งานวิจัยระยะถัดมาขยาย AMIE ไปสู่การดูแลโรคเรื้อรังต่อเนื่องหลายครั้ง โดยใช้สถาปัตยกรรมแบบสองเอเจนต์ ได้แก่ เอเจนต์สนทนาที่เน้นการสื่อสารอย่างเข้าอกเข้าใจ และเอเจนต์ให้เหตุผลด้านการจัดการโรคที่ตรวจสอบแนวทางเวชปฏิบัติหลายร้อยหน้า โดยอาศัยความสามารถในการประมวลผลบริบทระยะยาวของโมเดล Gemini

ในการประเมินสถานการณ์จำลอง 100 กรณี ผู้เชี่ยวชาญเปรียบเทียบ AMIE กับแพทย์ปฐมภูมิผ่านการพบผู้ป่วยจำลอง 3 ครั้ง ครอบคลุมโรคหัวใจ โรคปอด ประสาทวิทยา สูติ-นรีเวช/ระบบทางเดินปัสสาวะ และระบบทางเดินอาหาร ผลการประเมินซึ่งอิงแนวทางของ NICE และ BMJ Best Practice ระบุว่า แผนของ AMIE ตรงกับคำตอบที่ผู้เชี่ยวชาญเห็นว่าถูกต้องบ่อยกว่า โดยเฉพาะคำแนะนำด้านการตรวจ: 99% เทียบกับ 84% ในการพบครั้งที่สอง และ 100% เทียบกับ 88% ในครั้งที่สาม พร้อมการอ้างอิงแนวทางที่เกี่ยวข้อง

ส่วน MIRA ใช้แนวทางต่างออกไป ระบบนี้ทำงานภายในเวชระเบียนอิเล็กทรอนิกส์ หรือ EHR ซึ่งเป็นระบบที่โรงพยาบาลใช้บันทึกข้อมูลผู้ป่วยและจัดการกระบวนการรักษา ในการทดสอบ MIRA ประเมินข้อมูลทางการแพทย์ สั่งการตรวจ และเตรียมข้อเสนอด้านการวินิจฉัยและการรักษาภายในระบบโรงพยาบาลจำลอง

จากการจำลองย้อนหลังโดยใช้กรณีผู้ป่วยจริง MIRA มีความแม่นยำในการวินิจฉัยโดยรวม 87.8% เทียบกับ 78.1% ของแพทย์ที่ได้รับการรับรอง ตัวเลขในบางโรคแตกต่างกันชัดเจน เช่น ตับอ่อนอักเสบ 95.2% เทียบกับ 78.6% และไส้ติ่งอักเสบ 100% เทียบกับ 88%

MIRA สั่งตรวจเลือดมากกว่าแพทย์ คือ 51% เทียบกับ 28% แต่ชดเชยบางส่วนด้วยการสั่งตรวจภาพวินิจฉัยน้อยกว่ามาก ระบบเข้าถึงการดำเนินการทางคลินิกที่เป็นไปได้มากกว่า 85,000 รายการ และถูกทดสอบด้วยพรอมป์โจมตี 880 รายการเพื่อดูว่าจะถูกหลอกหรือไม่ โดยไม่พบกรณีข้อมูลรั่วไหลในการประเมินที่รายงาน

ตัวเลขที่น่าประทับใจยังไม่ใช่หลักฐานพร้อมใช้งานจริง

ข้อจำกัดใหญ่ที่สุดของทั้ง AMIE และ MIRA คือ ยังไม่ได้พิสูจน์ตัวเองกับผู้ป่วยจริงในกระบวนการรักษาจริง

