จากการคาดการณ์ถึงการดำเนินการอย่างมีความรับผิดชอบ: การออกแบบความไม่แน่นอนใน Femtech AI

ในด้านสุขภาพของสตรี ความแม่นยำเป็นสิ่งจำเป็น แต่ก็เป็นเพียงชั้นแรกของความปลอดภัยของผลิตภัณฑ์ มันสำคัญที่ระบบจะต้องทราบเมื่อการคาดการณ์มีความเข้มแข็งพอที่จะดำเนินการและถูกออกแบบมาเพื่อบอกเมื่อมันไม่แน่นอน

เมื่อเปิดแอปพลิเคชันการติดตามการมีประจำเดือนหรือการมีประจำเดือนส่วนใหญ่ คุณจะเห็นผลลัพธ์ที่ชัดเจน: การตกไข่ในวันที่ 15 การมีประจำเดือนที่สูง และคะแนนความมั่นใจ 78% ตัวเลขดูแม่นยำ แต่ชีววิทยาที่อยู่เบื้องหลังไม่ใช่

วันที่มีประจำเดือนเป็นสิ่งที่ผู้ใช้สังเกตเห็น การตกไข่เป็นเหตุการณ์ที่ซ่อนอยู่ที่อุปกรณ์ผู้บริโภคไม่สามารถวัดได้โดยตรง มันถูกอนุมานจากตัวแทน อุณหภูมิผิวหนังสะท้อนไม่เพียงแต่โพรเจสเทอโรน แต่ยังรวมถึงการนอนหลับ การดื่มสุรา การเจ็บป่วย สภาพแวดล้อม และที่ที่เซ็นเซอร์อยู่ในคืนนั้น การเขียนสัญลักษณ์ผสมผสานกับสรีรวิทยา การรับรู้ ความจำ และการตัดสินใจของผู้ใช้ในการบันทึกมัน เมื่อทุกอย่างนี้รวมกันแล้ว “วันที่ 15, 78%” จะมีการบีบอัดความไม่แน่นอนหลายประเภทให้กลายเป็นประโยคที่มั่นใจ

ในผลิตภัณฑ์ที่ฉันทำงานในด้านสุขภาพของสตรี ปัญหาที่ยากไม่ใช่ความแม่นยำ รูปแบบที่ฉันกลับมาคือความสมบูรณ์ของการตัดสินใจ ความแม่นยำบอกว่าโมเดลคาดการณ์ได้ดี แต่ไม่ได้บอกว่าผลิตภัณฑ์รู้ว่าการคาดการณ์แข็งแรงพอที่จะดำเนินการหรือไม่ ในโดเมนที่ผลลัพธ์เดียวกันสามารถแจ้งการวางแผนหรือการตัดสินใจเกี่ยวกับการคุมกำเนิด ช่องว่างนี้คือที่ที่ความไว้วางใจถูกชนะหรือสูญเสีย

ดังนั้น ข้อโต้แย้งของฉันคือ Femtech AI ไม่ต้องการการคาดการณ์ที่ดีกว่า แต่ต้องการการออกแบบความไม่แน่นอนที่ดีกว่า การออกแบบความไม่แน่นอนไม่ใช่การแจ้งเตือนแบบปลั๊กอินที่ติดก่อนการเปิดตัว แต่เป็นสถาปัตยกรรม ฉันจัดเรียงมันให้เป็น 6 ชั้นที่นำสัญญาณจากข้อมูลดิบไปยังการดำเนินการที่ระบบสามารถให้เหตุผลและตรวจสอบได้ ฉันใช้เวอร์ชัน 6 ชั้นของวิธีการผลิตภัณฑ์ตัดสินใจและการดำเนินการแบบปรับให้เหมาะสม ซึ่งออกแบบมาเพื่อควบคุมวิธีการที่สัญญาณสุขภาพที่ไม่แน่นอนถูกแปลงเป็นการดำเนินการที่ได้รับอนุญาตและรับผิดชอบ วิธีการนี้รวมถึงการคัดเลือกข้อมูล การปรับให้เหมาะสมของการอนุมาน การทำแผนที่ผลที่ตามมา นโยบายการควบคุม การดำเนินการของเวิร์กโฟลว์ และวงจรความรับผิดชอบ เส้นทางที่ควบคุมเริ่มต้นจากข้อมูลสุขภาพ ซึ่งนำไปสู่สถาปัตยกรรมการตัดสินใจ และสิ้นสุดด้วยการดำเนินการที่รับผิดชอบ

