AI in Healthcare

# 🏥 AI in Healthcare

**แนวทางการประยุกต์ใช้ ข้อจำกัด และการคุ้มครองข้อมูลส่วนบุคคล**

<sub>บรรยายวิชาการ · มิถุนายน 2569</sub>

Note:
Slide 1: Title — แนะนำ session ก่อนเริ่ม (1–2 นาที)

---

## 🎯 Objectives + Definition

**หลังจบ session นี้ ผู้เข้าร่วมสามารถ:**

1. **อธิบาย** AI/Machine Learning ในบริบททางการแพทย์
2. **จำแนก** AI ที่ใช้ในชีวิตประจำวัน vs. AI ในงานคลินิก
3. **ยกตัวอย่าง** clinical applications ที่มีหลักฐานเชิงประจักษ์
4. **ประยุกต์** AI ในงานบริหารและการดูแลผู้ป่วย
5. **ปฏิบัติตาม** PDPA อย่างถูกต้อง

> **AI (Artificial Intelligence)** = ระบบคอมพิวเตอร์ที่จำลองความสามารถทางปัญญาของมนุษย์ · 80% ของ medical AI ใช้ **supervised learning**

<div class="ref">LeCun Y, et al. Deep learning. Nature. 2015;521:436-444.</div>

Note:
slide 2: รวม objectives + definition — ไม่ต้องแยก slide

---

## 📱 AI ในชีวิตประจำวัน (ก่อนเข้า รพ.)

### 🏠 Consumer AI
- 🔍 **Search engine** — Google, Bing
- 📧 **Email** — spam filter
- 📱 **Social media** — feed curation
- 🗣️ **Voice assistant** — Siri, Alexa
- 🌐 **Translation** — Google Translate

</div>
<div class="col">

### 🧠 ที่ใช้แล้วไม่รู้ตัว
- 🗺️ **Navigation** — Maps, Grab
- 💳 **Banking** — fraud detection
- 🛒 **Shopping** — recommendation
- 📸 **Photos** — face recognition
- 🎵 **Music** — Spotify Discover

</div>
</div>

> 💡 **Insight:** ทุกครั้งที่ scroll Facebook / ค้น Google = คุณกำลังให้ข้อมูลกับ AI

Note:
slide 3: ทุกคนใช้ AI ทุกวันแล้ว ถึงแม้ไม่รู้ตัว — นี่คือ social contract

---

## 🏥 AI ในงานคลินิก (4 หมวดหลัก)

| หมวด | Use case | Mature? |
|------|---------|---------|
| **🩻 Diagnostic imaging** | CXR, CT, MRI, mammography, pathology | ✅ FDA-cleared |
| **💊 Drug discovery** | Target ID, molecule generation | 🟡 Emerging |
| **📊 Clinical decision support** | Risk prediction, early warning, CDSS | ✅ ใช้ใน รพ. ใหญ่ |
| **🤖 Operational AI** | Scheduling, NLP EHR, coding, billing | ✅ ROI ชัดเจน |
| **🧬 Precision medicine** | Genomics, pharmacogenomics | 🟡 Specialized |

> 📌 **Mature** = มี prospective validation + regulatory clearance + ใช้งานจริง

<div class="ref">Topol EJ. High-performance medicine. Nat Med. 2019;25(1):44-56.</div>

Note:
slide 4: Mature = มี prospective validation + regulatory clearance + ใช้งานจริง

---

## 🩻 Diagnostic Imaging AI (หลักฐานเข้ม)

### 🔬 Peer-reviewed studies

**1. Diabetic Retinopathy** — Google Health / IDx-DR
- Sensitivity **96.8%**, Specificity **87.0%** · **FDA-cleared 2018** (AI แรกที่ตัดสินใจเองได้)

**2. Mammography** — McKinney et al. (Nature 2020)
- ลด false positive **5.7%** / false negative **9.4%** vs. radiologist · n = 28,953

**3. Chest X-ray** — CheXNet (Stanford 2017)
- F1 score **0.435** vs. radiologist 0.387 (14-class pathology)

**4. Sepsis early warning** (Hospitals 2022)
- ทำนาย sepsis 4–6 ชม. ก่อน onset · ลด mortality **18%**

<div class="ref">McKinney SM, et al. Nature 2020;577:89-94 · Abràmoff MD, et al. NPJ Digit Med 2018;1:39</div>

Note:
slide 5: หลักฐานเข้ม — ไม่ใช่ hype แต่ละ paper เป็น landmark study

---

## ⚠️ Frontier Models vs Clinical Reality

**Gu Y, Horvitz E, Topol E, et al.** *Nature Medicine*, 26 มิ.ย. 2569 · doi:10.1038/s41591-026-04501-8

⚠️ **GPT-5 เดาคำตอบ "Dermatomyositis" ถูก แม้ไม่มีภาพ** + fabricate reasoning

<div class="ref">"Strong performance in standard benchmarks belies underlying fragility" — Gu et al. 2026</div>

Note:
slide 6: Topol + Horvitz + Microsoft Research ร่วมกัน — paper นี้สำคัญมากสำหรับ clinical AI ใน รพ.

