Google เผยแพร่กรอบการประเมิน AI ด้านสุขภาพด้วยวิธีการที่หลากหลาย

Google ประกาศเผยแพร่เอกสารไวต์เปเปอร์เมื่อวันที่ 4 พฤศจิกายน 2026 โดยอธิบายวิธีประเมิน AI สร้างสรรค์แบบใช้งานทั่วไปในด้านสุขภาพ กรอบนี้ผสานการทดสอบด้วยเกณฑ์มาตรฐานแบบคำถามปิด ระบบ AI ให้คะแนนอัตโนมัติ และการตรวจทานโดยผู้เชี่ยวชาญ เพื่อประเมินความถูกต้อง ความปลอดภัย และประโยชน์ใช้สอยในสถานการณ์ทั่วไปและสถานการณ์ที่มีความเสี่ยงสูง

ผู้เขียนคือ ดร. Sarah Montgomery-Taylor หัวหน้าฝ่ายประเมินทางคลินิกของ Google for Health โดยมี ดร. Elizabeth McGlynn และ ดร. Dana Gelb Safran ร่วมทำงานนี้ Google ระบุว่าได้พัฒนาแนวทางดังกล่าวและยังคงใช้แนวทางนี้ประเมินว่าโมเดลของตนให้คำตอบที่มีประโยชน์และถูกต้อง ซึ่งช่วยสนับสนุนการมีปฏิสัมพันธ์ด้านสุขภาพอย่างปลอดภัยหรือไม่ การเผยแพร่วิธีการนี้มีเป้าหมายเพื่อส่งเสริมความโปร่งใส และช่วยให้นักพัฒนา นักวิจัย และบุคลากรทางคลินิกสร้างเครื่องมือที่ผู้คนไว้วางใจได้

ปรับการประเมินให้สอดคล้องกับการใช้งานทางคลินิกจริง

ผู้เขียนให้เหตุผลว่า วิธีประเมินที่ออกแบบมาสำหรับงานเฉพาะอย่างไม่สามารถครอบคลุมโมเดลแบบใช้งานทั่วไปได้อย่างเพียงพอ ตัวอย่างที่ยกมาคือโมเดล AI ยุคก่อน AI สร้างสรรค์ ซึ่งตรวจหามะเร็งปอดจากภาพเอกซเรย์คอมพิวเตอร์ได้ แต่ตรวจหามะเร็งเต้านมจากภาพแมมโมแกรมหรือสรุปบทสนทนาเป็นบันทึกไม่ได้ เมื่อโมเดลเดียวทำงานได้หลายร้อย หลายพัน หรือมากกว่านั้น นักพัฒนาและองค์กรด้านสุขภาพจึงจำเป็นต้องมีวิธีจัดลำดับความสำคัญของปฏิสัมพันธ์และความเสี่ยง

ก่อนเลือกกรณีทดสอบ ผู้ประเมินจะทำแผนผังเส้นทางการใช้งานสำคัญของผู้ใช้ โดยพิจารณาว่าใครเป็นผู้ใช้ระบบ ต้องการทำอะไรให้สำเร็จ และมีขั้นตอนใดบ้าง ผู้ใช้อาจเป็นผู้ป่วย สมาชิกในครอบครัว บุคลากรทางคลินิก หรือผู้บริหาร การทำแผนผังนี้ช่วยกำหนดข้อมูลและตัวชี้วัดสำหรับการทดสอบให้เป็นตัวแทนของการใช้งานจริง อีกทั้งยังครอบคลุมวัตถุประสงค์การใช้งานและรูปแบบการใช้งานผิดวัตถุประสงค์ที่พบบ่อย เช่น การพึ่งพาระบบนอกเหนือจากข้อบ่งใช้ และความพยายามหลีกเลี่ยงตัวกรองความปลอดภัย