บททบทวนงานวิจัยเกี่ยวกับเอเจนต์ AI ในสาธารณสุขชี้ตรงกันว่า วงการยังขาดการตรวจสอบความปลอดภัยและประสิทธิผลในสภาพแวดล้อมจริง การประเมินจำนวนมากใช้ชุดข้อมูลสังเคราะห์หรือสถานการณ์ที่ถูกจัดเตรียมไว้ล่วงหน้า ซึ่งไม่สะท้อนข้อมูลเวชระเบียนจริงที่มักไม่ครบ มีความคลาดเคลื่อน และมีความไม่สมดุล ผลลัพธ์ทางคลินิกที่แท้จริงของระบบเหล่านี้จึงยังไม่ได้รับการยืนยันอย่างเพียงพอจากการศึกษาที่ติดตามผู้ป่วยไปข้างหน้า

ข้อจำกัดสำคัญมีอย่างน้อย 4 ด้าน

• ตรวจร่างกายไม่ได้: ระบบที่ทำงานผ่านข้อความและข้อมูลแบบมีโครงสร้างไม่สามารถคลำท้อง ฟังเสียงหัวใจ สังเกตการเดิน หรือประเมินสัญญาณทางกายภาพอื่น ๆ ได้ ทั้งที่การตรวจร่างกายยังเป็นหัวใจของการวินิจฉัยหลายโรค
• ยังไม่มีการเรียนรู้ต่อเนื่องแบบผู้ป่วยจริง: การวิเคราะห์ AI Index Report 2026 ระบุว่า ยังไม่มีระบบใดแสดงความสามารถในการเรียนรู้ต่อเนื่องหรือมีความจำระยะยาวข้ามการพบผู้ป่วยหลายครั้งได้อย่างชัดเจน
• ผู้แสดงบทบาทไม่ใช่ผู้ป่วยจริง: การศึกษาหลายครั้งของ AMIE ใช้ผู้แสดงบทบาทเป็นผู้ป่วยในการสนทนาเสมือนรูปแบบ OSCE ขณะที่ MIRA ใช้กรณีข้อมูลย้อนหลังและให้เอเจนต์ AI อื่นจำลองพฤติกรรมของผู้ป่วย
• ความเสี่ยงด้านความปลอดภัยยังไม่หมดไป: ประเด็นที่ยังต้องจับตา ได้แก่ การสร้างข้อมูลเท็จ การตัดสินใจที่อธิบายได้ยาก ความผิดพลาดระหว่างเอเจนต์หลายตัว และความเสี่ยงที่ระบบ EHR จะถูกเจาะหรือข้อมูลถูกเปิดเผย

ผู้เชี่ยวชาญเตือนอะไร

นักวิทยาศาสตร์ที่ให้ความเห็นต่อการศึกษาทั้งสองมองว่าเป็นความก้าวหน้าครั้งสำคัญ หรืออาจเรียกได้ว่าเป็น “ก้าวกระโดดเชิงคุณภาพ” เมื่อเทียบกับ AI การแพทย์รุ่นก่อน แต่ก็ย้ำว่าผลลัพธ์เกิดขึ้นภายใต้สภาพแวดล้อมที่ควบคุมไว้

ประเด็นที่ผู้เชี่ยวชาญและงานวิจัยวงกว้างยังเป็นห่วง ได้แก่

ความโปร่งใสและความไว้วางใจ — เมื่อ AI เสนอการวินิจฉัยหรือการรักษา แพทย์อาจไม่สามารถตรวจสอบได้อย่างชัดเจนว่าระบบใช้เหตุผลจากข้อมูลใดและให้น้ำหนักกับปัจจัยใด ความตรวจสอบย้อนกลับที่จำกัดอาจบั่นทอนความเชื่อมั่นและทำให้การนำไปใช้จริงยากขึ้น

ใครต้องรับผิดเมื่อเกิดความผิดพลาด — หากข้อเสนอของ AI นำไปสู่ผลลัพธ์ที่เป็นอันตราย ยังไม่มีคำตอบที่ชัดเจนเสมอไปว่า ความรับผิดชอบควรตกอยู่กับผู้พัฒนา ผู้ให้บริการโรงพยาบาล หรือแพทย์ผู้กำกับดูแล กรอบกำกับดูแลอย่างแนวทางของ FDA และกฎหมาย AI ของสหภาพยุโรปยังไม่ได้ตอบโจทย์เฉพาะของ AI แบบเอเจนต์อย่างครบถ้วน

