InterSystems ชู 3 เสาหลัก เปลี่ยนระบบสาธารณสุขเอเชียจาก Data Silos สู่ข้อมูลที่เชื่อมโยงและนำไปใช้ได้จริง เพื่อคืนเวลาให้บุคลากรทางการแพทย์ได้โฟกัสกับผู้ป่วยมากขึ้น

InterSystems ชี้ระบบสาธารณสุขในภูมิภาคเอเชียแปซิฟิกกำลังเข้าสู่จุดเปลี่ยนสำคัญ จากการนำเทคโนโลยีดิจิทัลมาใช้เพื่อจัดเก็บข้อมูล ไปสู่การใช้ AI แก้ปัญหาในกระบวนการทำงานจริง หรือ “Practical AI” โดยมีข้อมูลที่เชื่อถือได้และการเชื่อมโยงข้อมูลระหว่างระบบเป็นโครงสร้างพื้นฐานสำคัญ

ประเด็นดังกล่าวถูกนำเสนอในงาน InterSystems Asia READY 2026 ภายใต้แนวคิด “Are You READY for the Future?” ซึ่งจัดขึ้นในกรุงเทพฯ โดยมีผู้บริหารของ InterSystems ได้แก่ ลูเซียโน บรุสเตีย กรรมการผู้จัดการประจำภูมิภาคเอเชียแปซิฟิก, สก็อต กเนา รองประธานอาวุโสด้าน Data Platform และ ดอน วูดล็อก ประธานบริษัท ร่วมแลกเปลี่ยนมุมมองเกี่ยวกับทิศทางระบบ Healthcare ในภูมิภาค

InterSystems ระบุว่า ปัจจุบันบริษัทมีระบบที่บริหารจัดการระเบียนสุขภาพมากกว่าหนึ่งพันล้านระเบียนทั่วโลก และมองว่าการนำ AI มาใช้ใน Healthcare ไม่ควรเริ่มจากการเลือกเทคโนโลยีที่ซับซ้อนที่สุด แต่ต้องเริ่มจากการทำให้ข้อมูลมีคุณภาพ เชื่อมโยงกัน และพร้อมนำไปใช้ใน Workflow จริง

หนึ่งในความท้าทายสำคัญของระบบสาธารณสุขในภูมิภาคคือการเปลี่ยนแปลงโครงสร้างประชากรที่แตกต่างกันในแต่ละประเทศ

สำหรับประเทศไทย ประชากรอายุ 65 ปีขึ้นไปมีสัดส่วนประมาณ 15-16% ขณะที่ประชากรอายุต่ำกว่า 15 ปีอยู่ที่ประมาณ 12-13% สะท้อนการเข้าสู่สังคมสูงวัยระดับสูง ซึ่งมาพร้อมความต้องการดูแลโรคเรื้อรังและผู้ป่วยที่ต้องได้รับการรักษาอย่างต่อเนื่อง

ข้อมูลที่นำเสนอในงานระบุว่า ไทยมีแพทย์ประมาณ 1 คนต่อประชากร 1,000 คน ขณะที่มาเลเซียมีประมาณ 2.5 คนต่อ 1,000 คน ความแตกต่างดังกล่าวทำให้การเพิ่มประสิทธิภาพการทำงานของบุคลากรผ่านเทคโนโลยีเป็นหนึ่งในแนวทางที่ถูกจับตามอง

ขณะที่อินโดนีเซียมีประชากรอายุต่ำกว่า 35 ปีประมาณ 57-58% แต่มีจำนวนแพทย์ในสัดส่วนประมาณ 0.5 คนต่อประชากร 10,000 คน หรือประมาณ 1 คนต่อ 20,000 คน ทำให้โจทย์สำคัญอยู่ที่การเพิ่มการเข้าถึงบริการและการใช้เทคโนโลยีเพื่อสนับสนุนบุคลากรที่มีอยู่อย่างจำกัด

ทั้งสองประเทศจึงมีโจทย์ด้าน AI Healthcare แตกต่างกัน ไทยต้องรับมือกับสังคมสูงวัยและโรคเรื้อรัง ขณะที่อินโดนีเซียให้ความสำคัญกับการเข้าถึงบริการและการป้องกันปัญหาโรคเรื้อรังในอนาคต

