จาก “Data” ไปสู่ “Insight” — บทเรียนจาก UCL/UK
เรื่องการทรานส์ฟอร์มข้อมูลสุขภาพ

โดย นายแพทย์ ต่วนกัสฟี หะมะ
PhD in CDT for AI-Enable Healthcare, UCL

ในยุคที่ Data มีค่า การมองเห็นเชิงลึก การนำไปสู่การใช้งาน และสิ่งที่สำคัญ
เราจะเห็นได้ชัดเจนว่า “งานข้อมูลสุขภาพ” ไม่ได้ชนะกันที่โมเดล AI
แต่ชนะกันตั้งแต่ ระบบจัดการข้อมูล และ กติกาการเข้าถึงข้อมูล
ที่ทำให้คนทำวิจัย “ทำงานได้จริง” และ “ปลอดภัย” พร้อมกัน

เรามาฟังประสบการณ์และแนวคิด ที่ได้จากประสบการณ์ที่ทำงานที่ UK กัน

1) Data ที่ดี = Data ที่พาไปสู่ Action ได้

ตัวอย่างคลาสสิกของ John Snow กับการระบาดอหิวาตกโรคปี 1854:
เก็บข้อมูล → วิเคราะห์เชิงพื้นที่ → ตั้งสมมติฐาน → ตัดสินใจ “ถอดปั๊มน้ำ” → การระบาดลดลง

ใจความคือ ข้อมูลมีค่าเมื่อมันเปลี่ยนการตัดสินใจ/นโยบายได้
ไม่ใช่แค่อธิบายย้อนหลัง

2) EHR/EMR คือ “เหมืองทอง” แต่ต้องรู้ว่ามี 2 โลก

ข้อมูลในเวชระเบียนอิเล็กทรอนิกส์แบ่งใหญ่ ๆ เป็น

• Structured data เช่น diagnosis codes, laboratory results, medication lists
  อยู่ในรูปแบบตาราง สามารถนำไปวิเคราะห์เชิงสถิติหรือเชิงคำนวณได้โดยตรง
• Non-structured data เช่น clinical notes, medical imaging, pathology reports
  และ genomic data จำเป็นต้องผ่านกระบวนการแปลงข้อมูลก่อนจึงจะใช้งานได้

ถ้าจะทำ AI ให้ไปได้ไกล ต้องลงทุนกับ “งานแปลงข้อมูล” และ “มาตรฐานการบันทึก” ตั้งแต่ต้นน้ำ

3) ปัญหาไม่ได้อยู่ที่การวิเคราะห์ แต่อยู่ที่ “การได้มาและการจัดการข้อมูล”

• การขอข้อมูล
• การรวมข้อมูลจากหลายหน่วยงาน
• การทำความสะอาดและจัดรูปแบบ
• การจัดสิทธิ์การเข้าถึงในทีมวิจัย

คอขวดของงานวิจัยข้อมูลสุขภาพ ไม่ได้อยู่ที่การวิเคราะห์
แต่อยู่ที่ระบบการเข้าถึงและการจัดการข้อมูล