อินเดียนาโพลิส – กุมภาพันธ์ 2025
งานวิจัยล่าสุดจากสหรัฐอเมริกาเผยให้เห็นว่า วิธีการคัดกรองความต้องการทางสังคมที่ส่งผลต่อสุขภาพ (Health-Related Social Needs: HRSNs) ไม่ว่าจะเป็นแบบสอบถาม (Screening Questionnaires) การประมวลผลภาษาธรรมชาติ (Natural Language Processing: NLP) การใช้กฎเชิงตรรกะ (Computable Phenotypes) หรือแม้กระทั่งการใช้ปัญญาประดิษฐ์ (Machine Learning: ML) ต่างก็ยังไม่สามารถให้ผลลัพธ์ที่แม่นยำครบถ้วนสำหรับทุกด้านของความต้องการผู้ป่วยได้
📌 ความสำคัญของการประเมินความต้องการทางสังคมที่เกี่ยวข้องกับสุขภาพ (HRSNs)
ความต้องการทางสังคมที่เกี่ยวข้องกับสุขภาพ (HRSNs) ครอบคลุมถึงปัญหา ความมั่นคงด้านอาหาร (Food Insecurity) ที่อยู่อาศัย การเงิน การเดินทาง และปัญหากฎหมาย ซึ่งล้วนมีผลกระทบโดยตรงต่อสุขภาพและคุณภาพชีวิตของผู้ป่วย งานวิจัยระบุว่า ข้อมูลเหล่านี้มักถูกใช้เพื่อการ ส่งต่อการรักษา (Referral) การสร้างความตระหนักแก่แพทย์ การวิเคราะห์ข้อมูลด้านสาธารณสุข (Public Health Analytics) และการรายงานคุณภาพการรักษา (Quality Reporting) หากการประเมินไม่แม่นยำ อาจนำไปสู่การ มองข้ามปัญหาที่แท้จริงของผู้ป่วย
🧾 แบบสอบถาม (Screening Questionnaires): วิธีที่ยังคง “ใช้ได้ดีที่สุด” ในหลายด้าน
ในบรรดาวิธีที่ศึกษา แบบสอบถามที่ผู้ป่วยตอบโดยตรงให้ผลลัพธ์ที่แข็งแกร่งที่สุด โดยเฉพาะในประเด็น ความมั่นคงทางอาหาร (AUC 0.94) ที่อยู่อาศัย (AUC 0.78) และปัญหาด้านกฎหมาย (AUC 0.81) อย่างไรก็ตาม แบบสอบถามกลับมีจุดอ่อนในเรื่อง ภาระทางการเงิน (Financial Strain) ที่ให้ผลลัพธ์ต่ำ (AUC 0.62)
🤖 ปัญญาประดิษฐ์ (Machine Learning: ML) และการประมวลผลภาษาธรรมชาติ (NLP): มีศักยภาพแต่ยังไม่เพียงพอ
แม้การใช้ปัญญาประดิษฐ์ (Machine Learning: ML) โดยเฉพาะโมเดล การตัดสินใจแบบเสริมกำลัง (Gradient-Boosted Decision Trees) จะมีความไว (Sensitivity) สูงกว่าวิธีอื่น แต่ก็ยังไม่สามารถประเมินได้แม่นยำในทุกประเภทของความต้องการทางสังคมที่เกี่ยวข้องกับสุขภาพ (HRSNs) ส่วนการประมวลผลภาษาธรรมชาติ (Natural Language Processing: NLP) ที่ใช้บันทึกจากเวชระเบียน และกฎเชิงตรรกะ (Rule-Based Computable Phenotypes) ให้ผลการคัดกรองที่อ่อนกว่ามาก
⚖️ ความไม่เป็นธรรม (Unfairness) ในทุกวิธี
งานวิจัยพบว่า ทุกวิธีมีความเสี่ยงต่อการเกิด “ผลลบลวง” (False Negatives) โดยเฉพาะเมื่อนำมาใช้กับผู้ป่วยในกลุ่มต่างเชื้อชาติ เพศ และช่วงอายุที่หลากหลาย ซึ่งหมายความว่า กลุ่มผู้ป่วยบางกลุ่มอาจถูกประเมินต่ำกว่าความเป็นจริง และไม่ได้รับการช่วยเหลือหรือการส่งต่อ (Referral) ที่เหมาะสม
📊 ผลกระทบต่อการแพทย์และนโยบายสาธารณสุข (Public Health Policy)
ผลการศึกษานี้ชี้ชัดว่า ไม่ควรพึ่งพาเพียงวิธีการเดียว ในการเก็บข้อมูลความต้องการทางสังคมที่เกี่ยวข้องกับสุขภาพ (HRSNs) ไม่ว่าจะในโรงพยาบาล หน่วยงานด้านสาธารณสุข (Public Health Organizations) หรืองานวิจัยทางการแพทย์ เพราะจะทำให้มองข้าม ภาระทางสังคมที่แท้จริงของผู้ป่วย และอาจนำไปสู่การจัดสรรทรัพยากรด้านสุขภาพที่ไม่เท่าเทียม
🔍 บทสรุป
งานวิจัยนี้ตอกย้ำว่า การประเมินความต้องการทางสังคมที่เกี่ยวข้องกับสุขภาพ (HRSNs) ต้องอาศัย หลายวิธีผสมผสานกัน เพื่อให้เห็นภาพที่ครบถ้วนและลดอคติจากระบบคัดกรอง การทำงานร่วมกันระหว่างนักวิจัย แพทย์ นักสาธารณสุข และผู้กำหนดนโยบาย จึงเป็นสิ่งสำคัญเพื่อพัฒนา ระบบคัดกรองที่แม่นยำ ยุติธรรม และเท่าเทียม สำหรับผู้ป่วยทุกกลุ่ม
📚 แหล่งอ้างอิง
- Vest JR, et al. Performance of 4 Methods to Assess Health-Related Social Needs. JAMA Network Open. Published August 18, 2025. doi:10.1001/jamanetworkopen.2025.27426