทย์หรือไม่

เราได้ถามคำถามผิด

อนาคตอาจไม่ได้เป็นของบริษัทที่มีแชทบอทฉลาดที่สุดหรือโมเดลพื้นฐานที่ชาญฉลาดที่สุด การนวัตกรรมที่สำคัญกำลังเกิดขึ้นรอบๆ โมเดลมากขึ้น: วิธีการจับและตรวจสอบข้อมูล ความรู้ที่จัดหาให้ ระบบอนุญาตให้สรุปผลที่ไหน การควบคุมเชิงกำหนดเข้ามาแทนที่และที่ใดที่มนุษย์ต้องคงอยู่ในวงจร

ปัญญาแบบดิบกำลังเพิ่มมากขึ้น

ระบบที่เชื่อถือได้สำหรับนำปัญญานั้นไปใช้ยากต่อการสร้างมากกว่า

และเราไม่ควรแก้ปัญหานี้โดยบังคับให้ทุกนักคลินิกกลายเป็นนักพัฒนา AI มือสมัครเล่น ความซับซ้อนควรอยู่ภายในเทคโนโลยี ไม่ใช่ในคำสั่งของแพทย์

แพทย์แห่งอนาคตจะไม่ชนะ AI ในด้านความจำ การแข่งขันนั้นกำลังกลายเป็นเรื่องไร้ประโยชน์แล้ว

แทนที่จะเป็นเช่นนั้น เราควรสร้างระบบที่มอบความจำ พลังการประมวลผล และการจดจำรูปแบบของเครื่องให้กับนักคลินิก พร้อมคงไว้ซึ่งบริบท การตัดสินใจ ความสงสัย และการเชื่อมต่อมนุษย์ของผู้ปฏิบัติงาน

เราเรียกสิ่งนั้นว่า ผู้ปฏิบัติงานแบบไบโอนิก

ผมคาดว่าผู้ป่วยในที่สุดจะเรียกมันด้วยชื่อที่ง่ายกว่านี้

แพทย์ของพวกเขา