จากนั้นจะประเมินแต่ละแอปพลิเคชันในสามด้าน ความถูกต้องครอบคลุมความสอดคล้องกับฉันทามติทางการแพทย์ การรองรับด้วยหลักฐาน ความเป็นข้อเท็จจริง การให้เหตุผลทางคลินิก และความเหมาะสมกับบริบท โดยเพิ่มการอ้างอิงแหล่งที่มาสำหรับงานบางประเภท เช่น การสรุปข้อมูลทางการแพทย์ การประเมินด้านความปลอดภัยไม่ได้พิจารณาเพียงว่าข้อความถูกต้องหรือไม่ แต่ยังพิจารณาอันตรายที่อาจเกิดขึ้นเมื่อมีผู้ตีความคำตอบแล้วลงมือทำหรืองดเว้นการกระทำตามคำตอบนั้นด้วย การประเมินคำนึงถึงทั้งความรุนแรงและโอกาสที่จะเกิดอันตรายดังกล่าว ส่วนประโยชน์ใช้สอยพิจารณาความเข้าใจด้านสุขภาพ ความเกี่ยวข้อง ความครอบคลุม และผู้ใช้สามารถนำคำตอบไปปฏิบัติได้หรือไม่ ดังนั้น คำตอบหนึ่งอาจถูกต้องแต่ไม่ปลอดภัย หรืออาจถูกต้องและปลอดภัยแต่ซับซ้อนเกินไปหรือนำไปปฏิบัติไม่ได้ จนไม่เป็นประโยชน์ต่อผู้ใช้

ตัวอย่างในเอกสารแสดงให้เห็นว่าความเสี่ยงหลักเปลี่ยนไปตามลักษณะงาน สำหรับผู้บริโภคที่ตรวจสอบอาการ ความกังวลด้านความปลอดภัยหลักคือการไม่เน้นย้ำอาการอันตรายที่ต้องได้รับการดูแลอย่างเร่งด่วน ขณะที่คำตอบที่ทำให้ตื่นตระหนกเกินควรอาจสร้างความกังวลโดยไม่จำเป็น และคำแนะนำในการประเมินอาการด้วยตนเองที่ไม่ชัดเจนอาจขัดขวางการดำเนินการขั้นต่อไปอย่างเหมาะสม สำหรับสรุปการจำหน่ายผู้ป่วยที่ AI ร่างให้บุคลากรทางคลินิก การสร้างข้อมูลหลอน การละข้อมูล และข้อผิดพลาดด้านข้อเท็จจริงเป็นภัยต่อความถูกต้อง การมองข้ามอาการแพ้หรือยาที่ห้ามใช้ร่วมกันก่อให้เกิดอันตรายด้านความปลอดภัย ส่วนรูปแบบการจัดหน้าที่สับสนหรือลำดับเวลาที่ไม่สอดคล้องกันอาจลดประโยชน์ใช้สอย

ผสานการประเมินอัตโนมัติในวงกว้างกับวิจารณญาณของมนุษย์

วิธีประเมินแบบแรกใช้การทดสอบที่มีคำตอบชัดเจน เช่น คำถามแบบปรนัย ซึ่งช่วยให้ตรวจสอบความรู้พื้นฐานปริมาณมากได้ด้วยต้นทุนค่อนข้างต่ำ การทดสอบแบบตายตัวไม่สามารถจำลองความซับซ้อนและความเป็นตัวแทนของปฏิสัมพันธ์จริงได้ อีกข้อจำกัดหนึ่งคือข้อมูลปนเปื้อน กล่าวคือ เมื่อคำถามทดสอบปรากฏอยู่ในข้อมูลฝึก ผลลัพธ์อาจสะท้อนการเตรียมตัวเพื่อทำข้อสอบ มากกว่าความสามารถในการให้เหตุผลทางการแพทย์โดยทั่วไป ด้วยเหตุนี้ กรอบการประเมินจึงใช้เกณฑ์มาตรฐานเหล่านี้เพื่อกำหนดระดับพื้นฐานและเป็นเป้าหมายสำหรับการประเมินในขั้นต่อไป โดยต้องใช้วิธีเพิ่มเติมเพื่อยืนยันประสิทธิภาพในโลกจริง

