คนไข้คนไหนจะกลับมานอนโรงพยาบาลอีกใน 30 วัน — และทำไมคำถามนี้ถึงเกี่ยวกับธุรกิจคุณ
ตอนที่แล้วผมเขียนถึงปัญหาที่ทำให้โปรเจกต์ AI ในองค์กรล่าช้า
คือขั้นตอนเตรียมข้อมูลที่กินเวลาไปเกือบทั้งโปรเจกต์
มีคนทักมาถามว่า "แล้วถ้าข้ามขั้นตอนนั้นได้จริง ผลลัพธ์ที่ได้หน้าตาเป็นยังไง"
ตอนนี้ผมจะพาไปดูเคสจริงหนึ่งเคสครับ
และผมคิดว่าบทเรียนจากเคสนี้ใช้ได้กับเกือบทุกธุรกิจ ไม่ใช่แค่โรงพยาบาล
เริ่มจากคำถามนี้ก่อน
สมมติคุณเป็นหัวหน้าพยาบาลของโรงพยาบาลแห่งหนึ่ง วันนี้มีคนไข้กลับบ้าน 300 คน ทีมคุณมีเวลาโทรติดตามอาการได้แค่ 20 คน คุณจะเลือกโทรหาใคร
นี่ไม่ใช่คำถามเชิงเทคนิคนะครับ
นี่คือคำถามที่คนทำงานจริงต้องตอบทุกวัน และส่วนใหญ่ตอบด้วยความรู้สึก โทรหาคนที่ดูป่วยหนัก โทรหาคนที่อายุเยอะ หรือโทรหาคนที่บังเอิญนึกออก
ปัญหาคือความรู้สึกมันพลาดได้
คนไข้ที่ดูแข็งแรงตอนกลับบ้าน อาจจะเป็นคนที่กลับมานอนโรงพยาบาลอีกในสองสัปดาห์ ส่วนคนที่ดูน่าห่วง อาจจะมีลูกหลานดูแลดีอยู่แล้ว
การกลับมานอนโรงพยาบาลซ้ำใน 30 วัน คือตัวชี้วัดที่ทั่วโลกจับตา
เพราะมันแปลว่าคนไข้กลับบ้านไปแล้วอาการแย่ลง แปลว่าเตียงที่เพิ่งว่างต้องถูกใช้ซ้ำกับปัญหาเดิม และหลายกรณีเป็นเรื่องที่ป้องกันได้ ถ้ามีคนโทรไปถามอาการทันเวลา ในอเมริกาถึงขั้นมีระบบตัดเงินสนับสนุนโรงพยาบาลที่มีอัตรานี้สูง
ทีนี้มาดูว่า AI ตอบคำถามนี้ยังไง
ผมไปเจอตัวอย่างที่เขาเอาข้อมูลผู้ป่วยเบาหวานชุดสาธารณะมาเทรนโมเดล
ขอย้ำว่าเป็นข้อมูลเปิดที่นักวิจัยทั่วโลกใช้กัน ไม่ใช่ข้อมูลคนไข้จริงของโรงพยาบาลไหน ข้อมูลมีหลายตาราง — ข้อมูลคนไข้ ประวัติการเข้ารักษา รายการยา ผลแล็บ ประวัติการมาครั้งก่อนๆ สิ่งที่โมเดลทำคือให้คะแนนความเสี่ยงกับการเข้ารักษาทุกครั้ง ว่ามีโอกาสกลับมาซ้ำใน 30 วันแค่ไหน
ตัวอย่างผลที่ได้ — คนไข้ชายอายุ 70–80 ปี นอนโรงพยาบาลไปหลายวัน มีประวัติเข้าห้องฉุกเฉินมาก่อน ค่าน้ำตาลสะสมเกินเกณฑ์ ได้ค่าออกมา 69.4% แปลว่า จากรูปแบบที่โมเดลเคยเห็นมา คนที่มีลักษณะแบบนี้กลับมาซ้ำประมาณเจ็ดในสิบคน
แต่ตัวเลขรายคนไม่ใช่ของที่มีค่าที่สุด