ปัญหาที่พบร่วมกันคือ “Data Silos” หรือข้อมูลที่กระจายอยู่ตามระบบต่างๆ ไม่ว่าจะเป็น Electronic Health Record หรือ EHR ระบบห้องปฏิบัติการ ระบบภาพถ่ายทางการแพทย์ และระบบอื่นๆ

เมื่อระบบเหล่านี้ไม่สามารถสื่อสารกันได้ บุคลากรทางการแพทย์อาจต้องสลับหน้าจอเพื่อค้นหาข้อมูลจากหลายระบบ หรือใช้กระบวนการส่งต่อข้อมูลแบบแมนนวล ส่งผลให้การเข้าถึงข้อมูลใช้เวลานานและอาจเกิดการตรวจซ้ำเมื่อข้อมูลจากการรักษาครั้งก่อนยังไม่สามารถนำมาใช้ในระบบปลายทางได้

ลูเซียโน บรุสเตีย ระบุว่า การเชื่อมโยงและแลกเปลี่ยนข้อมูลระหว่างระบบเป็นพื้นฐานสำคัญในการก้าวข้าม Data Silos และสร้างข้อมูลที่เชื่อถือได้สำหรับการนำไปใช้กับ AI

Interoperability จึงไม่ได้หมายถึงเพียงการเชื่อมระบบเข้าหากัน แต่รวมถึงการทำให้ข้อมูลสามารถแลกเปลี่ยนและนำไปใช้ต่อได้ตามมาตรฐานที่เหมาะสม เปรียบได้กับการทำให้ระบบที่ใช้ข้อมูลคนละรูปแบบสามารถ “พูดภาษาเดียวกัน”

แนวทางของ InterSystems ประกอบด้วย 3 องค์ประกอบหลัก ได้แก่ “Trusted Data”, “Interoperability” และ “Practical AI”

• “Trusted Data” คือข้อมูลที่มีคุณภาพ ถูกต้อง และมีบริบทเพียงพอสำหรับการนำไปใช้งาน หากข้อมูลต้นทางไม่ครบถ้วนหรือคลาดเคลื่อน AI ก็มีข้อจำกัดในการนำข้อมูลไปวิเคราะห์และสนับสนุนการตัดสินใจ
• “Interoperability” คือความสามารถในการเชื่อมโยงและแลกเปลี่ยนข้อมูลระหว่างระบบ เพื่อให้ข้อมูลจาก EHR, Lab, Imaging และแหล่งอื่นสามารถนำมาใช้ร่วมกันได้
• “Practical AI” คือการนำ AI ไปใช้กับปัญหาที่เกิดขึ้นจริง เช่น การค้นหาข้อมูลผู้ป่วย การสรุปเวชระเบียน การบันทึกข้อมูล และการสนับสนุน Workflow ของแพทย์ โดยมุ่งเน้นผลลัพธ์ที่สามารถประเมินได้ มากกว่าการนำ AI มาใช้เพียงเพื่อเพิ่มความสามารถทางเทคโนโลยี

ดอน วูดล็อก นำเสนอแนวคิดการพัฒนา EHR จากระบบจัดเก็บข้อมูลไปสู่ “AI-Native EHR” ซึ่งมี AI เป็นส่วนหนึ่งของการออกแบบระบบ เพื่อช่วยลดภาระทางความคิดของบุคลากรทางการแพทย์

หนึ่งในแนวทางคือ “Natural Language Experience” ที่เปิดให้แพทย์ใช้ข้อความหรือเสียงเพื่อค้นหาข้อมูลในเวชระเบียน แทนการไล่ค้นผ่านเมนูจำนวนมาก เช่น การสอบถามประวัติแพ้ยา หรือผลตรวจที่ผ่านมา

อีกส่วนคือ “Ambient Orchestration” ซึ่ง AI ทำหน้าที่ช่วยรับฟังและประมวลผลบทสนทนาระหว่างแพทย์กับผู้ป่วย จากนั้นนำข้อมูลไปสนับสนุน Workflow เช่น การเตรียมรายการสั่งยา หรือข้อมูลสำหรับขั้นตอนถัดไป โดยแพทย์ยังเป็นผู้ตรวจสอบและอนุมัติ

