การรับทดลอง Medical AI ในคลินิก
คลินิกกับบทบาท Clinical Validation Partner:
การรับทดลอง Medical AI การวิจัยเครื่องมือแพทย์ในคลินิก ทำอย่างไรให้ปลอดภัย คุ้มค่า และคิดค่าตอบแทนได้อย่างเป็นธรรม
การวิจัยพัฒนา Medical AI และเครื่องมือแพทย์ ไม่ได้จบลงเมื่อวิศวกรสร้างต้นแบบสำเร็จ เพราะผลิตภัณฑ์ที่ทำงานได้ดีในห้องทดลอง อาจทำงานได้ไม่ดีเมื่อเข้าสู่คลินิกจริง ซึ่งมีทั้งผู้รับบริการที่หลากหลาย ขั้นตอนการรักษาที่ซับซ้อน บุคลากรที่มีประสบการณ์ต่างกัน ข้อมูลที่ไม่สมบูรณ์ และข้อจำกัดด้านเวลา
ผู้พัฒนาจึงต้องการคลินิก โรงพยาบาล แพทย์ และบุคลากรสุขภาพเข้ามาช่วยทดสอบว่าเครื่องมือสามารถใช้งานได้จริงหรือไม่ มีความแม่นยำเพียงใด รบกวนกระบวนการรักษาหรือไม่ และสร้างความเสี่ยงใหม่ให้แก่ผู้ป่วยหรือผู้ใช้งานหรือไม่
สำหรับคลินิก นี่อาจเป็นโอกาสในการสร้างรายได้จากความเชี่ยวชาญ ข้อมูลทางคลินิก ระบบงาน และการเข้าถึงกลุ่มผู้รับบริการ โดยไม่จำเป็นต้องเป็นผู้ผลิตเทคโนโลยีเอง แต่คลินิกต้องเข้าใจก่อนว่า การ “ช่วยทดลองของใหม่” ไม่ได้หมายถึงการวางเครื่องไว้ในคลินิกแล้วให้แพทย์ลองใช้เท่านั้น
เมื่อการทดลองเกี่ยวข้องกับผู้รับบริการ เวชระเบียน การวินิจฉัย หรือการรักษา คลินิกกำลังรับบทบาทใกล้เคียงกับ สถานที่วิจัยทางคลินิก หรือ Clinical Validation Site พร้อมภาระด้านจริยธรรม กฎหมาย ข้อมูล ความรับผิด และชื่อเสียงขององค์กร
ดังนั้น ค่าตอบแทนจึงไม่ควรถูกคิดเป็นเพียง “ค่าเช่าสถานที่” หรือ “ค่าใช้เครื่องมือ” แต่ต้องสะท้อนมูลค่าทั้งหมดที่คลินิกนำเข้าสู่โครงการ
การทดลองใช้ สู่การวิจัยทางคลินิก
การทดลอง Medical AI จากการให้ลองใช้ ไปจนถึงการวิจัยทางคลินิก: ทุกโครงการไม่เหมือนกัน
ก่อนตกลงค่าตอบแทน คลินิกควรถามผู้พัฒนาว่า “ต้องการทดสอบอะไร และผลจากการทดสอบจะถูกนำไปใช้อย่างไร”
คำว่า Pilot, Trial, Validation, Beta Test หรือ Clinical Test อาจถูกใช้ปะปนกัน แต่มีระดับความเสี่ยงและภาระงานแตกต่างกันมาก
ระดับการทดสอบ | ลักษณะโครงการ | ผลต่อผู้รับบริการ | แนวทางค่าตอบแทน |
1. Product demonstration | ทดลองเมนู หน้าจอ หรือการใช้งานด้วยข้อมูลจำลอง | ไม่มี | คิดตามชั่วโมงผู้เชี่ยวชาญและค่าอบรม |
2. Usability and workflow test | ทดลองว่าเครื่องมือเข้ากับกระบวนการคลินิกหรือไม่ | ต่ำ | ค่าตั้งระบบ ค่าบุคลากร และค่ารบกวนระบบงาน |
3. Retrospective validation | ใช้ข้อมูลผู้รับบริการย้อนหลังเพื่อประเมินความแม่นยำ | ไม่มีผลต่อการรักษาในขณะนั้น แต่มีความเสี่ยงด้านข้อมูล | ค่าเตรียมข้อมูล ตรวจสอบข้อมูล Annotation และ PDPA |
4. Prospective shadow-mode validation | AI วิเคราะห์ผู้รับบริการจริง แต่ซ่อนผลจากแพทย์ ไม่ใช้ตัดสินใจรักษา | ต่ำถึงปานกลาง | ค่าต่อเคส ค่าติดตามระบบ และค่าตรวจผลโดยแพทย์ |
5. Assisted-use หรือ interventional study | แพทย์เห็นผลจาก AI หรือใช้เครื่องมือประกอบการรักษา | ปานกลางถึงสูง | ค่าการวิจัยเต็มรูปแบบ พร้อม risk premium และประกัน |
6. Post-market performance monitoring | ติดตามผลิตภัณฑ์หลังขึ้นทะเบียนหรือเริ่มใช้งานจริง | ขึ้นกับชนิดผลิตภัณฑ์ | ค่ารายเดือน ค่าต่อเคส และค่ารายงานเหตุการณ์ |
เส้นแบ่งที่สำคัญที่สุดคือ ผลจากเครื่องมือมีอิทธิพลต่อการตัดสินใจทางคลินิกหรือไม่
ตัวอย่างเช่น AI วิเคราะห์ภาพเอกซเรย์สองโครงการอาจดูคล้ายกัน แต่มีสถานะต่างกันอย่างมาก
โครงการแรกให้ AI วิเคราะห์ภาพย้อนหลัง แล้วนำผลมาเปรียบเทียบกับคำวินิจฉัยเดิม โดยไม่มีผลต่อผู้รับบริการ ส่วนอีกโครงการแสดงผลให้แพทย์เห็นระหว่างตรวจ และแพทย์อาจใช้ผลนั้นประกอบการตัดสินใจส่งตรวจเพิ่มเติม
โครงการหลังมีความเสี่ยงทางคลินิกสูงกว่า และไม่ควรถูกตั้งราคาเหมือนโครงการวิเคราะห์ข้อมูลย้อนหลัง
Medical AI อาจเป็นเครื่องมือแพทย์ แม้ไม่มีตัวเครื่อง