ความสามารถในการใช้กับผู้ป่วยหลากหลายกลุ่ม — ระบบที่ประเมินจากข้อมูลของศูนย์การแพทย์หรือฐานข้อมูลเฉพาะ เช่น MIMIC-IV อาจทำงานได้ไม่เหมือนเดิมเมื่อเจอประชากรต่างกลุ่ม ขั้นตอนบริหารที่ต่างกัน หรือระบบสาธารณสุขคนละประเทศ

ความเสี่ยงที่มนุษย์จะพึ่งพา AI มากเกินไป — แนวคิดของ g-AMIE ซึ่งเป็น AMIE ที่มีกรอบควบคุมชัดเจน สะท้อนความระมัดระวังนี้โดยตรง ระบบถูกออกแบบให้ซักประวัติและช่วยเตรียมข้อมูล แต่ละเว้นการให้คำแนะนำทางการแพทย์เฉพาะบุคคล เพื่อให้แพทย์เป็นผู้ทบทวนและตัดสินใจ

AMIE มีสัญญาณจากโลกจริงแล้ว แต่ยังเป็นเพียงการศึกษาความเป็นไปได้

AMIE เริ่มมีข้อมูลจากการทดลองเชิงอนาคตในสถานพยาบาลจริงมากขึ้น โดยมีการศึกษาความเป็นไปได้แบบกลุ่มเดียวร่วมกับ Beth Israel Deaconess Medical Center เพื่อดูว่า AI จะช่วยรวบรวมข้อมูลผู้ป่วยก่อนพบแพทย์ปฐมภูมิได้อย่างไร

อีกการศึกษาหนึ่งในคลินิกเร่งด่วนกับผู้ป่วย 100 รายพบว่า การวินิจฉัยแยกโรคของ AMIE มีคำวินิจฉัยสุดท้ายรวมอยู่ด้วย 90% ของกรณี และมีความแม่นยำใน 3 อันดับแรก 75% อย่างไรก็ตาม แพทย์ปฐมภูมิยังทำได้ดีกว่าในด้านความเป็นไปได้ในการจัดการรักษาและความคุ้มค่าใช้จ่าย

ผลลัพธ์เหล่านี้ถือเป็นสัญญาณเริ่มต้นที่น่าสนใจ แต่ยังเป็น การศึกษาความเป็นไปได้ ไม่ใช่การทดลองแบบสุ่มมีกลุ่มควบคุมที่พิสูจน์ว่าการใช้ AI ทำให้ผู้ป่วยมีผลลัพธ์ดีขึ้น

เส้นทางก่อน AI จะเข้าไปอยู่ในคลินิก

ทั้ง AMIE และ MIRA ยังไม่ควรถูกมองว่าเป็นระบบที่พร้อมทำงานแทนแพทย์ หรือพร้อมตัดสินใจรักษาอย่างอิสระ ขั้นตอนที่ยังจำเป็น ได้แก่

• การพิสูจน์ความปลอดภัยและประสิทธิผล: ต้องมีการศึกษากับผู้ป่วยจริงในหลายสถานพยาบาลและหลายกลุ่มประชากร
• กฎเกณฑ์กำกับดูแลที่ชัดเจน: หน่วยงานกำกับต้องกำหนดว่าใครรับผิดชอบ เมื่อใดต้องมีแพทย์อนุมัติ และจะติดตามความผิดพลาดของระบบอย่างไร
• การเชื่อมต่อกับ EHR อย่างตรวจสอบได้: เนื้อหาที่ AI สร้างขึ้นต้องแยกจากบันทึกของมนุษย์อย่างชัดเจน เพื่อไม่ให้ความรับผิดชอบทางคลินิกเลือนหายไป
• การรักษาบทบาทของการตรวจร่างกาย: AI สนทนาและระบบที่อ่านข้อมูลโครงสร้างยังไม่สามารถทดแทนการประเมินผู้ป่วยแบบลงมือปฏิบัติได้
• การประเมินความเป็นธรรม: ต้องพิสูจน์ว่าระบบทำงานได้อย่างสม่ำเสมอกับผู้ป่วยที่มีเชื้อชาติ อายุ เพศ โรคประจำตัว และบริบททางสังคมแตกต่างกัน

