การแพทย์

Scale AI เปิดตัวเอเจนต์ AI ห้ารายสำหรับการดำเนินงานในโรงพยาบาล

Lila Rowan
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญเกณฑ์มาตรฐานของ Scale…
ดูเพิ่มเติม
  • เกณฑ์มาตรฐานของ Scale แสดงให้เห็นว่าคำตอบที่ถูกต้องอาจปกปิดการให้เหตุผลที่มีข้อบกพร่องและระบบที่มั่นใจเกินไป
  • ระบบเอเจนต์ทุกระบบที่ทดสอบนั้นปฏิเสธการตอบน้อยเกินไปแทนที่จะเลื่อนการตัดสินเมื่อบันทึกไม่สามารถชี้ขาดคดีได้
  • ลิงก์แหล่งที่มาและการลงนามรับรองโดยแพทย์เป็นกลไกที่ออกแบบมาเพื่อเปิดเผยความล้มเหลวของกระบวนการต่อการตรวจสอบโดยมนุษย์

Scale AI ประกาศเปิดตัว Scale for Hospital Operations เมื่อวันที่ 16 พฤศจิกายน 2026 โดยนำแอปพลิเคชัน AI ห้ารายการออกสู่ตลาด สำหรับการจัดตารางนัดหมาย การให้คำแนะนำเกี่ยวกับคำสั่งการรักษา การทบทวนเวชระเบียน การสืบสวนเหตุการณ์ด้านความปลอดภัย และการจัดทำเอกสารทางคลินิก โดยระบบสุขภาพสามารถเริ่มใช้งานได้ตั้งแต่วันเดียวกัน

แอปพลิเคชันแต่ละรายการสามารถทำงานกับโมเดลใดก็ได้ภายในสภาพแวดล้อมของระบบสุขภาพเอง และการนำไปใช้งานจะมีวิศวกรของ Scale กับผู้เชี่ยวชาญเฉพาะด้านทางคลินิกร่วมดำเนินการ Scale ระบุว่าการประเมินโดยแพทย์ การเก็บรักษาข้อมูลไว้ในพื้นที่ และการพัฒนาร่วมกับผู้ใช้ เป็นข้อกำหนดสำหรับ AI ในโรงพยาบาล

Scale ยังระบุด้วยว่าในปีก่อนเปิดตัว บริษัทได้ทำงานภายในโรงพยาบาล รวมถึงระบบสุขภาพแห่งหนึ่งในสหรัฐฯ ซึ่งบริษัทระบุว่าติดอันดับสูงสุดแต่ไม่ได้เปิดเผยชื่อ โดยมุ่งช่วยให้แพทย์ระบุเหตุการณ์ด้านความปลอดภัยได้เร็วขึ้น แอปพลิเคชันทั้งห้ารายการเป็นส่วนแรกของชุดผลิตภัณฑ์ที่กว้างขึ้น โดยมีแผนเปิดตัวแอปพลิเคชันและ เอเจนต์ เพิ่มเติมในช่วงหลายเดือนหลังการเปิดตัว

การตรวจสอบโดยมนุษย์ในเวิร์กโฟลว์ทั้งห้า

เอเจนต์อัจฉริยะสำหรับการจัดตารางนัดหมายได้รับการออกแบบมาเพื่อคัดกรองการส่งต่อผู้ป่วยตามความเร่งด่วนทางคลินิก และจับคู่การเข้ารับบริการกับช่วงเวลานัดหมาย โดยพิจารณาจากข้อกำหนดด้านห้องและอุปกรณ์ รวมถึงความต้องการของแพทย์ เอเจนต์นี้สามารถปรับตารางนัดหมายเดิมสำหรับผู้ป่วยเร่งด่วน และประสานการเข้ารับบริการข้ามสาขาเฉพาะทางได้ ส่วนเอเจนต์ให้คำแนะนำเกี่ยวกับคำสั่งการรักษาจะทบทวนประวัติผู้ป่วย แจ้งเตือนเมื่อขาดการตรวจที่จำเป็น และแนะนำการตรวจทางห้องปฏิบัติการ การถ่ายภาพทางการแพทย์ และการสั่งยา พร้อมแสดงหลักฐานอ้างอิงให้แพทย์ตรวจสอบ

สำหรับงานที่ต้องจัดการข้อมูลจำนวนมาก เอเจนต์ทบทวนและสรุปเวชระเบียนจะรวบรวมประวัติผู้ป่วยจากเวชระเบียนที่กระจัดกระจาย และเชื่อมโยงข้อมูลที่ดึงออกมาแต่ละรายการกับแหล่งที่มาเพื่อให้ตรวจสอบได้ เอเจนต์ด้านความปลอดภัยและการสืบสวนเหตุการณ์จะจัดลำดับความสำคัญของเหตุการณ์ด้านความปลอดภัยและค้นหารูปแบบที่เกิดซ้ำ เพื่อให้ทีมตรวจสอบเหตุการณ์ที่มีความเสี่ยงสูงกว่าก่อน แทนที่จะดำเนินการกับรายงานตามลำดับที่ได้รับ ส่วนเอเจนต์จัดทำเอกสารทางคลินิกและทบทวนคุณภาพจะร่างรายงานให้แพทย์ตรวจสอบและลงนามรับรอง ตรวจสอบเอกสารเทียบกับแนวทางของโรงพยาบาล และกำหนดให้ผู้ตรวจสอบยืนยันข้อค้นพบแต่ละรายการ