ซอฟต์แวร์ไม่ได้หลุดพ้นจากการกำกับดูแลเพียงเพราะไม่มีอุปกรณ์จับต้องได้สำนักงานคณะกรรมการอาหารและยาไทยมีกรอบสำหรับคัดกรองซอฟต์แวร์และปัญญาประดิษฐ์ที่เข้าข่ายเป็นเครื่องมือแพทย์ รวมถึงการจัดระดับความเสี่ยงและการขึ้นทะเบียน Software as a Medical Device หรือ SaMD โดยพิจารณาจากวัตถุประสงค์การใช้งานและผลกระทบทางคลินิกของซอฟต์แวร์นั้น
ตัวอย่างซอฟต์แวร์ที่อาจไม่เข้าข่ายเครื่องมือแพทย์ ได้แก่ ระบบจัดเก็บเวชระเบียนโดยไม่มีการวิเคราะห์ ระบบประชุมทางไกล หรือซอฟต์แวร์ที่แสดงแนวทางเวชปฏิบัติเพื่อใช้อ้างอิงเท่านั้น แต่เมื่อซอฟต์แวร์เริ่มวิเคราะห์ข้อมูลผู้ป่วยเพื่อวินิจฉัย คัดกรอง ติดตาม หรือวางแผนการรักษา โอกาสที่จะเข้าข่าย SaMD จะสูงขึ้น
ดังนั้น คำถามแรกที่คลินิกควรถามผู้พัฒนาไม่ใช่ “AI แม่นยำแค่ไหน” แต่คือ
“ผลิตภัณฑ์นี้ถูกจัดประเภทตามกฎหมายอย่างไร อยู่ในระดับความเสี่ยงใด และการทดสอบครั้งนี้อยู่ในขั้นตอนใดของการขออนุญาต”
การใช้คำว่า “โครงการนำร่อง” ไม่ได้ทำให้ข้อกำหนดด้านการวิจัยและเครื่องมือแพทย์หายไป
ความเคลื่อนไหวของประเทศคู่แข่งอย่างมาเลเซียผ่านโครงการ Penang Medi-City สะท้อนให้เห็นถึงความพยายามในการสร้างระบบนิเวศทางการแพทย์แบบเบ็ดเสร็จ (One-stop Medical Hub) โครงการนี้ไม่ได้เป็นเพียงการสร้างโรงพยาบาลขนาด 200 เตียง แต่ยังรวมถึงอุทยานเทคโนโลยีสุขภาพ สถาบันการศึกษาทางการแพทย์ และศูนย์เซลล์ต้นกำเนิด (Stem Cell) เพื่อรองรับตลาดภูมิภาคอาเซียนตอนเหนือ สถานการณ์ดังกล่าวสร้างแรงกดดันให้ประเทศไทยต้องเร่งยกระดับยุทธศาสตร์ชาติเพื่อรักษาความเป็นผู้นำในอุตสาหกรรมนี้อย่างหลีกเลี่ยงไม่ได้
ภาพรวมข้อกำกับการศึกษาวิจัยเครื่องมือแพทย์ ไทย
ประกาศกระทรวงสาธารณสุข เรื่อง การใช้เครื่องมือแพทย์ในการศึกษาวิจัยทางคลินิก พ.ศ. 2566 กำหนดการทยอยบังคับใช้ตามระดับความเสี่ยง ได้แก่
- เครื่องมือแพทย์ประเภท 4 ตั้งแต่วันที่ 15 มกราคม 2568
- ประเภท 3 ตั้งแต่วันที่ 15 มกราคม 2569
- ประเภท 2 ตั้งแต่วันที่ 15 มกราคม 2570
- ประเภท 1 ตั้งแต่วันที่ 15 มกราคม 2571 (กองควบคุมเครื่องมือแพทย์)
ณ เดือนกรกฎาคม 2569 ข้อกำหนดดังกล่าวจึงมีผลแล้วสำหรับเครื่องมือแพทย์ประเภท 3 และ 4 ส่วนประเภท 2 และ 1 จะทยอยมีผลตามกำหนด
อย. ให้นิยามเครื่องมือแพทย์วิจัยทางคลินิกว่าเป็นเครื่องมือที่นำมาทดสอบหรืออยู่ระหว่างการทดสอบทางคลินิก เพื่อประเมินสมรรถนะ ประสิทธิภาพ หรือความปลอดภัย และมีช่องทางสำหรับการขออนุญาตผลิตหรือนำเข้าเพื่อใช้ในการวิจัยทางคลินิก (กองควบคุมเครื่องมือแพทย์)
ข้อกำหนดสำคัญสำหรับโครงการที่เข้าข่ายการศึกษาวิจัยทางคลินิก ได้แก่
- ต้องดำเนินการตามแผนการศึกษาที่ได้รับอนุญาตจาก อย. และได้รับการรับรองหรืออนุมัติจากคณะกรรมการจริยธรรมการวิจัยในคนที่ อย. ยอมรับ
- การศึกษาทั่วไปต้องดำเนินการตาม ISO 14155:2020 หรือมาตรฐานเทียบเท่า ส่วนเครื่องมือวินิจฉัยภายนอกร่างกายใช้ ISO 20916:2019 หรือมาตรฐานเทียบเท่า
- ต้องมีระบบบันทึก ติดตาม ตรวจสอบ และรายงานเหตุการณ์ไม่พึงประสงค์
- ต้องมีระบบบริหารคุณภาพการศึกษาวิจัย การเฝ้าระวังความปลอดภัย และการจัดเก็บเอกสาร
- การเปลี่ยนแปลงที่มีนัยสำคัญต่อความปลอดภัย คุณภาพการวิจัย หรือสมรรถนะของเครื่องมือต้องผ่านกระบวนการอนุมัติที่เกี่ยวข้องก่อนดำเนินการ
สำหรับคลินิก ประเด็นสำคัญคือ ภาระการขออนุญาตหลักควรเป็นของผู้สนับสนุนการวิจัยหรือ Sponsor ไม่ใช่ถูกผลักมาให้คลินิกรับผิดชอบโดยลำพัง
คลินิกควรร่วมจัดเตรียมเอกสารที่เกี่ยวกับสถานที่ บุคลากร กระบวนการทำงาน และผู้วิจัย แต่ผู้พัฒนาหรือ Sponsor ต้องแสดงให้เห็นว่าโครงการมีแผนวิจัย การจัดการความเสี่ยง การประกันคุณภาพ และกระบวนการรายงานความปลอดภัยที่ครบถ้วน
Medical AI ต้องถูกทดสอบมากกว่าค่าความแม่นยำ
การทดสอบ AI ทางการแพทย์ไม่ควรจบเพียงค่า Accuracy, Sensitivity, Specificity หรือ AUC เพราะความแม่นยำโดยรวมอาจซ่อนปัญหาที่เกิดกับผู้รับบริการบางกลุ่มไว้ได้
