AI Governance สำหรับโรงพยาบาลไทย ปี 2026: จาก POC สู่การใช้งานจริงอย่างปลอดภัย

หลายโรงพยาบาลสามารถทำโครงการทดลอง AI หรือ Proof of Concept (POC) ให้แสดงผลได้ แต่ติดอยู่ก่อนขั้นใช้งานจริง เพราะยังตอบไม่ได้ว่าใครรับผิดชอบเมื่อผลลัพธ์ผิดพลาด ข้อมูลที่ใช้เหมาะกับประชากรผู้ป่วยจริงหรือไม่ และจะติดตามประสิทธิภาพหลังเปิดใช้อย่างไร

หลักคิดสั้น ๆ

AI Governance คือระบบตัดสินใจและกำกับดูแลตลอดวงจรชีวิตของ AI ตั้งแต่เลือกโจทย์ จัดหาข้อมูล ทดสอบ อนุมัติใช้งาน เฝ้าระวัง ไปจนถึงหยุดใช้ ไม่ใช่เอกสารที่ทำหลังโครงการเสร็จ

ทำไมโรงพยาบาลต้องเริ่มจากธรรมาภิบาล

WHO แนะนำให้การใช้ AI ด้านสุขภาพยึดมนุษย์เป็นศูนย์กลาง คุ้มครองความเป็นอิสระ ความปลอดภัย ความโปร่งใส ความรับผิดชอบ ความเท่าเทียม และความยั่งยืน ขณะที่แนวทางของ ETDA สำหรับองค์กรเน้นโครงสร้างกำกับ กลยุทธ์ การจัดการความเสี่ยง และการปฏิบัติงานที่มีผู้รับผิดชอบชัดเจน

สำหรับระบบที่มีวัตถุประสงค์ทางการแพทย์ ต้องประเมินด้วยว่าเข้าข่ายเครื่องมือแพทย์หรือไม่ กองควบคุมเครื่องมือแพทย์ของ อย. มีหลักเกณฑ์สำหรับการคัดกรอง การจัดระดับความเสี่ยง และการขึ้นทะเบียน Software as a Medical Device (SaMD) รวมถึงข้อพิจารณาเรื่องชุดข้อมูลฝึกและทดสอบ AI/ML

7 จุดตรวจ ก่อนนำ AI ไปใช้กับผู้ป่วยจริง

1. กำหนดวัตถุประสงค์และขอบเขตให้แคบพอ

เริ่มจากปัญหาที่วัดได้ เช่น ลดเวลารอสรุปเวชระเบียน คัดกรองภาพเพื่อจัดลำดับงาน หรือเตือนความเสี่ยงเพื่อให้ทีมทบทวน ระบุให้ชัดว่า AI ให้ “คำแนะนำ” หรือมีผลต่อการตัดสินใจทางคลินิกโดยตรง ใครคือผู้ใช้ และสถานการณ์ใดห้ามใช้

2. จัดระดับความเสี่ยงและเส้นทางกำกับ

ประเมินผลกระทบหาก AI ให้ผลผิด ทั้งต่อผู้ป่วย บุคลากร และการดำเนินงาน หากซอฟต์แวร์มีวัตถุประสงค์เพื่อวินิจฉัย ป้องกัน ติดตาม หรือรักษาโรค ควรตรวจสอบเกณฑ์ SaMD และปรึกษาหน่วยงานกำกับหรือผู้เชี่ยวชาญก่อนจัดซื้อและใช้งาน

3. ทำ Data Governance ก่อน Model Governance

ระบุแหล่งข้อมูล ฐานกฎหมาย/ความยินยอม สิทธิ์เข้าถึง ระยะเวลาเก็บรักษา การลบหรือปกปิดตัวตน และข้อห้ามส่งข้อมูลออกนอกระบบ สำหรับข้อมูลฝึกและทดสอบ ต้องตรวจคุณภาพ ความครบถ้วน และความครอบคลุมของกลุ่มผู้ป่วยที่ระบบจะให้บริการจริง

4. ทดสอบกับบริบทโรงพยาบาลจริง

อย่าดูเพียงค่า accuracy รวม ควรติดตาม sensitivity, specificity, false positive/negative รวมถึงผลลัพธ์แยกตามกลุ่มที่มีความสำคัญทางคลินิก เปรียบเทียบกับ baseline เดิม และให้ผู้เชี่ยวชาญอิสระจากทีมพัฒนาร่วมทบทวน

5. ออกแบบ Human Oversight ที่ทำได้จริง

ระบุว่าใครตรวจผล AI ก่อนนำไปใช้ เมื่อใดต้องขอความเห็นที่สอง และจะยกระดับเหตุผิดปกติอย่างไร หน้าจอควรสื่อข้อจำกัดและระดับความมั่นใจ โดยไม่ทำให้ผู้ใช้เชื่อตามระบบอัตโนมัติ

6. เก็บ Log และเตรียมรับเหตุการณ์

เก็บเวอร์ชันโมเดล ข้อมูลนำเข้า ผลลัพธ์ ผู้อนุมัติ และการแก้ไขของมนุษย์เท่าที่จำเป็นต่อการตรวจสอบ กำหนดเกณฑ์หยุดระบบชั่วคราว ช่องทางรายงานเหตุ และแผนย้อนกลับไปใช้กระบวนการเดิมโดยไม่กระทบความต่อเนื่องของบริการ

7. ติดตามหลังเปิดใช้และทบทวนเมื่อระบบเปลี่ยน

เฝ้าระวัง model drift ประสิทธิภาพ ความเป็นธรรม ภาระงานที่เพิ่มขึ้น และเหตุการณ์ความปลอดภัย การอัปเดตโมเดล ข้อมูล หรือ workflow ควรผ่านการประเมินผลกระทบและอนุมัติใหม่ตามระดับความเสี่ยง

Roadmap 90 วันสำหรับโครงการนำร่อง

วัน 1–30

กำหนด use case, baseline, เจ้าของความเสี่ยง, ขอบเขตข้อมูล และเส้นทางกำกับ

วัน 31–60

ทดสอบย้อนหลังหรือ shadow mode ตรวจผลแยกกลุ่ม และซ้อมการจัดการเหตุผิดปกติ

วัน 61–90

นำร่องวงจำกัด มีผู้เชี่ยวชาญกำกับ วัดผลเทียบ baseline และตัดสินใจขยาย ปรับ หรือหยุด

ระยะเวลาเป็นเพียงกรอบเริ่มต้น โครงการที่มีความเสี่ยงสูงหรือเกี่ยวข้องกับการตัดสินใจทางคลินิกอาจต้องใช้การประเมิน หลักฐาน และการอนุมัติมากกว่า

Checklist สำหรับคณะทำงาน AI ของโรงพยาบาล

มี clinical owner, data owner, technical owner และผู้รับผิดชอบความเสี่ยง
มี intended use, ข้อห้ามใช้ และเกณฑ์หยุดระบบเป็นลายลักษณ์อักษร
ตรวจสอบข้อกำหนดด้านข้อมูลส่วนบุคคล ความมั่นคงปลอดภัย และ SaMD แล้ว
ผ่านการทดสอบกับข้อมูลและ workflow ที่ใกล้เคียงการใช้งานจริง
ผู้ใช้ได้รับการอบรมเรื่องความสามารถ ข้อจำกัด และช่องทางรายงานเหตุ
มี dashboard ติดตามผลและรอบทบทวนหลังเปิดใช้