สรุป: ก้าวสำคัญของงานวิจัย แต่ยังไม่ใช่จุดเปลี่ยนในห้องตรวจ

งานวิจัยเดือนมิถุนายน 2026 แสดงให้เห็นว่า AI การแพทย์กำลังขยับจากเครื่องมือช่วยตอบคำถามไปสู่ระบบที่ติดตามโรคหลายครั้งและทำงานกับข้อมูลในเวชระเบียนได้ AMIE แสดงศักยภาพด้านการจัดการโรคตามแนวทางเวชปฏิบัติ ส่วน MIRA แสดงศักยภาพด้านการประเมินข้อมูลและเสนอการดำเนินการทางคลินิกในระบบจำลอง

แต่ระยะห่างระหว่าง “ทำคะแนนได้ดีในการทดสอบ” กับ “ปลอดภัยสำหรับผู้ป่วยจริง” ยังมีมาก สิ่งที่วงการต้องการต่อไปไม่ใช่เพียงตัวเลขความแม่นยำที่สูงขึ้น แต่คือการศึกษากับผู้ป่วยจริง การทดสอบในระบบสาธารณสุขหลายรูปแบบ หลักเกณฑ์ความรับผิดชอบที่ชัดเจน และหลักฐานว่า AI ช่วยให้ผู้ป่วยมีผลลัพธ์ดีขึ้นจริง

ดังนั้น AMIE และ MIRA ในวันนี้จึงควรถูกมองว่าเป็น ต้นแบบวิจัยที่น่าจับตา ไม่ใช่แพทย์ดิจิทัลที่พร้อมเข้ามาแทนมนุษย์ในคลินิก

งานวิจัยระยะถัดมาขยาย AMIE ไปสู่การดูแลโรคเรื้อรังต่อเนื่องหลายครั้ง โดยใช้สถาปัตยกรรมแบบสองเอเจนต์ ได้แก่ เอเจนต์สนทนาที่เน้นการสื่อสารอย่างเข้าอกเข้าใจ และเอเจนต์ให้เหตุผลด้านการจัดการโรคที่ตรวจสอบแนวทางเวชปฏิบัติหลายร้อยหน้า โดยอาศัยความสามารถในการประมวลผลบริบทระยะยาวของโมเดล Gemini

ในการประเมินสถานการณ์จำลอง 100 กรณี ผู้เชี่ยวชาญเปรียบเทียบ AMIE กับแพทย์ปฐมภูมิผ่านการพบผู้ป่วยจำลอง 3 ครั้ง ครอบคลุมโรคหัวใจ โรคปอด ประสาทวิทยา สูติ-นรีเวช/ระบบทางเดินปัสสาวะ และระบบทางเดินอาหาร ผลการประเมินซึ่งอิงแนวทางของ NICE และ BMJ Best Practice ระบุว่า แผนของ AMIE ตรงกับคำตอบที่ผู้เชี่ยวชาญเห็นว่าถูกต้องบ่อยกว่า โดยเฉพาะคำแนะนำด้านการตรวจ: 99% เทียบกับ 84% ในการพบครั้งที่สอง และ 100% เทียบกับ 88% ในครั้งที่สาม พร้อมการอ้างอิงแนวทางที่เกี่ยวข้อง

ส่วน MIRA ใช้แนวทางต่างออกไป ระบบนี้ทำงานภายในเวชระเบียนอิเล็กทรอนิกส์ หรือ EHR ซึ่งเป็นระบบที่โรงพยาบาลใช้บันทึกข้อมูลผู้ป่วยและจัดการกระบวนการรักษา ในการทดสอบ MIRA ประเมินข้อมูลทางการแพทย์ สั่งการตรวจ และเตรียมข้อเสนอด้านการวินิจฉัยและการรักษาภายในระบบโรงพยาบาลจำลอง

