As global AI development continues to prioritize ever larger models, this collaboration presents an alternative direction: building specialized, efficient AI capable of delivering competitive performance with lower computational cost. Typhoon-Si-Med-Thinking-4B is a 4-billion-parameter model that can operate on a single consumer-grade GPU while demonstrating performance comparable to much larger international AI models.

Designed specifically for medical reasoning, the model reflects real-world clinical workflows rather than producing a single definitive output. Typhoon-Si-Med-Thinking-4B is among the first medical AI models trained to generate ranked diagnostic lists, presenting multiple potential diagnoses ordered by likelihood. This approach mirrors the differential diagnosis process used by physicians in practice and represents a shift from conventional large language models toward reasoning-based AI systems.

By emphasizing clinical reasoning over final answers, the model helps reduce the risk of automation bias and supports physicians in making informed decisions. Rather than replacing clinical judgment, Typhoon-Si-Med-Thinking-4B is designed to function as a reasoning assistant, augmenting the diagnostic process with structured medical insight.

The project reflects a shared vision between Siriraj Hospital and SCB 10X that goes beyond AI adoption to AI creation, driven by cross-disciplinary research collaboration. Clinical expertise, medical data, and real healthcare challenges from Siriraj Hospital are integrated with advanced AI research and engineering capabilities from Typhoon (SCB 10X) and SiData+, Siriraj’s data innovation unit. This collaboration demonstrates how deep domain knowledge and advanced AI research can be combined to create practical and scalable medical technologies.

The research framework and findings are presented in the paper titled “On the Robustness of Answer Formats in Medical Reasoning Models” The project began in February and led to the release of a preprint paper alongside the signing of a Memorandum of Understanding (MoU) on December 12, 2025.

Typhoon-Si-Med-Thinking-4B is currently in the early research stage and has not yet been validated for clinical deployment. The primary objective is to share medical AI knowledge developed by Thai researchers and to enable further research and innovation that can benefit healthcare systems and society.

Further technical details are available at opentyphoon.ai. The project and its implications will also be presented at SiData+ Conference 2026, to be held on Friday, January 23, 2026, at Siriraj Hospital, Faculty of Medicine, Weikij Varanusorn Auditorium, 4th Floor, Atsadang Building. Registration is available at: https://www2.si.mahidol.ac.th/sirirajconference/event/sm/content/3528/TH/34276

This session presents an in-depth overview of the ETL (Extract, Transform, Load) process used to convert hospital data from Siriraj Hospital into the OMOP Common Data Model (CDM) using SQLMesh.

The Siriraj team shares their practical experience in implementing OMOP CDM, including insights presented at the OHDSI Asia-Pacific Symposium 2024, as well as a demonstration repository available on GitHub.

🔍 Key topics include:
• Real-world data transformation workflows using SQLMesh
• Challenges and lessons learned in adopting OMOP CDM
• Applications and future directions of standardized health data

📺 Watch the full session here:
👉 https://youtu.be/4hujtIM6zJk

📖 Access session details and presentation summary:
👉 https://ohdsi-thailand.github.io/meetup/2025/06/26/ohdsi-thailand-meetup-1.html

#OMOPCDM #OHDSI #SiData #HealthInformatics #ETLPipeline #SQLMesh #HealthDataStandards #SirirajHospital #ThailandOHDSI

โดยมีวัตถุประสงค์เพื่อเป็นเวทีสำคัญในการแลกเปลี่ยนความรู้ ประสบการณ์ และนำผลงานวิจัยและนวัตกรรมด้านระบบสุขภาพไปใช้ประโยชน์อย่างมีประสิทธิภาพ โดยเน้นหัวข้อสำคัญคือ ‘มาตรฐานข้อมูล SNOMED CT: ฐานรากของนวัตกรรมการพัฒนาระบบสุขภาพไทย’ ซึ่งได้รับการสนับสนุนจากองค์การอนามัยโลกประจำประเทศไทย (WHO Thailand)

การประชุมครั้งนี้ได้เผยให้เห็นถึงศักยภาพอันมหาศาลของ SNOMED CT ซึ่งเป็น ระบบศัพท์ทางการแพทย์ที่ครอบคลุมมากที่สุดในโลกและรองรับได้หลากหลายภาษา ที่ได้รับการรับรองทางวิทยาศาสตร์และมีการปรับปรุงอย่างต่อเนื่องเพื่อสะท้อนความรู้ทางการแพทย์ล่าสุด

ประโยชน์หลักของการใช้ SNOMED CT ระบบ EHR ที่จะพลิกโฉมระบบสุขภาพไทย

• ความสามารถในการทำงานร่วมกัน (Interoperability):

  • SNOMED CT ทำหน้าที่เป็น ‘ภาษากลางด้านสุขภาพ’ ช่วยให้ระบบข้อมูลสุขภาพต่าง ๆ สามารถ ‘สื่อสาร’ และแลกเปลี่ยนข้อมูลกันได้อย่างราบรื่น

  • แก้ปัญหาการใช้คำศัพท์ หรือรหัสที่แตกต่างกันสำหรับข้อมูลทางคลินิกเดียวกันในแต่ละโรงพยาบาล ทำให้การวิเคราะห์ข้อมูลทั่วประเทศ หรือระหว่างองค์กรเป็นเรื่องง่ายขึ้น และอำนวยความสะดวกในการส่งต่อผู้ป่วยระหว่างสถานพยาบาล

  • นำไปสู่หลักการ ‘บันทึกครั้งเดียว ใช้ประโยชน์ได้หลายครั้ง (Collect once and use many times)’ ซึ่งช่วยลดความซ้ำซ้อน และเพิ่มประสิทธิภาพการทำงานของบุคลากรทางการแพทย์

• ข้อมูลที่มีความหมาย (Meaningful Data):

  • SNOMED CT กำหนดแนวคิดทางคลินิกอย่างชัดเจนด้วยรหัสเฉพาะ คำศัพท์ และความสัมพันธ์ หรือ ’ตำแหน่งที่พบ’ (Finding site) หรือ ‘สัณฐานวิทยาที่เกี่ยวข้อง’ (Associated morphology) สิ่งนี้ช่วยให้คอมพิวเตอร์สามารถ ‘เข้าใจ’ ความหมายทางคลินิกได้อย่างแม่นยำเช่นเดียวกับมนุษย์

• ข้อมูลที่นำไปปฏิบัติได้ (Actionable Data):

  • ข้อมูลทางคลินิกที่ถูกบันทึกด้วย SNOMED CT จะถูกนำไปใช้ประโยชน์เพื่อการวิจัย สร้างหลักฐานเชิงประจักษ์ และพัฒนาระบบสนับสนุนการตัดสินใจทางคลินิก (Clinical Decision Support Systems) ซึ่งช่วยให้แพทย์สามารถให้การรักษาที่ดีที่สุดและทันสมัยที่สุดแก่ผู้ป่วย

  • มีความสามารถที่ทรงพลังกว่าการจัดประเภทแบบดั้งเดิม ในการวิจัยและวิเคราะห์ข้อมูล

• ความครอบคลุมและแม่นยำ:

  • SNOMED CT ครอบคลุมข้อมูลที่สำคัญทั้งหมดสำหรับบุคลากรทางการแพทย์ ไม่ว่าจะเป็นโรค ยา หัตถการ การตรวจพบโครงสร้างร่างกาย หรือผลิตภัณฑ์ยา

  • โครงสร้างข้อมูลที่มีลำดับชั้นแบบ Polyhierarchy (แนวคิดหนึ่งสามารถมีกลุ่มต้นแบบได้หลายกลุ่ม) และไม่มีหมวดหมู่ '‘อื่น ๆ’ ทำให้การบันทึกข้อมูลมีความแม่นยำและละเอียดสูง

ตัวอย่างการประยุกต์ใช้ในระดับโลกที่น่าสนใจ:

ผู้เชี่ยวชาญจาก SNOMED International ได้นำเสนอตัวอย่างการใช้งาน SNOMED CT จากประเทศต่าง ๆ ทั่วโลก อาทิ:

• การเฝ้าระวังโรคติดเชื้อ (สวิตเซอร์แลนด์): ใช้สร้าง Dashboard แสดงผลข้อมูลโรคติดเชื้อทั่วประเทศ เพื่อช่วยในการระบุรูปแบบ ตรวจจับปัญหา และวางแผนรับมือการระบาด

• ระบบการรายงานโรคมะเร็ง (เกาหลี): ใช้สร้างแบบฟอร์มการรายงานโรคมะเร็งที่ใช้ SNOMED CT ซึ่งเชื่อมโยงกับการลงทะเบียนโรคมะเร็งระดับประเทศ

• การจัดการข้อมูลยา (นอร์เวย์): ปรับปรุงระบบการจัดการข้อมูลยาในประเทศเพื่อให้รองรับการสั่งยา การจัดซื้อจัดจ้าง และการจัดการห่วงโซ่อุปทาน

• ระบบสนับสนุนการตัดสินใจทางคลินิก (อินเดียและสหรัฐฯ): อินเดียได้พัฒนาชุดเครื่องมือ C-DEX toolkit และระบบสาธิต EHR ที่สามารถเติมข้อมูลอัตโนมัติจากความสัมพันธ์ใน SNOMED CT และแสดงการแจ้งเตือนการแพ้ยาหรือปริมาณยาเกินขนาด ซึ่งช่วยเพิ่มความปลอดภัยของผู้ป่วยอย่างมีนัยสำคัญ

• สรุปข้อมูลผู้ป่วยระหว่างประเทศ (International Patient Summary - IPS): มาตรฐานสากลที่ใช้ SNOMED CT เป็นพื้นฐานในการสรุปข้อมูลผู้ป่วยเพื่อแลกเปลี่ยนระหว่างสถานพยาบาลหรือประเทศ ซึ่งสำคัญอย่างยิ่งต่อการดูแลผู้ป่วยข้ามพรมแดน และการจัดการผู้ย้ายถิ่น

• การวิเคราะห์ข้อมูลด้านสุขภาพ (มาเลเซีย): มาเลเซียซึ่งเป็นสมาชิก SNOMED International มาก่อนประเทศไทยถึง 10 ปี (สมาชิกอันดับที่ 22) ได้นำเสนอการใช้เครื่องมือ "MyHarmony" ที่ประมวลผลข้อความทางคลินิกแบบอิสระ (Free text) ด้วยเทคนิค Natural Language Processing (NLP) เพื่อระบุและเข้ารหัสข้อมูลด้วย SNOMED CT โดยอัตโนมัติ ทำให้สามารถวิเคราะห์ตัวชี้วัดทางคลินิกได้ทันท่วงทีภายในวันเดียว แทนที่จะใช้เวลาเป็นเดือนหรือปี

ประโยชน์ต่อบุคลากรและระบบสุขภาพ:

• แพทย์: สามารถบันทึกข้อมูลโดยใช้ภาษาทางคลินิกที่คุ้นเคย ไม่จำเป็นต้องจำรหัสหรือสัญลักษณ์ที่ซับซ้อน และได้รับการสนับสนุนการตัดสินใจอย่างแม่นยำ

• ผู้บริหารโรงพยาบาล: ช่วยลดความซ้ำซ้อนของข้อมูลและทำให้ข้อมูลที่เก็บรวบรวมสามารถนำไปใช้ประโยชน์ได้หลายวัตถุประสงค์ เช่น การเบิกจ่ายค่ารักษาพยาบาลและการบริหารจัดการ

• นักวิเคราะห์ข้อมูลและนักวิจัย: สามารถดึงข้อมูลที่ละเอียดและแม่นยำ เพื่อวิเคราะห์แนวโน้มสุขภาพประชากร ระบุกลุ่มเสี่ยง และประเมินประสิทธิผลของการรักษา โดยใช้ความสามารถของ SNOMED CT ในการสืบค้นข้อมูลที่เฉพาะเจาะจงสูง (Expression Constraint Language - ECL)

ก้าวต่อไปของประเทศไทยกับ SNOMED CT:

ประเทศไทยในฐานะสมาชิกอันดับที่ 42 ของ SNOMED International มีโอกาสอันดีในการพัฒนาระบบสุขภาพให้ก้าวหน้ายิ่งขึ้น โดยการนำ SNOMED CT มาใช้เป็นรากฐานในการสร้างสรรค์ระบบข้อมูลสุขภาพที่เชื่อมโยงถึงกันได้อย่างแท้จริง SNOMED International มีความมุ่งมั่นที่จะสนับสนุนประเทศสมาชิกอย่างเต็มที่ ด้วย เครื่องมือแบบ Open-source ฟรี เช่น Snap2Snomed สำหรับการทำ Mapping code กับระยยรหัสอื่น ๆ [USER1] และ Snowstorm/Snowstorm Light ซึ่งเป็นคลังคำศัพท์ทางการแพทย์ที่ช่วยให้การจัดการและสืบค้นข้อมูลรวดเร็วและมีประสิทธิภาพ นอกจากนี้ ยังมี หลักสูตร e-learning ฟรี ทั้งหลักสูตรพื้นฐาน (Foundation Course) และหลักสูตรการนำไปใช้งาน (Implementation Course) เพื่อเสริมสร้างขีดความสามารถของบุคลากรทางการแพทย์และผู้พัฒนาระบบในประเทศ

การนำ SNOMED CT มาใช้อย่างกว้างขวางและสอดคล้องกันทั่วทั้งระบบสุขภาพของไทย ทั้งภาครัฐและเอกชน จะเป็นกุญแจสำคัญในการปลดล็อกศักยภาพสูงสุดของบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) นำไปสู่การดูแลผู้ป่วยที่ดีขึ้น การตัดสินใจที่มีประสิทธิภาพมากขึ้น และระบบสุขภาพที่เข้มแข็งอย่างยั่งยืนในอนาคต

การนำ SNOMED CT มาใช้อย่างกว้างขวางและสอดคล้องกันทั่วทั้งระบบสุขภาพของไทย ทั้งภาครัฐและเอกชน จะเป็นกุญแจสำคัญในการปลดล็อกศักยภาพสูงสุดของบันทึกข้อมูลสุขภาพอิเล็กทรอนิกส์ (EHR)
เพื่อประโยชน์ในการเชื่อมโยงข้อมูลที่แม่นยำและมีมาตรฐานเดียวกัน ช่วยให้การดูแลผู้ป่วยมีความถูกต้องและรวดเร็วขึ้น การตัดสินใจทางการแพทย์จะมีประสิทธิภาพสูงสุด และเพิ่มโอกาสในการรักษาผู้ป่วยได้อย่างดีที่สุด อีกทั้งยังช่วยผลักดันระบบสุขภาพไทยให้แข็งแกร่งและยั่งยืนในอนาคต พร้อมเปิดทางให้การวิจัยและการพัฒนานโยบายสุขภาพสามารถทำได้อย่างเต็มประสิทธิภาพ

SNOMED Courses สําหรับผู้ที่สนใจเรียนรู้และใช้งาน SNOMED CT

ลงทะเบียนเรียนผ่านระบบ SNOMED CT E-Learning Platform โดยในแต่ละ Courses ไม่ได้จํากัดเวลาในการเรียน เนื้อหาหลักสูตรที่แนะนําให้เรียน เช่น Foundation course, Implementation course และเมื่อเรียนเสร็จแล้วก็สามารถสอบประเมินผลเพื่อขอ Certificated ได้

สมสท.แนะนําสําหรับผู้ที่สนใจดาวน์โหลดชุดข้อมูล SNOMED CT (Release File)

สามารถสมัครสมาชิกผ่านระบบ MLDS (Member Licensing and Distribution Service) ของประเทศไทย : คลิก เพื่อเข้าถึงและดาวน์โหลดไฟล์เวอร์ชันที่เผยแพร่ได้อย่างถูกต้อง

ช่องทางการติดตามข่าวสารที่เกี่ยวข้องกับ SNOMED CT

1. เว็บไซต์ สำนักพัฒนามาตรฐานระบบข้อมูลสุขภาพไทย (สมสท.) เข้าถึงได้จาก https://this.or.th/

2. Facebook Fanpage: Thai Health Information Standards development center (THIS)

3. ติดต่อเรื่อง: SNOMED CT กับ สมสท. โทร: 02-027-9711 ต่อ 9086

ดังนั้น พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 หรือ PDPA (Personal Data Protection Act) จึงมีขึ้นเพื่อให้ทุกคนตระหนักถึงความสำคัญของการคุ้มครองข้อมูลส่วนบุคคล

ผู้ที่มีส่วนเกี่ยวข้องกับข้อมูลส่วนบุคคลของเรามีใครบ้าง?

