Harvard Medical School + Beth Israel ตีพิมพ์ใน Science: OpenAI o1 ทำ ER triage diagnosis ได้แม่นกว่าหมอ — 67% ใน 76 เคส vs 55%/50% ของแพทย์ประจำสองคน, ชนะมากที่สุดตอน initial triage ที่ข้อมูลน้อยและเร่งด่วนสุด

วันที่ 30 เมษายน 2026 ทีมวิจัยจาก Harvard Medical School ร่วมกับ Beth Israel Deaconess Medical Center ตีพิมพ์ผลการศึกษาใน Science เปรียบเทียบความสามารถ diagnostic reasoning ของ OpenAI o1 และ 4o กับแพทย์ประจำห้อง ER จริง ผลที่ออกมาน่าสนใจมาก — โมเดล reasoning ตัวแรกของ OpenAI ทำได้ดีพอ ๆ กับหรือดีกว่าแพทย์ในแทบทุก benchmark ที่วัด และความได้เปรียบเด่นชัดสุดตอน initial triage ที่ข้อมูลน้อยและความเร่งด่วนสูงสุด — ช่วงเวลาที่การตัดสินใจผิดพลาดจะส่งผลร้ายแรงที่สุด

แต่เรื่องนี้ไม่ได้แปลว่า AI พร้อมแทนหมอแล้ว — ผู้วิจัยเองเน้นว่าเป็นการศึกษาแบบ retrospective บนข้อมูลข้อความล้วน ไม่ครอบคลุมภาพ เสียง หรือ nonverbal cues ที่หมอใช้ในชีวิตจริง — ผลลัพธ์เน้น “urgent need for prospective trials” มากกว่าจะประกาศว่า AI ชนะหมอ

รายละเอียดการทดลอง — 76 เคส ER จริง, แพทย์เปรียบเทียบไม่รู้ว่าใครคือ AI

ทีมวิจัย — นำโดย Arjun Manrai (หัวหน้า AI lab ที่ Harvard Medical School) และ Adam Rodman (แพทย์ที่ Beth Israel) — เลือกผู้ป่วย 76 รายที่มา ER ของ Beth Israel Deaconess Medical Center ในเมือง Boston แล้วเก็บ electronic medical records ที่มีอยู่จริงในแต่ละจุดของการตัดสินใจ (diagnostic touchpoint)

ที่จุดเดียวกัน นักวิจัยให้แพทย์ประจำสองคนวินิจฉัย และให้ OpenAI o1 และ OpenAI 4o วินิจฉัยจาก data เดียวกัน โดย “ไม่ pre-process ข้อมูลเลย” — AI ได้รับข้อมูลแบบเดียวกับที่หมอเห็นในระบบ EMR ตอนนั้น

จากนั้นให้แพทย์อีกสองคนเป็น “blind judge” ประเมินทุก diagnosis โดยไม่รู้ว่าตัวไหนมาจากคนและตัวไหนมาจาก AI — ผลคือ:

• o1 ให้ “exact หรือ very close” diagnosis ที่ 67% ของเคส triage แรก
• แพทย์ประจำคนแรก ทำได้ 55%
• แพทย์ประจำคนที่สอง ทำได้ 50%

ทีมวิจัยสรุปว่า “o1 either performed nominally better than or on par with the two attending physicians and 4o” และความแตกต่าง “were especially pronounced at the first diagnostic touchpoint (initial ER triage), where there is the least information available about the patient and the most urgency to make the correct decision”

ทำไมเรื่อง management reasoning น่าจับตามากกว่า diagnostic accuracy

ในบทรายงานสื่อหลายแห่ง (เช่น Fortune, STAT, Harvard Magazine) เน้นอีกผลลัพธ์ที่ดูจะ surprise นักวิจัยเองมากกว่า — management reasoning หรือการตัดสินใจ “ต่อจาก” diagnosis ว่าจะทำยังไงต่อ (จะสั่ง test อะไร, จะให้ยาอะไร, จะ admit หรือไม่)

ในชุดเคส 5 scenarios ที่พัฒนาโดยผู้เชี่ยวชาญ 25 คน — โมเดล AI ได้ median score 89% ขณะที่หมอที่ใช้ “conventional resources” (รวมถึง Google search ล่าสุด) ได้แค่ 34% — ช่องว่างเกือบ 3 เท่า

นี่คือจุดที่หลายคนมองว่าเป็น signal ของ shift จริง — ไม่ใช่แค่ “AI จำโรคได้ดี” (ซึ่งเป็นปัญหา pattern matching) แต่คือ “AI เก่ง reasoning ภายใต้ความไม่แน่นอน” ซึ่งคือ core skill ของแพทย์จริง

