การแพทย์
แพทย์ชอบเอกสารสรุปการจำหน่ายผู้ป่วยที่สร้างด้วย AI ใน 95% ของกรณีศึกษา Stony Brook
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
แพทย์ผู้ประเมินชอบเอกสารสรุปการจำหน่ายผู้ป่วยที่สร้างด้วย AI มากกว่าเอกสารที่แพทย์เขียน ในการเข้ารักษาในโรงพยาบาล 95% ของกรณีที่ประเมินในการศึกษาของ Stony Brook University การวิเคราะห์ข้อมูลย้อนหลังนี้มุ่งศึกษาเฉพาะการรับผู้ป่วยไว้รักษาในแผนกอายุรกรรม 60 ครั้ง ซึ่งกินเวลาตั้งแต่ 7 ถึง 21 วัน โดยการรักษาที่ยาวนานและบันทึกทางคลินิกจำนวนมากทำให้การส่งต่อไปยังการดูแลผู้ป่วยนอกมีความท้าทายเป็นพิเศษ
ผลการศึกษาที่ตีพิมพ์ใน npj Digital Medicine ชี้ว่าโมเดลภาษาขนาดใหญ่อาจช่วยให้แพทย์จัดทำเอกสารสรุปการจำหน่ายผู้ป่วยที่ครบถ้วนและใช้งานได้มากขึ้น ขณะเดียวกัน ผลการศึกษายังแสดงให้เห็นว่าเหตุใดการตรวจสอบโดยมนุษย์จึงยังจำเป็น เพราะทั้งเอกสารสรุปที่สร้างด้วย AI และเอกสารที่แพทย์เขียนต่างก็มีข้อผิดพลาด และคะแนนที่สูงขึ้นไม่ได้ยืนยันว่าผลลัพธ์ของผู้ป่วยดีขึ้น
เหตุใดเอกสารสรุปการจำหน่ายผู้ป่วยจึงเป็นงานที่ AI ทำได้ยาก
เอกสารสรุปการจำหน่ายผู้ป่วยเชื่อมโยงการดูแลที่ได้รับในโรงพยาบาลเข้ากับแพทย์ผู้รับผิดชอบดูแลผู้ป่วยหลังจากนั้น เอกสารนี้ต้องอธิบายเหตุผลที่รับผู้ป่วยไว้รักษา ลำดับการรักษา การเปลี่ยนแปลงยา ปัญหาที่ยังไม่ได้รับการแก้ไข และแผนการติดตามผล สำหรับแพทย์ปฐมภูมิ การขาดคำอธิบายหรือการไม่ระบุขั้นตอนถัดไปให้ชัดเจนอาจทำให้ต้องไล่เรียงเรื่องราวการรักษาในโรงพยาบาลขึ้นใหม่จากเวชระเบียนที่มีข้อมูลมากกว่ามาก
การรับไว้รักษาในโรงพยาบาลเป็นเวลานานยิ่งทำให้ปัญหานี้ซับซ้อนขึ้น ข้อมูลสะสมจากบันทึกความคืบหน้า การปรึกษาแพทย์เฉพาะทาง รายงานภาพถ่ายทางการแพทย์ และเอกสารอื่น ๆ ซึ่งมักมีเนื้อหาซ้ำและมีการเปลี่ยนแปลงแผนการรักษา เอกสารสรุปที่มีประโยชน์ต้องคงภาพรวมทางคลินิก ณ ขั้นสุดท้ายไว้ พร้อมอธิบายว่าการตัดสินใจเปลี่ยนแปลงไปอย่างไร
แนวทางของ Stony Brook ออกแบบร่วมกับแพทย์ โดยคำนึงถึงข้อมูลที่แพทย์ผู้รับช่วงต่อจำเป็นต้องใช้ มหาวิทยาลัยระบุว่าระบบจัดระเบียนผู้ป่วยให้เป็นร่างเอกสารสรุปการจำหน่ายได้ภายในไม่กี่นาที ซึ่งบอกถึงระยะเวลาในการสร้างเอกสารเท่านั้น ส่วนผลต่อเวลารวมที่แพทย์ใช้จัดทำเอกสารและตรวจสอบยังต้องทดสอบในการปฏิบัติงานทางคลินิก
คะแนนด้านใดที่แพทย์ให้สูงกว่า