1. ผู้ควบคุมข้อมูลส่วนบุคคล (Data Controller): บุคคลหรือนิติบุคคลที่มีอำนาจตัดสินใจเกี่ยวกับการเก็บรวบรวม ใช้ หรือเปิดเผยข้อมูลส่วนบุคคล

2. ผู้ประมวลผลข้อมูลส่วนบุคคล (Data Processor): บุคคลหรือนิติบุคคลที่ดำเนินการเกี่ยวกับการเก็บรวบรวม ใช้ หรือเปิดเผยข้อมูลส่วนบุคคล ตามคำสั่งของผู้ควบคุมข้อมูลส่วนบุคคล

และไม่ว่าคุณจะมีบทบาทใดในการดำเนินการที่เกี่ยวข้องกับข้อมูลส่วนบุคคล ก็ต้องปฏิบัติตามกฎหมาย PDPA อย่างเคร่งครัด เพื่อป้องกันการละเมิดข้อมูลส่วนบุคคลและสิทธิความเป็นส่วนตัวของเจ้าของข้อมูลส่วนบุคคล

ซึ่งหนึ่งในวิธีการที่เหมาะสมเพื่อป้องกันไม่ให้เกิดการละเมิดข้อมูลส่วนบุคคล นั่นคือ การปกปิดข้อมูลส่วนบุคคลที่เป็นตัวเลข เพื่อไม่ให้บุคคลอื่นสามารถระบุตัวตนของเจ้าของข้อมูลส่วนบุคคลได้โดยง่าย

แล้วจะปกปิดข้อมูลส่วนบุคคลที่เป็นตัวเลขอย่างไรให้เหมาะสม

หลักการสำคัญในการปกปิดข้อมูลส่วนบุคคลที่เป็นตัวเลขคือ การปกปิดข้อมูลตัวเลขบางส่วนเพื่อไม่ให้บุคคลอื่นสามารถระบุตัวตนของเราได้โดยง่าย โดยมีแนวทางดังนี้:

• เบอร์โทรศัพท์ ตัวอย่างเช่น ปกปิดตัวเลขด้านหน้าหรือด้านหลังอย่างน้อย 5 หลัก เช่น XX-XXX6-4456 หรือ 08-564*-****

• เลขบัตรประชาชน ตัวอย่างเช่น ปกปิดตัวเลขด้านหน้าและด้านหลังอย่างน้อย 4 หลัก เช่น X-XXX7-8978X-XX-X หรือ *-***7-8977*-**-*

เคล็ดลับเพิ่มเติม:

• ใช้สัญลักษณ์แทนตัวเลข ตัวอย่างเช่น เครื่องหมายดอกจัน (*) หรือเครื่องหมายอื่น ๆ เพื่อปกปิดข้อมูล

• ตรวจสอบความเหมาะสม ก่อนที่จะปกปิดข้อมูล ควรพิจารณาว่าข้อมูลที่ถูกปกปิดไปนั้น ยังคงสามารถนำไปใช้งานตามวัตถุประสงค์ได้หรือไม่

• ศึกษา PDPA ให้เข้าใจ: ทำความเข้าใจกฎหมาย PDPA อย่างละเอียด เพื่อให้การปกปิดข้อมูลเป็นไปตามข้อกำหนด

ปกป้องข้อมูลส่วนตัวของคุณวันนี้ เพื่อความปลอดภัยในวันหน้า!

การปกปิดข้อมูลส่วนบุคคลที่เป็นตัวเลข เป็นเพียงหนึ่งในมาตรการเพื่อคุ้มครองข้อมูลส่วนบุคคลตาม PDPA ยังมีมาตรการอื่น ๆ ที่คุณควรศึกษาและนำไปปฏิบัติ เพื่อให้การคุ้มครองข้อมูลส่วนบุคคลของคุณมีประสิทธิภาพและยังสามารถนำไปงานตามวัตถุประสงค์ได้อย่างเหมาะสม

Author: ศรชัย บุญวัชราภัย, SiData+ Blog admin team

Editor: ปิย์ญาพร กิวสันเที๊ยะ, นิติกร ศูนย์นวัตกรรมข้อมูลศิริราช

Link ผลงาน​

https://public.tableau.com/app/profile/digi.thailand/viz/senilecataractsi-blitz_17255231735950/dashboard

จุดเด่นของการออกแบบ คือ

1. การจัดวางข้อมูลที่สมดุลและน่าสนใจ

   Dashboard นี้ใช้กราฟิกและแผนภาพที่ช่วยให้ข้อมูลที่ซับซ้อนสามารถสื่อสารได้อย่างชัดเจน เช่น

   • แผนภูมิแสดงจำนวนผู้ป่วยสะสมและสัดส่วนการรักษาในแต่ละพื้นที่

   • กราฟแสดงจำนวนจักษุแพทย์ในโรงพยาบาลต่างๆ

   • แผนที่เชิงภูมิศาสตร์ที่แสดงแนวโน้มการกระจายตัวของผู้ป่วยต้อกระจกในแต่ละจังหวัด การออกแบบนี้ช่วยให้ผู้ใช้งานสามารถเข้าใจข้อมูลได้อย่างรวดเร็วและมีประสิทธิภาพ

2. การใช้สีเพื่อเน้นข้อมูลสำคัญ

   สีไม่เพียงเพิ่มความสวยงาม แต่ยังช่วยสื่อสารข้อมูลสำคัญได้อย่างชัดเจน เช่น

   • การใช้โทนสีเพื่อแสดงสถานะความเร่งด่วนของการรักษา

   • การใช้สีเพื่อระบุระดับความเสี่ยงของผู้ป่วย

3. การออกแบบที่ตอบโจทย์ผู้ใช้งานจริง (User-Centered Design)

   Dashboard นี้ถูกออกแบบมาเพื่อให้ผู้ใช้งานสามารถเข้าถึงข้อมูลได้อย่างลึกซึ้งและสะดวก เช่น

   • ฟีเจอร์การค้นหาและกรองข้อมูลรายโรงพยาบาลหรือพื้นที่

   • การแสดงข้อมูลเชิงลึกเกี่ยวกับการคัดกรองต้อกระจกในแต่ละจังหวัด

   • การนำเสนอข้อมูลในรูปแบบที่ปรับแต่งได้ตามความต้องการของผู้ใช้งาน

Positive Impact

1. สนับสนุนการบริหารจัดการสุขภาพระดับประเทศ

   ข้อมูลที่นำเสนอใน Dashboard ช่วยให้หน่วยงานสาธารณสุขสามารถวางแผนการจัดสรรทรัพยากรได้อย่างมีประสิทธิภาพ เช่น การกระจายจักษุแพทย์ อุปกรณ์การรักษา และการจัดสรรงบประมาณให้เหมาะสมกับพื้นที่ที่มีความต้องการสูง

2. เพิ่มความตระหนักรู้ให้กับบุคลากรทางการแพทย์และประชาชน

   Dashboard นี้ช่วยสะท้อนถึงความสำคัญของการคัดกรองต้อกระจก ซึ่งเป็นปัญหาสุขภาพที่สามารถป้องกันและรักษาได้หากพบในระยะเริ่มต้น การนำเสนอข้อมูลในรูปแบบที่เข้าใจง่ายจะช่วยกระตุ้นให้ประชาชนตระหนักถึงความจำเป็นในการตรวจสุขภาพตา

3. การตรวจสอบและติดตามสถานการณ์ได้อย่างทันท่วงที

   ข้อมูลที่อัปเดตอย่างสม่ำเสมอช่วยให้โรงพยาบาลและหน่วยงานที่เกี่ยวข้องสามารถติดตามสถานะการคัดกรองและการรักษาได้อย่างรวดเร็ว และปรับแผนการทำงานให้สอดคล้องกับสถานการณ์จริง

   ทีมผู้พัฒนามีความมุ่งมั่นที่จะสร้าง Dashboard ที่ไม่เพียงสวยงาม แต่ยังมีประโยชน์ต่อสังคม โดยหวังว่าข้อมูลที่ปรากฏใน Dashboard จะช่วยสร้างการตระหนักรู้เกี่ยวกับปัญหาต้อกระจก และเป็นเครื่องมือสำคัญในการสนับสนุนการตัดสินใจเพื่อพัฒนาระบบสาธารณสุขของประเทศไทยให้มีประสิทธิภาพมากขึ้น

__________________________________________________________

ผลงานจากโครงการ DIGI Data Camp Season 3: เขาว่าสายตาหลอกกันไม่ได้
ศูนย์นวัตกรรมข้อมูลศิริราช คณะแพทยศาสตร์ศิริราชพยาบาล มหาวิทยาลัยมหิดล
จัดทำโดย
คุณศักดิ์ณรงค์ สมบัติเจริญ
คุณศศินา เถียรพรมราช
คุณธัญพิชชา ยอดแก้ว
คุณสรชัช สารชุม
คุณชินพัฒน์ อ้อนประเสริฐ

____________________________________________________________

Author: นางสาวศศินา เถียรพรมราช Data Analyst, SiData+

Editor:

1. นางสาวศศินิภา อุทัยสอาด Blog Admin, SiData+

2. นายศรชัย บุญวัชราภัย Blog Admin’s team, SiData+

This event covered the following topics:

1. AI Integration for Improved Patient Care
   Approaches to utilizing AI for better diagnostics and treatment.

2. Enhancing Healthcare Delivery through AI
   Effective strategies for using AI to optimize workflows, minimize administrative tasks, and improve operational efficiency.

3. Achieving Measurable Clinical Outcomes
   Techniques for applying AI research to drive tangible improvements in patient outcomes.

Session 1: "Building More Generalization Medical AI"
via Natthawut ‘Max’ Adulyanukosol
Deputy Director of Siriraj Informatics and Data Innovation Center

Thailand is taking its first steps toward integrating medical AI into clinical practice, and data is key. Max showcased how Siriraj Hospital is leveraging its data to prepare for the upcoming wave of medical AI, emphasizing the importance of making these advancements accessible not only at Siriraj but also at smaller hospitals. We invite other hospitals to join a collaborative effort on data standardization by adopting a standard data model.

Session 2: "The MOOVE"
via Dr. Mary-Anne Hartley
Professor, MD, Yale School of Medicine & EPFL School of Computer Science

Massive Online Open Validation and Evaluation for Continuous Real-World Alignment in Clinical Chatbots." We explored how LLMs can democratize medical knowledge despite challenges like licensing, privacy issues, and limited applicability. Meditron-70B, a leading open-source medical chatbot, tackles these challenges with carefully curated guidelines. The MOOVE platform further assesses real-world clinical utility by crowdsourcing expert evaluations—offering participants localized chatbots in exchange for rigorous validation of safety, bias, and trust. By including local clinicians in the evaluation loop, it will ensure the AI model's adaptability to local settings.

Session 3: "From AI Bias to AI By Us, For All of Us"
via Dr. Leo Anthony Celi
Senior Research Scientist, Massachusetts Institute of Technology

AI's impact is raising critical concerns: exacerbating climate change and reinforcing biases to create monopolies. Yet, despite these challenges, AI has the potential to revolutionize healthcare and foster systemic, integrated thinking. Realizing this potential means more than just developing new models; it requires a fundamental redesign of our knowledge, education, and innovation systems. Traditional solutions may not suffice in the age of AI. We need every stakeholder involved—doctors, nurses, developers, students, and even patients—in planning AI solutions. By collaborating together, we can create AI that truly works for all of us.

In addition to insightful speeches from our speakers, we also had a lively conversation about medical AI, focusing on pushing medical AI into real-world clinical practice. The audience actively joined the discussion, sharing their unique perspectives and experiences. This event marks a small, but significant step toward Thailand's journey in applying medical AI to improve patient health. We are glad to be a part of this step, and we look forward to a future of continued progress and innovation.

Author: Sornchai Boonwatcharapai, SiData+ Blog Team

Editor: Sasinipa Uthaisaad, SiData+ Blog Admin

ในยุคที่องค์กรขนาดใหญ่ต้องจัดการกับข้อมูลและเอกสารจำนวนมหาศาล เทคโนโลยี AI สามารถช่วยในการจัดการองค์ความรู้ภายในองค์กรได้

วันนี้ผมเลยมาขอแบ่งปันประสบการณ์การพัฒนาระบบ AI Chatbot สำหรับจัดการองค์ความรู้ภายในโรงพยาบาลศิริราช โดยใช้เทคโนโลยี Large Language Model (LLM) จาก Typhoon ครับ (https://opentyphoon.ai/)

ความท้าทายในการจัดการองค์ความรู้ของศิริราช

ความท้าทายในการจัดการองค์ความรู้ขององค์กรขนาดใหญ่อย่างโรงพยาบาลศิริราช คือ มีเอกสารสำคัญที่บุคลากรต้องใช้อ้างอิงในการปฏิบัติงานจำนวนมาก ทั้งหนังสือเวียน (คำสั่ง ประกาศ) และเอกสารคุณภาพ (นโยบาย ระเบียบปฏิบัติระหว่างหน่วยงานและภายในหน่วยงาน) ซึ่งมีจำนวนหลักหลายหมื่นฉบับ (ทั้งที่ active และ inactive ไปแล้ว)

คุณพบปัญหาเดียวกันมั้ย?

1. การจะขออนุมัติเพื่อปฏิบัติงานหนึ่งหนึ่ง มักต้องอ้างอิงเอกสารหลายฉบับประกอบกัน
2. บุคลากรต้องทราบว่า ควรเลือกใช้ประกาศ ระเบียบ คำสั่ง หรือ Template เอกสารฉบับใดบ้าง ฉะนั้น บุคลากรท่านนี้จะต้องรู้จักเอกสารที่จำเป็นต้องใช้ทั้งหมดในอดีต และปัจจุบัน (ซึ่งมีจำนวนมาก) เพื่อให้เลือกนำมาใช้งานได้ถูกต้อง และครบถ้วนกับเรื่องที่จะเสนอขออนุมัตินั้น ๆ
3. ต้องอ่านและทำความเข้าใจรายละเอียดของเอกสารแต่ละฉบับว่า สอดคล้องกับเรื่องที่ต้องการขออนุมัติหรือไม่ หากไม่…ก็ต้องหาประกาศ หรือคำสั่งฉบับอื่นที่สอดคล้องมาใช้ครับ ซึ่งหากไม่ทราบ หรือนำมาใช้ได้ไม่ครบถ้วน ย่อมส่งผลต่อกระบวนการทำงานหน้างาน ทำให้ขาดองค์ประกอบที่สำคัญในการปฏิบัติงาน หรืออาจกระทบต่อผู้รับบริการในโรงพยาบาลอย่างหลีกเลี่ยงไม่ได้
4. ข้อมูลของศิริราชแทบทุกอย่าง มีความอ่อนไหวสูง ต้องรักษาความลับ และความปลอดภัย เราจึงตั้งมาตรฐานสูงกับการพัฒนาโครงการที่เกี่ยวข้องกับข้อมูลของศิริราช เพราะองค์กรที่ละเลยการรักษาความปลอดภัยของข้อมูลมักเจอปัญหาใหญ่ตามมา เช่น ข้อมูลรั่วไหล ซึ่งมีบทลงโทษในทางแพ่ง และมีผลกระทบต่อภาพลักษณ์ และชื่อเสียงขององค์กรที่มากมายจนตีมูลค่าไม่ได้

AI และ Typhoon LLM: ตัวช่วยพลิกเกมจัดการความรู้

เราจึงเลือกใช้ Typhoon LLM เป็นเทคโนโลยีหลักในการพัฒนาระบบ ด้วยเหตุผลสำคัญ คือ
1. รักษาความปลอดภัยของข้อมูล เนื่องจากข้อมูลทั้งหมดที่เอาเข้า Typhoon LLM จะอยู่ในประเทศไทย
2. มีความสามารถในการประมวลผลภาษาไทย ซึ่งเราใช้เทคโนโลยี RAG (Retrieval-Augmented Generation) ในการพัฒนาระบบ ซึ่งช่วยให้:
- ค้นหาข้อมูลจากเอกสารจำนวนมากได้พร้อมกัน
- เข้าใจความสัมพันธ์ระหว่างเอกสารต่าง ๆ
- ตอบคำถามพร้อมอ้างอิงแหล่งที่มา
- คำตอบทุกอย่างอ้างอิงจากเอกสารทางการเท่านั้น