หลัก Good Machine Learning Practice ของ International Medical Device Regulators Forum หรือ IMDRF ระบุประเด็นสำคัญหลายด้าน เช่น
- ชุดข้อมูลต้องเป็นตัวแทนของประชากรผู้รับบริการที่จะใช้งานจริง
- ชุดข้อมูลฝึกและชุดข้อมูลทดสอบต้องมีความเป็นอิสระจากกันอย่างเหมาะสม
- Reference standard หรือเกณฑ์คำตอบที่ใช้เปรียบเทียบต้องเหมาะกับวัตถุประสงค์
- ต้องประเมินทั้งอุปกรณ์และปฏิสัมพันธ์ระหว่างมนุษย์กับ AI
- ต้องทดสอบในสภาพแวดล้อมทางคลินิกที่เกี่ยวข้องจริง
- ผู้ใช้ต้องได้รับข้อมูลเกี่ยวกับข้อจำกัด กลุ่มผู้รับบริการ และลักษณะข้อมูลที่ใช้พัฒนาโมเดล
- โมเดลที่นำไปใช้แล้วต้องถูกติดตามเรื่องประสิทธิภาพ การเสื่อมลงของโมเดล และ Dataset drift อย่างต่อเนื่อง
สำนักงาน FDA สหรัฐฯ ก็ใช้แนวคิด Total Product Life Cycle ซึ่งมองการควบคุมความเสี่ยงตั้งแต่การออกแบบ พัฒนา ตรวจสอบ นำไปใช้ ติดตาม และแก้ไขผลิตภัณฑ์ตลอดอายุการใช้งาน ไม่ใช่ประเมินเฉพาะวันที่ยื่นขออนุญาตเท่านั้น (U.S. Food and Drug Administration)
ด้วยเหตุนี้ คลินิกที่ร่วมทดสอบ Medical AI จึงไม่ได้ให้เพียง “ข้อมูลจำนวนหนึ่ง” แต่กำลังให้บริบทที่ผู้พัฒนาไม่สามารถสร้างขึ้นเองในห้องทดลอง ได้แก่
- ผู้รับบริการจริงที่มีความหลากหลาย
- รูปแบบการบันทึกข้อมูลจริง
- ความคลาดเคลื่อนและข้อมูลที่ไม่สมบูรณ์
- ปฏิสัมพันธ์ระหว่างแพทย์ บุคลากร และระบบ
- ผลกระทบต่อเวลาในการตรวจ
- ความเสี่ยงจากการเชื่อผล AI มากเกินไป
- กรณีที่ AI ทำงานได้ไม่ดีหรือให้ผลที่อธิบายไม่ได้
สิ่งเหล่านี้เป็นทรัพยากรที่มีมูลค่าทางธุรกิจและควรถูกนำมาคำนวณค่าตอบแทน
คลินิกนำทรัพย์สินอะไรเข้าสู่โครงการบ้าง
การตั้งราคาอย่างเป็นธรรม ต้องสะท้อนสิ่งที่คลินิกกำลังส่งมอบ
- เวลาของแพทย์และผู้เชี่ยวชาญ
แพทย์อาจต้องทำมากกว่าการลองใช้ผลิตภัณฑ์ เช่น
- ทบทวนแผนการศึกษา
- นิยามเกณฑ์วินิจฉัย
- ตรวจสอบผล AI
- ทำ Adjudication เมื่อผู้ประเมินเห็นไม่ตรงกัน
- ประชุมกับทีมพัฒนา
- ตอบข้อสงสัยของ Monitor
- ตรวจและลงนามเอกสาร
- รายงานเหตุการณ์ผิดปกติ
เวลานี้ควรถูกคิดตาม มูลค่าของเวลาวิชาชีพและรายได้ที่เสียโอกาส ไม่ใช่ตามอัตราค่าจ้างพนักงานทั่วไป
- ระบบงานและบุคลากรของคลินิก
โครงการหนึ่งอาจใช้เวลาเจ้าหน้าที่ตั้งแต่ลงทะเบียนผู้รับบริการ ขอความยินยอม บันทึกข้อมูล ติดฉลากไฟล์ ตรวจสอบคุณภาพ ประสานนัดหมาย จนถึงติดตามข้อมูลที่ขาดหาย
แม้แต่โครงการที่ใช้ AI อย่างเดียวก็อาจเพิ่มเวลาให้เจ้าหน้าที่หลายสิบนาทีต่อเคส
- การเข้าถึงประชากรผู้รับบริการ
ผู้พัฒนาสามารถสร้างโมเดลได้ แต่ไม่สามารถสร้างผู้รับบริการที่ตรงตามเกณฑ์ได้ทันที
ความสามารถของคลินิกในการเข้าถึงผู้รับบริการเฉพาะกลุ่ม เช่น โรคที่พบไม่บ่อย ผู้สูงอายุ ผู้ป่วยโรคเรื้อรัง หรือกลุ่มที่มีลักษณะข้อมูลเฉพาะ จึงเป็นมูลค่าที่ควรถูกสะท้อนใน Site fee และค่าต่อเคส
อย่างไรก็ตาม ไม่ควรจ่ายค่าคอมมิชชันส่วนตัวให้แพทย์ตามจำนวนผู้รับบริการที่รับเข้าโครงการ เพราะอาจสร้างแรงจูงใจที่ขัดกับการคัดเลือกผู้เข้าร่วมอย่างเหมาะสม ค่ารับสมัครควรจ่ายให้สถานที่วิจัยตามต้นทุนและภาระงานที่ตรวจสอบได้
- ข้อมูลและการสร้าง Ground Truth
ข้อมูลดิบไม่ได้กลายเป็นข้อมูลที่ใช้พัฒนา AI ได้ทันที
ภาพทางการแพทย์อาจต้องถูกจัดระเบียบ ลบข้อมูลระบุตัวบุคคล ตรวจคุณภาพ ทำ Annotation และตรวจยืนยันโดยผู้เชี่ยวชาญหนึ่งคนหรือหลายคน
การให้แพทย์ตอบว่า “ภาพนี้ผิดปกติหรือไม่” จึงไม่ใช่งานเล็ก หากคำตอบนั้นจะกลายเป็น Reference standard ที่ใช้พิสูจน์ประสิทธิภาพของผลิตภัณฑ์
- โครงสร้างพื้นฐานและความปลอดภัยของระบบ
คลินิกอาจต้องจัดให้มีเครื่องคอมพิวเตอร์ เครือข่าย พื้นที่จัดเก็บข้อมูล การเชื่อมต่อ API บัญชีผู้ใช้ ระบบบันทึก Log และการควบคุมสิทธิ์เข้าถึง
ต้นทุนด้าน IT และ Cybersecurity ต้องแยกออกจากค่ารักษาพยาบาลตามปกติ
- ความเสี่ยงด้านชื่อเสียงและความรับผิด