1. คัดเลือกข้อมูลก่อนที่จะเชื่อถือ

ชั้นแรกตัดสินว่าระบบรู้อะไรอย่างแท้จริง ผลิตภัณฑ์ Femtech มาจากแหล่งต่างๆ มันสามารถรวมสิ่งที่ผู้ใช้สังเกตเห็นโดยตรง เช่น วันที่มีประจำเดือนหรือรายงานแบบ主观 เช่น ความเจ็บปวดหรืออารมณ์ รวมทั้งคุณลักษณะที่สวมใส่ได้ เช่น อุณหภูมิผิวหนังและความแปรปรวนของอัตราการเต้นของหัวใจ และตัวแปรที่โมเดลสร้างขึ้นเอง การปฏิบัติต่อสัญญาณเหล่านี้เหมือนกันเป็นความผิดพลาดดั้งเดิม

สัญญาณแต่ละตัวต้องการการตรวจสอบที่ระบบสามารถอ่านได้: ที่มา เมื่อไหร่ มีการตัวอย่างบ่อยแค่ไหน มีสิ่งรบกวนอะไร และเกี่ยวข้องกับสิ่งที่คุณพยายามคาดการณ์อย่างไร การตกไข่เป็นเหตุการณ์ อุณหภูมิ มูกปากมดลูก LH และวันที่มีประจำเดือนเป็นหลักฐานเกี่ยวกับเหตุการณ์นั้น แต่ละรายการมีการล่าช้าและข้อผิดพลาดของตัวเอง

ข้อมูลที่หายไปควรได้รับการพิจารณาเป็นพิเศษ เนื่องจากในการติดตามสุขภาพ มันไม่สุ่มเสมอไป ผู้คนบันทึกมากกว่าเมื่อพวกเขากังวลและหยุดเมื่อพวกเขารู้สึกดี ดังนั้นช่องว่างอาจมีข้อมูลมากเท่ากับการเข้าการวิเคราะห์จริงของมากกว่า 600,000 วงจรตกไข่ การตกไข่ไม่สามารถตรวจพบได้ใน 665,603 ของ 1.4 ล้านวงจรที่พิจารณาครั้งแรก สามในสี่ของนั้นมีการอ่านอุณหภูมิที่ถูกต้องน้อยกว่าครึ่งหนึ่งของวันในวงจร คุณภาพข้อมูลเป็นปัจจัยจำกัดที่สำคัญในเรื่องที่อัลกอริทึมสามารถอนุมานได้ ผลิตภัณฑ์ที่แสดงป้ายกำกับอัตราความสามารถที่ชัดเจนในสถานการณ์นั้นไม่ได้มั่นใจ มันสร้างความแม่นยำที่ไม่มี

2. ปรับให้เหมาะสมของการอนุมานกับหลักฐาน

คะแนนความมั่นใจเดียวไม่สามารถแสดงสิ่งที่เกิดขึ้นได้ เนื่องจากระบบเหล่านี้เผชิญกับแหล่งที่มาของความไม่แน่นอนที่แตกต่างกันหลายแห่ง รวมถึงความแปรปรวนชีววิทยาของกระบวนการเอง คุณภาพการวัด การหายไปจากการติดตามตนเอง ความไม่แน่นอนของโมเดลจากการฝึกอบรมข้อมูลที่บาง และการเปลี่ยนแปลงการกระจายเมื่อผู้ใช้ปัจจุบันไม่เหมือนกับประชากรที่โมเดลได้รับการตรวจสอบ