---

## ⚠️ Take-Home: Benchmark ≠ Clinical Reasoning

### 🎯 "Strong performance belies underlying fragility"

- 🚫 **อย่าเชื่อ benchmark score** — GPT-5/Gemini ผ่าน MedQA สูง แต่ perturb โจทย์ performance ร่วง
- ✅ **ต้องทำ adversarial stress test** ก่อน deploy ในคลินิก
- 👨‍⚕️ **Audit reasoning trace** โดยแพทย์ทุกครั้ง — ห้ามดูแค่ final answer
- 📊 **Benchmark เป็น starting point ไม่ใช่ evidence of readiness**

### 💡 Clinical Implication

> "ในงานคลินิกจริง เราไม่ได้ถาม GPT-5 ด้วย multiple choice — เราต้องการ **multimodal reasoning** ที่ทนต่อ **input variation**"

<div class="ref">Gu Y, Horvitz E, Topol E, et al. Nat Med. 2026. doi:10.1038/s41591-026-04501-8</div>

Note:
slide 7: clinical implication — เอาไปใช้ได้ทันทีในงานคลินิก

---

## 💡 CDSS & Drug Discovery

### 🧠 Clinical Decision Support
- Risk prediction (HEART, CHA2DS2-VASc, Wells')
- Deterioration early warning (MEWS, NEWS2 + AI)
- **Ambient AI scribe** — ลด documentation time **50–70%**

### 💊 Drug Discovery (Acceleration!)

| ขั้นตอน | Traditional | AI-assisted | Speedup |
|--------|------------|-------------|---------|
| Target identification | 2–3 ปี | 6 เดือน | 4–6x |
| Lead optimization | 3–5 ปี | 1–2 ปี | 3x |
| Preclinical | 1–2 ปี | 6–12 เดือน | 2x |

> 📌 Insilico Medicine — drug candidate สำหรับ IPF ใน **< 18 เดือน** (vs. 4–5 ปี)

<div class="ref">Pun FW, et al. Aging Dis. 2023. · Zhavoronkov A, et al. Nat Biotechnol. 2023.</div>

Note:
slide 6: AI ช่วย speedup ทุก phase ของ drug discovery

---

## 🏨 Operational AI (Back-office & Workflow)

**📝 Clinical NLP / Documentation** — Ambient scribe ลด typing 70% · Auto ICD-10

**📅 Scheduling & Capacity** — OR optimization ลด idle time 15–25% · ED flow prediction

**💰 Revenue Cycle** — Claim scrubber · Prior authorization automation

**🛡️ Quality & Safety** — Real-time adverse event (falls, AKI) · Hand hygiene (CV)

> ⚠️ Operational AI มักไม่ใช่ medical device — แต่ถ้าใช้ข้อมูลผู้ป่วย ต้อง comply PDPA

Note:
slide 7: เริ่ม adopt จาก operational AI ก่อน เพราะ ROI ชัดและ risk ต่ำกว่า clinical AI

---

## ⚖️ PDPA (พ.ร.บ. คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562)

### 📜 มีผลบังคับใช้ **1 มิ.ย. 2565** · บทลงโทษสูงสุด **5 ล้านบาท** หรือ **2% ของรายได้**

### 🔑 หลักการ 7 ข้อ (สำหรับ healthcare AI)

1. **Consent** — opt-in ก่อนเก็บ/ใช้/เปิดเผย (ยกเว้นฐาน กฎหมาย/สัญญา/ชีวิต)
2. **Purpose limitation** — ใช้เท่าที่จำเป็นตามวัตถุประสงค์ที่แจ้ง
3. **Data minimization** — เก็บเฉพาะฟิลด์ที่จำเป็น
4. **Accuracy** — update ข้อมูลให้ถูกต้อง
5. **Storage limitation** — retention period (ส่วนใหญ่ 10 ปี)
6. **Integrity & Confidentiality** — encryption + access control
7. **Accountability** — มี DPO, ทำ DPIA

<div class="ref">พ.ร.บ. คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562. · MDMC PDPA Guideline 2565.</div>

Note:
slide 8: 7 หลักการ — ท่องได้ ถ้าโดนถาม

---

## ⚠️ ข้อควรระวัง 6 ข้อ

### 🛡️ Patient Safety + Legal + Ethics

1. **🔒 ห้ามใส่ข้อมูลผู้ป่วยที่ระบุตัวตน** เข้า public LLM โดยไม่ de-identify
2. **🧪 Hallucination** — LLM สร้างข้อมูลเทียม (fake citation, fake drug dose) — ต้อง verify ทุกครั้ง
3. **⚖️ Liability** — AI เป็นเครื่องมือ ไม่ใช่ผู้ประกอบวิชาชีพ — แพทย์ผู้สั่งใช้รับผิดชอบเสมอ
4. **📊 Bias** — model ฝึกด้วยข้อมูลฝั่งตะวันตก อาจ underperform ในคนไทย/เอเชีย
5. **🗂️ Data residency** — cloud ต่างประเทศ ต้องตรวจ data transfer
6. **📝 Audit trail** — log ทุก prompt + response (PDPA Art. 23)

> 💡 **Golden rule:** "AI ช่วยคิด แต่แพทย์ตัดสินใจ"

<div class="ref">WHO. Ethics and governance of artificial intelligence for health. 2021.</div>

Note:
slide 9: 6 ข้อควรระวัง — ให้ท่อง "de-identify, verify, log"

---

## ✅ Take-Home + Q&A

### 🎯 3 ข้อสำคัญ

1. **AI เป็น augment ไม่ใช่ replacement** — แพทย์ยังเป็นผู้ตัดสินใจสุดท้าย
2. **Evidence-based adoption** — เลือก tool ที่มี peer-reviewed validation + regulatory clearance
3. **PDPA-first workflow** — de-identify ก่อน upload + มี consent + audit trail ทุกครั้ง

### 📚 แหล่งเรียนรู้: WHO Ethics AI (2021) · NEJM AI · Stanford AIMI · พ.ร.บ. PDPA

### 🙏 Q & A