เมื่อผู้พัฒนาอ้างว่า “ทดสอบร่วมกับคลินิก X” ชื่อของคลินิกอาจถูกตีความว่าเป็นการรับรองผลิตภัณฑ์ ทั้งที่ผลการศึกษายังไม่เสร็จ
คลินิกจึงต้องควบคุมสิทธิในการใช้ชื่อ โลโก้ คำกล่าวอ้าง ผลการศึกษา และภาพบุคลากร โดยกำหนดว่าการเผยแพร่ทุกครั้งต้องได้รับอนุมัติเป็นลายลักษณ์อักษรก่อน
ข้อมูลผู้รับบริการไม่ใช่ของฟรี
แม้ผู้พัฒนาจะบอกว่าลบชื่อแล้วข้อมูลสุขภาพเป็นข้อมูลส่วนบุคคลที่มีความอ่อนไหวตามพระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล การประมวลผลเพื่อการวิจัยทางวิทยาศาสตร์อาจอาศัยข้อยกเว้นตามกฎหมายได้ในบางกรณี แต่ต้องดำเนินการเท่าที่จำเป็นและมีมาตรการคุ้มครองสิทธิของเจ้าของข้อมูลอย่างเหมาะสม (Department of Legal Walailak University)
ประเด็นที่มักเข้าใจผิดคือ การลบชื่อและเลขประจำตัวประชาชนไม่ได้ทำให้ข้อมูลกลายเป็นข้อมูลนิรนามอย่างสมบูรณ์เสมอไป
วันตรวจ อายุ เพศ โรคหายาก ภาพใบหน้า ภาพถ่ายรอยโรค หมายเลขเครื่อง หรือข้อมูลตำแหน่ง อาจทำให้สามารถเชื่อมโยงกลับไปยังบุคคลได้ โดยเฉพาะเมื่อถูกนำไปรวมกับฐานข้อมูลอื่น
ก่อนส่งข้อมูล คลินิกจึงควรกำหนดอย่างน้อยว่า
- ใครเป็นผู้ควบคุมข้อมูลและใครเป็นผู้ประมวลผลข้อมูล
- ใช้ข้อมูลเพื่อวัตถุประสงค์ใด
- ใช้สำหรับ Validation เท่านั้น หรืออนุญาตให้ใช้ฝึกโมเดลด้วย
- ผู้พัฒนาสามารถนำข้อมูลไปสร้างผลิตภัณฑ์อื่นได้หรือไม่
- ข้อมูลจะถูกส่งไปประเทศใดหรือใช้ Cloud ของใคร
- เก็บไว้นานเท่าใด
- ใครรับผิดชอบเมื่อข้อมูลรั่วไหล
- เมื่อโครงการยุติ จะคืน ลบ หรือเก็บข้อมูลอย่างไร
- ผู้พัฒนาสามารถพยายามระบุตัวบุคคลกลับคืนได้หรือไม่
- โมเดลหรือ Dataset ที่เกิดจากข้อมูลของคลินิกเป็นของใคร
ความยินยอมของผู้รับบริการ การอนุมัติจากคณะกรรมการจริยธรรม และฐานกฎหมายตาม PDPA เป็นคนละเรื่องกัน โครงการอาจมีฐานกฎหมายในการประมวลผล แต่ยังต้องขอความยินยอมเพื่อเข้าร่วมวิจัยตามแผนการศึกษา หรืออาจได้รับการยกเว้นการขอความยินยอมจากคณะกรรมการจริยธรรมในกรณีที่เหมาะสม
คลินิกไม่ควรตัดสินใจเรื่องนี้จากคำรับรองของบริษัทเพียงฝ่ายเดียว
แนวทางการคิดค่าตอบแทนทดลองเครื่องมือแพทย์
วิธีการคิดค่าตอบแทนทดลองเครื่องมือแพทย์ เมื่อคลินิกร่วมทดสอบ รับการทดลอง Medical AI และเครื่องมือใหม่
แนวทางที่ปลอดภัยที่สุดคือ Cost-based pricing บวกค่าความเสี่ยงและมูลค่าทางธุรกิจ แทนการตั้งราคาเป็นก้อนเดียวจากความรู้สึก
สูตรพื้นฐานสามารถเขียนได้ดังนี้
ค่าตอบแทนรวม = ค่าตั้งต้นโครงการ + ค่าบริหารรายเดือน + ค่าต่อผู้รับบริการหรือเคส + ค่าวิชาชีพ + ค่าใช้สถานที่และระบบ + ค่าข้อมูลและ Annotation + ค่าความเสี่ยงและ Compliance + ค่าปิดโครงการ
- Site initiation หรือค่าตั้งต้นโครงการ
เรียกเก็บก่อนเริ่มงาน และไม่ควรคืนเมื่อคลินิกได้ลงแรงเตรียมโครงการแล้ว แม้ผู้พัฒนาจะยกเลิกภายหลัง
ค่าตั้งต้นอาจประกอบด้วย
- การประเมินความเป็นไปได้ของโครงการ
- การตรวจ Protocol
- การจัดเตรียมเอกสารสถานที่
- การประเมิน PDPA และสัญญาข้อมูล
- การประเมินระบบ IT และ Cybersecurity
- การอบรมทีมงาน
- การตั้งค่าระบบและบัญชีผู้ใช้
- การเตรียมเอกสารจริยธรรม
- การประชุมเปิดโครงการ
คลินิกไม่ควรออกค่าใช้จ่ายเหล่านี้แทนผู้พัฒนาโดยหวังว่าจะได้รายได้เมื่อมีผู้รับบริการเข้าร่วม เพราะถ้าโครงการหยุดก่อนรับผู้รับบริการ คลินิกจะเหลือแต่ต้นทุน
- Professional fee ของแพทย์
คำนวณจาก ชั่วโมงที่ใช้จริง × มูลค่าเวลาวิชาชีพต่อชั่วโมง
มูลค่าเวลาวิชาชีพควรพิจารณาจากรายได้เฉลี่ยที่แพทย์สามารถสร้างจากการตรวจรักษาในช่วงเวลาเดียวกัน รวมถึงความเชี่ยวชาญและความรับผิดชอบในฐานะ Principal Investigator หรือ Medical Reviewer
กิจกรรมต่างกันอาจใช้อัตราต่างกัน เช่น
- ประชุมทั่วไป
- ตรวจสอบผล AI
- ลงนามเอกสารสำคัญ
- ทำ Adjudication
- วิเคราะห์เหตุการณ์ไม่พึงประสงค์
- ให้คำปรึกษาด้านการออกแบบผลิตภัณฑ์
การกำหนดค่าตอบแทนเหมารวมว่าแพทย์ “ช่วยดูผลให้หน่อย” มักทำให้งานขยายตัวโดยไม่มีขอบเขต