ใน分析เดียวกัน เพียง 13% ของวงจรมีความยาว 28 วัน และระยะฟอลลิเคิลเฉลี่ยอยู่ที่ 16.9 วันในช่วงกว้างพอที่จะทำให้สมมติฐาน “วันที่ 14” 固定เป็นเท็จ การศึกษาสุขภาพของผู้หญิงของ Apple พบว่าความยาวของวงจรและความแปรปรวนภายในบุคคลเกี่ยวข้องกับอายุ อัตลักษณ์เชื้อชาติที่รายงานตนเอง และดัชนีมวลกาย การปรับให้เหมาะสมจึงไม่สามารถหมายถึงการเปลี่ยนค่าเฉลี่ยของประชากรเป็นจุดส่วนบุคคลได้ มันหมายถึงการสร้างการกระจายที่เข้มข้นขึ้นเมื่อหลักฐานสะสม

พิจารณาการคาดการณ์ AI ที่อาศัย “75%” สองตัว หนึ่งอาศัยประวัติหนึ่งปีและข้อมูลที่หนาแน่น และความไม่แน่นอนส่วนใหญ่มาจากชีววิทยาจริง อีกตัวอาศัยสองวงจร ห้าการอ่านอุณหภูมิ การเดินทางล่าสุด และยาที่ไม่ทราบ ตัวเลขเดียวกัน แต่ผลิตภัณฑ์ไม่ควรตอบสนองต่อพวกมันในทางเดียวกัน นี่คือเหตุผลที่การปรับให้เหมาะสมต้องตรวจสอบภายในกลุ่มย่อย – การทำงานรวมสามารถซ่อนโมเดลที่มั่นใจมาก โดยเฉพาะสำหรับวงจรที่ไม่สม่ำเสมอหรือผู้ใช้ในช่วงก่อนวัยหมดประจำเดือน

3. แผนที่ผลที่ตามมาของการผิด

ชั้นที่สามถามว่าเกิดอะไรขึ้นเมื่อระบบผิด และผูกการดำเนินการที่อนุญาตกับต้นทุนนั้น การสรุปวงจร การประมาณการช่วงอัตราความสามารถที่สูง การติดฉลากอัตราความสามารถต่ำที่อ่านเป็นคำแนะนำในการคุมกำเนิด และการวิเคราะห์症状ที่ตัดสินใจว่าใครควรขอความช่วยเหลือไม่ใช่ผลิตภัณฑ์เดียวกัน แม้ว่าโมเดลที่อยู่เบื้องหลังจะเหมือนกัน

ฉันแบ่งผลลัพธ์ออกเป็น 4 ระดับตามผลที่ตามมา: ข้อมูล การเปลี่ยนแปลงพฤติกรรม การเจริญพันธุ์ และการแพทย์ แต่ละรายการมีเกณฑ์หลักฐานที่กำหนดไว้เอง ภาษาที่อนุญาต และเส้นทางการเพิ่มขึ้น คะแนนความน่าจะเป็น 70% อาจเหมาะสำหรับการเดาเมื่อประจำเดือนจะเริ่มต้น แต่ไม่ใกล้เคียงพอที่จะให้ความมั่นใจกับผู้ที่พยายามไม่ให้ตั้งครรภ์

นี่คือที่ที่การออกแบบพบกับการควบคุมดูแล ไม่ว่าซอฟต์แวร์จะข้ามเข้าไปในดินแดนของอุปกรณ์ทางการแพทย์หรือไม่นั้นขึ้นอยู่กับการใช้งานที่ตั้งใจและบทบาทที่ผลลัพธ์มีในการตัดสินใจด้านสุขภาพ การชี้แนะซอฟต์แวร์การสนับสนุนการตัดสินใจทางคลินิกของ FDA ที่อัปเดตในเดือนมกราคม 2026 ระบุอย่างชัดเจนว่าฟังก์ชันที่มีเจตนาสำหรับผู้ป่วยและผู้ดูแลสามารถตอบสนองคำจำกัดความของอุปกรณ์ได้ การวางตำแหน่งด้านกฎระเบียบไม่ใช่การตรวจสอบทางกฎหมายที่ปลายสุด มันถูกเข้ารหัสไว้ในเกณฑ์ของคุณ ภาษาของคุณ และตรรกะการเพิ่มขึ้นของคุณตั้งแต่วันแรก