แนวทางดังกล่าวมีเป้าหมายเพื่อลดเวลาที่แพทย์ต้องใช้กับงานป้อนข้อมูลและเอกสาร และเพิ่มเวลาให้กับการสื่อสารและดูแลผู้ป่วยโดยตรง

สำหรับประเทศไทย มีการนำเสนอกรณีศึกษาการใช้งานระบบ AI-Native EHR ในโรงพยาบาล BNH รวมถึงกรณีของโรงพยาบาลบำรุงราษฎร์ที่มีการนำระบบ EHR รุ่นใหม่ที่รองรับ AI มาใช้งานจริง

สก็อต กเนา นำเสนอแนวคิด “Architecture by Design” และการใช้ Single Integrated Platform ซึ่งเป็นแนวทางที่รวมองค์ประกอบของระบบข้อมูลและซอฟต์แวร์ไว้ในสถาปัตยกรรมเดียว แทนการนำระบบหลายชุดมาเชื่อมต่อกันเป็นชั้นๆ

แนวทางดังกล่าวสามารถลดการเคลื่อนย้ายข้อมูลระหว่างระบบและลดความซับซ้อนในการดูแลโครงสร้างพื้นฐาน ขณะที่การมีข้อมูลชุดเดียวเป็นพื้นฐานช่วยลดปัญหาข้อมูลซ้ำหรือข้อมูลไม่ตรงกันระหว่างระบบ

ระบบยังสามารถรองรับ API และการทำ Data Mapping เพื่อเชื่อมต่อกับระบบเดิมหรือ Legacy Systems ซึ่งมีความสำคัญสำหรับโรงพยาบาลที่ไม่สามารถเปลี่ยนระบบทั้งหมดได้ในครั้งเดียว

อย่างไรก็ตาม การเลือกสถาปัตยกรรมต้องพิจารณาตามโครงสร้างของแต่ละองค์กร รวมถึงข้อกำหนดด้านความปลอดภัย การกำกับดูแลข้อมูล และระบบเดิมที่มีอยู่

เมื่อข้อมูลผู้ป่วยสามารถเชื่อมโยงระหว่างสถานพยาบาลได้ บุคลากรทางการแพทย์สามารถเข้าถึงข้อมูลการรักษาที่เกี่ยวข้องจากต้นทางได้มากขึ้น

ตัวอย่างเช่น ผู้ป่วยจากเชียงรายที่เดินทางเข้ามารักษาในกรุงเทพฯ หากข้อมูลผลตรวจและประวัติการรักษาจากโรงพยาบาลต้นทางสามารถแลกเปลี่ยนกับโรงพยาบาลปลายทางได้ แพทย์อาจนำข้อมูลเดิมมาใช้ประกอบการรักษาและลดการตรวจซ้ำในกรณีที่ไม่จำเป็น

นอกจากการสนับสนุนการรักษาแล้ว AI ยังสามารถนำข้อมูลไปใช้สร้างเอกสารแนะนำหรือสื่อให้ความรู้แก่ผู้ป่วยในรูปแบบที่เข้าใจง่าย ซึ่งเป็นอีกส่วนหนึ่งของการนำ AI มาใช้สนับสนุน Patient Literacy

ข้อมูลจากงานวิจัยของ MIT ที่ถูกนำเสนอในงานยังระบุว่า การใช้ระบบที่ช่วยให้บุคลากรเข้าถึงข้อมูลได้รวดเร็วในโรงพยาบาลแห่งหนึ่งในอินโดนีเซีย สามารถลดเวลาการตรวจต่อเคสได้ประมาณ 5 นาที

ตัวเลขดังกล่าวสะท้อนศักยภาพของการลดเวลาที่ใช้กับการค้นหาและจัดการข้อมูล แต่ไม่ได้หมายความว่าโรงพยาบาลจะสามารถเพิ่มจำนวนผู้ป่วยที่รองรับได้ในสัดส่วนเดียวกันทันที เพราะยังขึ้นอยู่กับขั้นตอนการรักษา จำนวนบุคลากร และข้อจำกัดของแต่ละสถานพยาบาล