วิธีที่สองมอบหมายให้ระบบ AI อีกระบบเป็นผู้ให้คะแนน ระบบให้คะแนนอัตโนมัติเหล่านี้ใช้เกณฑ์การประเมินที่เขียนไว้ตรวจคำตอบปลายเปิด จึงสามารถพิจารณาสถานการณ์ได้มากกว่าที่ผู้เชี่ยวชาญจะตรวจให้คะแนนได้อย่างสมเหตุสมผล ระบบยังประเมินบทสนทนาจำลองที่มีหลายรอบได้ โดยผู้ใช้ในช่วงแรกไม่เปิดเผยรายละเอียดทางคลินิก เพื่อทดสอบว่าโมเดลจะถามคำถามเพิ่มเติมเพื่อความชัดเจนก่อนให้คำแนะนำหรือไม่ อย่างไรก็ตาม ผู้ประเมินอัตโนมัติยังต้องได้รับการตรวจสอบความถูกต้องโดยเทียบกับข้อมูลอ้างอิงที่ผู้เชี่ยวชาญจัดทำขึ้น เพราะอาจให้คะแนนคำตอบที่ยืดยาวเกินไปสูงกว่า ชื่นชอบคำตอบจากโมเดลตระกูลเดียวกับตน และส่งต่อคำกำกับข้อมูลจากมนุษย์ที่มีสัญญาณรบกวน

จากนั้นบุคลากรทางคลินิกและผู้เชี่ยวชาญในสาขาอื่นจะตรวจกรณีที่เกณฑ์อัตโนมัติทำงานได้ไม่ดี โดยรวมถึงอาการที่ซับซ้อน กรณีชายขอบ และหัวข้อที่ยังมีฉันทามติทางคลินิกจำกัด นอกจากนี้ยังพิจารณาว่าผลลัพธ์สอดคล้องกับแนวปฏิบัติทางคลินิกในแต่ละพื้นที่และเหมาะกับผู้ป่วยกลุ่มต่าง ๆ หรือไม่ การทดสอบแบบทีมโจมตีแยกต่างหากจะตรวจสอบขอบเขตความปลอดภัยด้วยกลวิธีต่าง ๆ เช่น การวิงวอนด้วยอารมณ์ การอ้างว่าเป็นสถานการณ์สมมติ หรือการสวมบทบาทเป็นบุคลากรทางการแพทย์ เพื่อชักนำให้ระบบสร้างผลลัพธ์นอกเหนือจากขอบเขตการใช้งานที่ผลิตภัณฑ์กำหนดไว้ การตรวจทานโดยมนุษย์ก็อาจผิดพลาดได้เช่นกัน ผู้เขียนระบุว่าแพทย์สองคนอาจให้คะแนนงานเดียวกันแตกต่างกัน 30–40% หรือมากกว่า จึงจำเป็นต้องมีมาตรการควบคุมความแปรปรวนระหว่างผู้ประเมินและใช้การวิเคราะห์ที่เหมาะสม

การติดตามผลยังดำเนินต่อหลังนำไปใช้งาน

การประเมินเริ่มขึ้นก่อนจะมีผลิตภัณฑ์ โดยทดสอบความสามารถทั่วไปและความปลอดภัยของโมเดลพื้นฐาน เมื่อเริ่มพัฒนาโมเดลให้เป็นส่วนหนึ่งของแอปพลิเคชัน การประเมินจะเจาะจงไปที่ผู้ใช้และขั้นตอนการทำงานของผลิตภัณฑ์นั้นมากขึ้น ในช่วงใกล้วางจำหน่าย การนำไปใช้งานแบบควบคุมอาจประกอบด้วยการทดลองแบบเงียบที่ทำงานควบคู่กัน การทดลองนำร่องทางคลินิก หรือการทยอยเปิดใช้งาน พร้อมกับการทดสอบปัจจัยมนุษย์และการใช้งาน ก่อนเปิดให้ใช้งานในวงกว้างขึ้น

