ปัจจุบัน มีการพูดถึงความสามารถของ Machine Learning ที่เข้ามามีบทบาทกับธุรกิจการดูแลสุขภาพ (Healthcare) มากขึ้น โดยเข้ามาช่วยเสริมประสิทธิภาพการทำงานของทีมแพทย์ เพิ่มความรวดเร็วและแม่นยำในการวินิจฉัยโรค ช่วยพัฒนาเทคโนโลยีใหม่ ๆ และอีกหลายมิติที่นักวิจัยได้ทำการค้นคว้าเพื่อยกระดับธุรกิจให้ตอบโจทย์กับคุณภาพชีวิตของมนุษย์ซึ่งขอยกตัวอย่างการทำงานที่น่าสนใจ ดังนี้
ทำนายโรคล่วงหน้าด้วย Machine Learning
หลายประเทศประสบปัญหาด้านระบบสาธารณสุข ขาดบุคคลากรผู้เชี่ยวชาญและอุปกรณ์ทางการแพทย์ในการรักษา ส่งผลให้มีองค์กรที่เล็งเห็นถึงปัญหาและต้องการที่จะแก้ไขปัญหาเหล่านี้ ได้พัฒนาเอไอโมเดลต่าง ๆ จากความสามารถของ Machine Learning เข้ามาช่วยทำการวิเคราะห์และวินิจฉัยโรคได้ล่วงหน้าได้อย่างรวดเร็วและมีความแม่นยำสูง เพื่อช่วยลดภาวะความเสี่ยงที่ผู้ป่วยจะต้องเจอหากมาตรวจช้าไป
สถาบัน MIT พัฒนาโมเดลที่ช่วยวิเคราะห์และทำนายการเกิดโรคมะเร็งเต้านมได้ล่วงหน้าถึง 5 ปี ส่วน Quantitative Insights เป็นอีกหนึ่งองค์กรที่พัฒนาเทคโนโลยี Quantx[2] ที่สามารถทำนายการเกิดโรคมะเร็งเต้านมได้ล่วงหน้าเช่นกัน ประโยชน์คือ คนที่มีแนวโน้มที่จะเป็นโรคนี้ ไม่จำเป็นต้องรับการผ่าตัดเพื่อนำชิ้นเนื้อไปตรวจ แต่สามารถวิเคราะห์ได้ด้วยเทคโนโลยีนี้ว่ามีโอกาสเป็นมะเร็งหรือไม่ หรือเป็นระยะที่เท่าไหร่ และควรได้รับการรักษาด้วยวิธีใด ซึ่งหากการทำนายมีความแม่นยำ ก็จะช่วยให้แพทย์และผู้ป่วยเตรียมพร้อมต่อการรักษา และรับมือกับภาวะที่ต้องเจอในอนาคต
วิเคราะห์ภาพถ่ายทางการแพทย์
รู้หรือไม่ว่า ภาพถ่ายทางการแพทย์ (Medical Images) เป็นแหล่งข้อมูลขนาดใหญ่ที่สุดในธุรกิจการดูแลสุขภาพ โดย IBM ประเมินว่ามีปริมาณข้อมูลสูงถึง 90% ซึ่งมีประโยชน์ต่อการพัฒนาและป้อนข้อมูลให้ Machine Learning เมื่อโมเดลมีความแม่นยำมากขึ้น ก็จะช่วยลดปริมาณงานของแพทย์ในการต้องใช้เวลาเพื่อวิเคราะห์ภาพถ่ายด้วยตัวเอง เช่น การวิเคราะห์ภาพถ่ายเนื้อเยื่อ รอยจุดต่าง ๆ บนผิวหนัง รอยบาดแผล เนื้องอกและภาพถ่ายทางการแพทย์อื่น ๆ เพื่อให้บุคลากรทางการแพทย์ได้ใช้เวลาในส่วนนี้ไปดูแลรักษาผู้ป่วยในส่วนอื่น ๆ เพราะอย่างที่ทราบกันดีว่า เอไอมีความแม่นยำ รวดเร็ว และสามารถทำงานได้ 24 ชั่วโมงตลอด 7 วันแบบไม่หยุดพัก ด้วยเหตุนี้เอไอจึงเข้ามามีบทบาทต่อวงการแพทย์มากขึ้นเรื่อย ๆ เช่น มหาวิทยาลัย Stanford ได้พัฒนาอัลกอริทึม จากการป้อนข้อมูลโรคผิวหนังกว่า 130,000 รูปภาพ เพื่อวินิจฉัยโรคมะเร็งในผู้ป่วย ซึ่งอัลกอริทึมนี้ยังมีประโยชน์ต่อแพทย์ผิวหนังในการนำมาวิเคราะห์โรคทางผิวหนังได้อีกด้วย