- ค่าบุคลากรอื่น
คิดจากต้นทุนบุคลากรแบบ Fully loaded cost ซึ่งรวมเงินเดือน สวัสดิการ ภาษี วันลา การบริหาร และเวลาที่ไม่สามารถให้บริการผู้รับบริการทั่วไปได้
ตัวอย่าง ได้แก่
- Research coordinator
- พยาบาล
- นักเทคนิคการแพทย์
- รังสีเทคนิค
- เจ้าหน้าที่เวชระเบียน
- เจ้าหน้าที่ IT
- เจ้าหน้าที่คุ้มครองข้อมูลส่วนบุคคล
- เจ้าหน้าที่การเงินและสัญญา
สามารถบวกค่า Overhead ขององค์กรเพื่อครอบคลุมต้นทุนที่ไม่สามารถแจกแจงตรงได้
- ค่าต่อผู้รับบริการ หรือค่าต่อเคส
เหมาะกับโครงการที่ภาระงานเพิ่มตามจำนวนข้อมูลหรือผู้เข้าร่วม
สูตรต่อเคสอาจเป็น
เวลาของแพทย์ + เวลาพยาบาลหรือ Coordinator + เวลาบันทึกข้อมูล + ค่าวัสดุ + ค่าใช้ห้องและอุปกรณ์ + ค่า Query และตรวจสอบคุณภาพ + ค่าเผื่อเคสไม่สมบูรณ์
ควรกำหนดให้ชัดว่าเมื่อใดจึงถือเป็น Billable case เช่น
- เมื่อคัดกรองแล้ว แม้ผู้รับบริการไม่ผ่านเกณฑ์
- เมื่อผู้รับบริการลงนามยินยอม
- เมื่อเก็บข้อมูลครบ
- เมื่อผู้พัฒนายืนยันว่าข้อมูลผ่านคุณภาพ
- เมื่อมีการติดตามครบทุกครั้ง
คลินิกควรมี Screening fee สำหรับผู้ที่ผ่านขั้นตอนคัดกรองแต่ไม่สามารถเข้าร่วม เพราะการคัดกรองก็ใช้ทรัพยากรจริง
- ค่าข้อมูลและ Annotation
ควรแยกตามระดับความซับซ้อน ไม่ควรคิดเป็นราคาเดียวทุกข้อมูล
ระดับงาน | ตัวอย่าง |
Data extraction | ดึงข้อมูลจากเวชระเบียนตามฟิลด์ที่กำหนด |
Data cleaning | แก้รูปแบบ ตรวจข้อมูลซ้ำ และจัดการข้อมูลที่หาย |
Basic labeling | ระบุผลบวก ผลลบ หรือหมวดหมู่พื้นฐาน |
Specialist annotation | วาดขอบเขตรอยโรค ระบุตำแหน่ง หรือให้คะแนนโดยผู้เชี่ยวชาญ |
Adjudication | ผู้เชี่ยวชาญเพิ่มเติมตัดสินเมื่อผลไม่ตรงกัน |
Longitudinal linkage | เชื่อมข้อมูลผู้รับบริการหลายช่วงเวลาและหลายแหล่ง |
หากข้อมูลถูกนำไปฝึกโมเดลเชิงพาณิชย์ คลินิกควรพิจารณาเรียก Data-use premium เพิ่มจากค่าจัดเตรียมข้อมูล เพราะผู้พัฒนาไม่ได้รับเพียงไฟล์ แต่ได้รับสินทรัพย์ที่อาจนำไปสร้างรายได้ต่อเนื่อง
- ค่าเชื่อมต่อระบบและ IT
แยกคิดเมื่อมีงาน เช่น
- เชื่อม API กับระบบคลินิก
- ติดตั้ง Agent หรือโปรแกรมในเครือข่าย
- จัดทำ Single Sign-on
- แปลงรูปแบบข้อมูล
- ตั้งระบบสำรองข้อมูล
- ตรวจสอบความปลอดภัย
- บันทึก Audit log
- แก้ปัญหาหลังอัปเดตซอฟต์แวร์
ไม่ควรให้ผู้พัฒนาเข้าถึงฐานข้อมูลหลักของคลินิกโดยตรงเพียงเพื่อประหยัดค่าพัฒนาระบบ
- ค่าบริหารโครงการรายเดือน
ใช้ครอบคลุมงานที่เกิดขึ้นต่อเนื่อง ไม่ผูกกับจำนวนผู้รับบริการโดยตรง เช่น
- ประชุมประจำเดือน
- ตรวจสอบความครบถ้วนของเอกสาร
- ตอบข้อซักถาม
- ติดตาม Recruitment
- ประสานงาน Monitor
- ติดตามเหตุการณ์ผิดปกติ
- ควบคุมเวอร์ชันของซอฟต์แวร์
การมี Monthly management fee ช่วยป้องกันกรณีโครงการยืดจากสามเดือนเป็นหนึ่งปี แต่คลินิกได้รับค่าตอบแทนเท่าเดิม
- Risk and compliance premium
อาจคิดเป็นเปอร์เซ็นต์เพิ่มจากต้นทุนหรือเป็นค่าคงที่ โดยพิจารณาจาก
- AI มีผลต่อการรักษาหรือไม่
- ความรุนแรงหากเครื่องมือผิดพลาด
- มีหัตถการหรืออุปกรณ์สัมผัสร่างกายหรือไม่
- กลุ่มผู้รับบริการเปราะบางหรือไม่
- ต้องเก็บข้อมูลอ่อนไหวมากเพียงใด
- ผู้พัฒนามีประสบการณ์และระบบคุณภาพเพียงใด
- คลินิกต้องเปิดระบบให้บุคคลภายนอกเข้าถึงมากเพียงใด
- มีการอัปเดตโมเดลระหว่างโครงการหรือไม่
ยิ่งโครงการผลักความเสี่ยงมายังคลินิกมาก ค่าตอบแทนและหลักประกันความรับผิดต้องสูงขึ้น
- Close-out และค่าเก็บรักษาเอกสาร
เมื่อโครงการสิ้นสุด ยังมีงานตรวจสอบข้อมูล แก้ Query คืนหรือทำลายอุปกรณ์ ปิดบัญชีผู้ใช้ จัดทำรายงาน และเก็บรักษาเอกสาร
ประกาศการศึกษาวิจัยเครื่องมือแพทย์ของไทยกำหนดภาระด้านการเก็บรักษาและการให้ตรวจสอบเอกสารที่เกี่ยวข้องกับการวิจัย จึงไม่ควรถือว่างานของคลินิกจบลงทันทีเมื่อผู้รับบริการรายสุดท้ายเสร็จสิ้นการติดตาม
ตัวอย่างการคำนวณ