ทีมแพทย์และทีมพัฒนาต้องร่วมกันกำหนดเกณฑ์ผ่านและน้ำหนักของเกณฑ์ประเมินในแต่ละขั้นตอนการตัดสินใจเกี่ยวกับผลิตภัณฑ์ โดยพิจารณาจากระดับความเสี่ยงทางคลินิกของแอปพลิเคชัน แทนการใช้ค่าตัดเชิงตัวเลขแบบเดียวกันกับทุกกรณีหรือกำหนดขึ้นโดยไม่มีหลักเกณฑ์ หลังนำระบบไปใช้งาน นักพัฒนาจะติดตามการเปลี่ยนแปลงของอัลกอริทึมและเสถียรภาพของระบบ ส่วนองค์กรที่นำระบบไปใช้จะติดตามความปลอดภัยของขั้นตอนการทำงานทางคลินิกสำหรับเครื่องมือที่ใช้โดยผู้เชี่ยวชาญ หรือความปลอดภัยของผู้ใช้และรูปแบบการใช้งานสำหรับผลิตภัณฑ์เพื่อผู้บริโภค

ผู้เขียนระบุว่า สัญญาณที่เกิดขึ้นภายหลัง เช่น ข้อร้องเรียนจากผู้ใช้และเหตุการณ์ร้ายแรงที่ต้องเฝ้าระวัง ไม่อาจใช้เป็นกลไกเดียวในการติดตามผลหลังนำระบบไปใช้งานได้ ชุดทดสอบแตกต่างจากการโต้ตอบจริง และเมื่อผู้ใช้มีประสบการณ์มากขึ้น ทั้งคำสั่งที่ป้อนและความคาดหวังของผู้ใช้ก็เปลี่ยนแปลงไป ผลจากการติดตามต้องนำกลับไปใช้ปรับข้อกำหนด การฝึกอบรม และลำดับความสำคัญของการประเมินในขั้นต่อไป การติดตามการโต้ตอบและผลลัพธ์ด้านสุขภาพในระยะยาวยังเผชิญกับการแยกเก็บข้อมูลเป็นส่วนๆ ตลอดจนอุปสรรคด้านความเป็นส่วนตัว ด้านเทคนิค และด้านองค์กร นอกจากนี้ บทความยังชี้ว่าความรับผิดชอบร่วมกันระหว่างนักพัฒนาและระบบสุขภาพ ต้นทุนการนำไปใช้ การตรวจสอบความถูกต้องโดยหน่วยงานอิสระ และฉันทามติทางวิทยาศาสตร์ ล้วนเป็นประเด็นด้านธรรมาภิบาลที่ยังต้องดำเนินการต่อ

สำหรับนักพัฒนาและระบบสุขภาพ กรอบการประเมินนี้เปลี่ยนคำถามจากการถามว่าโมเดลผ่านเกณฑ์มาตรฐานแบบคงที่หรือไม่ ไปเป็นการถามว่าจะพิสูจน์ความแม่นยำ ความปลอดภัย และประโยชน์ใช้สอยได้ตลอดกระบวนการพัฒนาและการนำไปใช้งานหรือไม่ ความท้าทายหลักอยู่ที่การนำไปปฏิบัติจริง กล่าวคือ ต้องเชื่อมโยงการติดตามเข้ากับความรับผิดรับชอบ พร้อมกำหนดผู้รับผิดชอบ จัดสรรงบประมาณให้กับงานดังกล่าว และตรวจสอบผลลัพธ์อย่างเป็นอิสระข้ามขอบเขตขององค์กรและข้อมูล