ของที่มีค่าคือพอให้คะแนนครบทุกคนแล้ว รายชื่อคนไข้ที่กลับบ้านวันนี้ 300 คน กลายเป็น คิวที่เรียงลำดับแล้ว จากเดิมที่ต้องเลือกด้วยความรู้สึก กลายเป็นเลือกจากบนลงล่าง 20 สายที่โทรได้ ถูกใช้กับ 20 คนที่มีโอกาสกลับมาซ้ำมากที่สุด และสิ่งที่โมเดลเจอ ก็น่าสนใจกว่าที่คิด พอดูกลุ่มเสี่ยงสูงสุด มันมีรูปแบบร่วมกันชัดเจน
ส่วนใหญ่เป็นคนที่เข้ามาแบบฉุกเฉิน แล้วได้กลับบ้าน
ฟังดูขัดกับสัญชาตญาณใช่ไหมครับ เพราะคนที่ได้กลับบ้านคือคนที่หมอประเมินว่าอาการดีพอแล้ว แต่พอคิดตามจะเข้าใจ — คนกลุ่มนี้เข้ามากะทันหัน ไม่ได้นัดล่วงหน้า ไม่มีแผนการดูแลต่อเนื่อง พอกลับบ้านก็ไม่มีใครส่งต่อให้ใคร ต่างจากคนที่ถูกส่งไปสถานพยาบาลอื่น ซึ่งมีคนรับช่วงดูแลต่ออยู่แล้ว นี่แหละคือจุดที่ผมอยากให้เห็น
โมเดลไม่ได้บอกอะไรที่คนในวงการไม่เคยรู้
แต่มันบอกว่า ในบรรดาปัจจัยทั้งหมด อันไหนสำคัญกว่ากัน และ ใครบ้างที่เข้าข่ายจากความรู้กว้างๆ ว่า "คนไข้ฉุกเฉินเสี่ยงกว่า" กลายเป็นรายชื่อ 20 คนที่ต้องโทรหาวันนี้
ความรู้เปลี่ยนเป็นการกระทำได้ ตรงนี้แหละครับ
สามเรื่องที่ผมอยากให้ระวัง
เรื่องแรก โมเดลบอกความสัมพันธ์ ไม่ได้บอกสาเหตุ มันบอกว่าคนกลุ่มนี้มักกลับมาซ้ำ แต่ไม่ได้บอกว่าเพราะอะไร การเดาเหตุผลเป็นหน้าที่ของคน และต้องเอาไปพิสูจน์ต่อ
เรื่องที่สอง อย่าเอาคะแนนความเสี่ยงไปใช้ตัดสินคน
ในวงการแพทย์มีบทเรียนราคาแพงเรื่องนี้ — เคยมีระบบให้คะแนนความเสี่ยงคนไข้ที่ใช้กันแพร่หลายในอเมริกา แล้วภายหลังพบว่ามันเลือกปฏิบัติกับคนไข้ผิวดำโดยไม่ตั้งใจ เพราะมันเรียนรู้จากข้อมูลค่าใช้จ่ายในอดีต ซึ่งสะท้อนว่าใครเข้าถึงบริการได้มากกว่า ไม่ได้สะท้อนว่าใครป่วยหนักกว่า บทเรียนคือ โมเดลเรียนรู้จากอดีต และอดีตมีอคติอยู่ในนั้นคะแนนความเสี่ยงควรใช้เพื่อเพิ่มการดูแลให้บางคน ไม่ใช่เพื่อลดการดูแลของใครความต่างข้อนี้สำคัญมาก
เรื่องที่สาม ถ้าคุณอยู่ในวงการสุขภาพจริงๆ ข้อมูลคนไข้เป็นข้อมูลอ่อนไหวตาม PDPA
การจะเอาขึ้นระบบไหนก็ตาม ต้องผ่านกระบวนการของโรงพยาบาลก่อน อย่าอัปข้อมูลจริงขึ้นไปเพราะอยากลองเล่น — เรื่องนี้ไม่มีข้อยกเว้น แล้วถ้าคุณไม่ได้ทำโรงพยาบาลล่ะ ลองสังเกตโครงของปัญหานี้ดูนะครับ มีคนจำนวนมาก บางคนกำลังจะมีปัญหา ทรัพยากรที่จะเข้าไปช่วยมีจำกัด