ก้าวสั้น ๆ ของพวกเรา กับความหวังในการเติมเต็มองค์กร

เราเริ่มกับระบบ FAQ ภายในของศูนย์นวัตกรรมข้อมูลศิริราช (SiData+) เป็นอันดับแรก และได้ผลตอบรับที่น่าพอใจ บุคลากรสามารถค้นหาข้อมูลได้รวดเร็วขึ้น และได้ข้อมูลที่ถูกต้องตรงตามเอกสารอ้างอิง โดยแผนการพัฒนาต่อไป คือ:
- ขยายฐานความรู้ให้ครอบคลุมทุกหน่วยงาน
- เพิ่มความสามารถในการตอบคำถามที่ซับซ้อน
- พัฒนาโมดูลเฉพาะทางสำหรับแต่ละหน่วยงาน
- เพิ่มฟีเจอร์ตามความต้องการของผู้ใช้

เคล็ดลับ 5 ข้อสำหรับองค์กรที่อยากใช้ AI จัดการองค์ความรู้

ในความเห็นของผม ขออนุญาตมีข้อแนะนำสักเล็กน้อยสำหรับองค์กรที่สนใจนำ AI มาใช้ในการจัดการองค์ความรู้นะครับ

1. เริ่มจากความต้องการและปัญหาที่แท้จริงขององค์กร
2. ให้ความสำคัญกับความปลอดภัยของข้อมูลตั้งแต่เริ่มต้น
3. เลือกเทคโนโลยีที่เหมาะกับบริบทขององค์กร
4. เริ่มจากโครงการนำร่องขนาดเล็กก่อนขยายผล
5. รับฟังและปรับปรุงตามความต้องการของผู้ใช้งานจริง

โครงการนี้ทำให้ผมเห็นว่า การนำ AI มาใช้ในองค์กรไม่จำเป็นต้องพึ่งพาเทคโนโลยีจากต่างประเทศเสมอไป เราสามารถใช้เทคโนโลยีที่พัฒนาในประเทศไทย ที่เข้าใจบริบทของเรา และรักษาความปลอดภัยของข้อมูลได้อย่างมีประสิทธิภาพได้

นี่อาจเป็นเพียงจุดเริ่มต้นของการเดินทางของพวกเราที่ได้แสดงให้เห็นว่า AI สามารถเปลี่ยนความท้าทายให้เป็นโอกาสได้อย่างไรในศิริราช และผมหวังว่า นี่อาจเป็นแรงบันดาลใจให้องค์กรของคุณเริ่มต้นก้าวแรกในการนำเทคโนโลยีที่น่าสนใจอย่างเช่น AI มาใช้พัฒนาองค์กรได้ครับ

ขอบคุณที่อ่านจนจบครับ ก้าวต่อไปของพวกเราจะเป็นยังไงต่อไป ผมจะหาโอกาสมา Update นะครับ (ช่วยเป็นกำลังใจให้พวกเราด้วยนะครับ ><)

Author: นายแพทย์เปี่ยมบุญ ธมโชติพงศ์, Clinical Ambassador at Siriraj Informatics and Data Innovation Center (SiData+)

Editor: นางสาวศศินิภา อุทัยสอาด, SiData+ Blog Admin,
นายทศพร แสงจ้า, Data Scientist at SiData+
นายศรชัย บุญวัชราภัย, SiData+ Blog Team
นางสาวนภิสา สวยสมบูรณ์, SiData+ Blog Team

นอกจากนี้ คุณณัฐวุฒิ อดุลยานุโกศล ยังได้เป็นผู้นำในการจัดตั้ง OMOP CDM & OHDSI Chapter ในประเทศไทย ซึ่งเป็นนิมิตหมายที่ดีในการร่วมพัฒนาบุคลากรการวิจัยทางการแพทย์ในประเทศ รางวัลนี้จึงเป็นการยกย่องการอุทิศตนของคุณณัฐวุฒิ และทีม SiData+ ในการพัฒนาชุมชนวิจัยข้อมูลสุขภาพระดับโลก และถือเป็นก้าวสำคัญในความก้าวหน้าด้านการวิจัยข้อมูลสุขภาพของไทย อ่านบทความฉบับเต็มได้ที่ MaxNAdul.com

จึงได้ริเริ่มโครงการ "การพัฒนานวัตกรรมระบบเชื่อมโยงข้อมูลสุขภาพของผู้ป่วยเพื่อยกระดับความมั่นคงสุขภาพในการพัฒนาระบบริการและนโยบายด้านสุขภาพ: การเชื่อมโยงข้อมูลบริการสุขภาพผู้สูงอายุของโรงพยาบาลศิริราชและสำนักงานหลักประกันสุขภาพแห่งชาติ" ด้วยความร่วมมือของคณะแพทยศาสตร์ศิริราชพยาบาล มหาวิทยาลัยมหิดล และสำนักงานหลักประกันสุขภาพแห่งชาติ (สปสช.) ขึ้นในปี 2566 นี้

คณะปฏิบัติงานจากศูนย์นวัตกรรมข้อมูลศิริราช (SiData+) และหน่วยวิจัยเพื่อขับเคลื่อนนโยบายสุขภาพ (SiHP) ภายใต้ทุนสนับสนุนจากศูนย์ความเป็นเลิศด้านชีววิทยาศาสตร์ (องค์การมหาชน) (TCELS) จึงได้จัดการอบรมเชิงปฏิบัติการ หัวข้อ “พื้นฐาน OMOP CDM มาตรฐานข้อมูลทางการแพทย์ระดับสากลสู่งานวิจัย” ในวันพฤหัสบดีที่ 21 กันยายน 2566 เวลา 09.00 – 17.00 น. ณ ห้อง A01AB ชั้น 10 อาคาร KX Knowledge Xchange Building (BTS วงเวียนใหญ่)

บรรยายโดย นายณัฐวุฒิ อดุลยานุโกศล
BA Hons (Cantab). Deputy Director of Siriraj Informatics and Data Innovation Center (SiData+). PhD Biomedical and Health Informatics Student, University of North Carolina at Chapel Hill, USA

และวิทยากรับเชิญ Asst. Prof. Mengling ‘Mornin’ Feng, PhD. Assistant Director of Research at Institute for Data Science, National University of Singapore จากประเทศสิงคโปร์

ในครั้งนี้ นักวิจัย ผู้ช่วยวิจัย อาจารย์ และแพทย์ จากโรงเรียนแพทย์ชั้นนำทั่วประเทศ กว่า 50 คน ต่างให้ความสนใจเข้าร่วม อาทิ คณะแพทยศาสตร์ศิริราชพยาบาล คณะแพทยศาสตร์โรงพยาบาลรามาธิบดี คณะแพทยศาสตร์วชิรพยาบาล และคณะแพทยศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย ภาคีเครือข่ายของโครงการจากฝ่ายนวัตกรรมข้อมูลอัจฉริยะ สำนักงานหลักประกันสุขภาพแห่งชาติ (สปสช.) รวมทั้งคู่ค้าของคณะแพทยศาสตร์ศิริราชพยาบาล

ผู้เข้าร่วมได้เรียนรู้มาตรฐานข้อมูลการวิจัยทางการแพทย์ระดับสากล OMOP CDM สามารถใช้งานเครื่องมือของ OHDSI ที่รองรับมาตรฐาน OMOP CDM ในงานวิจัยเบื้องต้นได้ ทราบแนวทางการนำข้อมูลไปใช้เพื่อการวิจัยในรูปแบบ Observational Research เข้าใจหลักการธรรมาภิบาลข้อมูล (Data Governance) ทั้งด้านคุณภาพข้อมูล การรักษาความเป็นส่วนตัว (Privacy) และจริยธรรมการวิจัย และมีเครือข่ายและความร่วมมือทางการวิจัยทางการแพทย์อีกด้วย

มาตรฐานข้อมูลวิจัยทางการแพทย์แห่งชาติ อยู่ไม่ไกลเกินเอื้อม หากท่านสนใจเข้าร่วมเป็นส่วนหนึ่งของพวกเรา โปรดติดตามกิจกรรมที่น่าสนใจของโครงการได้เร็ว ๆ นี้

ช่องทางการติดต่อสอบถาม

ศูนย์นวัตกรรมข้อมูลศิริราช (SiData+)
อีเมล sidata@mahidol.ac.th
โทร 02-414-1368, 02-419-5423

• ✅ Thailand National AI Strategy: Ethics and Governance Issues

• ✅ AI & Data Governance: International Perspectives

• ✅ Data & AI Policy Clinic Initiative

• ✅ Data & AI Clinic: Knowledge Exchange (US, EU, Latin America)

session แรก

🎯 Thailand National AI Strategy: Ethics and Governance Issues

ETDA กล่าวว่า ยุทธศาสตร์ด้านปัญญาประดิษฐ์ (AI) ในประเทศไทยเป็น Innovative strategy เป็นหลัก ซึ่งเน้นให้เกิดการพัฒนา AI และนำไปใช้ในอุตสาหกรรมต่างๆ โดยจะโฟกัสที่จริยธรรมในการพัฒนา AI มากกว่าที่จะกำหนดบทลงโทษ และเน้นย้ำเรื่อง Human-centered AI ซึ่งหมายถึง AI ที่ไม่เบียดเบียนมนุษย์ เนื่องจากในสังคมปัจจุบันมีการพูดถึง AI ในแง่การทำงานที่สามารถทดแทนมนุษย์ได้ EDTA จึงอยากจะเน้นย้ำและนำเสนอเรื่องนี้ว่า ภาครัฐควรจะส่งเสริมการพัฒนา AI ที่ช่วยสนับสนุนการทำงานของมนุษย์ มากกว่าการมีมุมมองว่า AI ที่จะมาทำงานทดแทนมนุษย์

ตอนนี้ประเทศไทยมียุทธศาสตร์ด้าน AI ปี 2565-2570 แล้ว กล่าวโดยสรุป คือ

1. วางมาตรฐาน กฎระเบียบ เน้นส่งเสริม ไม่ลงโทษ
2. มีการใช้ AI มากขึ้น โดยตอนนี้มี sector ที่ใช้ AI เยอะขึ้น ได้แก่ Healthcare, Finance, Government service
3. สร้างบุคลากรในระดับอุดมศึกษา 30,000 คน
4. สร้างและสนับสนุนให้เกิดนวัตกรรมต้นแบบ 100 Prototype
5. การนำไปใช้งานและสร้างมูลค่ามากกว่า 60,000 ล้านบาท

✅ AI & Data Governance: International Perspectives

ใน session นี้มีการแลกเปลี่ยนมุมมองว่า ในหลายประเทศพิจารณา และศึกษากฎหมายทาง AI ethics ของ EU เนื่องจาก EU ให้ความสำคัญกับด้าน AI ethics เป็นอย่างมากทั้งยังเข้มงวดมากกว่า เมื่อเปรียบเทียบกับกฎหมายของ USA ที่ส่วนมากจะเป็น Hands on Approach พร้อมให้ข้อมูลว่า ด้านการพัฒนา AI นั้น มีการเติบโตค่อนข้างสูง ทั้งในด้านปริมาณการตีพิมพ์วารสาร และปริมาณเงินในการลงทุนกับ AI โดย sector ที่มีการใช้ AI จำนวนมากขึ้น ได้แก่ Healthcare, Finance, Government services เช่นเดียวกันกับบ้านเรา

สำหรับด้านนโยบายนั้น EU จะเป็น Precautious strategy ซึ่งเน้นควบคุมดูแลเข้มงวดทุกระเบียบ ผ่านการออกกฎหมาย EU Artificial intelligent Act เป็น Horizontal regulation และมี Vertical regulation ตาม sector เช่น Healthcare, Finance และจะเน้นสิทธิขั้นพื้นฐาน (Fundamental right) ของประชาชนมากกว่า Innovation

แตกต่างจากฝั่ง USA ที่จะเน้นใช้ Innovative strategy ซึ่งจะไม่มีการออกกฎหมายควบคุม AI แต่จะมีเพียง Vertical regulation ของแต่ละ sector แทน เช่น FDA: Regulatory framework (2019)

Horizontal regulation หรือ บังคับแนวระนาบ เป็นการบังคับใช้กฎเป็นการทั่วไป ทุกคนต้องถูกบังคับด้วยกฎ นั้น ส่วน Vertical regulation หรือ บังคับแนวดิ่ง เป็นการบังคับใช้กฎเป็นการเฉพาะ กฎนั้นจะถูกใช้บังคับสำหรับบุคคลใดบุคคลหนึ่ง หรือ เหตุการณ์ใดเหตุการณ์หนึ่งเท่านั้น

✅ Data & AI Policy Clinic Initiative

ใน Session นี้ มีการเเลกเปลี่ยนมุมอง AI Framework ของประเทศไทยที่อยู่ระหว่างการพัฒนา และดูว่า มีความถูกต้อง เหมาะสม และสอดคล้องกับต่างชาติมากน้อยเพียงใด

เริ่มต้นจากภาครัฐ

DGA ให้ข้อมูลว่า Sector ใหญ่ ๆ ที่มีการดำเนินการด้าน AI ส่วนมากจะเป็น Health, Government และ Finance พร้อมให้ข้อมูลว่า สำนักงานพัฒนารัฐบาลดิจิทัล (องค์การมหาชน) (สพร.) หรือ DGA ได้จัดตั้งศูนย์ปัญญาประดิษฐ์ภาครัฐ (AI Government Center, AIGC) ที่สามารถให้คำปรึกษากับหน่วยงานที่สนใจพัฒนา AI เพื่อให้สอดคล้องกับยุทธศาสตร์ด้วย

สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ (สวทช.)

ได้ทำเรื่อง AI Ethic เพื่อขยายความเป็น 8 ข้อ ว่า ทุกโครงการที่ทำกับสวทช. ต้องผ่านตากรรมการ พร้อมตั้งกฎ (rules) จำนวน 38 ข้อ แบ่งออกเป็น 1.Lab Prototype 2.Field test prototype 3.Industrial prototype/ commercial ซึ่งต้อง train AI ไม่ให้มีอคติ (bias) ร่วม

สำหรับเรื่องจริยธรรมปัญญาประดิษฐ์ สามารถศึกษาเพิ่มเติมได้จาก Thailand AI Ethics Guideline จัดทำโดย สำนักงานคณะกรรมการดิจิทัลเพื่อเศรษฐกิจและสังคมแห่งชาติ กระทรวงดิจิทัลเพื่อเศรษฐกิจและสังคม https://www.onde.go.th/assets/portals/1/files/Thailand%20AI%20Ethics%20Guideline%20(White%20paper)%20Edit%20Version.pdf

และด้วยความต้องการที่จะสนับสนุนให้นำ AI มาช่วยและใช้ประโยชน์

ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (National Electronics and Computer Technology Center : NECTEC)

ได้สร้างความร่วมมือกับภาคการศึกษา ภาคเอกชน จำนวนมาก และเนื่องจากประเทศไทยยังไม่ได้มีผู้เชี่ยวชาญ (expert) มากนัก เบื้องต้นจึงเน้นการใช้งานแบบเร่งด่วนไปก่อน จึงจะเห็นได้ว่า ช่วงเริ่มต้น AI ส่วนใหญ่ภาครัฐจะเริ่มทำจาก Chatbot แต่เนื่องจากมีค่าใช้จ่ายสูง และแยกกันทำในแต่ละหน่วยงาน จนนำไปสู่คำถามจำนวนมากกว่า Chatbot ดังกล่าวนั้น ตอบโจทย์ปัญหาที่แท้จริงหรือไม่ ทำให้ DGA ได้ดำเนินการสร้าง Chatbot platform กลาง เพื่อให้นักพัฒนาหรือผู้ใช้งานได้เข้ามาทดลองใช้ก่อน นอกจากนี้ ยังมีการอบรมให้ความรู้ด้าน Design Thinking ว่า AI สามารถช่วยงานในเรื่องใดบ้าง ส่วนเรื่อง Data Governance ยังคงเป็น phase ในการให้ความรู้ต่อไป

มุมมองผ่านงานวิจัยของ นายแพทย์ไพศาล ร่วมวิบูลย์สุข นายแพทย์ทรงคุณวุฒิ กลุ่มงานจักษุวิทยา โรงพยาบาลราชวิถี

ได้ร่วมพัฒนา AI detect เบาหวานจากตา โดยเริ่มจากปัญหาที่ว่า ประชากรไทยเป็นเบาหวานประมาณ 4-5 ล้านคน แต่ประเทศไทยมีจักษุแพทย์เพียง 1,500 คน และคนไข้เบาหวานจำเป็นต้องตรวจจอประสาทตาปีละ 1 ครั้ง หากไม่ตรวจอาจส่งผลให้คนไข้มีโอกาสตาบอดได้ และเนื่องจาก 90% ของคนไข้เบาหวานไม่ได้อาศัยอยู่ที่เขตกรุงเทพฯ ในทางกลับกันจักษุแพทย์ส่วนใหญ่อาศัยอยู่ และทำงานในเขตกรุงเทพฯ เป็นส่วนมากทำให้ต้องอบรมเจ้าหน้าที่สาธารณสุข (สาธารณสุขจังหวัด) พยาบาล ช่างภาพ ที่กระจายอยู่ตามจังหวัดต่าง ๆ เพื่อให้อ่านภาพคนไข้เเทน และจากข้อมูลพบว่า มีคนไข้เบาหวานทั่วประเทศ 50% ที่สามารถเข้าถึงการคัดกรองเบื้องต้นนี้ได้