จากการจำลองย้อนหลังโดยใช้กรณีผู้ป่วยจริง MIRA มีความแม่นยำในการวินิจฉัยโดยรวม 87.8% เทียบกับ 78.1% ของแพทย์ที่ได้รับการรับรอง ตัวเลขในบางโรคแตกต่างกันชัดเจน เช่น ตับอ่อนอักเสบ 95.2% เทียบกับ 78.6% และไส้ติ่งอักเสบ 100% เทียบกับ 88%

MIRA สั่งตรวจเลือดมากกว่าแพทย์ คือ 51% เทียบกับ 28% แต่ชดเชยบางส่วนด้วยการสั่งตรวจภาพวินิจฉัยน้อยกว่ามาก ระบบเข้าถึงการดำเนินการทางคลินิกที่เป็นไปได้มากกว่า 85,000 รายการ และถูกทดสอบด้วยพรอมป์โจมตี 880 รายการเพื่อดูว่าจะถูกหลอกหรือไม่ โดยไม่พบกรณีข้อมูลรั่วไหลในการประเมินที่รายงาน

ตัวเลขที่น่าประทับใจยังไม่ใช่หลักฐานพร้อมใช้งานจริง

ข้อจำกัดใหญ่ที่สุดของทั้ง AMIE และ MIRA คือ ยังไม่ได้พิสูจน์ตัวเองกับผู้ป่วยจริงในกระบวนการรักษาจริง

บททบทวนงานวิจัยเกี่ยวกับเอเจนต์ AI ในสาธารณสุขชี้ตรงกันว่า วงการยังขาดการตรวจสอบความปลอดภัยและประสิทธิผลในสภาพแวดล้อมจริง การประเมินจำนวนมากใช้ชุดข้อมูลสังเคราะห์หรือสถานการณ์ที่ถูกจัดเตรียมไว้ล่วงหน้า ซึ่งไม่สะท้อนข้อมูลเวชระเบียนจริงที่มักไม่ครบ มีความคลาดเคลื่อน และมีความไม่สมดุล ผลลัพธ์ทางคลินิกที่แท้จริงของระบบเหล่านี้จึงยังไม่ได้รับการยืนยันอย่างเพียงพอจากการศึกษาที่ติดตามผู้ป่วยไปข้างหน้า

ข้อจำกัดสำคัญมีอย่างน้อย 4 ด้าน

• ตรวจร่างกายไม่ได้: ระบบที่ทำงานผ่านข้อความและข้อมูลแบบมีโครงสร้างไม่สามารถคลำท้อง ฟังเสียงหัวใจ สังเกตการเดิน หรือประเมินสัญญาณทางกายภาพอื่น ๆ ได้ ทั้งที่การตรวจร่างกายยังเป็นหัวใจของการวินิจฉัยหลายโรค
• ยังไม่มีการเรียนรู้ต่อเนื่องแบบผู้ป่วยจริง: การวิเคราะห์ AI Index Report 2026 ระบุว่า ยังไม่มีระบบใดแสดงความสามารถในการเรียนรู้ต่อเนื่องหรือมีความจำระยะยาวข้ามการพบผู้ป่วยหลายครั้งได้อย่างชัดเจน
• ผู้แสดงบทบาทไม่ใช่ผู้ป่วยจริง: การศึกษาหลายครั้งของ AMIE ใช้ผู้แสดงบทบาทเป็นผู้ป่วยในการสนทนาเสมือนรูปแบบ OSCE ขณะที่ MIRA ใช้กรณีข้อมูลย้อนหลังและให้เอเจนต์ AI อื่นจำลองพฤติกรรมของผู้ป่วย
• ความเสี่ยงด้านความปลอดภัยยังไม่หมดไป: ประเด็นที่ยังต้องจับตา ได้แก่ การสร้างข้อมูลเท็จ การตัดสินใจที่อธิบายได้ยาก ความผิดพลาดระหว่างเอเจนต์หลายตัว และความเสี่ยงที่ระบบ EHR จะถูกเจาะหรือข้อมูลถูกเปิดเผย