ความแตกต่างด้านประชากรทำให้แนวทางการใช้ AI ของไทยและอินโดนีเซียมีจุดเน้นต่างกัน

ประเทศไทยให้ความสำคัญกับการดูแลผู้สูงอายุและผู้ป่วยโรคเรื้อรัง รวมถึงการเชื่อมโยงข้อมูลระหว่างสถานพยาบาลเพื่อสนับสนุนการรักษาต่อเนื่อง ลดการตรวจซ้ำ และเพิ่มประสิทธิภาพการทำงานของระบบ Healthcare

ส่วนอินโดนีเซียให้ความสำคัญกับการใช้ข้อมูลเพื่อสนับสนุนการดูแลเชิงรุก โดยมีโครงการ SATUSEHAT ที่มุ่งเชื่อมโยงข้อมูลสุขภาพในระดับประเทศ และช่วยให้ระบบสามารถนำข้อมูลไปใช้สนับสนุนการป้องกันและติดตามความเสี่ยงด้านสุขภาพ

ความแตกต่างนี้สะท้อนว่า การนำ AI มาใช้ใน Healthcare ไม่สามารถใช้สูตรเดียวกันทุกประเทศ แต่ต้องออกแบบให้สอดคล้องกับโครงสร้างประชากร ปัญหาสาธารณสุข และข้อจำกัดด้านบุคลากร

อีกหนึ่งกรณีของการทำลาย Data Silos คือความร่วมมือระหว่าง InterSystems และ DataOne ในประเทศไทย ซึ่งเริ่มดำเนินการตั้งแต่เดือนกุมภาพันธ์ 2569 เพื่อพัฒนาโครงสร้างพื้นฐานสำหรับการแลกเปลี่ยนข้อมูลระหว่างสถานพยาบาลและบริษัทประกันภัย

หนึ่งในเป้าหมายคือการสนับสนุน Electronic Claims และ Automated Claims เพื่อลดการจัดการเอกสารและการป้อนข้อมูลซ้ำ รวมถึงลดขั้นตอนที่ต้องดำเนินการแบบแมนนวล

การเชื่อมโยงข้อมูลระหว่างสองฝั่งยังมีส่วนช่วยให้กระบวนการเคลมสามารถดำเนินการได้เป็นระบบมากขึ้น และเปิดโอกาสให้ทรัพยากรของโรงพยาบาลถูกนำไปใช้กับงานด้านบริการและการดูแลผู้ป่วยมากขึ้น

ภาพรวมจากงาน InterSystems Asia READY 2026 สะท้อนว่า การเปลี่ยนผ่านระบบสาธารณสุขเข้าสู่ยุค AI ไม่ได้เริ่มต้นจากการเลือกเทคโนโลยีที่ซับซ้อนที่สุด แต่เริ่มจากการจัดการข้อมูลและ Workflow ให้พร้อม

Trusted Data ทำให้ข้อมูลมีคุณภาพและเชื่อถือได้ Interoperability ทำให้ข้อมูลจากระบบต่างๆ สามารถแลกเปลี่ยนกันได้ ส่วน Practical AI นำข้อมูลเหล่านั้นไปใช้แก้ปัญหาในกระบวนการทำงานจริง

สำหรับประเทศไทยที่กำลังเผชิญกับสังคมสูงวัยและภาระโรคเรื้อรัง การลงทุนในโครงสร้างพื้นฐานข้อมูลจึงเป็นอีกปัจจัยสำคัญของการพัฒนา Smart Hospital ขณะที่การนำ AI มาใช้ควรเริ่มจากโจทย์ที่สามารถวัดผลได้ เช่น การลดเวลาค้นหาข้อมูล ลดงานเอกสาร ลดการป้อนข้อมูลซ้ำ และสนับสนุนการตัดสินใจของบุคลากรทางการแพทย์

แนวทางดังกล่าวทำให้ AI ถูกวางบทบาทเป็นเครื่องมือสนับสนุนบุคลากร มากกว่าการเข้ามาทดแทนบุคลากร โดยเป้าหมายสำคัญคือการลดภาระงานที่ไม่จำเป็น และนำเวลาที่ได้กลับไปใช้กับการดูแลผู้ป่วย