นอกจากนี้ จากข้อมูลยังพบว่า ภาพจอประสาทตาของคนไข้เบาหวานที่นำไป Train นั้น AI สามารถแยกระดับความรุนแรงของเบาหวานได้ และเมื่อนำมาทดสอบพร้อมตรวจสอบ กลับยิ่งค้นพบว่า กรณีอบรมให้เจ้าหน้าที่ จะมีความแม่นยำประมาณ 80% แต่ถ้าเราใช้ AI ในการคัดกรองภาพจะมีความแม่นยำถึง 90% ทั้ง AI ยังสามารถอ่านค่าได้เร็ว 90% ส่วนหมออ่านค่าได้เร็ว 80% อย่างไรก็ตาม ถ้าจะนำใช้งานจริงอาจต้องติดตามผลหลังจากการคัดกรอง และตรวจคนไข้แล้วเสร็จ คนไข้ได้ไปพบหมอต่อหรือไม่ เพราะจากข้อมูลพบว่า คนไข้ไปพบหมอเพียง 50% (ซึ่งกระทรวงสาธารณสุขกำหนดไว้ว่า ต้องเกิน 60%) จึงต้องพิจารณาการนำมาปรับใช้ว่า จะสามารถดำเนินการอย่างไรต่อไป เช่น อาจให้จักษุแพทย์ช่วยอ่าน และยืนยันผลให้ก่อนส่งคนไข้เพื่อเป็นการคอนเฟิร์มเคส เป็นต้น และในอนาคตคาดว่า จะมีการทำวิจัยเพิ่มเติมเรื่องคนไข้ที่ได้รับการคัดกรองจาก AI แล้วจะไปพบหมอมากน้อยเพียงใด มีจำนวนคนไข้ได้รับการคัดกรองมากขึ้นเท่าไร มี Downtime เท่าไร การใช้พร้อมกันทั้งประเทศมีผลอย่างไร (เรียกได้ว่า ปัจจุบันอยู่ในเฟส Implementation และ deployment) พร้อมทิ้งท้ายว่า ปัจจุบันทางการแพทย์ โดยเฉพาะจักษุแพทย์ เรื่อง เบาหวานเข้าจอตานั้นมีความก้าวหน้าค่อนข้างมากเมื่อเทียบกับสาขาอื่น ๆ

และมีคำถามว่า จากข้อมูล พบว่า AI มีความแม่นยำ 95% แล้ว 5% ที่ไม่ accurate นั้นมีความเสี่ยงมากน้อยเพียงใดต่อตัวคนไข้?

นายแพทย์ไพศาล ร่วมวิบูลย์สุข ให้คำตอบว่า ปัจจุบันเราใช้ AI ในการคัดกรอง จากแต่ก่อนอบรมบุคลากรจำนวนมาก และความแม่นยำก็น้อยกว่า และเพราะการคัดกรองไม่ใช่การวินิจฉัย ดังนั้น ไม่ว่าอย่างไรต้องมีการไปพบจักษุแพทย์ต่ออยู่แล้ว หากพบความผิดปกติตอนคัดกรอง และมีความเป็นไปได้น้อยที่คนไข้เบาหวานไม่มาตรวจเพื่อการรักษาอย่างต่อเนื่อง

ที่มา AI Ethics Guidline By MDES https://www.onde.go.th/assets/portals/1/files/Thailand%20AI%20Ethics%20Guideline%20(White%20paper)%20Edit%20Version.pdf

ภาคสาธาณสุข

AI ทางการแพทย์ถือเป็นเครื่องมือแพทย์และตามกฏหมาย จำเป็นต้องขออนุญาตจากองค์การอาหารและยา (อย.) และต้องมีการวิจัยเพิ่มเติมเป็นหลักฐานด้วย พร้อมแจ้งว่า ภายหลังที่มีการบังคับใช้กฎหมายการคุ้มครองข้อมูลส่วนบุคคล (PDPA Act) ส่งผลให้ต้องขอความยินยอมในการนำข้อมูลไปใช้ทุกราย ซึ่งอาจเป็นปัญหาในอนาคตได้ เพราะบางข้อมูลที่นำมาพัฒนา AI ไม่อาจ de-identified ได้ รวมถึงแนวคิดเรื่องการรวมศูนย์ การลงทุน Infrastructure ว่า ควรดำเนินไปในทิศทางใด และประเด็น Outsource ที่ว่า เมื่อพัฒนา AI ไประยะหนึ่งความรู้ความสามารถนั้นจำกัดอยู่ที่ผู้พัฒนา (คนทำ) ซึ่งถ้ากรณีความรู้ซึ่งถือเป็นคลังสมอง (brain) อยู่ต่างประเทศ แล้วประเทศไทยโดนคว่ำบาตร (sanction) จะต้องดำเนินการอย่างไร ดังนั้น ก็ถือเป็นประเด็นที่จำเป็นที่ควรนำไปพิจารณาประกอบด้วย

ในการพัฒนา AI ขึ้นมาหนึ่งชิ้นนั้น หากร่วมกันพิจารณาว่า เกิดประโยชน์มากกว่าโทษ ก็เห็นด้วยให้เกิดการพัฒนา ส่วนเรื่องจริยธรรมใน AI นั้นถือว่า ยังเป็นปัญหาที่ยังไม่ได้รับการแก้ไข แม้แต่ EU ที่ประกาศกฎหมาย กฎระเบียบออกมาก็ยังมีปัญหา ส่วน USA นั้นแทบจะไม่ออกกฏหมายอะไรให้ใช้กฎหมายเดิมไปก่อน เพื่อให้เกิดการพัฒนา ส่วนประเทศไทยยังอยู่ระหว่างช่วงเริ่มต้น ทำให้เราพิจารณารอบด้านทั้งจากเพื่อนบ้านอย่างจีน รวมถึงไปศึกษากรอบของ EU และ USA ด้วย แต่อาจต้องมาชั่งน้ำหนักความสำคัญ พร้อมต้องรับฟังความเห็นจากคนในประเทศเพื่อนำไปสร้างกรอบที่เหมาะสมของประเทศต่อไป

นายแพทย์ไพศาล ร่วมวิบูลย์สุข เสนอว่า สำหรับทางการแพทย์ขอให้เอาปัญหาสาธารณสุขของประเทศเป็นที่ตั้ง โดยไม่เน้นเอา AI concept ว่า มีขีดความสามารถในการทำอะไรเป็นที่ตั้ง เหมือนกรณีปัญหาเบาหวานขึ้นจอตา เพื่อให้นำมาแก้ไขปัญหาได้จริง ทั้งยังมองว่าการพัฒนา AI คือการร่วมมือที่แท้จริง (Collaboration) เพราะการพัฒนา AI นั้น อาศัยข้อมูลจำนวนมาก และการดำเนินการลักษณะนี้ไม่สามารถกระทำได้เพียงลำพัง จึงต้องอาศัยองคาพยพจากหลากหลายภาคส่วน

ภาคการศึกษา

สำหรับมหาวิทยาลัยซีเอ็มเคแอล (CMKL University) ได้มีความร่วมมือกับภาคการศึกษาทั้งมหาวิทยาลัยขอนแก่น มหาวิทยาลัยสงขลานครินทร์ มหาวิทยาลัยมหิดล สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง มหาวิทยาลัยเชียงใหม่ เพื่อสนับสนุนให้มีการพัฒนา AI ที่ได้ cost efficient เรียกได้ว่า "ผนึกกำลัง" เพื่อสร้างหลักสูตรร่วมกันในหลากหลายสถาบัน ทั้งนี้ มองว่า เนื่องจากยังไม่มีกฎหมายที่ชัดเจน จึงอาจต้องหารือกันว่า จะทำอย่างไรให้กฎหมายไม่เป็นภาระ หรือเป็นอุปสรรคในการสร้างความเชื่อมั่น (Trust) และมองให้เป็นเรื่องปกติ รวมถึงการมีจริยธรรมด้วย พร้อมชี้ให้เห็นว่า เรื่อง AI Ethics เป็นเรื่องที่ผู้คนให้ความสนใจเป็นอย่างมาก (สังเกตได้จากการมีบทความวิจัย (paper) ที่ตีพิพม์เรื่องนี้ออกมาอย่างหลากหลายและกว้างขวางจำนวนมาก)

ส่วน ETDA

อาจต้องพยายามหาวิธีการกำกับดูแล AI ของประเทศต่อไป ซึ่งอาจจะมาในรูปแบบของกฎหมาย หรือมาตรฐาน แต่ไม่ว่าอย่างไรก็จำเป็นจะต้องขอรวบรวมข้อมูลจากผู้มีส่วนได้ส่วนเสียก่อน

✅ Data & AI Clinic: Knowledge Exchange (US, EU, Latin America)

ใน Session นี้มีการแลกเปลี่ยนข้อมูลความรู้ทางคลินิกรวมถึงแผนพัฒนาด้านปัญญาประดิษฐ์ของฝั่งละตินอเมริกา วิทยากรแนะนำว่า ในช่วงแรกการเริ่มต้นสร้าง Framework ของประเทศนั้น สามารถมี Sandbox เพื่อเป็น comfort zone หรือ safe space สำหรับบริษัทให้มาทดลองไอเดีย หรือทดสอบ Innovation, product service, business model etc., โดยภาครัฐก็จะได้ลองพิจารณาด้วยว่า หากปราศจากกฎหรือระเบียบใด ๆ แล้วการพัฒนา AI จะก้าวหน้าไปถึงลักษณะไหน รวมถึงหากมีการตั้งกฎระเบียบใน sandbox จะมีความก้าวหน้าถึงระดับใด โดยสรุปแล้วประเทศไทยก็อาจจะมองกรอบ sandbox นำเข้ามาเป็นแผนกลยุทธ์เพื่อพัฒนาแนวทางของประเทศได้

ศิริราชฯ เองก็หวังว่า ในอนาคตข้างหน้าเราจะสามารถดำเนินการตามแผนยุทธ์ศาสตร์ที่สอดคล้องตามบริบทของประเทศได้อย่างถูกต้องและเหมาะสมยิ่งขึ้น

สำหรับใครที่ต้องการข้อมูลเพิ่มเติมหรือเข้าไปฟังคลิปวิดีโอสามารถดูย้อนหลังได้ที่ FB : ETDA Thailand ลงวันที่ 22-23 กันยายน 2565

ผู้เขียน

นายแพทย์เปี่ยมบุญ ธมโชติพงศ์

นางสาวศศินา เถียรพรมราช

ตรวจทาน

ศศินิภา อุทัยสอาด

เพราะเราจะ Extract ออกมาใช้เท่าที่จำเป็นเท่านั้น!

ลองพิจารณา Dashboard ทั้งสองด้านล่างนี้ แล้วเราสามารถบอกได้ หรือไม่ว่า Dashboard ไหน มีประสิทธิภาพมากกว่ากัน?

ที่มา The Tableau Performance Checklist: Data – Keep Analysis Simple , Dustin Wyers, March 3, 2015

ที่มา The do's and don'ts of dashboards

แน่นอนว่า Dashboard ที่มีรายละเอียดมากเกินไป อาจทำให้หาสิ่งที่เราต้องการได้ยาก

ดังนั้น การเตรียมข้อมูล "เฉพาะส่วนที่จำเป็นต้องใช้" มาตั้งแต่ก่อนเริ่มต้นสร้าง Dashboard จึงเป็นสิ่งสำคัญ เพราะมีผลต่อประสิทธิภาพการทำงานโดยตรง

การเลือกข้อมูลเป็นอย่างดีก่อน Export จะมีผลต่อประสิทธิภาพอย่างไร

การแสดงผล Visualize เร็วหรือช้าขึ้นอยู่กับแหล่งข้อมูล สิ่งสำคัญที่จะช่วยปรับปรุงประสิทธิภาพด้านการแสดงผล คือ ดึงเฉพาะข้อมูลที่จะใช้ในการวิเคราะห์เท่านั้น!

เมื่อสร้าง Data Extract จะเกิดไฟล์ .HYPER ที่สามารถนำไปใช้ได้ในหลาย ๆ Workbook เราสามารถนำ Workbook เชื่อมต่อกับไฟล์ .HYPER ได้ โดยไม่ต้องเชื่อมต่อตรงไปยังฐานข้อมูล

การ Extract ข้อมูลไม่เพียงแต่ช่วยปรับปรุงประสิทธิภาพของ Dashboard แต่ยังช่วยปรับปรุงประสิทธิภาพของแหล่งข้อมูลได้ด้วย โดยการเลือกเฉพาะข้อมูลที่จำเป็นสำหรับการวิเคราะห์เท่านั้น

นอกเหนือจากที่เราทำ Data Extract แล้ว Tableau ยังมีตัวเลือกในการ Aggregate เฉพาะค่าที่มีการคำนวณไว้ล่วงหน้าได้อีก ซึ่งเรียกว่า "aggregated extract" การ Extract แบบนี้จะไม่ได้ Extract ในระดับ Record แต่จะ Extract เฉพาะข้อมูลที่ถูกรวบรวมไว้เท่านั้น ซึ่งจะมีขนาดข้อมูลที่เล็กกว่า ทำให้ประสิทธิภาพในการแสดงผลรวดเร็วขึ้น

เมื่อ Extract ข้อมูล Field ที่มีการคำนวณจะถูกแปลงเป็นค่าคงที่ ในส่วนนี้จะทำให้มีประสิทธิภาพมากขึ้นเมื่อคำนวณในรูปแบบ String ซึ่งต้องใช้ทรัพยากรมากกว่าการคำนวณตัวเลข หรือ วันที่

ขอบคุณข้อมูลจาก https://interworks.com/blog/dwyers/2015/03/03/tableau-performance-checklist-data-keep-analysis-simple

ผู้เขียน

ชลิตา อิสสระสิทธิภาพ, Data Analyst, SiData+

บรรณาธิการ

ศศินิภา อุทัยสอาด, SiData+

ตรวจสอบ

นพพล เซี่ยงฉิน, Data Analyst, SiData+

ครั้งที่ 4 เป็นครั้งสุดท้าย ก่อนจะส่งร่างนโยบายไปให้กับกรุงเทพมหานครต่อไป ครั้งนี้โฟกัสวิธีการเพื่อให้คนกรุงเทพฯ "มีสุขภาวะที่ดีในทุกช่วงวัย" ซึ่งประกอบด้วยการส่งเสริม ป้องกันและฟื้นฟู และรักษา

ส่วนของการส่งเสริม สมัชชาเห็นว่าสิ่งที่สำคัญ คือ ...

