บทความทบทวนใน npj Digital Medicine ของ Nature ที่เผยแพร่เมื่อ 18 พฤศจิกายน 2025 สำรวจว่า AI และอุปกรณ์สวมใส่ถูกนำมาใช้ร่วมกันอย่างไรในการดูแลผู้ป่วยเบาหวานและภาวะก่อนเบาหวาน งานชิ้นนี้คัดกรองข้อมูลมากกว่า 5,000 รายการ และคัดเลือก 60 งานวิจัยเข้าในการทบทวน จึงเป็นภาพรวมที่ช่วยบอกทิศทางของสาขานี้ได้ค่อนข้างชัดเจน
แก่นสำคัญของงานไม่ได้อยู่ที่โมเดล AI เพียงอย่างเดียว แต่คือการจับคู่ AI เข้ากับข้อมูลจากอุปกรณ์จริงที่วัดได้ต่อเนื่อง เช่น CGM และอุปกรณ์สวมใส่อื่น ๆ ซึ่งเปิดโอกาสให้เกิดการติดตามกลูโคสแบบใกล้เคียงเวลาจริง การปรับการดูแลที่ยืดหยุ่นขึ้น และการสนับสนุนการตัดสินใจที่เฉพาะบุคคลมากขึ้น
ในเชิงธุรกิจและวิศวกรรม ประเด็นนี้สำคัญมาก เพราะคุณค่าจะเกิดขึ้นได้ก็ต่อเมื่อข้อมูลจากอุปกรณ์ไหลเข้าสู่ระบบได้อย่างเชื่อถือได้ มีการตรวจสอบคุณภาพข้อมูล และแปลงเป็น workflow ที่ทีมคลินิกหรือทีมปฏิบัติการใช้งานต่อได้จริง
สำหรับองค์กรที่พัฒนาระบบสุขภาพเชื่อมต่อ แดชบอร์ดผู้ป่วย หรือแพลตฟอร์มวิเคราะห์ข้อมูล งานทบทวนนี้สะท้อนชัดว่า ความสำเร็จของ AI ในงานสุขภาพขึ้นอยู่กับทั้งฮาร์ดแวร์ ซอฟต์แวร์ การเชื่อมต่อ และความเสถียรของระบบหลังบ้าน ไม่ใช่แค่ความฉลาดของโมเดล
งานทบทวนนี้บอกอะไร
จากงานวิจัย 60 ชิ้นที่รวมอยู่ มีน้ำหนักไปทางเบาหวานชนิดที่ 2 เป็นหลัก โดย AI ถูกใช้ร่วมกับข้อมูลสรีรวิทยาจากอุปกรณ์สวมใส่เพื่อช่วยติดตามกลูโคส สนับสนุนการดูแลตนเอง และทดลองแนวทางการรักษาที่ตอบสนองกับสถานการณ์ของผู้ป่วยมากขึ้น
CGM เป็นอุปกรณ์ที่พบได้บ่อยที่สุด ซึ่งสอดคล้องกับความเป็นจริงของสาขานี้ เพราะข้อมูลกลูโคสที่เก็บต่อเนื่องและมีความละเอียดสูงเหมาะกับงานแมชชีนเลิร์นนิง การคาดการณ์เหตุการณ์ และระบบช่วยตัดสินใจทางคลินิก ขณะเดียวกัน งานยังขยายไปสู่นาฬิกาอัจฉริยะ เครื่องติดตามกิจกรรม และเซนเซอร์ชนิดอื่นเพื่อเพิ่มมิติของข้อมูล
แนวโน้มของงานวิจัยยังแสดงให้เห็นการพัฒนาจากการพยากรณ์ระดับกลูโคสไปสู่การใช้งานที่หลากหลายขึ้น เช่น การจัดการอินซูลิน การจำแนกกิจกรรม การประเมินความเครียด และการใช้สัญญาณร่างกายอื่น ๆ เพื่อสนับสนุนการดูแลที่ละเอียดและเฉพาะบุคคลมากขึ้น
จุดคอขวดอยู่ที่ชั้นข้อมูล
สิ่งที่ทีมพัฒนาควรจับตาคือคุณภาพของข้อมูล เพราะนี่คือจุดที่งานทบทวนชี้ปัญหาชัดเจน ทั้งความหลากหลายของกลุ่มตัวอย่างที่ยังจำกัด ขนาดตัวอย่างที่เล็กในหลายงาน และการรายงานข้อมูลประชากรที่ไม่สม่ำเสมอ ซึ่งทั้งหมดนี้กระทบต่อความสามารถในการนำโมเดลไปใช้จริงกับผู้ป่วยหลากหลายกลุ่ม
งานยังระบุว่าคุณภาพข้อมูลมีความแปรปรวน และยังไม่มี benchmark ที่เป็นมาตรฐานชัดเจนสำหรับประเมินประสิทธิภาพของ AI ในบริบทนี้ ดังนั้นระบบที่ดูดีในห้องทดลองอาจให้ผลต่างออกไปเมื่อเจอข้อมูลรบกวน เซนเซอร์ที่คลาดเคลื่อน หรือผู้ใช้ที่มีรูปแบบการใช้งานไม่สม่ำเสมอ
นี่คือจุดที่แนวคิดของ Paw Partners มีความหมายมาก: ข้อมูลจากอุปกรณ์ต้องถูกจัดรูปแบบ ตรวจสอบเวลา รับประกันความครบถ้วน และผ่าน workflow ที่เชื่อถือได้ก่อนจะขึ้นไปถึงแดชบอร์ดหรือระบบ AI เพราะความน่าเชื่อถือของผลลัพธ์เริ่มต้นตั้งแต่ชั้น ingestion และ data validation
สิ่งที่ควรสร้างต่อ
ข้อจำกัดที่งานทบทวนพบ ชี้ไปยังสิ่งที่ทีมผลิตภัณฑ์ควรลงทุนต่ออย่างเป็นรูปธรรม ได้แก่ โมเดลที่อธิบายได้ง่ายขึ้น เกณฑ์การประเมินที่ชัดขึ้น และผลลัพธ์ที่เข้าใจได้ในภาษาของผู้ใช้งานจริง ไม่ใช่เพียงตัวเลขคาดการณ์ที่ตีความยาก
ในเชิงปฏิบัติ ระบบควรมีการมอนิเตอร์ แจ้งเตือน บันทึก audit trail และจัดการข้อยกเว้นตลอดเส้นทางตั้งแต่ wearable ไปจนถึง dashboard หากข้อมูลขาดหาย เซนเซอร์เริ่ม drift หรือรูปแบบการใช้งานของผู้ป่วยเปลี่ยน ระบบควรสะท้อนสถานะนั้นอย่างโปร่งใส ไม่ใช่ปล่อยผ่านไปเงียบ ๆ
สำหรับทีมที่ทำงานด้าน connected devices และ digital health โอกาสไม่ได้อยู่แค่การใส่ AI ลงในแอป แต่อยู่ที่การสร้าง operating layer ที่รวมข้อมูลอุปกรณ์ เวิร์กโฟลว์การดูแล และการวิเคราะห์เข้าไว้ด้วยกัน เพื่อให้ทีมคลินิกและทีมปฏิบัติการตัดสินใจจากสัญญาณที่เชื่อถือได้