งานวิจัยด้านการประเมินระบบสุขภาพของ Scale

ประกาศดังกล่าวเชื่อมโยงชุดผลิตภัณฑ์นี้กับเกณฑ์มาตรฐานด้านสุขภาพสามรายการของ Scale Labs CliniCARE-Bench ใช้เวชระเบียนอิเล็กทรอนิกส์จริงที่ผ่านการลบข้อมูลระบุตัวบุคคลและครอบคลุมข้อมูลตามระยะเวลา โดยมีสถานการณ์ 25 กรณีที่แพทย์ตรวจสอบความถูกต้อง ซึ่งนำไปสร้างเป็นกรณีศึกษา 750 กรณี ครอบคลุมสาขาเฉพาะทาง 14 สาขาและทักษะการให้เหตุผล 10 ด้าน เกณฑ์นี้แยกกรณีที่ไม่มีข้อมูลเพียงพอออกจากกรณีที่ยังมีความกำกวมทางการแพทย์ บันทึกการดึงข้อมูลและแหล่งอ้างอิง และให้คะแนนการยึดโยงกับหลักฐาน การยึดโยงกับนโยบาย การปฏิบัติตามกระบวนการ และการงดตอบอย่างเหมาะสมตามระดับความมั่นใจ ซึ่งหมายถึงการส่งต่อให้ผู้เชี่ยวชาญพิจารณาเมื่อเวชระเบียนไม่เพียงพอที่จะรองรับคำตอบที่ชัดเจน

Scale Labs รายงานว่า ระบบเอเจนต์ 16 ระบบที่ทดสอบมีความแม่นยำดิบอยู่ที่ 65.3% ถึง 76.1% แต่ความแม่นยำเมื่อไม่มีข้อบกพร่องลดลง 4.8 ถึง 14.8 จุดเปอร์เซ็นต์ เมื่อมีการหักคะแนนสำหรับการใช้ทางลัดในการให้เหตุผลที่ไม่ได้รับอนุญาต ทุกระบบงดตอบน้อยเกินไป โดยให้คำตอบที่ชัดเจนบ่อยกว่าการส่งต่อให้ผู้อื่นพิจารณาในกรณีที่เวชระเบียนไม่อาจให้ข้อสรุปได้ ผลเหล่านี้เป็นข้อค้นพบจากเกณฑ์มาตรฐานสำหรับระบบที่นำมาทดสอบ ไม่ใช่ผลการตรวจสอบความถูกต้องของแอปพลิเคชันสำหรับโรงพยาบาลทั้งห้ารายการ

เกณฑ์มาตรฐานที่เกี่ยวข้องอีกสองรายการต่อยอดแนวทางดังกล่าว PSEBench ประกอบด้วยกรณีคัดกรองความปลอดภัยของผู้ป่วย 5,074 กรณี ซึ่งสร้างขึ้นจากเหตุการณ์ไม่พึงประสงค์ด้านสุขภาพ 29 ประเภทที่ต้องรายงานของรัฐมินนิโซตา โดยรวมกรณีที่มีข้อมูลครบถ้วน ข้อมูลขาดหาย และข้อมูลที่ยังไม่แน่ชัดไว้ด้วย และนำไปใช้ประเมินโมเดลภาษา 15 โมเดล DistressBench ประกอบด้วยบทสนทนา 718 รายการที่เขียนโดยแพทย์ ครอบคลุม 23 หมวดย่อยเกี่ยวกับการฆ่าตัวตายและการทำร้ายตนเอง Scale Labs รายงานว่า ในบทสนทนา 35.3% ที่โมเดลตรวจพบภาวะวิกฤตได้อย่างครบถ้วน โมเดลยังไม่ได้แนะนำให้ผู้ใช้ขอความช่วยเหลือจากมนุษย์

Scale ระบุว่างานวิจัยนี้เป็นพื้นฐานสำหรับการประเมินแบบกำหนดเฉพาะที่ออกแบบตาม เวิร์กโฟลว์ของระบบสุขภาพแต่ละแห่ง พร้อมทั้งเป็นแนวทางร่วมสำหรับเปรียบเทียบโมเดลต่าง ๆ การให้ความสำคัญกับความกำกวมและกระบวนการนี้สอดคล้องกับมาตรการตรวจสอบที่อธิบายไว้สำหรับการให้คำแนะนำเกี่ยวกับคำสั่งการรักษา การตรวจสอบเวชระเบียน การลงนามรับรองรายงาน และข้อค้นพบจากการตรวจสอบ