การสื่อสารระหว่างภาครัฐ ภาคเอกชน และประชาชน ไม่ว่าจะเป็นโรคติดต่ออุบัติใหม่ โรค NCDs หรือสุขภาพจิต รัฐต้องมีการสื่อสารที่ดีกับประชาชน ว่าประชาชนจะสามารถใช้ทรัพยากรที่รัฐมีได้อย่างสูงสุดได้อย่างไร เช่น มีกองทุนสุขภาพต่าง ๆ แต่ประชากรส่วนใหญ่ยังไม่รับรู้ถึงการมีอยู่ หรือ ทราบว่ามีกองทุนสุขภาพแต่ไม่สามารถเบิกได้เนื่องจากระเบียบการเบิกจ่ายที่ซับซ้อน

ส่วนการป้องกันและฟื้นฟู

สมัชชาเห็นว่า "การให้ความรู้กับประชาชนเป็นเรื่องสำคัญที่สุด" โดยที่ควรจะมีการรวบรวมแหล่งความรู้ทางสุขภาพที่น่าเชื่อถือจัดหมวดหมู่ และเผยแพร่ให้ประชาชนได้เข้ามาศึกษา เพื่อให้ประชาชนมีความฉลาดทางสุขภาพ (Health literacy) และดูแลตนเองให้ไม่ให้เจ็บป่วย

ส่วนของการรักษา

สมัชชาเห็นว่าการเชื่องโยงข้อมูลระหว่างสถานพยาบาลเป็นเรื่องสำคัญ และได้มีคนพูดถึงโครงการ Health Link เข้าถึงได้ที่ https://www.healthlink.go.th ที่ดำเนินการโดย สถาบันส่งเสริมการวิเคราะห์และบริหารข้อมูลขนาดใหญ่ภาครัฐ (GBDi) ที่มีเชื่อมโยงข้อมูลระหว่างโรงพยาบาลในหลายสังกัด ทั้งกระทรวงสาธารณสุข กระทรวงกลาโหม โรงเรียนแพทย์ สำนักอนามัย สำนักการแพทย์ และโรงพยาบาลเอกชน (ศิริราชฯ ก็เป็นหนึ่งในนั้น) ปัจจุบันดำเนินการอยู่ใน phase 1 ส่วนของผู้ใช้บริการสามารถใช้งาน การเลือกนำส่งข้อมูลให้โรงพยาบาลจากการให้ความยินยอมผ่าน แอปเป๋าตัง เป็นรายครั้งไป

สุดท้าย ดร.เกษรา ธัญลักษณ์ภาคย์ ที่ปรึกษาผู้ว่ากรุงเทพมหานคร ได้เข้ามารับฟังข้อคิดเห็นจากสมัชชา และจะรับไปทำเป็นนโยบายของกรุงเทพมหานครต่อไป

สุขภาวะที่ดีของประชาชนทุกช่วงวัย เป็นไปได้ครับ

โดยสรุป สิ่งที่ได้จากการประชุมเชิงปฏิบัติการของสมัชชากรุงเทพมหานคร คือ คนกรุงฯ จะมีสุขภาวะที่ดีได้ด้วยการมี Health literacy ที่ดี ซึ่งหน่วยงานรัฐและภาคเอกชนมีส่วนสำคัญในการช่วยส่งเสริมความรู้ของประชาชน ผ่านการสื่อสารที่ดีร่วมกับเทคโนโลยีการสื่อสารและสารสนเทศข้อมูล และประชาชนต้องสามารถเข้าถึงทรัพยากรของประเทศได้โดยง่าย ไม่กำหนดกฎเกณฑ์ที่ซับซ้อนจนเกินไป เพื่อให้ภาคประชาสังคมสามารถช่วยเหลือประชาชนในช่วงวิกฤตการณ์ได้อย่างทันท่วงทีครับ

ผู้เขียน

นายแพทย์เปี่ยมบุญ ธมโชติพงศ์ ทีม Data Governance, SiData+

ผู้ร่วมแชร์ประสบการณ์

คุณทิวาพร อินนัน, Data Governance Officer ทีม Data Governance, SiData+

บรรณาธิการ

ศศินิภา อุทัยสอาด SiData+

ตรวจทาน

ศศินา เถียรพรมราช SiData+

เพราะหนึ่งในสิ่งทำให้ผู้ปฏิบัติงานตัดสินใจลำบาก คือ

หน่วยงานหรือองค์กรของเราควรจะขออนุญาตเจ้าของข้อมูลส่วนบุคคลก่อนที่จะเก็บรวบรวม ใช้ หรือเปิดเผยข้อมูลส่วนบุคคลทุกครั้งเลยหรือไม่ (Consent) หรือเพียงแค่แจ้งเจ้าของข้อมูลส่วนบุคคลให้ทราบว่าเราจะนำข้อมูลไปใช้ทำอะไร (Privacy Notice) ก็เพียงพอแล้ว?

ก่อนอื่น.. มาทำความเข้าใจบทบาทในเรื่องนี้กันให้ชัดเจนก่อนจะลงลึกไปยังการใช้งาน Privacy Notice และ Consent กันค่ะ ยกตัวอย่างของโรงพยาบาลศิริราช เมื่อพิจารณาบทบาทระหว่างคนไข้กับโรงพยาบาล คนไข้ที่มาเข้ารับบริการ จะมีบทบาทเป็น 'เจ้าของข้อมูลส่วนบุคคล (Data Subject)' ส่วนโรงพยาบาลที่เก็บข้อมูลการรักษาของคนไข้เอาไว้ ถือว่าเป็น 'ผู้ควบคุมข้อมูลส่วนบุคคล (Data Controller)' ทั้งสองฝ่ายต่างก็มีสิทธิในข้อมูลนี้ตามขอบเขตที่กฎหมายบังคับไว้

องค์กรในฐานะที่เป็น 'ผู้ควบคุมข้อมูลส่วนบุคคล' นั้น ...สิ่งสำคัญประการหนึ่ง นั่นคือ “การแจ้งประกาศความเป็นส่วนตัว” ให้เจ้าของข้อมูลส่วนบุคคล ได้ทราบถึงวัตถุประสงค์ และวิธีการที่องค์กรจัดการกับข้อมูลส่วนบุคคลของเจ้าของข้อมูลนั้น ในทุกกรณี แต่สำหรับ "การขอความยินยอม (Consent)" ในการประมวลผลข้อมูลนั้น องค์กรจะต้องพิจารณาอย่างถี่ถ้วน ว่ากิจกรรมใดต้องขอความยินยอม หรือกิจกรรมใดที่มีฐานทางกฎหมายเข้ามารองรับวัตถุประสงค์ของกิจกรรมดังกล่าวโดยไม่ต้องขอความยินยอมจากเจ้าของข้อมูลส่วนบุคคลอีก

วันนี้เราจึงขอพาผู้อ่านมาทำความรู้จัก ประกาศแจ้งความเป็นส่วนตัว (Privacy Notice) และ ฐานความยินยอม (Consent) เพื่อให้เราค่อย ๆ ทำความเข้าใจความแตกต่างของทั้งสองอย่างนี้ และมีกรณีตัวอย่างคร่าว ๆ ที่ทางศิริราชฯ ใช้ Privacy Notice เพียงอย่างเดียวก็เพียงพอ หรือกรณีใดที่เราต้องใช้ทั้ง Privacy Notice และ Consent

ประกาศแจ้งความเป็นส่วนตัว (Privacy Notice)

ตามมาตรา 23 พ.ร.บ. คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 การประกาศแจ้งความเป็นส่วนตัว หมายถึง การแจ้งแก่เจ้าของข้อมูลส่วนบุคคลก่อน หรือขณะเก็บรวบรวมข้อมูลส่วนบุคคล โดยแจ้งให้ทราบถึงรายละเอียดต่าง ๆ เกี่ยวกับภาพรวมในการประมวลข้อมูลส่วนบุคคลของตน ซึ่งเป็นหนึ่งในหน้าที่ของผู้ควบคุมข้อมูลส่วนบุคคล โดยจะต้องแจ้งแก่เจ้าของข้อมูลส่วนบุคคลทุกกรณี (ไม่ว่าจะมีกิจกรรมการประมวลผลฐานกฎหมายใดก็ตาม)

และกฎหมายยังระบุว่าการประกาศแจ้งความเป็นส่วนตัว (Privacy Notice) ต้องมีรายละเอียดดังต่อไปนี้

Checklist การประกาศแจ้งความเป็นส่วนตัว (Privacy notice)

1. วัตถุประสงค์และฐานทางกฎหมายในการเก็บรวบรวม ใช้ หรือเปิดเผย (“ประมวลผล”) ข้อมูลส่วนบุคคล
2. ผลกระทบที่เป็นไปได้จากการไม่ให้ข้อมูลส่วนบุคคล กรณีที่เจ้าของข้อมูลส่วนบุคคลต้องให้ข้อมูลส่วนบุคคลเพื่อปฏิบัติตามกฎหมาย หรือสัญญา หรือมีความจำเป็นต้องให้ข้อมูลส่วนบุคคลเพื่อเข้าทำสัญญา
3. ประเภทข้อมูลส่วนบุคคลที่มีการเก็บรวบรวม
4. ระยะเวลาในการเก็บรวบรวมข้อมูลส่วนบุคคล
5. ประเภทของบุคคลหรือหน่วยงานซึ่งข้อมูลส่วนบุคคลที่เก็บรวบรวมอาจถูกเปิดเผย รวมถึงกรณีที่ข้อมูลส่วนบุคคลอาจถูกเปิดเผยไปยังต่างประเทศ (ถ้ามี)
6. วิธีการติดต่อผู้ควบคุมข้อมูลส่วนบุคคล
7. วิธีการติดต่อเจ้าหน้าที่คุ้มครองข้อมูลส่วนบุคคลและตัวแทน (Data Protection Officer) (ถ้ามี)
8. สิทธิของเจ้าของข้อมูลส่วนบุคคลตาม PDPA

ภาพที่ 1 แสดงตัวอย่างประกาศแจ้งความเป็นส่วนตัว (Privacy notice)

แล้วฐานความยินยอม (Consent) ให้ประมวลผลข้อมูล คืออะไร?

ตามมาตรา 19 พ.ร.บ. คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 การขอความยินยอมในการประมวลผลข้อมูล จะนำมาใช้ต่อเมื่อ ผู้ควบคุมข้อมูลส่วนบุคคลไม่สามารถหาฐานทางกฎหมายอื่นใดตามพระราชบัญญัติฯ มารองรับกิจกรรมประมวลผลข้อมูลส่วนบุคคลนั้นได้อีก

ผู้ควบคุมข้อมูลส่วนบุคคล จึงต้องขอความยินยอมจากเจ้าของข้อมูลส่วนบุคคล ในการประมวลผลข้อมูล

ดังนั้น "การขอความยินยอม" จึงเป็นฐานกฎหมายทางเลือกสุดท้ายที่ผู้ควบคุมข้อมูลส่วนบุคคลจะหยิบมาใช้

ซึ่ง “ฐานความยินยอม” ในการประมวลผลข้อมูลส่วนบุคคลนั้น จะแตกต่างกับ “การยินยอม” ก่อนเข้ารับหัตถการ การผ่าตัด หรือยอมเข้าเป็นอาสาสมัครหรือผู้เข้าร่วมวิจัยในโครงการวิจัย เป็นต้น

และตามกฎหมายแล้วฐานความยินยอม (Consent) ต้องมีเงื่อนไขหรือองค์ประกอบในการขอความยินยอม ดังต่อไปนี้

Checklist ฐานความยินยอม (Consent)

1. ต้องขอความยินยอมจากเจ้าของข้อมูลส่วนบุคคลก่อนหรือขณะประมวลผลข้อมูลส่วนบุคคล เว้นแต่มีบทกฎหมายอื่นที่บัญญัติให้กระทำได้
2. ต้องให้ความยินยอมโดยชัดแจ้ง (Clear affirmative action) อาจทำเป็นกระดาษ หรือทำโดยผ่านระบบอิเล็กทรอนิกส์ หรือวิธีการอื่น ๆ เช่น ขอความยินยอมผ่านทางโทรศัพท์ แต่แนะนำให้ใช้วิธีที่มีหลักฐานเป็นลายลักษณ์อักษร เพื่อง่ายต่อการตรวจสอบ
3. ต้องแจ้งวัตถุประสงค์ของการประมวลผลข้อมูลส่วนบุคคลไว้ในการขอความยินยอม
4. ต้องให้อิสระ (Freely given) แก่เจ้าของข้อมูลส่วนบุคคลในการให้ หรือไม่ให้ความยินยอม
5. การขอความยินยอมต้อง แยกต่างหาก จากเงื่อนไขในการให้บริการ
6. ต้องแยกส่วนการขอความยินยอมออกจากข้อความอื่นอย่างชัดเจน มีแบบหรือข้อความที่เข้าถึงได้ง่ายและเข้าใจได้ ใช้ภาษาที่อ่านง่าย และไม่หลอกลวง หรือทำให้เจ้าของข้อมูลส่วนบุคคลเข้าใจผิดในวัตถุประสงค์การประมวลผลข้อมูล
7. ต้องให้เจ้าของข้อมูลส่วนบุคคลสามารถถอนความยินยอมได้ง่ายเช่นเดียวกับการให้ความยินยอม และผู้ควบคุมข้อมูลส่วนบุคคลต้องแจ้งแก่เจ้าของข้อมูลส่วนบุคคลให้ทราบถึงผลกระทบจากการถอนความยินยอมดังกล่าวด้วย
8. ใช้เป็นทางเลือกสุดท้ายเมื่อไม่สามารถหาฐานทางกฎหมายอื่นใดมารองรับการประมวลผลข้อมูลนั้นได้

ภาพที่ 2 แสดงตัวอย่างแบบฟอร์มขอความยินยอม (Consent Form)

สรุปความแตกต่างในการใช้งาน Privacy Notice และ Consent

ภาพที่ 3 แสดงความแตกต่างในการใช้งาน Privacy Notice และ Consent

ตัวอย่างการใช้งาน Privacy notice VS Consent

ภาพที่ 4 แสดงตัวอย่างการใช้งาน Privacy notice และ Consent

โดยสรุป สิ่งที่องค์กรต่าง ๆ ในฐานะที่เป็นผู้ควบคุมข้อมูลส่วนบุคคลจะต้องจัดทำขึ้น สำหรับทุกกิจกรรมที่เกี่ยวข้องกับข้อมูลส่วนบุคคล นั่นคือ “การแจ้งประกาศความเป็นส่วนตัว” ให้เจ้าของข้อมูลส่วนบุคคลได้ทราบถึงวัตถุประสงค์และวิธีการที่องค์กรต่าง ๆ จัดการกับข้อมูลของเรา แต่ "การขอความยินยอม" ในการประมวลผลข้อมูลนั้น องค์กรจะต้องพิจารณาให้ได้ว่า กิจกรรมนั้น ๆ มีฐานทางกฎหมายเข้ามารองรับวัตถุประสงค์ของกิจกรรมดังกล่าวได้โดยไม่ต้องขอความยินยอมจากเจ้าของข้อมูลส่วนบุคคลอีกหรือไม่ หากไม่มีฐานกฎหมายใดรองรับในกิจกรรมนั้น จึงจำเป็นอย่างยิ่งที่ผู้ควบคุมข้อมูลส่วนบุคคล ต้องขอความยินยอมจากเจ้าของข้อมูลส่วนบุคคล

ท้ายที่สุดนี้ ทีม Data Governance ของ SiData+ ได้ขับเคลื่อนโครงการคุ้มครองข้อมูลส่วนบุคคล ภายในคณะแพทยศาสตร์ศิริราชพยาบาล เช่น การทำ Privacy notice ให้กับผู้ที่เกี่ยวข้อง และการเปิดให้มีกระบวนการและเอกสารขอใช้สิทธิ ที่เกี่ยวข้องกับจัดการคำร้องขอในการใช้สิทธิของเจ้าของข้อมูลส่วนบุคคล (Data Subject) โดยสามารถเข้ามาศึกษาได้ที่ si.mahidol.ac.th/data/en/privacy

ผู้เขียน

ปิย์ญาพร กิวสันเที๊ยะ, นิติกร

วิศรุต โพธิ์ศรี, CIPP/E

บรรณาธิการ

ศศินิภา อุทัยสอาด

ตรวจทาน

ณัฐวุฒิ อดุลยานุโกศล, CIPM

ศศินา เถียรพรมราช

Quick Filters ใน Tableau คืออะไร?

ขั้นตอนการสร้าง Quick Filters:

• ในหน้า Work sheet เลือก Dimension ที่ต้องการ แล้วคลิกขวา เลือก Show Filter

• เมื่อเลือกแล้วจะมีฟิลด์ (field) ที่เลือกเข้ามาอยู่มาช่อง filter และมีช่อง filter ขึ้นมาในด้านขวามือ

• เพียงเท่านี้ก็สามารถใช้งานได้ตามที่ต้องการ !

ผลกระทบต่อประสิทธิภาพ Tableau

การใช้ Filter Actions

ขั้นตอนการสร้าง มีดังนี้:

• ไปยัง dashboard และ เลือก work sheet ที่ต้องการไปยัง dashboard แล้วกดที่ตัวรูปกรวย หรือ ลูกศรลง แล้วเลือก Use as Filter

• ให้ลองเลือก Filter Actions ทุกๆ Sheet ใน Dashboard เพื่อลองใช้งาน

• เพียงเท่านี้ก็สามารถใช้งานได้ตามที่ต้องการ

การวัดประสิทธิภาพความแตกต่างกัน

reference: https://interworks.com/blog/skennedy/2015/05/27/tableau-performance-checklist-filtering-minimize-quick-filters/

ผู้เขียน

ชัยนันท์ บุตรน้ำเพชร, Data Analyst, SiData+

บรรณาธิการ

ศศินิภา อุทัยสอาด SiData+

ตรวจทาน

ศศินา เถียรพรมราช SiData+

ขอขอบคุณภาพจาก https://www.facebook.com/techsauceTH/?ref=page_internal

Techsauce Global Summit 2022 คืออะไร?