ผู้เชี่ยวชาญเตือนอะไร

นักวิทยาศาสตร์ที่ให้ความเห็นต่อการศึกษาทั้งสองมองว่าเป็นความก้าวหน้าครั้งสำคัญ หรืออาจเรียกได้ว่าเป็น “ก้าวกระโดดเชิงคุณภาพ” เมื่อเทียบกับ AI การแพทย์รุ่นก่อน แต่ก็ย้ำว่าผลลัพธ์เกิดขึ้นภายใต้สภาพแวดล้อมที่ควบคุมไว้

ประเด็นที่ผู้เชี่ยวชาญและงานวิจัยวงกว้างยังเป็นห่วง ได้แก่

ความโปร่งใสและความไว้วางใจ — เมื่อ AI เสนอการวินิจฉัยหรือการรักษา แพทย์อาจไม่สามารถตรวจสอบได้อย่างชัดเจนว่าระบบใช้เหตุผลจากข้อมูลใดและให้น้ำหนักกับปัจจัยใด ความตรวจสอบย้อนกลับที่จำกัดอาจบั่นทอนความเชื่อมั่นและทำให้การนำไปใช้จริงยากขึ้น

ใครต้องรับผิดเมื่อเกิดความผิดพลาด — หากข้อเสนอของ AI นำไปสู่ผลลัพธ์ที่เป็นอันตราย ยังไม่มีคำตอบที่ชัดเจนเสมอไปว่า ความรับผิดชอบควรตกอยู่กับผู้พัฒนา ผู้ให้บริการโรงพยาบาล หรือแพทย์ผู้กำกับดูแล กรอบกำกับดูแลอย่างแนวทางของ FDA และกฎหมาย AI ของสหภาพยุโรปยังไม่ได้ตอบโจทย์เฉพาะของ AI แบบเอเจนต์อย่างครบถ้วน

ความสามารถในการใช้กับผู้ป่วยหลากหลายกลุ่ม — ระบบที่ประเมินจากข้อมูลของศูนย์การแพทย์หรือฐานข้อมูลเฉพาะ เช่น MIMIC-IV อาจทำงานได้ไม่เหมือนเดิมเมื่อเจอประชากรต่างกลุ่ม ขั้นตอนบริหารที่ต่างกัน หรือระบบสาธารณสุขคนละประเทศ

ความเสี่ยงที่มนุษย์จะพึ่งพา AI มากเกินไป — แนวคิดของ g-AMIE ซึ่งเป็น AMIE ที่มีกรอบควบคุมชัดเจน สะท้อนความระมัดระวังนี้โดยตรง ระบบถูกออกแบบให้ซักประวัติและช่วยเตรียมข้อมูล แต่ละเว้นการให้คำแนะนำทางการแพทย์เฉพาะบุคคล เพื่อให้แพทย์เป็นผู้ทบทวนและตัดสินใจ

AMIE มีสัญญาณจากโลกจริงแล้ว แต่ยังเป็นเพียงการศึกษาความเป็นไปได้

AMIE เริ่มมีข้อมูลจากการทดลองเชิงอนาคตในสถานพยาบาลจริงมากขึ้น โดยมีการศึกษาความเป็นไปได้แบบกลุ่มเดียวร่วมกับ Beth Israel Deaconess Medical Center เพื่อดูว่า AI จะช่วยรวบรวมข้อมูลผู้ป่วยก่อนพบแพทย์ปฐมภูมิได้อย่างไร

อีกการศึกษาหนึ่งในคลินิกเร่งด่วนกับผู้ป่วย 100 รายพบว่า การวินิจฉัยแยกโรคของ AMIE มีคำวินิจฉัยสุดท้ายรวมอยู่ด้วย 90% ของกรณี และมีความแม่นยำใน 3 อันดับแรก 75% อย่างไรก็ตาม แพทย์ปฐมภูมิยังทำได้ดีกว่าในด้านความเป็นไปได้ในการจัดการรักษาและความคุ้มค่าใช้จ่าย