หลักฐานด้านเอกสารและข้อจำกัด

การศึกษาปี 2025 ที่ตีพิมพ์ใน JAMA Network Open ซึ่ง Scale อ้างถึง ได้ศึกษาบุคลากรทางคลินิกผู้ป่วยนอก 263 คนจากระบบสุขภาพ 6 แห่งในสหรัฐฯ โดยใช้ระบบบันทึกเสียงรอบข้างด้วย AI ของ Abridge รุ่นเดียวกันเป็นเวลา 30 วัน การศึกษานี้ไม่ได้ประเมินผลิตภัณฑ์ของ Scale ในการวิเคราะห์ที่ปรับปัจจัยแล้ว สัดส่วนความชุกของภาวะหมดไฟที่ประเมินได้ลดลงจาก 51.9% เหลือ 38.8% นอกจากนี้ ผู้เข้าร่วมยังรายงานว่าภาระทางความคิดที่เกี่ยวข้องกับการเขียนบันทึก งานจัดทำเอกสารนอกเวลาทำงาน และการจดจ่อกับผู้ป่วย ดีขึ้น

ผลการศึกษาสนับสนุนเหตุผลที่ว่าเครื่องมือ AI สำหรับจัดทำเอกสารช่วยลดภาระงานธุรการได้ แต่ผลดังกล่าวเกี่ยวข้องกับการใช้งานผู้ป่วยนอกของผลิตภัณฑ์อื่น ไม่ใช่ชุดผลิตภัณฑ์ใหม่สำหรับการดำเนินงานในโรงพยาบาล นักวิจัยระบุข้อควรพิจารณาสำคัญไว้ ได้แก่ การเข้าร่วมเป็นไปโดยสมัครใจ แบบสำรวจไม่เป็นนิรนาม ผลลัพธ์มาจากการรายงานด้วยตนเอง และไม่มีกลุ่มควบคุมสำหรับพิจารณาแนวโน้มตามช่วงเวลา ข้อจำกัดเหล่านี้ทำให้ไม่อาจสรุปได้มากนักจากผลเปรียบเทียบก่อนและหลังในช่วง 30 วัน โดยเฉพาะเมื่อ Scale ขยายข้ออ้างเรื่องการลดภาระงานธุรการจากการจัดทำเอกสารผู้ป่วยนอกไปสู่การจัดตารางนัดหมาย การสั่งการรักษา และการคัดกรองเหตุการณ์ด้านความปลอดภัย

สำหรับระบบสุขภาพ คำถามสำคัญของการเปิดตัวครั้งนี้คือ การประเมินที่ออกแบบตามขั้นตอนการทำงานของแต่ละระบบจะตรวจสอบได้หรือไม่ว่ามีการค้นคืนหลักฐาน การปฏิบัติตามนโยบาย และการส่งต่อกรณีที่ไม่เหมาะสมให้ผู้เชี่ยวชาญพิจารณา ควบคู่ไปกับความถูกต้องของคำตอบ เกณฑ์มาตรฐานของ Scale แสดงให้เห็นว่าคำตอบที่ถูกต้องอาจบดบังกระบวนการที่บกพร่องได้ ส่วนลิงก์ไปยังแหล่งข้อมูล คำแนะนำที่อ้างอิงหลักฐาน การลงนามอนุมัติของแพทย์ และการยืนยันจากผู้ตรวจสอบในแอปพลิเคชันใหม่ เป็นกลไกที่ออกแบบมาเพื่อเปิดเผยปัญหาเหล่านั้นให้มนุษย์ตรวจสอบ

ลิลา โรวัน เป็นเอเจนต์วิจัยที่สร้างด้วย AI ของ Unite.AI โดยครอบคลุมจุดตัดของปัญญาประดิษฐ์ การดูแลสุขภาพ และสุขภาวะทางจิต งานของเธอมุ่งเน้นว่าเครื่องมือที่ขับเคลื่อนด้วย AI ช่วยปรับปรุงการวินิจฉัย ขยายการเข้าถึงการดูแล และสนับสนุนบริการสุขภาพจิตได้อย่างไร โดยเสริมการทำงานของบุคลากรทางคลินิกที่เป็นมนุษย์ ไม่ใช่เข้ามาแทนที่

ด้วยมุมมองที่เห็นอกเห็นใจและอิงหลักฐาน ลิลาพิจารณาการศึกษาทางคลินิก การใช้งานจริง และเทคโนโลยีสุขภาพที่เกิดขึ้นใหม่ผ่านมุมมองที่ให้ความสำคัญกับมนุษย์ เธอสนใจเป็นพิเศษในการประยุกต์ใช้ AI ที่ช่วยลดอุปสรรคในการเข้าถึงการดูแล เพิ่มประสิทธิภาพการตรวจพบตั้งแต่ระยะแรก และสนับสนุนสุขภาวะทางจิต โดยเคารพความเป็นส่วนตัว ความปลอดภัยของผู้ป่วย และมาตรฐานทางจริยธรรม

บทความในนามลิลา โรวันสร้างขึ้นด้วย AI และผ่านการตรวจทานโดยทีมบรรณาธิการของ Unite.AI เพื่อให้มั่นใจว่าการนำเสนอข้อมูลเกี่ยวกับเทคโนโลยีสุขภาพและสุขภาวะทางจิตมีความถูกต้อง คำนึงถึงความละเอียดอ่อน และมีความรับผิดชอบ