Techsauce Global Summit 2022 เป็นงานประชุมด้าน Technology ใหญ่ที่สุดในภูมิภาคเอเชียตะวันออกเฉียงใต้ โดยในปีนี้มาในธีม Opportunities Made Possible ซึ่งภายในงาน จะมีการเชิญ Speaker ที่เป็นผู้เชี่ยวชาญระดับโลก จากหลากหลายด้านเข้ามาร่วมแลกเปลี่ยนประสบการณ์ และมุมมองความคิดให้เราได้ฟังกันด้วย สำหรับงานในปีนี้จัดระหว่างวันที่ 26 - 27 สิงหาคม 2565 ณ ICONSIAM ครับ โดยในงานนี้เราจะได้พบกับหัวข้อที่น่าสนใจ ดังนี้ครับ

• NFT/DIGITAL ASSETS
• AI/DATA
• SMART CITY
• FINTECH/DEFI
• CULTURE TRANSFORMATION/CORPORATE INNOVATION
• DEEP TECH
• METAVERSE
• CLIMATE TECH
• HEALTH TECH/FOOD

• STARTUP/VC

  เข้าร่วมงานได้อย่างไร

จากที่เกริ่นไปก่อนหน้านี้ ถ้าคุณเป็นคนที่ทำงานหรือชื่นชอบในสาย Technology ต้องบอกเลยว่า นี่เป็นหนึ่งในงานที่ต้องไปให้ได้ โดยเราจำเป็นต้องซื้อ Ticket เข้างานด้วย แต่ทาง Page WEDO ได้จัดกิจกรรมชิงรางวัลเป็นบัตรเข้างาน Techsauce Global Summit 2022

และอย่างที่ทุกคนคิดไว้ ใช่ครับ! ผมเป็นหนึ่งในผู้โชคดีที่ได้รับรางวัล แต่ไม่เพียงเท่านั้น! ภายในวันที่ประกาศผล ผมพึ่งทราบเหมือนกันอีกว่ามีพี่ในศูนย์ SiData+ อีก 1 ท่านได้รางวัลเช่นกัน บอกเลยว่า งานนี้ไม่เหงาเเล้วครับ 5555

บรรยากาศภายในงาน

ภายในงานที่เท่าที่ผมสังเกตจะมี 3 ส่วนหลัก ๆ ครับ ประกอบด้วย

• Exhibition zone ที่ให้ผู้ประกอบการ หรือ Start-up มาเปิดบูธ

• Workshop zone ที่ให้ผู้เข้าร่วมงานได้รับประสบการณ์ตรง จากการเข้าร่วม

• Conference zone ซึ่งมีทั้งหมด 10 เวที ให้ผู้เข้าร่วมงานได้เลือกเข้าไปฟังในหัวข้อที่ตนเองสนใจ

เนื่องจากมีเวที และหัวข้อในการพูดคุยหรือบรรยายค่อนข้างเยอะ ทำให้บางหัวข้อที่เราสนใจเวลาชนกันครับ เราจึงต้องเลือกฟังเพียงหัวข้อเดียวในช่วงเวลานั้น ซึ่งเสียดายมาก แต่ไม่ต้องห่วงนะครับ เพราะทางผู้จัดงานได้แจ้งว่าจะมีคลิปวิดิโอย้อนหลังให้เราดูด้วย ทำให้ผมสบายใจได้มากขึ้นครับ

โดย sessions ที่ได้มีโอกาสเข้าไปฟังส่วนใหญ่จะเกี่ยวข้องกับ AI/Data ครับ

• 4 Essential Steps to a Successful Digital Transformation Strategy
• How to Combine Low-Code and RPA for Maximum Business Impact
• Big Data in Fulfillment and Logistics: Reimagining Commerce and Profitability in Turbulent Times
• How to Balance Business Innovation and Data Protection in AI-Driven World
• Data-Driven Culture Building: Powered by Data, Driven by People
• Back to Health: An Evolutionary Biology Perspective on the Future of Healthcare

ดังนั้น จะนำแค่บางหัวข้อมาเล่าให้ฟังกันนะครับว่ามีการพูดคุยเกี่ยวกับอะไรบ้าง

How to Balance Business Innovation and Data Protection in AI-Driven World

• Ginka Hristova - CEO - International Legal Advice Center - ILAC
• Kritsana Ngarmsom - Head of Business - The 1 Central
• Thiraya Thiranakanat - Co-Founder & CEO - CareerVisa Digital Co., Ltd.
• Natnapat Rachataviwat - Co-Founder & CEO - Blendata Co., Ltd.

ในปัจจุบัน แต่ละบริษัทมีการเก็บข้อมูลเพิ่มมากขึ้น ยกตัวอย่างเช่น เมื่อเราไปร้านสะดวกซื้อ แล้วซื้อสินค้า พนักงานขายจะถามเราว่า "ต้องการสะสมแต้มไหมคะ" แล้วให้แจ้งเบอร์โทรศัพท์ของเรา โดยถ้าใครทำงานสาย Data หรือ IT น่าจะรู้แล้วว่า นี่คือกระบวนการ "เก็บข้อมูล" ของเราเพื่อนำไปใช้วิเคราะห์ข้อมูลทางธุรกิจต่อ และตอบแทนลูกค้าด้วยการนำแต้มจากการซื้อ ไปแลกเป็น Rewards ต่าง ๆ

แต่อย่างไรก็ตาม ข้อมูลของเราก็มีโอกาสถูกละเมิดโดยที่เราไม่รู้ตัว แม้ว่าในปัจจุบันจะมีการบังคับใช้ พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล (PDPA) แล้วก็ตาม แต่ก็ยังไม่สามารถปิดความเสี่ยงจากการนำของมูลของเราไปใช้ได้ทั้งหมด

เริ่มต้นของการเสวนาในครั้งนี้ คุณกฤษณะ และคุณณัฐนภัส ได้แชร์มุมมองทางธุรกิจในการนำ Big Data ไปใช้ให้เกิดคุณค่าต่อเจ้าของธุรกิจ รวมถึงประโยชน์ที่ลูกค้าจะได้รับจากการนำข้อมูลไปใช้ และเสริมความรู้ทางด้านกฏหมายโดยคุณ Ginka Hristova ซึ่งมาจากบริษัทชั้นนำ ที่เป็นปรึกษาด้านกฏหมาย

หลังประเทศไทย ได้ประกาศใช้พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล (PDPA) หลายธุรกิจได้เริ่มตื่นตัวและระวังการนำข้อมูลไปใช้มากขึ้น จากการเสวนา speaker ทุกท่าน ต่างให้มุมมองไปในแนวทางเดียวกัน คือ องค์กรต้องมีความพร้อมและพัฒนาให้ทุกคนในองค์กรมีความรู้พื้นฐานหรือเข้าใจ concept ของ พ.ร.บ.ฉบับนี้ หรือแม้กระทั่ง กฎหมายคุ้มครองข้อมูลส่วนบุคคลของสหภาพยุโรป (GDPR) เพื่อให้ทุกคนพร้อมและเข้าใจกฏหมาย ไม่ให้ก่อให้เกิดการละเมิดในการนำเข้ามูลไปใช้

"ทีมกฏหมาย" จะเริ่มเข้ามามีบทบาทมากขึ้น!!

ปัจจุบัน Data ของลูกค้า ได้ถูกนำไปใช้เพื่อพัฒนา Innovation เพื่อให้ตอบโจทย์ต่อธุรกิจต่าง ๆ มากมาย โดยหลังจากที่เราผลิต Product ใหม่ออกมา จะไม่สามารถ Launch ออกไปได้เลย แต่ทุก ๆ ครั้งต้องผ่านการตรวจสอบและวิเคราะห์โดย Lawyer team/Data governance team ก่อนจึงจะสามารถนำไปใช้ได้ เพื่อเป็นการคุ้มครองลูกค้า และบริษัทเองด้วยครับ

Data-Driven Culture Building: Powered by Data, Driven by People

• Nattapol Jongkaroonkiat - Vice President, Digital Transformation - PTT - Global Chemical Public Company Limited
• Charle Charoenphan - Co-Founder & Chief Strategy Officer - Techsauce Media
• Napas Sirivarangkul - Partner - Kincentric
• Chonthicha Sangpan - Co-Founder & CEO - Analytist

เนื่องจากหลายปีที่ผ่านมา เราต่างรู้ว่าข้อมูลมีความสำคัญและประโยชน์อย่างไรบ้าง โดยหลายองค์กรพยายามนำข้อมูลไปใช้ในการขับเคลื่อน ซึ่งส่วนใหญ่ยังไม่ประสบความสำเร็จในการสร้างวัฒนธรรมองค์กรให้เป็น Data-Driven Organization

การจะไปให้ถึงจุดนั้นได้ต้องอาศัยปัจจัยที่สำคัญ 3 อย่าง ได้แก่ Technology, Process, และ People ซึ่งเป็นส่วนที่สำคัญที่สุด ในการช่วยให้เกิดการนำข้อมูลไปใช้ให้เกิดประโยชน์ต่อองค์กร

จาก session นี้ speaker ทุกท่านจะพูดไปแนวทางเดียวกันคือ ไม่ว่าคุณจะมี Technology หรือ Innovation ที่ดีขนาดไหน แต่เรื่อง "คน" ต้องมาก่อน โดยอยากให้มองตั้งแต่ระดับผู้บริหาร จนถึงผู้ปฏิบัติงาน คือหน้าที่ของแต่ละบุคคลอาจแตกต่างกัน แต่ Goal ที่เราจะมุ่งไปขององค์กร จะต้องเป็นอันหนึ่งอันเดียวกันครับ

นอกจากนี้ องค์กรจะต้องให้ความสำคัญกับการมีส่วนร่วม (Engagement) ให้ทุกคนสามารถแสดงความคิดเห็นหรือมีส่วนร่วม ในการพัฒนางานที่ทำอยู่, ความสัมพันธ์ (Relationship), ความเป็นอยู่ที่ดี (Well-being) , ความเชื่อใจ (Trust), ทักษะ (Skill), และ โอกาส (Opportunities)

สิ่งที่ได้จากงาน

นี่เป็นครั้งแรกในชีวิต ที่มีโอกาสได้มางาน Tech ที่ใหญ่ขนาดนี้ครับ ต้องบอกว่าประทับใจมาก เหมือนมา Update ความรู้ทางด้าน IT แนวคิดและมุมมองที่บริษัทหรือ Startup มองต่อธุรกิจในด้านต่าง ๆ เช่น Assets, Healthcare, หรือ Logistic เป็นต้น ซึ่งเป็นประโยชน์มากกับการทำงานด้าน Data Analytics เพราะต้องเข้าใจความต้องการ Business นั้น ๆ โดยงานนี้ทำให้ผมเห็นภาพปัจจุบันว่า เราอยู่ตรงจุดไหนแล้ว มีการพัฒนานวัตกรรมที่สามารถนำไปใช้ได้อะไรบ้าง และภาพในอนาคตของวงการ Technology จะเริ่มมองไปที่ประเด็นอะไร รวมถึงได้เห็นว่า บริษัทต่าง ๆ ให้ความสำคัญกับข้อมูลส่วนบุคคลมาก จากตรงจุดนี้เอง จึงช่วยให้ผมเข้าใจและเห็นภาพในการนำไปประยุกต์ใช้ในการทำงานปัจจุบันได้ดียิ่งขึ้นครับ ไว้มีโอกาสได้เข้าร่วมงานที่ไหนน่าสนใจอีก จะมาแชร์ให้ฟังกันนะครับ

ผู้เขียน

นพพล เซี่ยงฉิน, Data Analyst, SiData+

ขอบคุณผู้ร่วมแชร์ประสบการณ์

บุรินทร์ บุญวัชราภัย, Data Analyst, SiData+

บรรณาธิการ

ศศินิภา อุทัยสอาด SiData+

ตรวจทาน

ศศินา เถียรพรมราช SiData+

การใช้งาน Extract บน Tableau Server นั้น ช่วยให้การเรียกดูรายงานที่มีปริมาณข้อมูลเยอะ ๆ และหลายมุมมองนั้นใช้เวลาในการเรียกรายงานได้ไวยิ่งขึ้น

มีเหตุผลหลายอย่างที่เรายังจะใช้ Extract data ในการเชื่อมต่อข้อมูลจากหลายแหล่ง และเพื่อให้การใช้งาน Extract ข้อมูลได้เต็มศักยภาพยิ่งขึ้น วันนี้เราจะขอกล่าวถึงการ Optimization extract เพิ่มเติมจากการ Extract เดิมที่เราทำอยู่

ทำอย่างไรให้ ‘Extracts’ ช่วยเพิ่มประสิทธิภาพของรายงานของเรา

การ Aggregation ข้อมูล

การเลือกใช้ Filter พร้อมกับ Extract

• ถ้า Filter ข้อมูลก่อนที่จะ Extract เนื้อข้อมูลจะไม่ถูกดึงมาด้วย จะทำให้ประหยัดพื้นที่และลดเวลาในการเรียกใช้รายงาน

• ถ้า Filter ข้อมูลหลังจากที่ทำการ Extract แล้ว เนื้อข้อมูลจะถูกนำมาด้วย จะใช้พื้นที่ในการ Extract ทั้งชุดข้อมูลเลย แต่จะแสดงผลเฉพาะสิ่งที่ Filter ไว้เท่านั้น

การวัดประสิทธิภาพความแตกต่างกัน

Reference: https://interworks.com/blog/dwyers/2015/05/15/tableau-performance-checklist-data-use-extracts/

ผู้เขียน

ชัยนันท์ บุตรน้ำเพชร, Data Analyst, SiData+

บรรณาธิการ

ศศินิภา อุทัยสอาด SiData+

เริ่มจาก คุณพรรณศิริ อมาตยกุล กรรมการผู้จัดการบริษัท บิสซิเนส แอพพลิเคชั่น จำกัด (BAC) กล่าวเปิดงาน และเล่าถึงความเป็นมาของ BAC ในปัจจุบัน และการดำเนินการตลอด 29 ปี ที่ผ่านมา โดยบริษัทได้เริ่ม Support Tableau ที่ประเทศไทยเมื่อ ปี 2015 จนถึงปัจจุบัน และได้เป็น Premier Partner หนึ่งเดียวในไทย (หมายเหตุ ปัจจุบันบริษัท Salesforce และ Slack ได้ควบรวมกับ Tableau ด้วย)

ต่อมา คุณกิตติพงษ์ อัศวพิชยนต์ กรรมการผู้จัดการ บริษัท Salesforce Thailand จำกัด ให้ข้อมูลว่าจากสถานการณ์การแพร่ระบาดของเชื้อ Covid-19 ตลอด 2 ปี ผู้คนเริ่มเปลี่ยนมาใช้บริการ Cloud มากขึ้น เฉพาะที่ Salesforce เองมีจำนวนลูกค้าใหม่มาใช้บริการ Cloud มากถึง 17,000 คน และจากการศึกษา State of the connected customer (การมัดใจลูกค้า) พบว่า

1. 88% ของลูกค้าให้ความสำคัญกับการพูดความจริงมากขึ้น
2. 88% ของลูกค้าให้ความสำคัญกับบริษัทที่มีประสบการณ์สูงมากขึ้น
3. 83% ของลูกค้าที่เข้ามารับบริการคาดหวังว่าผู้ให้บริการจะช่วยแก้ปัญหาได้ในการติดต่อหรือพูดคุยกับบุคคลเพียงคนเดียว
4. 71% มีการเปลี่ยนบริษัทในการให้บริการมากขึ้น

โดยมีการยกตัวอย่างเคสตัวอย่างจาก Smile Direct Club พบว่า การรัน App บน Cloud ช่วยให้คนไข้ที่เข้ารับบริการหรือจะเข้ารับบริการ ได้รับ Information ที่รวดเร็ว และได้รับความสะดวกสบายในการติดต่อตลอด 24 ชั่วโมง รวมถึงการนำ ChatBot มาช่วยตอบคำถามคนไข้ และพบว่า 10% ของ ChatBot ช่วยรองรับคนไข้และช่วยในการบริหารจัดการได้อย่างดี ที่มา SmileDirectClub Case Study | Guidance (Link)

Purpose – Built Data Fabric: What, Why, And How it can accelerate self service analytics

Speaker#1 - คุณกวินธร ภู่ตระกูล 
Region Vice President, Sale Thailand at Tableau Software

กล่าวถึง Vision ของ Tableau Product ในอนาคตว่า การวิเคราะห์จะอยู่ในทุกกระบวนการของธุรกิจ (In every business process/For every user/Contextual, Predictive, Actionable) และงาน Data Science ในปัจจุบัน พบว่า 87% ของ Data Science Project ไม่สามารถนำไปใช้งานผลิตได้ ด้วยเหตุผลที่ว่า

• มีความซับซ้อน
• ต้องมีความเข้าใจเชิงลึกทางเทคนิค
• มีราคาสูง
• ยากในการปรับเปลี่ยน

แล้วบริษัทต้องการอะไร?