ผลลัพธ์เหล่านี้ถือเป็นสัญญาณเริ่มต้นที่น่าสนใจ แต่ยังเป็น การศึกษาความเป็นไปได้ ไม่ใช่การทดลองแบบสุ่มมีกลุ่มควบคุมที่พิสูจน์ว่าการใช้ AI ทำให้ผู้ป่วยมีผลลัพธ์ดีขึ้น

เส้นทางก่อน AI จะเข้าไปอยู่ในคลินิก

ทั้ง AMIE และ MIRA ยังไม่ควรถูกมองว่าเป็นระบบที่พร้อมทำงานแทนแพทย์ หรือพร้อมตัดสินใจรักษาอย่างอิสระ ขั้นตอนที่ยังจำเป็น ได้แก่

• การพิสูจน์ความปลอดภัยและประสิทธิผล: ต้องมีการศึกษากับผู้ป่วยจริงในหลายสถานพยาบาลและหลายกลุ่มประชากร
• กฎเกณฑ์กำกับดูแลที่ชัดเจน: หน่วยงานกำกับต้องกำหนดว่าใครรับผิดชอบ เมื่อใดต้องมีแพทย์อนุมัติ และจะติดตามความผิดพลาดของระบบอย่างไร
• การเชื่อมต่อกับ EHR อย่างตรวจสอบได้: เนื้อหาที่ AI สร้างขึ้นต้องแยกจากบันทึกของมนุษย์อย่างชัดเจน เพื่อไม่ให้ความรับผิดชอบทางคลินิกเลือนหายไป
• การรักษาบทบาทของการตรวจร่างกาย: AI สนทนาและระบบที่อ่านข้อมูลโครงสร้างยังไม่สามารถทดแทนการประเมินผู้ป่วยแบบลงมือปฏิบัติได้
• การประเมินความเป็นธรรม: ต้องพิสูจน์ว่าระบบทำงานได้อย่างสม่ำเสมอกับผู้ป่วยที่มีเชื้อชาติ อายุ เพศ โรคประจำตัว และบริบททางสังคมแตกต่างกัน

สรุป: ก้าวสำคัญของงานวิจัย แต่ยังไม่ใช่จุดเปลี่ยนในห้องตรวจ

งานวิจัยเดือนมิถุนายน 2026 แสดงให้เห็นว่า AI การแพทย์กำลังขยับจากเครื่องมือช่วยตอบคำถามไปสู่ระบบที่ติดตามโรคหลายครั้งและทำงานกับข้อมูลในเวชระเบียนได้ AMIE แสดงศักยภาพด้านการจัดการโรคตามแนวทางเวชปฏิบัติ ส่วน MIRA แสดงศักยภาพด้านการประเมินข้อมูลและเสนอการดำเนินการทางคลินิกในระบบจำลอง

แต่ระยะห่างระหว่าง “ทำคะแนนได้ดีในการทดสอบ” กับ “ปลอดภัยสำหรับผู้ป่วยจริง” ยังมีมาก สิ่งที่วงการต้องการต่อไปไม่ใช่เพียงตัวเลขความแม่นยำที่สูงขึ้น แต่คือการศึกษากับผู้ป่วยจริง การทดสอบในระบบสาธารณสุขหลายรูปแบบ หลักเกณฑ์ความรับผิดชอบที่ชัดเจน และหลักฐานว่า AI ช่วยให้ผู้ป่วยมีผลลัพธ์ดีขึ้นจริง

ดังนั้น AMIE และ MIRA ในวันนี้จึงควรถูกมองว่าเป็น ต้นแบบวิจัยที่น่าจับตา ไม่ใช่แพทย์ดิจิทัลที่พร้อมเข้ามาแทนมนุษย์ในคลินิก