ทดสอบ Medical AI แบบ Shadow Mode จำนวน 100 เคสสมมติคลินิกเฉพาะทางแห่งหนึ่งร่วมทดสอบ AI วิเคราะห์ภาพ โดย AI ไม่แสดงผลให้แพทย์ระหว่างรักษา โครงการใช้เวลา 4 เดือน และต้องการข้อมูล 100 เคส
A. ค่าตั้งต้นโครงการ
| รายการ | สมมติฐาน | ค่าใช้จ่าย |
แพทย์ทบทวน Protocol | 10 ชั่วโมง × 4,500 บาท | 45,000 บาท |
Coordinator เตรียมเอกสาร | 30 ชั่วโมง × 500 บาท | 15,000 บาท |
| IT, PDPA และ Data flow | 16 ชั่วโมง × 1,000 บาท | 16,000 บาท |
อบรมและทดสอบระบบ | เหมาจ่าย | 8,000 บาท |
เตรียมเอกสารและประสาน EC | เหมาจ่าย | 15,000 บาท |
| ต้นทุนตรงรวม | – | 99,000 บาท |
Overhead 15% | – | 14,850 บาท |
คลินิกอาจเสนอ Site initiation fee ประมาณ 115,000 บาท
B. ค่าต่อเคส
รายการ | ค่าใช้จ่ายต่อเคส |
แพทย์ตรวจสอบผล 10 นาที | 750 บาท |
Coordinator และเจ้าหน้าที่ | 250 บาท |
เตรียมและตรวจคุณภาพข้อมูล | 300 บาท |
ค่าใช้ระบบและอุปกรณ์ | 250 บาท |
ค่าเผื่อ Query และข้อมูลไม่สมบูรณ์ | 250 บาท |
รวมประมาณ 1,800 บาทต่อเคส
100 เคส เท่ากับ 180,000 บาท
C. ค่าบริหารรายเดือน
15,000 บาท × 4 เดือน = 60,000 บาท
D. ค่าปิดโครงการและเก็บเอกสาร
ประมาณ 30,000 บาท
มูลค่าโครงการตัวอย่าง
115,000 + 180,000 + 60,000 + 30,000 = 385,000 บาท
ยังไม่รวมภาษีมูลค่าเพิ่ม ค่าธรรมเนียมคณะกรรมการจริยธรรม ค่าตรวจเพิ่มเติม ค่าเดินทางหรือค่าชดเชยผู้เข้าร่วม ประกันภัย การแก้ไขระบบนอกขอบเขต และการต่อระยะเวลาโครงการ
ตัวอย่างนี้แสดงให้เห็นว่าโครงการ 100 เคสไม่ควรถูกตีราคาเพียง “หนึ่งแสนบาทเพราะแค่เอา AI มาลองใช้” เพราะต้นทุนจำนวนมากเกิดขึ้นก่อนเริ่มเก็บเคสแรก
แยก ค่าตอบแทนคลินิก กับ ค่าชดเชยผู้เข้าร่วม
ค่าตอบแทนคลินิกที่ทดลองเครื่องมือแพทย์ และค่าชดเชยผู้เข้าร่วม เป็นคนละส่วนกัน
งบประมาณควรแยกอย่างชัดเจนระหว่าง
- ค่าตอบแทนคลินิกและบุคลากรสำหรับการดำเนินโครงการ
- ค่าเดินทาง ค่าเสียเวลา หรือค่าใช้จ่ายของผู้เข้าร่วม
- ค่ารักษาและค่าชดเชยกรณีเกิดอันตรายจากการวิจัย
- ค่าเบี้ยประกันหรือหลักประกันความรับผิดของ Sponsor
องค์การอนามัยโลกสนับสนุนหลักการที่ผู้เข้าร่วมต้องได้รับการรักษาและการชดเชยอย่างเหมาะสมเมื่อเกิดอันตรายจากการวิจัย และ Sponsor ควรมีประกัน การค้ำประกัน หรือกลไกทางการเงินที่เหมาะสมตามระดับความเสี่ยง (World Health Organization)
คลินิกไม่ควรยอมรับข้อความกว้าง ๆ ว่า “หากเกิดปัญหาให้ใช้สิทธิรักษาปกติของผู้รับบริการ” เพราะอาจทำให้ภาระจากความผิดพลาดของผลิตภัณฑ์ถูกส่งต่อมายังผู้รับบริการ คลินิก หรือระบบประกันสุขภาพ
รูปแบบค่าตอบแทนทดลองเครื่องมือแพทย์
รูปแบบค่าตอบแทนเชิงพาณิชย์ ที่สามารถต่อรองเพิ่มเติมนอกจากค่าดำเนินโครงการ คลินิกอาจต่อรองผลประโยชน์เพิ่มเติมได้ แต่ไม่ควรนำมาแทนค่าต้นทุนพื้นฐาน
Fixed fee
เหมาะกับงานสั้น ขอบเขตแน่นอน และไม่มีผู้รับบริการจำนวนมาก เช่น Usability test หรือการให้คำปรึกษาด้าน Workflow
Fixed fee บวกค่าต่อเคส
เหมาะกับ Clinical validation ที่ปริมาณงานขึ้นกับจำนวนผู้รับบริการหรือจำนวนข้อมูล เป็นรูปแบบที่ตรวจสอบและบริหารง่ายที่สุด
Fixed fee บวก Milestone payment
จ่ายเพิ่มเมื่อบรรลุเป้าหมาย เช่น
- เปิดโครงการสำเร็จ
- เก็บข้อมูลครบ 50 หรือ 100 เคส
- ผ่านการตรวจสอบคุณภาพ
- ส่งรายงานฉบับสมบูรณ์
- ผลิตภัณฑ์ได้รับอนุญาต
Milestone ต้องอิงสิ่งที่คลินิกควบคุมได้ ไม่ควรผูกกับผลว่าผลิตภัณฑ์ต้องมีความแม่นยำถึงเป้าหมาย เพราะอาจกระทบความเป็นอิสระในการรายงานผล
License หรือ Revenue share
เหมาะเมื่อคลินิกมีส่วนสร้างทรัพย์สินทางปัญญาอย่างมีนัยสำคัญ เช่น ร่วมออกแบบ Clinical logic สร้าง Dataset คุณภาพสูง หรือพัฒนา Workflow ที่กลายเป็นส่วนหนึ่งของผลิตภัณฑ์
อาจต่อรองเป็น
- ค่าลิขสิทธิ์ต่อการใช้งาน
- ส่วนแบ่งรายได้
- ค่าธรรมเนียมเมื่อขายให้สถานพยาบาลอื่น
- สิทธิใช้ผลิตภัณฑ์ในราคาพิเศษ