Vision ของ Tableau ในอนาคตจะไปในทาง AI และ Business Science มากขึ้น เช่น No-Code ML Model / Visual Advanced Analytics & Prediction ทำให้มีความหลากหลายในการวิเคราะห์มากขึ้น ส่วนของ Customers หรือ ผู้ที่จะใช้งาน จะมีประสบการณ์หา insight ได้ด้วยตนเองจาก Tableau suggestion และต่อไปนักวิเคราะห์ข้อมูลจะเป็นส่วนหนึ่งของทีมธุรกิจ จากที่แต่เดิมศูนย์กลางการนำข้อมูลมาใช้เป็นรูปแบบ IT-centric

Tableau Roadmap

Speaker#2 - K’Tammy Chaloemlak Panchuoi - Principal Solution Engineer at Tableau Software
 (Thailand) เล่าว่า ปัจจุบันมีการเปลี่ยนจาก Tableau Online เป็น Tableau Cloud แล้ว ซึ่ง Tableau Cloud มีการใช้งาน features ต่างๆ เพื่อความปลอดภัยของการใช้ข้อมูล เช่น Extract Encryption / Admin insight / Embedding API v3 / External Analytics

Tableau Cloud ยังให้ความสำคัญกับ Business Science

• ปัจจุบัน Tableau connect data sources ได้มากว่า 100 Connectors
• Data Preparation ใช้ได้จาก Tableau Prep
• Visual Analytics สิ่งที่กำลังจะมีในอนาคตอันใกล้ คือ Build Models หลังจากนั้นจะเป็นการ Communicate ผ่าน Slack และคาดว่าจะมี Data Story Feature ซึ่งเป็นตัวช่วยที่ดีที่ทำให้เราสามารถเล่า Story ของข้อมูลได้อย่างน่าสนใจมากยิ่งขึ้น ดังนี้
• นำข้อมูลที่มีอยู่มา Customize Function ที่ต้องการจะเล่า
• มีการกำหนด เน้น ข้อความ Good/ Bad และ
• Highlight Color based on Conditions

Native Model Builder Feature – Tableau

กำลังพัฒนาทางด้าน No Code Model Builder ซึ่งปัจจุบันการวิเคราะห์เชิงลึกต้องอาศัยความรู้เฉพาะทางด้าน Data Scientist โดยวิสัยทัศน์ของ Tableau ก็เน้นให้ผู้ใช้งาน Tableau สามารถสร้างโมเดลและการวิเคราะห์เชิงลึกได้ด้วยตนเองด้วยการคลิก โดยไม่จำเป็นต้องมีความรู้ในการเขียนโปรแกรมก็สามารถสร้าง Predictive Model ขึ้นมาได้ เพื่อใช้ในการพยากรณ์ และการตัดสินใจทางธุรกิจ

โดยในงานนี้คุณ Tammy ได้แสดงตัวอย่างของ Tableau Model Builder โดยตัวอย่าง สามารถเลือก Function Target → Model Goal → Modeling Algorithm → Preview Result → Training model → Show Result (AUC Score / Model Percent and other) จนกระทั่ง Deploy Model

Insight Global: Accelerate your Data Culture with a centre of excellence

Speaker#3 - คุณยี อาภาพร วุฒิกุลภาคย์ Enterprise & Public Sector Country Sales Lead at Tableau

คุณอาภาพร บรรยายเรื่อง Data Culture ในองค์กร ว่าในหลากหลายองค์กรมีความต้องการเปลี่ยนเป็น Digital transformation and Data-Driven Organization แต่ประสบความสำเร็จแค่ 5% เท่านั้น เนื่องด้วยอุปสรรคหลัก คือ Data Culture

ซึ่ง Tableau จะช่วยเป็นอีก Tools หนึ่งในการปรับเปลี่ยน Data Culture ได้โดยใช้ Concept

“We help people see and understand data”

อีกทั้งต้องมีองค์ประกอบต่อไปนี้ใน Tableau Blueprint

1. Agility - สมาชิกสามารถเข้าใจวิธีการออกแบบข้อมูลและสามารถปรับใช้ เพื่อให้สอดคล้องกับความต้องการของธุรกิจ
2. ความเชี่ยวชาญ/ชำนาญ - ให้ความรู้กับผู้ใช้งานและทำความเข้าใจข้อมูล เพื่อประกอบการตัดสินใจ
3. ชุมชน - สร้างชุมชนของผู้ที่ชื่นชอบข้อมูลที่เป็นแรงบันดาลใจ สนับสนุน และเฉลิมฉลองชัยชนะที่ขับเคลื่อนด้วยข้อมูลไปด้วยกัน

The Future of Tableau: Dev on Stage

Speaker#4 - คุณสาโรจน์ ปุญญพัฒนกุล Head of Technology, Amazon Web Services, Thailand

คุณ Saroj มาพูดเรื่อง “ขับเคลื่อนองค์กรด้วยข้อมูลจากวิสัยทัศน์สู่คุณค่า” และเล่าถึงวิวัฒนาการของการใช้ข้อมูล ณ ปัจจุบัน แบ่งเป็น 3 ส่วนหลัก ๆ เพื่อตอบคำถาม What → Why → How โดยใช้ Data ดังนี้ Data → Insights → Actions โดยยกตัวอย่างการใช้งาน Data กับการแข่งรถ F1 ซึ่งเป็นตัวอย่างที่ดีมากกับการนำ Data มาใช้เพื่อให้ได้เปรียบในการแข่งขัน เช่น ความเร็ว ปริมาณน้ำมัน สมรรถนะของรถ ที่ใช้งานร่วมกับ AWS S3.

Tableau APIs

Speaker#5 - คุณปิง วรพล สันทัดกลการ
 Solutions Architect Director at Business Applications Co., Ltd. (BAC) คุณปิง ขอมาแชร์การเพิ่มประสิทธิภาพการวิเคราะห์ด้วย “Data Fabric” โดย “Data Fabric” เป็นแนวคิดในการออกแบบซึ่งทำหน้าที่เป็นขั้นตอนของข้อมูลและการเชื่อมต่อกระบวนการ โดยเชื่อมต่อข้อมูลจากที่ต่าง ๆ อย่างต่อเนื่อง เพื่อค้นหาความสัมพันธ์เฉพาะที่เกี่ยวข้องกับธุรกิจ ศึกษาต่อได้ที่ Using Data Fabric Architecture to Modernize Data Integration

Analytics First Approach

จากอดีตจนถึงปัจจุบันกระบวนเตรียมข้อมูลและ การสร้าง Dashboard มี IT เป็นศูนย์กลาง ซึ่งผลกระทบที่ได้คือ "งานช้า" "ผลงานไม่ตอบโจทย์ต่อ Business" "รายงานไม่ได้ถูกนำไปใช้ได้จริง เนื่องจากไม่เข้าใจ Business" ฯลฯ ปัจจุบันมีแนวคิดเพื่อพัฒนากระบวนการให้ Business User สามารถสร้าง Dashboard เพื่อตอบสนองธุรกิจได้ด้วยตนเอง เมื่อ Domain Business รู้ว่าต้องการอะไรและ Data ส่วนไหนที่ต้องการนำไปวิเคราะห์ ทำให้ Dashboard ที่ได้ออกมาตอบโจทย์ทางธุรกิจได้ดีกว่า เหมาะสมกว่า

ซึ่งปัจจุบัน AWS สามารถแสดงรายละเอียดของแต่ละหมวดหมู่ได้ ตัวอย่าง คือ เครื่องมือใน AWS ที่สามารถรองรับได้แต่ละกระบวนการตามภาพด้านล่าง

Tableau Developer’s API ปัจจุบัน Tableau มี APIs ให้ใช้งานหลากหลาย เพิ่มความสะดวกและความยืดหยุ่นในการพัฒนาองค์กร ให้ขับเคลื่อนด้วยข้อมูลได้อย่างมีประสิทธิภาพ Tableau Server Client (TSC) จะมาช่วยให้การบริหารจัดการ Tableau Server แบบง่ายซึ่งจากเดิมถ้าใช้ Rest API จะต้องเขียนสคริปต์แบบยืดยาว แต่ TSC จะลดวิธีการเขียนให้ใช้ code ได้ simple มากขึ้น

Use Case การดึงข้อมูลจาก API แล้วแปลงไฟล์ให้เป็น Hyper File เพื่อเป็น Data Source ใน Tableau Server

Extension API ต่าง ๆ ที่มีใน Tableau

Tableau Embedded Analytics V3 โปรแกรมได้เพิ่มความปลอดภัยมากขึ้นโดยการเข้ารหัส

ท้ายที่สุดแล้ว เรารู้สึกตื่นเต้นที่ได้เข้าร่วมในงาน Tableau DataFest Thailand 2022 หลังจากที่สถานการณ์โควิด-19 ทำให้ไม่มีงาน Tableau Thailand Conference ในระยะเวลา 2 ปีที่ผ่านมา ทั้งเรายังได้เรียนรู้ความเป็นมาเป็นไปและการขับเคลื่อนในสายอาชีพ การดำเนินธุรกิจ วิธีการการแก้ปัญหาทางธุรกิจ สถานการณ์ในปัจจุบันของ Data Culture, Digital transformation และ Data-Driven Organization ซึ่งปัจจุบัน Tableau พยายามตอบสนองโจทย์ธุรกิจดังกล่าวนี้ และยังมีการพัฒนาในด้าน AI/ML ในอนาคตอีกด้วย ซึ่งทีมงานได้ทดลองใช้งานบาง feature แล้ว ค่อนข้างประทับใจเลยทีเดียว โอกาสไว้ทีมงานเก็บประเด็นมาเล่าให้ฟังต่อไปนะครับ

ผู้เขียน

บุรินทร์ บุญวัชราภัย, Data Analyst, SiData+

ผู้ร่วมแชร์ประสบการณ์

ดร.วัชราภรณ์ ตันโชติศรีนนท์, Data Scientist, SiData+

ณัฏฐชัย บวรมงคลศักดิ์, Data Scientist, SiData+

บรรณาธิการ

ศศินิภา อุทัยสอาด SiData+

ศศินา เถียรพรมราช SiData+

หมายเหตุ workshop ที่ทีมเข้าร่วมเป็นการจัดครั้งที่ 3 อาจจะตามทันในบางประเด็น ขออภัยมา ณ ที่นี้ครับ

เริ่มต้นการสรุปการประชุม 2 ครั้งที่ผ่านมา ซึ่งการประชุมเชิงปฏิบัติการครั้งที่ 1 นี้ได้กล่าวถึงเรื่องขอบเขตของกรอบประเด็น เพื่อจัดลําดับประเด็นย่อยที่ที่ประชุมให้ความสําคัญในการขับเคลื่อนในปี พ.ศ. 2565 ส่วนการประชุมเชิงปฏิบัติการครั้งที่ 2 เป็นเรื่องผู้ที่เกี่ยวข้องและมีส่วนได้ส่วนเสียจากการพัฒนาประเด็นอ้างอิงจากกรอบประเด็นย่อยจากการประชุมครั้งที่ 1 โดยกิจกรรมทั้งหมดนี้มีกระบวนกรเป็นผู้อำนวยความสะดวกใน workshop อย่างเป็นลำดับขั้นและเข้าใจง่าย ทำให้ทีมสามารถเข้าใจและร่วมแบ่งปันความรู้แลกเปลี่ยนประสบการณ์ได้เป็นอย่างดี

หลังจากนั้นจะเป็นขั้นตอน Mechanism map เพื่อช่วยกันพิจารณาว่า ขณะนี้มีการทำงานในเรื่องต่างๆ อย่างไรบ้าง ปัจจุบันมีใครเป็น stakeholder หลัก ใครเป็นผู้มีอำนาจสั่งการในการแก้ปัญหาโดยตรง รวมถึงมีการช่วยเหลือต่างๆ โดยข้อมูลที่เกิดขึ้นมาจากการบอกเล่าจากประสบการณ์ของผู้เข้าร่วม workshop ทั้งในฐานะผู้ให้บริการและผู้ใช้บริการทางสาธารณสุขครับ

ประเด็นที่น่าสนใจในขั้นตอนนี้ คือ กลไกพิเศษที่เกิดขึ้นในสถานการณ์ Covid ที่ผ่านมา รวมถึงสถานการณ์เกี่ยวกับโรคไม่ติดต่อ (NCDs) และสุขภาพจิต ซึ่งถือเป็นกลไกการทำงานพิเศษของภาคประชาชนในการช่วยเหลือและให้บริการประชาชน อีกทั้งกลไกนี้ยังสามารถตอบสนองได้อย่างทันท่วงที และเข้าถึงประชาชนได้ในวงกว้างด้วย ทำให้สถานการณ์ต่างๆ บรรเทาลงได้ เช่น การมี Influencer ใช้สื่อสังคมออนไลน์ช่วยประสานงานกับทางโรงพยาบาลต่างๆ ให้กับคนไข้ Covid-19 เป็นต้น

ต่อมาใน workshop จะเลือก Focus วิธีการแก้ปัญหา ใน 3 ประเด็น คือ

1. การบูรณาการเครือข่าย
2. การจ่ายเงินแบบ Bundle payment
3. การเชื่อมโยงระบบข้อมูลที่ดี

ซึ่งผู้เข้าร่วมได้หารือในแต่ละประเด็นปัญหา และวิธีการแก้ไขปัญหาที่ควรให้ความสำคัญ โดยมีข้อสรุปว่า

1. เรื่องสุขภาพจิต ควรให้ความสำคัญเรื่องการบูรณาการเครือข่าย
2. เรื่องโรคติดต่ออุบัติใหม่และโรคไม่ติดต่อ(NCDs) ควรให้ความสำคัญกับการแก้ปัญหาที่การเชื่อมโยงระบบข้อมูลที่ดี

นอกจากนี้ยังมีความเห็นเพิ่มเติมว่า หากสามารถทำให้ข้อมูลการรักษาของผู้ป่วยในกรุงเทพฯ เชื่อมโยงกันได้ ก็จะช่วยแก้ปัญหาเรื่องความไม่สะดวกสบายในการเข้ารับบริการได้ ซึ่งจุดนี้ผมเห็นด้วยครับ เนื่องจากมีโอกาสได้ทำงานอยู่ในแวดวงสาธารณสุข จึงได้เห็นปัญหาเกี่ยวข้องกับความสะดวกของผู้รับบริการ เช่น การเข้ารับบริการในสถานพยาบาลที่ไม่เคยไปมาก่อน ซึ่งไม่มีประวัติการรักษาเดิม ทำให้การรักษาเป็นไปได้อย่างลำบาก หากสามารถเชื่อมโยงข้อมูลระหว่างสถานพยาบาลได้ ปัญหานี้จะหมดไปครับ

การจัดการข้อมูลที่ดี เราทำได้ครับ

ผมมีความเห็นว่า การจัดการข้อมูลที่ดี เริ่มด้วยการมีมาตรฐานการจัดเก็บข้อมูลที่ดี ซึ่งจะสามารถช่วยเหลือประชาชนผู้ใช้บริการทางสาธารณสุขได้จริง ผมกำลังนึกถึงการทำงานปัจจุบันของทีมธรรมาภิบาลข้อมูลของ SiData+ ที่ขับเคลื่อนการปฏิรูปการบริหารข้อมูล ฐานข้อมูล ระบบข้อมูลเพื่อการบริหารและติดตามของคณะแพทยศาสตร์ศิริราชพยาบาล โดยทีมกำลังดำเนินการจัดทำ Metadata และ Master data ขององค์กร หากโครงการนี้แล้วเสร็จ คาดว่าจะสามารถเป็นต้นแบบให้กับหน่วยงานอื่น ๆ ได้พัฒนาการบริหารจัดการการเก็บข้อมูลในหน่วยงานของตัวเอง เพื่อเป้าหมายในการพัฒนาคุณภาพชีวิตของผู้รับบริการทางสาธารณสุขครับ รอติดตามตอนต่อไปนะครับ ไว้ผมจะมาเล่าให้ฟัง :)

