AI ค้นพบภาวะที่แม้แต่อาจารย์แพทย์บอกว่าเคยเห็นแค่ครั้งเดียวในชีวิต (OIH) — จากการจัดโครงสร้างเวชระเบียนผู้ป่วยนับหมื่นหน้า

• ในเกาหลี มีการขอออกเวชระเบียนแทนผู้ป่วยที่รักษาตัวมาเป็นเวลานานจากโรงพยาบาลทั่วประเทศตั้งแต่เชจูถึงโซล จากนั้นสแกนเอกสารกระดาษนับหมื่นหน้า ทำ OCR และจัดโครงสร้างก่อนนำไปวิเคราะห์ด้วย AI
• ระหว่างกระบวนการนั้น AI ได้ชี้ความเป็นไปได้ของ OIH (Opioid-Induced Hyperalgesia) และอาจารย์แพทย์ผู้ดูแลก็ยอมรับว่าเป็น "เคสที่ตนเคยเห็นเพียงครั้งเดียวในชีวิต" พร้อมยอมรับว่าตนพลาดไป ทำให้การผ่าตัดใส่เครื่องกระตุ้นไขสันหลังถูกเร่งให้เร็วขึ้น

จุดเริ่มต้น: บันทึกที่กระจัดกระจาย ผู้ป่วยที่อ่านไม่ไหว

• ยิ่งเป็นผู้ป่วยที่รักษามานาน ก็ยิ่งแทบไม่เคยได้เห็นการรวมเวชระเบียนของตนเองไว้เป็นชุดเดียว บันทึกต่าง ๆ กระจัดกระจายอยู่ตามโรงพยาบาล และทุกครั้งที่ส่งต่อการรักษาก็ไหลเวียนกันด้วยวิธีถ่ายสำเนาเอกสารกระดาษมายื่นเท่านั้น
• ผู้ป่วยรายนี้ได้รับการผ่าตัดลดการกดทับและเชื่อมข้อจากภาวะไขสันหลังถูกกดทับเนื่องจาก OPLL (ossification of the posterior longitudinal ligament) แต่หลังผ่าตัดกลับเกิด FBSS (Failed Back Surgery Syndrome, กลุ่มอาการปวดหลังการผ่าตัดกระดูกสันหลัง) ซึ่งทำให้อาการปวดรุนแรงขึ้น
• โรงพยาบาลที่ผ่านการรักษามามีตั้งแต่ Haeundae Paik Hospital → Seoul National University Hospital → Busan St. Mary's Hospital และไปจนถึง Jeju National University Hospital ที่อาจารย์แพทย์ย้ายไปอยู่ โดยเฉพาะที่ Seoul National University Hospital แห่งเดียวก็มีสำเนาเอกสารกระดาษกว่าพันหน้าแล้ว

สิ่งที่เราทำ: ขอเอกสารจากทั่วประเทศ → แปลงเป็นข้อมูล

• เราไปรับเวชระเบียนด้วยตนเองแทนผู้ป่วยจากโรงพยาบาล 4 แห่งที่กระจายอยู่ในปูซาน โซล และเชจู เอกสารกระดาษมีจำนวนระดับนับหมื่นหน้า
• ภายในนั้นมีทั้งบันทึกการรักษาของแพทย์ แนวโน้มผลตรวจตลอดหลายปี เอกสารการผ่าตัด การใช้ยา และเอกสารธุรการปะปนกันอยู่ การให้คนอ่านเอกสารนับหมื่นหน้าแล้วเรียงตามลำดับเวลาแทบเป็นไปไม่ได้ในทางปฏิบัติ

ไปป์ไลน์: สแกน → OCR → จัดโครงสร้าง → รวมตามลำดับเวลา

• เราแปลงเป็นดิจิทัลด้วยการสแกน ใช้ OCR ดึงข้อความจากทั้งบันทึกการรักษาที่เขียนด้วยลายมือและใบผลตรวจที่พิมพ์ออกมา แล้วทำ normalization ของวันที่ โรงพยาบาล รายการตรวจ ค่าตัวเลข ยา และเหตุการณ์การผ่าตัดให้อยู่ในสคีมามาตรฐาน
• จากนั้นนำบันทึกจากโรงพยาบาล 4 แห่งมารวมเป็นไทม์ไลน์เดียว สร้าง longitudinal EMR ย้อนหลัง 5 ปี ซึ่งมีฐานข้อมูลต่างจากการป้อนข้อความไม่กี่บรรทัดให้ LLM เดี่ยวอย่างสิ้นเชิง

ช่วงเวลาที่ค้นพบ: ความย้อนแย้งของยาแก้ปวดชนิดเสพติด

• ผู้ป่วยใช้ยาแก้ปวดชนิดเสพติดเพราะอาการปวด แต่แม้เพิ่มขนาดยาแล้วก็ยังควบคุมอาการปวดไม่ได้ กลับยิ่งปวดมากขึ้น ซึ่งเป็นปฏิกิริยาที่ผิดปกติ
• ระหว่างที่ป้อนประสบการณ์อันไม่เป็นแบบแผนนี้พร้อมเวชระเบียนและตั้งคำถามต่อเนื่อง AI ได้เสนอ OIH (Opioid-Induced Hyperalgesia, ภาวะไวต่อความเจ็บปวดที่เกิดจากโอปิออยด์) ขึ้นมา โดยก่อนหน้านั้นผู้ป่วยเองก็ไม่เคยรู้ด้วยซ้ำว่ามีแนวคิดนี้อยู่

ผลลัพธ์: สิ่งที่อาจารย์แพทย์พลาด และการผ่าตัดที่ถูกเร่งขึ้น

• เมื่อนำไปปรึกษาอาจารย์แพทย์ในการตรวจครั้งถัดไป เขาตอบว่า "ผมเองก็เคยเห็นเคสแบบนี้เพียงครั้งเดียวในชีวิต" และยอมรับว่าตนมองข้ามไป
• เมื่อมีกรอบการตีความว่าเป็น OIH จึงสามารถลดยาแก้ปวดชนิดเสพติดลง และเกิดความมั่นใจถึงความจำเป็นในการใส่เครื่องกระตุ้นไขสันหลัง (SCS) จากที่เดิมเพียงพิจารณาไว้ลอย ๆ ก็เปลี่ยนเป็นตัดสินใจทำการผ่าตัดอย่างชัดเจน ไม่ได้หยุดอยู่แค่การให้ข้อมูล แต่ไปสู่การเปลี่ยนแปลงในการลงมือจริง

สิ่งที่กรณีนี้มีความหมาย

• สิ่งนี้เกิดขึ้นได้ไม่ใช่เพราะตัวโมเดลฉลาดกว่าเดิม แต่เพราะฐานข้อมูลต่างออกไป งานที่ยากที่สุดไม่ใช่การให้เหตุผลเชิงอนุมาน แต่คือการทำให้เอกสารกระดาษนับหมื่นหน้าที่กระจัดกระจายตั้งแต่เชจูถึงโซลกลายเป็นข้อมูลชุดเดียวที่เครื่องสามารถอ่านได้

กรณีนี้ได้รับการเรียบเรียงใหม่โดยลบข้อมูลระบุตัวบุคคลออกภายใต้ความยินยอมของผู้ป่วย การตัดสินใจทางการแพทย์ต้องปรึกษาบุคลากรทางการแพทย์ผู้ดูแลเสมอ