การศึกษานี้รวบรวมการประเมินจากแพทย์ประจำโรงพยาบาลและแพทย์ปฐมภูมิ ผู้ประเมินให้คะแนนเอกสารสรุปที่สร้างด้วย AI สูงกว่าในด้านคุณภาพโดยรวม ความอ่านง่ายและกระชับ ความถูกต้องของข้อเท็จจริง และความครบถ้วน นอกจากนี้ยังพบรายละเอียดทางคลินิกที่ขาดหายไปน้อยกว่า
เมื่อใช้มาตราส่วนการให้คะแนน 5 ระดับที่กำหนดไว้ เอกสารสรุปที่สร้างด้วย AI ได้คะแนนเฉลี่ย 4.71 ด้านคุณภาพโดยรวม เทียบกับ 3.16 สำหรับเอกสารที่แพทย์เขียน ส่วนคะแนนเฉลี่ยด้านความถูกต้องของข้อเท็จจริงอยู่ที่ 4.62 เทียบกับ 3.73 ขณะที่ด้านความครบถ้วนอยู่ที่ 4.69 เทียบกับ 3.42 ตัวเลขเหล่านี้เป็นคะแนนจากแพทย์ ไม่ใช่ร้อยละของข้อความที่พิสูจน์แล้วว่าถูกต้อง
กราฟแสดงคะแนน 120 รายการต่อเอกสารสรุปแต่ละประเภท สำหรับตัวชี้วัดรวมของแพทย์ประจำโรงพยาบาลและแพทย์ปฐมภูมิ และ 60 รายการต่อประเภทสำหรับคำถามเฉพาะด้านเวชปฏิบัติปฐมภูมิ ผู้ประเมินที่เป็นแพทย์ปฐมภูมิให้คะแนนเอกสารสรุปที่สร้างด้วย AI สูงกว่าในด้านการทำความเข้าใจการรักษาในโรงพยาบาล การอธิบายเรื่องดังกล่าวแก่ผู้ป่วยและผู้ดูแล และการสนับสนุนการดูแลติดตามผล
ความแตกต่างเหล่านี้มีความสำคัญ เพราะผู้เขียนเอกสารสรุปการจำหน่ายผู้ป่วยกับผู้ที่นำเอกสารไปใช้มีมุมมองต่างกัน เอกสารอาจบันทึกเหตุการณ์ระหว่างผู้ป่วยในไว้อย่างละเอียด แต่ยังทำให้แพทย์ผู้รับช่วงต่อไม่แน่ใจเกี่ยวกับประเด็นที่ยังค้างอยู่หรือเหตุผลที่มีการเปลี่ยนยา
กระบวนการสรุปจัดการกับเวชระเบียนที่ยาวได้อย่างไร
การเผยแพร่โค้ดสู่สาธารณะของนักวิจัยช่วยให้เห็นรายละเอียดเพิ่มเติมเกี่ยวกับเทคโนโลยีนี้ กระบวนการที่ส่งออกจาก LangChain/LangGraph จัดกลุ่มบันทึกตามลำดับเวลา สร้างเอกสารสรุปที่มีโครงสร้าง และปรับปรุงร่างดังกล่าวเมื่อประมวลผลข้อความส่วนเพิ่มเติม นอกจากนี้ยังมีขั้นตอนแยกต่างหากสำหรับดึงข้อมูลสิ่งตรวจพบโดยบังเอิญจากบันทึกที่ทำเครื่องหมายไว้ ก่อนจัดรูปแบบเป็นรายงานบรรยายฉบับสุดท้าย
แนวทางที่แบ่งเป็นขั้นตอนนี้ช่วยแก้ข้อจำกัดในทางปฏิบัติของโมเดลภาษา กล่าวคือ เวชระเบียนทางคลินิกที่ยาวอาจมีข้อความเกินกว่าที่โมเดลจะประมวลผลได้ในครั้งเดียว การส่งต่อร่างที่มีโครงสร้างไปใช้ต่อช่วยให้ข้อมูลจากส่วนต่าง ๆ ของเวชระเบียนที่ประมวลผลตามลำดับมีส่วนต่อผลลัพธ์ได้
ข้อมูลที่ส่งออกสู่สาธารณะยังบันทึกรหัสระบุแหล่งที่มา และจัดทำข้อมูลเมทาดาทาสำหรับการอ้างอิงควบคู่กับผลลัพธ์ทั้งแบบมีโครงสร้างและแบบบรรยาย ทั้งยังมีข้อมูลสาธิตสังเคราะห์ ขณะที่คลังข้อมูลมีผลการให้คะแนนและการใส่คำอธิบายประกอบข้อผิดพลาดซึ่งตัดข้อมูลระบุตัวบุคคลออกแล้วเพื่อใช้ในการวิเคราะห์ จึงสามารถตรวจสอบกระบวนการทำงานได้โดยไม่ต้องเผยแพร่เวชระเบียนต้นฉบับของผู้ป่วยสู่สาธารณะ