4. เปลี่ยนความไม่แน่นอนให้เป็นนโยบายการควบคุม

การแจ้งเตือน “ผลลัพธ์อาจไม่แม่นยำ” ส่งปัญหาการตีความทั้งหมดกลับไปให้ผู้ใช้ นโยบายการควบคุมทำสิ่งที่ตรงกันข้าม สำหรับสถานะหลักฐานที่กำหนด ระบบจะตัดสินว่าจะแสดงการสังเกต การให้ช่วงการผูกมัด การขอการวัดอีกครั้ง การชี้ไปที่ผู้เชี่ยวชาญด้านสุขภาพ หรือการปฏิเสธที่จะตอบ การไม่เข้าร่วมเป็นความสามารถของผลิตภัณฑ์ ไม่ใช่ความล้มเหลว “เราไม่แน่ใจ” ควรเป็นสถานะที่ออกแบบมาโดยมีขั้นตอนต่อไป ไม่ใช่หน้าจอข้อผิดพลาด

เป็นตัวอย่างแทนที่ “การตกไข่: วันที่ 15, 78%” การตอบสนองที่มีการกำกับดูแลจะอ่านได้ใกล้เคียงกับ: การตกไข่น่าจะอยู่ภายในช่วงสี่วัน ความมั่นใจมีจำกัดโดยข้อมูลอุณหภูมิที่หายไปและนอนหลับที่รบกวน การอ่านเพิ่มเติมจะช่วยให้การประมาณการคมชัดขึ้น และการทดสอบ LH จะเพิ่มหลักฐานเชิงอนาคตและทำให้ช่วงการน่าจะเป็นที่น่าจะเป็นแคบลง ผู้ใช้ได้รับการประมาณการ สาเหตุของความไม่แน่นอน และการดำเนินการเดียวที่จะเปลี่ยนมัน

5. สนับสนุนการดำเนินการที่ผลลัพธ์แสดงให้เห็น

แม้แต่แอปพลิเคชันผู้บริโภคก็สร้างเวิร์กโฟลว์เช่นกัน: บันทึกการอ่านอีกครั้ง ทดสอบซ้ำ ติดตามต่อ ส่งออกข้อมูล หรือโทรหาคลินิก ระบบควรทราบการดำเนินการที่แต่ละการตอบสนองชี้ไป และว่าระบบสามารถสนับสนุนการดำเนินการนั้นได้อย่างปลอดภัยหรือไม่

ขอบเขตระหว่างคำแนะนำผลิตภัณฑ์และคำแนะนำทางการแพทย์อยู่ที่นี่ และไม่ใช่เส้นที่ตายตัว เนื้อหาสอนเรื่องสัญญาณทั่วไปว่าหมายถึงอะไรอยู่ในด้านคำแนะนำอย่างปลอดภัย การตีความข้อมูลบุคคลหนึ่งเป็นโรค การชี้นำการรักษา หรือการให้การรับรองว่ามีน้ำหนักทางคลินิกที่แท้จริงนั้นเป็นดินแดนที่มีความเสี่ยงที่สูงกว่า ซึ่งจะต้องยึดไว้ที่ทุก ๆ การโต้ตอบ ไม่ใช่แค่ในข้อกำหนดการบริการ

6. ปิดวงจรความรับผิดชอบ

ชั้นสุดท้ายตัดสินระบบทั้งหมด ไม่ใช่แค่โมเดล มาตรการโมเดลมาตรฐานยังคงสำคัญและเน้นไปที่การแยกแยะ การปรับให้เหมาะสม การทำงานของกลุ่มย่อย การตรวจสอบภายนอก และการตรวจสอบตามเวลา แต่มาตรการระดับผลิตภัณฑ์ก็มีความสำคัญเช่นกัน เราควรถามว่าระบบมีผลลัพธ์ที่เพียงพอในการดำเนินการบ่อยแค่ไหน และระบบไม่เข้าร่วมบ่อยแค่ไหน บวกกับอันที่ฉันจะยืนยันคืออัตราการให้การรับรองเท็จ ซึ่งหมายถึงบ่อยแค่ไหนที่บอกผู้ใช้ว่าทุกอย่างดูเหมือนดีจากหลักฐานที่ไม่สามารถสนับสนุนคำกล่าวอ้างนั้นได้