ออกแบบวิธีการรักษาที่เหมาะสมกับผู้ป่วยเฉพาะบุคคล
การเก็บข้อมูลประวัติผู้ป่วยในด้านต่าง ๆ เช่น ประวัติการรักษา การวินิจฉัยโรคของแพทย์ที่ผ่านมา การตอบสนองต่อยาแต่ละชนิด ลักษณะการใช้ชีวิต ข้อมูลโรคทางพันธุกรรมในครอบครัว เป็นต้น มีประโยชน์ต่อการป้อนข้อมูลเหล่านี้ให้ Machine Learning ทำการวิเคราะห์เพื่อเข้าสู่กระบวนการออกแบบการรักษาที่เหมาะสมกับผู้ป่วยแบบจำเพาะบุคคล (Personalized Medicine) ทั้งวิธีการรักษา ปริมาณยาที่ควรได้รับ รวมทั้งผลการทำนายว่าผู้ป่วยแต่ละคนจะมีการตอบสนองต่อการรักษาอย่างไร ทำให้ผู้ป่วยได้รับการรักษาที่เหมาะสมและมีประสิทธิภาพมากที่สุด
IBM Watson Oncology ได้พัฒนาเอไอให้ทำการวิเคราะห์รูปแบบการรักษาผู้ป่วยมะเร็ง จากการศึกษาข้อมูลของผู้ป่วยและนำเสนอวิธีการรักษาโดยเรียงลำดับจากขั้นตอนที่คาดว่าจะได้ผลมากที่สุดไปสู่ขั้นตอนที่อาจจะไม่ได้ผล รวมทั้งทำนายได้ว่าหากเลือกรักษาด้วยวิธีนี้ จะส่งผลอย่างไรต่อผู้ป่วยบ้าง เพื่อเป็นข้อมูลทางเลือกให้กับแพทย์และผู้ป่วยได้พิจารณาวางแผนรักษาต่อไป
คิดค้นยารักษาโรคตัวใหม่
การออกแบบพัฒนายาชนิดใหม่เพื่อทำการรักษาโรค ต้องอาศัยความเข้าใจในความหลายหลายทางชีวภาพของโรคต่าง ๆ และใช้เวลาในการคิดค้นนานพอสมควร แต่ด้วยความสามารถของ Machine Learning ทำให้การออกแบบตัวยาชนิดใหม่เป็นเรื่องไม่ยากอีกต่อไป ซึ่ง Machine Learning จะเข้ามามีบทบาทสำคัญตั้งแต่การออกแบบโครงสร้างโปรตีน การประเมินประโยชน์ของสารเคมี ไปจนถึงการเลือกผู้เข้ารับการทดลอง ซึ่งช่วยลดระยะเวลาในการคิดค้นยาชนิดใหม่ ให้นำไปใช้ในขั้นตอนการทดลองทางคลินิกให้เร็วที่สุด
ประเด็นที่กล่าวมานี้เป็นความสามารถเพียงบางส่วนของ Machine Learning ที่มีต่อธุรกิจการดูแลสุขภาพ ซึ่งโมเดลที่ถูกพัฒนาจะฉลาดและมีประสิทธิภาพแค่ไหนก็ขึ้นอยู่กับ “ข้อมูล” ทั้งด้านปริมาณและคุณภาพในการนำไปป้อนให้โมเดลนั้น ๆ ซึ่งในอนาคต เราจะได้เห็นความก้าวล้ำของธุรกิจการดูแลสุขภาพมากยิ่งขึ้นจากการที่มนุษย์นำเทคโนโลยีเข้ามาช่วยสร้างประโยชน์ในด้านต่าง ๆ ต่อไป