ถ้าเปลี่ยนคำว่า "คนไข้กลับมานอนซ้ำ" เป็นอย่างอื่น จะเห็นว่ามันคือปัญหาเดียวกัน
- ■ลูกค้าคนไหนกำลังจะเลิกใช้บริการ — แล้วทีมโทรตามได้วันละ 30 สาย
- ■เครื่องจักรตัวไหนกำลังจะเสีย — แล้วช่างมีอยู่ 5 คน
- ■ธุรกรรมไหนน่าสงสัย — แล้วทีมตรวจสอบดูได้วันละ 200 รายการ
- ■ใบสมัครสินเชื่อไหนน่าจะไม่คืนเงิน — แล้วเจ้าหน้าที่มีเวลาสัมภาษณ์จำกัด
โครงเดียวกันหมดครับ
และนี่คือเหตุผลที่ผมคิดว่าหลายบริษัทมองเรื่อง AI ผิดจุด
เวลาพูดถึง AI เรามักถามว่า "มันแม่นกี่เปอร์เซ็นต์"
แต่คำถามที่ควรถามคือ "มันช่วยให้เราใช้เวลาของทีมได้คุ้มขึ้นแค่ไหน"
โมเดลที่แม่น 70% แต่ทำให้ทีมโทรถูกคนมากขึ้นสองเท่า มีค่ากว่าโมเดลที่แม่น 95% แต่ไม่มีใครเอาผลไปใช้
เรื่องเครื่องมือ
เคสที่ผมที่ปรึกษาและทีมผู้อยากยกมาข้างบนทำบน Langsat ซึ่งเป็นเครื่องมือที่ผมพูดถึงในตอนที่แล้ว
จุดที่ต่างจากวิธีเดิมคือไม่ต้องรวมตารางเองก่อน — ข้อมูลคนไข้ ประวัติการรักษา รายการยา ผลแล็บ ต่อกันอยู่ยังไงก็โยนเข้าไปแบบนั้น
แล้วผลที่ได้ออกมาเป็นหน้าแดชบอร์ดที่แชร์ลิงก์ให้ทีมหน้างานดูได้เลย ไม่ต้องให้เขาสมัครอะไร ซึ่งจุดหลังนี่ผมว่าสำคัญกว่าที่คนคิด เพราะโมเดลที่ทีมหน้างานเข้าไม่ถึง ก็คือโมเดลที่ไม่มีใครใช้
ใครอยากลองดูของจริง เขามีหน้าเดโมให้กดเล่นได้โดยไม่ต้องสมัคร ลองเปลี่ยนค่าคนไข้แล้วดูว่าคะแนนขยับยังไง ที่ langsat.ai
ลองนึกถึงงานที่ทีมคุณทำอยู่ทุกวัน แล้วถามตัวเองว่า
มีงานไหนที่เราทำแบบ "ไล่ไปเรื่อยๆ ตามลำดับที่มันเข้ามา" ทั้งที่จริงๆ แล้วบางรายการสำคัญกว่ารายการอื่นมาก
ถ้ามี นั่นคือจุดที่การจัดลำดับด้วยข้อมูลจะให้ผลตอบแทนสูงที่สุด
และมักจะเป็นจุดเริ่มต้นที่ดีกว่าโปรเจกต์ AI ใหญ่ๆ ที่ฟังดูน่าตื่นเต้นกว่าเยอะ
ตอนหน้าผมจะเล่าเรื่องอะไรดีครับ ระหว่างเคสฝั่งค้าปลีก กับเรื่องวิธีดูว่าข้อมูลที่บริษัทมีอยู่ "พอ" ไหมสำหรับทำ AI
คอมเมนต์บอกได้เลยครับ
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2026 Blockdit