- สิทธิจำหน่ายในบางกลุ่มตลาด
อย่างไรก็ตาม Revenue share ไม่ควรใช้แทนค่า Site fee เพราะผลิตภัณฑ์อาจไม่ออกสู่ตลาดหรือไม่มีรายได้ในที่สุด
Equity
เหมาะเฉพาะกรณีที่คลินิกหรือแพทย์มีบทบาทเป็นผู้ร่วมพัฒนาจริง ไม่ใช่เพียงเป็นสถานที่ทดลอง
การรับหุ้นแทนเงินทั้งหมดมีความเสี่ยงสูง และอาจสร้างความขัดแย้งทางผลประโยชน์เมื่อต้องประเมินผลหรือเผยแพร่ผลการศึกษา จึงต้องเปิดเผยต่อคณะกรรมการจริยธรรมและจัดการ Conflict of interest ให้เหมาะสม
เงื่อนไขสัญญา คลินิกร่วมทดสอบ Medical AI
เงื่อนไขสัญญาที่คลินิกร่วมทดสอบ Medical AI ต้องมีก่อนเริ่มโครงการรับทดลอง Medical AI และเครื่องมือแพทย์ สัญญาควรระบุอย่างน้อยดังต่อไปนี้
1.ขอบเขตและเวอร์ชันผลิตภัณฑ์
กำหนดชื่อ รุ่น เวอร์ชัน Model ID และ Intended use ให้ชัด ห้ามผู้พัฒนาอัปเดตโมเดลโดยไม่แจ้ง เพราะผลก่อนและหลังอัปเดตอาจไม่สามารถนำมาวิเคราะห์ร่วมกันได้
อย. ไทยแบ่งการเปลี่ยนแปลง SaMD เป็น Major และ Minor change และการเปลี่ยนแปลงบางประเภทต้องมี Risk analysis, Verification and validation หรือ Clinical evidence เพิ่มเติม (กองควบคุมเครื่องมือแพทย์)
2.ความรับผิดชอบด้านการอนุญาต
ระบุว่าใครเป็น Sponsor ใครยื่นต่อ อย. ใครยื่นต่อคณะกรรมการจริยธรรม และใครรับผิดชอบค่าใช้จ่ายทั้งหมด
3.Indemnity และประกัน
ผู้พัฒนาหรือ Sponsor ต้องรับผิดชอบความเสียหายที่เกิดจากข้อบกพร่องของผลิตภัณฑ์ แผนการศึกษา การติดตั้ง หรือคำแนะนำที่ไม่ถูกต้อง ไม่ควรให้คลินิกรับผิดชอบแบบไม่จำกัดวงเงิน
4.Data processing agreement
กำหนดบทบาท สิทธิการเข้าถึง วัตถุประสงค์ ระยะเวลาจัดเก็บ การโอนข้อมูล การแจ้งเหตุข้อมูลรั่ว และการลบข้อมูล
5.สิทธิในข้อมูลและทรัพย์สินทางปัญญา
เวชระเบียนต้นทางควรอยู่ภายใต้การควบคุมของคลินิก ส่วนสิทธิใน Dataset ที่ผ่านการจัดทำ Annotation โมเดลที่พัฒนาต่อ และผลการวิเคราะห์ต้องตกลงแยกกัน
คำว่า “ผู้พัฒนามีสิทธิใช้ข้อมูลเพื่อการวิจัยและพัฒนาผลิตภัณฑ์ใด ๆ โดยไม่จำกัดเวลา” กว้างเกินไปสำหรับข้อมูลผู้รับบริการ
6.Publication rights
คลินิกและผู้วิจัยควรมีสิทธิทบทวนและเผยแพร่ผล ไม่ควรอนุญาตให้ Sponsor ระงับผลเชิงลบอย่างไม่มีกำหนด
Sponsor อาจขอเวลาตรวจข้อมูลลับหรือยื่นสิทธิบัตร แต่ไม่ควรมีสิทธิแก้ผลการศึกษาเพียงเพราะผลไม่เป็นประโยชน์ทางการค้า
7.การใช้ชื่อคลินิก
กำหนดว่าชื่อ โลโก้ ภาพแพทย์ หรือข้อความว่า “ผ่านการทดสอบโดย” ต้องได้รับอนุมัติเป็นรายครั้ง
8.การยุติโครงการ
ต้องกำหนดค่าชดเชยกรณียกเลิกก่อนกำหนด ค่าใช้จ่ายสำหรับผู้รับบริการที่เข้าร่วมแล้ว การคืนอุปกรณ์ การลบข้อมูล และการเก็บเอกสาร
9.Payment schedule
งวดการชำระเงิน ควรแบ่งเป็น
- เงินเมื่อเซ็นสัญญา
- เงินเมื่อเปิดโครงการ
- เงินตามจำนวนเคสหรือรายเดือน
- เงินเมื่อปิดโครงการ
เพื่อไม่ให้คลินิกเป็นผู้ให้เครดิตแก่ Startup โดยไม่ตั้งใจ
สัญญาณเตือน
ความคุ้มค่าในการรับทดลอง Medical AI และเครื่องมือแพทย์สัญญาณเตือน เรื่องความคุ้มค่าของการรับทำโครงการ
คลินิกร่วมทดสอบ Medical AI ควรระมัดระวังเมื่อพบข้อเสนอในลักษณะต่อไปนี้
- ขอใช้ข้อมูลผู้รับบริการโดยบอกเพียงว่า “ลบชื่อแล้ว”
- ไม่มี Protocol หรือวัตถุประสงค์ที่วัดผลได้
- ไม่ทราบว่าผลิตภัณฑ์เข้าข่ายเครื่องมือแพทย์หรือไม่
- ต้องการให้แพทย์ใช้ผล AI รักษาผู้รับบริการทันทีโดยไม่มีแผนความปลอดภัย
- ไม่มีผู้รับผิดชอบเมื่อ AI ให้ผลผิด
- ขอทดลองฟรีโดยแลกกับการให้คลินิกใช้ผลิตภัณฑ์ในอนาคต
- ขอสิทธิใช้ข้อมูลอย่างถาวรเพื่อพัฒนาผลิตภัณฑ์ทุกชนิด
- ต้องการใช้ชื่อคลินิกทำการตลาดก่อนผลการศึกษาสรุป
- เปลี่ยนโมเดลระหว่างโครงการโดยไม่บันทึกเวอร์ชัน
- ไม่มีงบสำหรับคณะกรรมการจริยธรรม ประกัน และการชดเชยผู้เข้าร่วม
- เสนอจ่ายแพทย์เป็นรายหัวโดยตรงเพื่อเพิ่มจำนวนผู้เข้าร่วม
- ขอให้คลินิกรับผิดชอบการร้องเรียนและความเสียหายทั้งหมด
เทคโนโลยีที่ดีไม่จำเป็นต้องเริ่มต้นด้วยสัญญาที่ทำให้คลินิกเสียเปรียบ