ผู้วิจัยเองยืนยัน: ยังไม่พร้อม deploy — ขาด accountability framework

แม้ผลจะดี ทีม Harvard เน้นในข่าวประชาสัมพันธ์ว่าผลการศึกษานี้ “shows urgent need for prospective trials to evaluate these technologies in real-world patient care settings” — ไม่ใช่หลักฐานพร้อม deploy

Adam Rodman บอกกับ The Guardian ว่า “there’s no formal framework right now for accountability” รอบ ๆ AI diagnoses — ใครรับผิดชอบถ้า AI วินิจฉัยผิดและคนตาย? — และผู้ป่วยเองยัง “want humans to guide them through life or death decisions”

ข้อจำกัดหลักของการศึกษา:

• Text-only — AI ไม่ได้เห็นภาพ X-ray, ฟังเสียงผู้ป่วย, หรือดู body language
• Retrospective — เป็นเคสที่จบแล้ว ไม่ใช่ real-time decision making
• 76 เคส — ขนาด sample ค่อนข้างเล็ก
• ทีมเปรียบเทียบกับ เพียง 2 หมอ ใน setting เดียว (Beth Israel)

แต่ที่ critical คือ — แม้กับข้อจำกัดทั้งหมดนี้ การที่ผลออกมาแบบนี้ในวารสาร tier 1 อย่าง Science = ทำให้ resistance ต่อ AI ใน clinical setting ยากที่จะปกป้องด้วยข้อโต้แย้ง “AI ไม่เก่งพอ” อีกต่อไป — ตอนนี้ debate ต้องเปลี่ยนเป็น “เก่งพอแล้ว แต่ระบบ accountability ของเรายังไม่พร้อม”

มุมมอง AI Curator

เรื่องนี้ไม่ใช่ news cycle ปกติของ “AI เก่งกว่ามนุษย์ใน X” — สิ่งที่ทำให้แตกต่างคือ (1) ตีพิมพ์ใน Science ไม่ใช่ press release ของ OpenAI หรือ Harvard เอง, (2) ใช้ เคสจริง จาก ER จริง ไม่ใช่ synthetic benchmark, และ (3) เปรียบเทียบที่ diagnostic touchpoint เฉพาะตอน — สะท้อน workflow จริงของ ER

สำหรับบริบทไทย/SEA — มี implication 3 ชั้น:

ชั้นแรก: ขาดแคลนหมอ ER ใน upcountry — ประเทศไทยยังขาดแคลน emergency physician ใน รพ.ชุมชน อย่างหนัก ถ้ามีระบบ AI ที่ทำ initial triage assistance ได้แม่นใกล้เคียงหมอ ER specialist — นี่คือ leverage มหาศาลสำหรับ public health system ที่ underresourced ในจังหวัดห่างไกล

ชั้นสอง: liability framework ที่ยังไม่มี — ราชวิทยาลัยแพทย์ไทยและแพทยสภายังไม่มี clear position เรื่อง AI-assisted diagnosis หมอจะใช้ได้แค่ไหน? บริษัทต่างชาติที่เข้ามาขาย AI diagnostic tools ต้องผ่าน อย. แบบไหน? ใครรับผิดถ้าผิด? — เรื่องเหล่านี้ต้อง start now ไม่ใช่รอให้ผลกระทบมาก่อน

ชั้นสาม: medical English skill ของ AI vs medical Thai — ผลการศึกษานี้ทำบนข้อมูลภาษาอังกฤษล้วน (EMR ของ Beth Israel) — โมเดลพื้นฐาน o1 หรือเทียบเท่ายังไม่ได้รับการ benchmark กับ Thai medical context จริงจัง — ใครก็ตามที่ build first Thai medical eval suite จะมี leverage มาก ๆ ในตลาด healthcare AI ของ SEA

ที่น่าเตือนคือ — paper นี้คือหลักฐานชั้นแรกของ “phase change” ใน AI clinical capability ปีก่อน ๆ ผลแบบนี้ออกมาจาก vendor หรือ tech blog ตอนนี้ออกจาก peer-reviewed journal tier 1 ใน 12-18 เดือนข้างหน้าเราจะเห็น clinical trials prospective รุ่นใหญ่ — และตามด้วย regulatory framework ที่จริงจัง — โรงพยาบาลและ stakeholder ไทยที่รอ “ดูสถานการณ์” จะตามไม่ทันรอบนี้

แหล่งข่าว

• TechCrunch — In Harvard study, AI offered more accurate diagnoses than emergency room doctors
• STAT — OpenAI model outperforms doctors in diagnostic reasoning study
• NPR — In real-world test, an AI model did better than doctors at diagnosing patients
• Harvard Magazine — AI Outperforms Doctors in Emergency Room Tasks, New Harvard Study Shows