การดำเนินการที่มีผลที่ตามมาทุกอย่างควรจะสามารถสร้างใหม่ได้หลังจากที่เกิดขึ้นแล้ว องค์กรกำกับดูแล องค์กรมาตรฐาน และสถาบันการกำกับดูแลสุขภาพระดับโลกกำลังนำมุมมองของวงจรชีวิตมาใช้มากขึ้น หลักการปฏิบัติที่ดีของการเรียนรู้ของเครื่องจักรของ IMDRF ถือว่า AI ทางการแพทย์ที่เชื่อถือได้เป็นความรับผิดชอบตลอดวงจรชีวิตที่ครอบคลุมการออกแบบ การใช้งาน และการตรวจสอบ ซึ่งสะท้อน คำแนะนำของ WHO เกี่ยวกับ AI สำหรับสุขภาพ.

สถาปัตยกรรมดูเหมือนอย่างไรในทางปฏิบัติ

สมมติว่าผลิตภัณฑ์มีสามเดือนของวันที่มีประจำเดือน หกคืนของอุณหภูมิ การทดสอบ LH ที่เป็นบวกหนึ่งครั้ง การเขียนสัญลักษณ์กระจาย และหนึ่งสัปดาห์ของการนอนหลับที่ไม่ดี ความน่าจะเป็นการตกไข่ที่สูงสุดของโมเดลอยู่ที่วันที่ 15 แอปพลิเคชันที่ใช้การประมาณค่าจุดจะแสดง “การตกไข่: วันที่ 15, ความมั่นใจ 78%”

สถาปัตยกรรมสร้างสิ่งที่แตกต่าง มันทำเครื่องหมายข้อมูลอุณหภูมิว่าหายไปและถูกรบกวนโดยการนอนหลับ มันสร้างการกระจายข้ามวันที่ที่เป็นไปได้หลายวัน แทนที่จะเป็นวันที่เดียว มันใช้ขอบเขตที่อ่อนสำหรับการตระหนักถึงวงจร แต่ขอบเขตที่เข้มงวดกว่าหากผลลัพธ์สัมผัสกับการป้องกันการมีครรภ์ มันให้ช่วงเวลาและวิธีการวัดที่มีประโยชน์ถัดไป และมันจัดเก็บสถานะหลักฐานทั้งหมดเพื่อที่การตัดสินใจจะสามารถสร้างใหม่ได้หลังจากนั้น โมเดลพื้นฐานเดียวกัน แต่เป็นผลิตภัณฑ์ที่แตกต่าง

สิทธิ์ในการดำเนินการ

ระบบ Femtech กำลังจะมีข้อมูลมากขึ้น โดยมีแอปพลิเคชัน อุปกรณ์สวมใส่ การทดสอบที่บ้าน บันทึกทางการแพทย์ และชั้นการสนทนาอยู่ด้านบน ข้อมูลที่เพิ่มขึ้นอาจทำให้การอนุมานคมชัดขึ้น แต่ก็ทำให้พื้นผิวสำหรับความแม่นยำเท็จกว้างขึ้น ด้วย ทีมที่ได้รับความไว้วางใจจะไม่ใช่ผู้ที่มีคะแนนความมั่นใจที่ดูสะอาดที่สุด พวกเขาจะเป็นผู้ที่ผลิตภัณฑ์ของพวกเขารู้ว่าพวกเขาไม่รู้ และถูกสร้างขึ้นเพื่อบอกเมื่อพวกเขาไม่แน่นอน

ความแม่นยำอธิบายคุณภาพของการคาดการณ์ ความสมบูรณ์ของการตัดสินใจตัดสินว่าผลิตภัณฑ์ได้รับสิทธิ์ในการดำเนินการตามนั้นหรือไม่