ธุรกิจ Clinical Validation Partner
จากสถานที่ทดลอง สู่ธุรกิจ Clinical Validation Partnerคลินิกที่มีผู้รับบริการเฉพาะทาง ระบบข้อมูลดี และแพทย์ที่เข้าใจการวิจัย สามารถยกระดับจากการ “รับลองเครื่องมือเป็นครั้งคราว” ไปสู่บริการ Clinical Validation อย่างเป็นระบบได้
บริการอาจแบ่งเป็น
1.Clinical feasibility assessment
ช่วยผู้พัฒนาประเมินว่า Intended use เหมาะสมหรือไม่ กลุ่มผู้รับบริการหาได้จริงหรือไม่ และต้องใช้ข้อมูลจำนวนเท่าใด
2.Workflow and usability validation
ประเมินว่าเครื่องมือทำให้กระบวนการเร็วขึ้นจริงหรือสร้างภาระใหม่ รวมถึงศึกษาการตีความผลของผู้ใช้งาน
3.Dataset curation and expert annotation
สร้าง Dataset ที่มีคุณภาพ มีเกณฑ์ Reference standard ชัดเจน และผ่านการตรวจสอบโดยผู้เชี่ยวชาญ
4.Prospective clinical validation
ดำเนินโครงการเก็บข้อมูลผู้รับบริการจริงแบบ Shadow mode หรือรูปแบบอื่นตาม Protocol
5.Real-world performance monitoring
ติดตามผลิตภัณฑ์หลังเริ่มใช้งาน เพื่อตรวจสอบ Model drift ความแตกต่างระหว่างกลุ่มผู้รับบริการ และเหตุการณ์ผิดปกติ
6.Thailand market adaptation
ประเมินว่าโมเดลที่พัฒนาจากประชากรต่างประเทศสามารถใช้กับผู้รับบริการไทย ภาษาไทย รูปแบบเวชระเบียน และกระบวนการรักษาในไทยได้หรือไม่
IMDRF เน้นว่าชุดข้อมูลประเมินต้องเป็นตัวแทนของประชากรและสภาพแวดล้อมที่จะใช้งานจริง ดังนั้น ความสามารถในการเข้าถึงข้อมูลและบริบทของผู้รับบริการไทยมีมูลค่าต่อผู้พัฒนาที่ต้องการเข้าสู่ตลาดประเทศไทยอย่างชัดเจน
ความเห็นของ Qlinic Insigth
โอกาสของคลินิกไม่ได้อยู่ที่การ “ให้บริษัทเอาเครื่องมาวางแล้วเก็บค่าเช่า” แต่อยู่ที่การเปลี่ยนความเชี่ยวชาญทางคลินิกให้กลายเป็น Validation Infrastructure
บริษัทเทคโนโลยีอาจมีเงินทุน วิศวกร และโมเดล AI แต่สิ่งที่ขาดคือข้อมูลที่เชื่อถือได้ แพทย์ที่สามารถสร้าง Ground truth ผู้รับบริการที่ตรงกลุ่ม และสถานการณ์ใช้งานจริง
คลินิกที่จัดระบบด้านจริยธรรม ข้อมูล สัญญา และการคิดต้นทุนไว้ล่วงหน้า จะสามารถรับโครงการได้เร็วกว่า ต่อรองได้ดีขึ้น และสะสมชื่อเสียงในฐานะพันธมิตรพัฒนาเทคโนโลยี ไม่ใช่ผู้ให้ทดลองผลิตภัณฑ์ฟรี
อย่างไรก็ตาม โมเดลนี้จะคุ้มค่าก็ต่อเมื่อคลินิกคิดค่าตอบแทนครบทุกชั้น ได้แก่
เงินสำหรับงานที่ทำปัจจุบัน + เงินสำหรับความเสี่ยงที่รับปัจจุบัน + สิทธิในมูลค่าที่คลินิกช่วยสร้างสำหรับอนาคต
การได้ใช้ AI ฟรีหนึ่งปีอาจดูน่าสนใจ แต่ถ้าคลินิกต้องใช้แพทย์ 100 ชั่วโมง ส่งข้อมูลผู้รับบริการ และให้บริษัทใช้ชื่อทำการตลาด แบบนั้นอาจไม่เรียกว่าได้ใช้ฟรี — แต่เป็นการจ่ายด้วยทรัพย์สินที่แพงกว่าค่า Subscription
บทสรุป การรับทดลอง Medical AI และเครื่องมือแพทย์
การร่วมทดสอบ การทดลองใช้ Medical AI และเครื่องมือแพทย์สามารถสร้างรายได้และเปิดโอกาสให้คลินิกเข้าถึงเทคโนโลยีใหม่ก่อนตลาด ไม่ใช่การเริ่มต้นด้วยคำถาม “บริษัทจะจ่ายให้เท่าใด”
คลินิกควรเริ่มจากการจำแนกประเภทโครงการ ประเมินผลกระทบต่อผู้รับบริการ ตรวจสถานะด้านกฎหมายและจริยธรรม วัดภาระงานของแต่ละวิชาชีพ ประเมินมูลค่าของข้อมูล และกำหนดผู้รับผิดชอบความเสียหายให้ชัดเจน
แนวทางค่าตอบแทนที่เหมาะสมจึงควรประกอบด้วย
Site initiation fee + ค่าบริหารโครงการ + ค่าวิชาชีพ + ค่าต่อเคส + ค่าข้อมูลและระบบ + Risk premium + ค่าปิดโครงการ
ส่วน Revenue share, License หรือ Equity ควรเป็นผลประโยชน์เพิ่มเติมเมื่อคลินิกมีส่วนร่วมสร้างผลิตภัณฑ์อย่างแท้จริง ไม่ใช่สิ่งทดแทนค่าดำเนินงานพื้นฐาน
คลินิกไม่จำเป็นต้องขาย “การเข้าถึงผู้รับบริการ” ในราคาตามที่คำนวณ แต่ควรขาย ความสามารถในการทำให้เทคโนโลยีพิสูจน์ได้ว่าใช้งานกับผู้รับบริการจริงอย่างปลอดภัยและน่าเชื่อถือ ซึ่งมีมูลค่าสูงกว่าการให้ยืมห้องตรวจหลายเท่า ทั้งนี้ขึ้นอยู่กับการเจรจาความร่วมมือของทั้งสองฝ่าย