และท้ายที่สุดผู้เข้าร่วม Workshop ได้ระดมความคิดว่า มีสิ่งใดที่ทำได้ดีอยู่แล้วและควรทำต่อไป สิ่งใดที่ยังทำได้ไม่ดีและควรแก้ไขเพิ่มเติม และแต่ละคน/หน่วยงานจะมีส่วนร่วมกับการแก้ไขปัญหานี้ต่อไปอย่างไรที่สามารถปฏิบัติได้ทันทีในหน่วยงาน ซึ่งส่วนใหญ่เรื่องที่สามารถทำได้ทันทีโดยไม่ต้องรอกลไกของรัฐ คือ เรื่องการประสานงานของเครือข่ายภาคประชาชน

สิ่งที่จุดประกายในการทำงานของพวกเรา

การได้เข้าร่วมการประชุมเชิงปฏิบัติการในครั้งนี้ ทำให้เห็นว่าการเชื่อมโยงข้อมูลระหว่างหน่วยงานมีความสำคัญอย่างเห็นได้ชัดในปัจจุบัน ไม่ว่าจะเป็นการเชื่อมโยงข้อมูลระหว่างหน่วยงานภาครัฐด้วยกันเอง หรือหน่วยงานภาครัฐกับเอกชน ซึ่งนี่เป็นส่วนหนึ่งของพันธกิจของ SiData+ เช่นกัน

การเข้าร่วมประชุมกับสมัชชาสุขภาพกรุงเทพมหานครครั้งนี้ทำให้พวกเรามีแรงใจในการแก้ปัญหาเรื่องการเชื่อมโยงข้อมูลให้สำเร็จ เพราะผลลัพธ์ที่เกิดขึ้นไม่ได้เกิดแค่ที่คณะแพทยศาสตร์ศิริราช แต่ยังสามารถนำไปช่วยเหลือหน่วยงานอื่น ๆ ในกรุงเทพมหานคร และหวังเป็นอย่างยิ่งว่าจะได้เป็นต้นแบบการเปลี่ยนแปลงด้านการจัดการข้อมูลให้กับองค์กรทั้งภาครัฐ และเอกชนในประเทศไทยครับ

ท้ายที่สุดนี้ ทีม Data Governance ของ SiData+ ได้ขับเคลื่อนโครงการคุ้มครองข้อมูลส่วนบุคคล ภายในคณะแพทยศาสตร์ศิริราชพยาบาล เช่น การทำ privacy notice ให้กับผู้ที่เกี่ยวข้อง และการเปิดให้มีกระบวนการและเอกสารขอใช้สิทธิ ที่เกี่ยวข้องกับจัดการคำร้องขอในการใช้สิทธิของเจ้าของข้อมูลส่วนบุคคล (Data Subject) สามารถเข้ามาศึกษาได้ที่ https://www.si.mahidol.ac.th/data/en/privacy/

รวมถึงมีโมเดลของการสร้างระบบข้อมูลขององค์กรที่คุณณัฐวุฒิ อดุลยานุโกศล ท่านรองผอ.ศูนย์ SiData+ ได้เผยแพร่ไว้ใน Series:How Siriraj Execute the Data Strategy มากมายหลายบทความ เรียนเชิญเข้ามาศึกษา และถ้ามีโอกาสก็เข้ามา discuss กันได้ใต้บทความนะครับ สำหรับบทความนี้ขอขอบคุณ และสวัสดีครับ

ผู้เขียน นายแพทย์เปี่ยมบุญ ธมโชติพงศ์ ทีม Data Governance, SiData+

ผู้ร่วมแชร์ประสบการณ์ คุณวิเชียร บุญญะประภา หัวหน้าทีม Data Governance, SiData+

บรรณาธิการ ศศินิภา อุทัยสอาด SiData+ ศศินา เถียรพรมราช SiData+

การเพิ่มประสิทธิภาพการนำเสนอข้อมูลในรูปแบบของ Dashboards ผ่าน Tableau สามารถทำได้หลากหลายวิธีด้วยกัน จึงขอยกตัวอย่าง 2 ประการที่ทำได้ไม่ซับซ้อนเลย คือ

1. การกำหนดขนาดของ Dashboard

รู้หรือไม่ว่า...การกำหนดขนาดของ Dashboard แบบอัตโนมัติ ทำให้ประสิทธิภาพการทำงานของ Dashboard ไม่ดีเท่ากับการกำหนดขนาดของ Dashboard แบบเฉพาะเจาะจง

• การกำหนดขนาดของ Dashboard แบบอัตโนมัติ

ถึงแม้ว่าการกำหนดขนาดของ Dashboard แบบอัตโนมัติจะมีข้อดี คือ Tableau จะทำการปรับเพื่อหาขนาดที่เหมาะสมของการแสดงผล Dashboard ให้พอดีกับขนาดหน้าจอของผู้ใช้งานแต่ละคน แต่การปรับแบบอัตโนมัติอย่างนั้น จะส่งผลให้เกิดผลลัพธ์ที่ไม่สามารถทำนายล่วงหน้าได้ และมันยังส่งผลต่อประสิทธิภาพการทำงานโดยรวมของ Dashboard อีกด้วย เนื่องจาก Tableau Server จะทำการจดจำทุก ๆ ขนาดมีการแสดงผล Dashboard เพื่อให้การแสดงผล Dashboard นั้นในครั้งถัดไป มีความสะดวกรวดเร็วมากยิ่งขึ้น ยกตัวอย่างเช่น ถ้ามีคนจำนวน 20 คนเข้ามาดู Dashboard ด้วยขนาดของหน้าจอที่มีความแตกต่างกันเพียงเล็กน้อย Tableau Server ก็จะทำการคำนวณทุกครั้ง เพื่อพิจารณาหาขนาดที่เหมาะสมสำหรับการแสดงผล Dashboards ทั้ง 20 ภาพ

• การกำหนดขนาดของ Dashboard แบบเฉพาะเจาะจง

การทำความเข้าใจการใช้งาน Dashboard ของผู้ใช้ จะทำให้ผู้พัฒนา Dashboard สามารถกำหนดขนาดที่ชัดเจนเหมาะสมของ Dashboard นั้น ๆ ในระบบได้ วิธีการหนึ่งที่สามารถทำได้ง่าย ๆ คือ การใช้โปรแกรมวิเคราะห์เข้ามาช่วยเก็บรวบรวมข้อมูลการใช้งานเบื้องต้นของผู้ใช้ เช่น ค่าความละเอียดหน้าจอ เป็นต้น

โดย Google Analytics เป็นอีกหนึ่งโปรแกรมฮิตจาก Google ซึ่งสามารถนำมาทำงานนี้ได้อย่างมีประสิทธิภาพ โดยไม่เสียค่าใช้จ่ายใด ๆ

จากตัวอย่างด้านบนนี้ จะเห็นว่า Dashboard นี้ถูกเข้าชมจากหลากหลายอุปกรณ์ของผู้ใช้งานซึ่งมีค่าความละเอียดหน้าจอที่แตกต่างกัน แต่ทั้งนี้ เมื่อคำนึงถึงชนิดของอุปกรณ์ที่ผู้ใช้งานนิยมใช้ สามารถจัดออกเป็น 3 ประเภทหลัก ๆ ได้ ดังนี้

1. มือถือ (ค่าความละเอียดหน้าจอคือ 320×568)
2. Tablet (ค่าความละเอียดหน้าจอคือ 768×1024)
3. เครื่องคอมพิวเตอร์ (ค่าความละเอียดหน้าจอคือ 1366×768)

ตัวอย่าง การกำหนดขนาดที่ชัดเจนของ Dashboard

ถึงแม้ว่า การกำหนดขนาดที่ชัดเจนของ Dashboard จะเป็นการเพิ่มงานอีกเล็กน้อยให้แก่ผู้พัฒนา Dashboard แต่กลับให้ผลลัพธ์ที่คุ้มค่าในการลดการทำงานของ Tableau Server เมื่อต้องประมวลผลจากการกำหนดขนาดการแสดงผลแบบอัตโนมัติ และยังช่วยให้เพิ่มประสิทธิภาพโดยรวมของ Server ให้ดีขึ้นได้อีกด้วย

2. การจำกัดจำนวนของ Worksheets บน Dashboard

การคำนึงถึงประสิทธิภาพการทำงานของระบบโดยรวม ด้วยการจำกัดจำนวนของ Worksheets บน Dashboard และถ้าหากมีการใช้ภาพมากกว่า 4 ภาพบน Dashboard เดียวกัน ควรพิจารณาว่า มีความจำเป็นหรือไม่ หากไม่มีความจำเป็น ก็นำออกเสียดีกว่า

จากตัวอย่างด้านบนแสดงผลการวิเคราะห์ประสิทธิภาพการทำงานของ Worksheets ต่างๆ บน Dashboard พบว่า เมื่อจำนวนของ Worksheets มีมากขึ้น จะส่งผลให้ระยะเวลาในการโหลด Dashboard เพื่อนำเสนอแก่ผู้ใช้งานยาวนานขึ้นเช่นเดียวกัน

• Dashboarding or Dash-boring

ข้อควรระวังอย่างหนึ่งของการพัฒนา Dashboard คือ การที่ผู้พัฒนาอยากใส่ข้อมูลให้ครบถ้วนจนกลายเป็นมากเกินไป และนำเสนอข้อมูลทั้งหมดใน Dashboard เดียวกัน ซึ่งอาจทำให้ Dashboard รกรุงรัง ทำให้ผู้ใช้งานเกิดความสับสน และไม่สามารถเข้าถึงข้อมูลตัวเองต้องการได้อย่างสะดวกรวดเร็ว ด้วยเหตุนี้ การดึงความสนใจของผู้ใช้งาน การแสดงผลข้อมูลที่เข้าใจง่ายและตรงประเด็น ภายในระยะเวลาที่เหมาะสม ก็เป็นอีกข้อควรพิจารณาที่ผู้พัฒนาควรคำนึงถึงและให้ความสำคัญในการพัฒนา Dashboard อีกด้วย

และที่ขาดไม่ได้เลย คือ การรับฟังความคิดเห็น หรือผลตอบรับจากผู้ใช้งาน เพราะมีส่วนช่วยให้ผู้พัฒนา Dashboard สามารถปรับปรุงข้อมูล และรูปแบบการนำเสนอได้สอดคล้องตรงกับความต้องการของผู้ใช้งานได้ดียิ่งขึ้น

ท้ายที่สุด อยากฝากแนวคิดการสร้าง Dashboard ที่มีประสิทธิภาพเอาไว้ว่า...

ผศ.ดร.ประพัฒน์ สุริยผล ผู้อำนวยการศูนย์ SiData+ จึงได้ให้เกียรติมาแบ่งปันวิสัยทัศน์ในการขับเคลื่อนองค์กรด้วยข้อมูล ในบทสัมภาษณ์ต่อไปนี้

1) การ 'ขับเคลื่อน​องค์กร​ด้วยข้อมูล' ​ในมุมมองของอาจารย์​ เป็นอย่างไร

🧑ผศ.ดร.ประพัฒน์: หลักการที่ผมมอง คือ นำข้อมูลที่มีอยู่มาใช้ประโยชน์ให้มากที่สุด เริ่มตั้งแต่การนำข้อมูลมาใช้ในการติดตาม เพื่อให้ทราบว่ามีอะไรเกิดขึ้นบ้าง ทำความเข้าใจ หา insight ว่าทำไมจึงเกิดขึ้น แล้วนำมาใช้ทำนายว่า จะเกิดอะไรขึ้น (what-if analysis) เพื่อนำไปสู่การทำงานที่มีประสิทธิภาพ (action)

2) อาจารย์มีภาพของศิริราชที่ขับเคลื่อนข้อมูลตั้งแต่เมื่อไร แล้วตอนนั้นศิริราชเป็นอย่างไร

🧑ผศ.ดร.ประพัฒน์: จริง ๆ ต้องแจ้งว่า เป็นวิสัยทัศน์ของท่านคณบดีและผู้บริหารของคณะฯ ครับ ก่อนหน้านั้น หน่วยงานที่ทำงานเกี่ยวกับข้อมูลจะอยู่กับฝ่ายสารสนเทศ แต่ท่านคณบดีและผู้บริหารมองว่า อยากให้การขับเคลื่อนองค์กร​ด้วยข้อมูลเป็นยุทธศาสตร์ของคณะฯ เพื่อให้การขับเคลื่อนเป็นไปได้อย่างรวดเร็วมากขึ้น เพราะฝ่ายสารสนเทศมีงานหนักที่สำคัญในการดูแลระบบสารสนเทศของคณะให้ทำงานได้อย่างราบรื่นอยู่แล้ว จึงได้จัดตั้งศูนย์สารสนเทศและนวัตกรรมข้อมูล หรือ SiData+ ขึ้นครับ

3) ศิริราชในภาพของอาจารย์เป็นอย่างไรเมื่อมีการขับเคลื่อนองค์กรด้วยข้อมูลอย่างเต็มรูปแบบ

🧑ผศ.ดร.ประพัฒน์: ผมมองตามพันธกิจของศูนย์ SiData+ ที่วางไว้ครับ ว่า ต้องเริ่มต้นจากการที่มีธรรมาภิบาลข้อมูลที่ดี (Data Governance) ต่อด้วยการบริหารจัดการข้อมูลให้ดี ให้ถูกต้อง รวดเร็ว มีความพร้อมในการใช้งาน (Data Management) แล้วจึงมีการนำข้อมูลมาใช้ประโยชน์ทั้งองค์กร ทุก ๆ หน่วยงานมีความรู้ ความเข้าใจ สามารถนำข้อมูลที่เตรียมไว้ ไปใช้งานได้ ตั้งแต่การ Monitor จนไปถึงการวางแผนการปฏิบัติงาน พัฒนาการให้บริการ การศึกษาและงานวิจัย มีการวิจัยและพัฒนาการใช้ข้อมูลอย่างต่อเนื่อง และเกิดความร่วมมือกับหน่วยงานอื่น ๆ ทั้งภาครัฐและเอกชน เพื่อให้เกิดประโยชน์สูงสุดกับส่วนรวม

4) พวกเราจะได้ฟังอะไรในงานประชุมวิชาการนานาชาติด้านการแพทย์และการสาธารณสุข พ.ศ.2565 (SICMPH2022) ที่อาจารย์จะได้เป็น speaker ในหัวข้อ 'ขับเคลื่อนองค์กรด้วยพลังข้อมูล'นี้

🧑ผศ.ดร.ประพัฒน์: ในวันที่ 4 สิงหาคมนี้ ทีม SiData+ จะมาแชร์ประสบการณ์ที่ศูนย์ SiData+ ได้ดำเนินการขับเคลื่อนองค์กรด้วยข้อมูล ทีมจะมาเล่าประวัติความเป็นมา รูปแบบในการบริหารจัดการ โครงสร้างและทีมของศูนย์ โดยหวังว่าจะเป็นประโยชน์กับองค์กรที่สนใจจัดตั้งหน่วยงานเพื่อช่วยขับเคลื่อนองค์กรด้วยข้อมูล จากนั้น ทีมจะมาเล่าถึงพันธกิจของศูนย์ และงานที่ได้ทำ ทั้งในส่วนของ Data governance, PDPA สถาปัตยกรรมที่ใช้ในส่วนของ Data management และผลงานการนำข้อมูลไปใช้ ทั้งในส่วนของ Business intelligent และในงานฝั่ง Data science ที่นำ AI และ Machine Learning มาใช้ประโยชน์ในงาน Healthcare ได้จริง

หากสนใจมารับฟังเรื่องราวการทำงานของพวกเรา SiData+ อย่างลึกซึ้ง และมุมมองอนาคต AI & Data Science for Healthcare อย่าพลาด Event นี้!

📕 งานประชุมวิชาการนานาชาติด้านการแพทย์และการสาธารณสุข พ.ศ.2565 (SICMPH2022)

👨‍🏫 บรรยาย 'การขับเคลื่อนองค์กรด้วยพลังข้อมูล' (SiData+: Siriraj Transformation into Data-driven Organization) โดย ผศ.ดร.ประพัฒน์ สุริยผล ผู้อำนวยการศูนย์สารสนเทศและนวัตกรรมข้อมูลศิริราช (SiData+)

🗓 วันที่ 4 สิงหาคม 2565 เวลา 13.30-16.00 น. ณ คณะแพทยศาสตร์ศิริราชพยาบาล มหาวิทยาลัยมหิดล

💻 รูปแบบ Hybrid (บรรยายในห้องประชุมและออนไลน์)

📝 ลงทะเบียนรับฟังหัวข้อนี้ คลิก https://forms.gle/Z4ppALSuJdLMBsUeA (*) รับจำนวน 100 คน เท่านั้น

ติดตามรายละเอียดได้ที่ www.sicmph.com หรืองานวิชาการ โทร 02-419-2673-4 และ 02-419-2678 ในวันและเวลาราชการ