การตกหล่นที่น้อยลงไม่ได้ขจัดความเสี่ยงทางคลินิก
บทคัดย่อที่ตีพิมพ์ระบุว่า จำนวนข้อผิดพลาดหรือข้อมูลที่ตกหล่นซึ่งมีการทำเครื่องหมายไว้ที่ลดลงนั้น ส่วนใหญ่เป็นผลจากการตกหล่นที่น้อยลง รายงานยังระบุว่าไม่มีความแตกต่างอย่างมีนัยสำคัญทางสถิติระหว่างเอกสารสรุปทั้งสองประเภท ในการประเมินของผู้ทบทวนเกี่ยวกับความรุนแรงหรือโอกาสเกิดอันตรายจากข้อผิดพลาด
ผลการศึกษานี้ไม่ได้แสดงให้เห็นว่าแนวทางทั้งสองมีความปลอดภัยเหมือนกัน หรือร่างที่ AI สร้างขึ้นพร้อมนำไปใส่ในเวชระเบียนผู้ป่วยโดยไม่ต้องตรวจทาน การประเมินนี้พิจารณาเอกสารและดุลยพินิจของแพทย์ แต่ไม่ได้แสดงให้เห็นว่าการกลับมารักษาในโรงพยาบาลซ้ำ อันตรายที่เกี่ยวข้องกับยา หรือผลลัพธ์ด้านอื่นของผู้ป่วยลดลง
ผู้เขียนเน้นย้ำว่าต้องให้แพทย์ตรวจสอบก่อนนำไปใช้ คำแนะนำเรื่องยา ปัญหาทางการแพทย์ที่ยังไม่ได้รับการแก้ไข และคำแนะนำเกี่ยวกับการติดตามผล ล้วนเป็นหัวใจสำคัญของเอกสาร และเป็นจุดที่หากเกิดข้อผิดพลาดหรือตกหล่นก็อาจส่งผลสำคัญได้
อะไรบ้างที่ต้องทำก่อนนำไปใช้เป็นกิจวัตรทางคลินิก
“ผลลัพธ์เหล่านี้เป็นหลักฐานว่า ปัญญาประดิษฐ์สามารถช่วยจัดทำเอกสารสรุปการจำหน่ายผู้ป่วยสำหรับการรักษาในโรงพยาบาลที่ซับซ้อนได้” Rachel Wong แพทย์ผู้มีส่วนร่วมในการเขียนบทความและรับผิดชอบการติดต่อ และรองศาสตราจารย์คลินิกที่ Stony Brook กล่าวไว้ในประกาศของมหาวิทยาลัย
Fusheng Wang ผู้เขียนร่วมที่รับผิดชอบการติดต่อและสำเร็จการศึกษาระดับปริญญาเอกกล่าวว่า ขั้นตอนต่อไปของการวิจัยจะรวมถึงการประเมินความแม่นยำ ความปลอดภัย เวลาที่แพทย์ประหยัดได้จริง และความเหมาะสมในการนำไปใช้ในขั้นตอนการทำงานทางคลินิก มหาวิทยาลัยระบุว่ากำลังพิจารณาทดลองใช้ระบบนี้ในการปฏิบัติงานประจำวันของ Stony Brook Medicine
โครงการสหสาขาวิชานี้นำโดย Tyler Osborne ผู้สมัครศึกษาระดับปริญญาเอกสาขาวิทยาการคอมพิวเตอร์ โดยรวบรวมแพทย์ นักวิทยาศาสตร์คอมพิวเตอร์ ผู้เชี่ยวชาญด้านสารสนเทศชีวการแพทย์ และผู้เชี่ยวชาญด้านการสื่อสารเข้าด้วยกัน ผลการศึกษาเป็นหลักฐานที่น่าสนใจว่าแพทย์สามารถกำกับดูแลการร่างเอกสารสรุปการจำหน่ายผู้ป่วยที่ซับซ้อนได้ การจะพิสูจน์ว่าวิธีนี้นำไปใช้ในงานประจำวันได้อย่างน่าเชื่อถือนั้น จำเป็นต้องประเมินกระบวนการตรวจทานควบคู่ไปกับข้อความที่สร้างขึ้น
