Microsoft ၏နောက်ဆုံးပေါ် AI Tool သည် လွတ်သွားသောဆရာဝန်၏ခန့်အပ်မှုကို ခန့်မှန်းပေးနိုင်သည်။

လေ့ကျင့်သင်ကြားထားသော သမားတော်ရှားပါးမှု၊ သူနာပြုဝန်ထမ်း ရှားပါးမှုနှင့် ကျန်းမာရေးဝန်ထမ်းများကြားတွင် အထွေထွေရောဂါဝေဒနာများကြားတွင်၊ ဆရာဝန်တစ်ဦးကို ခန့်အပ်ခြင်းသည် ယနေ့ခေတ် ဆေးခန်းအခင်းအကျင်းတွင် လွယ်ကူသောအလုပ်မဟုတ်ပါ။ အမှန်မှာ၊ ချိန်းဆိုမှုများအတွက် အချိန်တန်ဖိုးသည် ဘယ်သောအခါမှ မမြင့်မားခဲ့ပါ။

ဤအပိုင်းသည် Microsoft ၏ နောက်ဆုံးပေါ် ဥာဏ်ရည်တု (AI) ကိရိယာကို ဖြေရှင်းရန် ကြိုးစားနေသည့်အရာဖြစ်သည်- လွတ်သွားသော ကျန်းမာရေးစောင့်ရှောက်မှု ရက်ချိန်းများကို လျှော့ချပါ။. Microsoft Industry AI ၏ ဒုတိယဥက္ကဌ Merav Davidson က Microsoft Industry Blogs တွင် “ကျန်းမာရေးစောင့်ရှောက်မှုစက်မှုလုပ်ငန်းတွင် ချိန်းဆိုမှုများ လွဲချော်မှုများအတွက် နှစ်စဉ်ကုန်ကျစရိတ်သည် US တစ်ခုတည်းတွင် $150 ဘီလီယံကျော်ရှိသည်။ ချိန်းဆိုမှုများ လွဲချော်သွားခြင်းသည် လူနာများ၏ ကျန်းမာရေးကို ကျဆင်းစေရုံသာမက လူနာ၏ စီးပွားရေးဆိုင်ရာ အကျိုးသက်ရောက်မှုများသည် ဆေးခန်းလည်ပတ်မှုနှင့် ပုံသေ ကုန်ကျစရိတ် တွက်ချက်မှုများကို သိသိသာသာ သက်ရောက်မှုရှိစေကာ ဝန်ထမ်းအင်အား အလွန်အကျွံနှင့် အချိန်ဇယားမဆွဲထားဘဲ စက်ရပ်သွားခြင်းကြောင့် နောက်ဆုံးတွင် ကျန်းမာရေးစောင့်ရှောက်မှုပေးသူများသည် နေ့စဉ်လုပ်ငန်းဆောင်တာများကို ရုန်းကန်နေကြရသည်။"

Davidson သည် အရေးကြီးသော ဖြစ်စဉ်တစ်ခုကို မီးမောင်းထိုးပြသည်။ လွဲချော်သောချိန်းဆိုမှုများသည် လူနာအတွက်သာမက ဆေးခန်းဂေဟစနစ်တစ်ခုလုံးကိုပါ ထိခိုက်စေပါသည်။ ဥပမာအားဖြင့်၊ လူနာတစ်ဦးသည် ၎င်းတို့၏ခွဲဝေချထားပေးသည့်အပေါက်အတွက် မပေါ်လာပါက၊ ထိုအခန်းသည် ထိုအချိန်ကာလအတွက် အသုံးမပြုတော့မည်ဖြစ်သည်။ အခြေအနေအများစုတွင်၊ ၎င်းသည် ရက်ချိန်းကိုအခြေခံသည့်ဝန်ဆောင်မှုဖြစ်သောကြောင့် တန်းစီနေသည့်နောက်လူကို ဖြည့်ရုံဖြင့်မပြည့်နိုင်ဘဲ၊ နောက်လူသည် ၎င်းတို့၏ခွဲဝေသတ်မှတ်ချိန်အထိ ရောက်ရှိလာမည်မဟုတ်ပေ။ လွတ်သွားသော ချိန်းဆိုမှုနေရာတစ်ခု သို့မဟုတ် နှစ်ခုသည် လစ်လပ်သွားသော်လည်း၊ အလုံးစုံသောရှုထောင့်ဖြင့် ရှုမြင်သောအခါ ဤအသုံးမပြုသောအချိန်သည် စနစ်အတွက် နှစ်စဉ်ဒေါ်လာ ဘီလီယံပေါင်းများစွာ ကုန်ကျပါသည်။ ပို၍အရေးကြီးသည်မှာ၊ ပျက်ကွက်သောရက်ချိန်းသည် သမားတော်နှင့်တွေ့ရန် အမှန်တကယ်လိုအပ်သော်လည်း မဝင်ရောက်နိုင်သော အခြားသူတစ်ဦးအတွက် ဆုံးရှုံးသွားမည့်အခွင့်အရေးတစ်ခု ဖြစ်ကောင်းဖြစ်နိုင်သည်။ မူလပြုစုစောင့်ရှောက်ရေးသမားများအတွက် လက်ရှိစောင့်ဆိုင်းစာရင်းတွင် လနှင့်ချီကြာစောင့်ဆိုင်းရမည့်အချိန်များပါရှိသည်။ တနိုင်ငံလုံးအတိုင်းအတာအရ ဒါက တကယ့်ပြဿနာပါ။

Advertising

Microsoft ၏ ကိရိယာကို ၎င်း၏ကြံ့ခိုင်သော Cloud for Healthcare ပလပ်ဖောင်းတွင် ထည့်သွင်းထားပြီး လွယ်ကူသော သင်ယူမှုမျဉ်းတစ်ခုပါရှိသည်- "မော်ဒယ်ကို အလွယ်တကူ အသုံးပြုနိုင်ပြီး နှစ်နာရီအတွင်း လေ့ကျင့်သင်ကြားနိုင်ပြီး၊ ကျန်းမာရေးစောင့်ရှောက်မှုပေးသူကို တစ်ရက်အတွင်း ဖြေရှင်းချက်ကို အသုံးပြုရန် အဆင်သင့်ဖြစ်စေပါသည်။ ဤပူဇော်သက္ကာသည် ဆေးခန်းများနှင့် လူနာများအတွက် အကျိုးရှိစေပါသည်။ အသုံးပြုရလွယ်ကူပြီး အကျွမ်းတဝင်ရှိသော အင်တာဖေ့စ်ဖြင့် လွတ်သွားသော ချိန်းဆိုမှုများ ကြိုတင်ခန့်မှန်းခြင်းသည် ဒေတာသိပ္ပံသင်တန်း သို့မဟုတ် ဝန်ထမ်းခန့်အပ်ခြင်းမရှိဘဲ လူနာမပြသခြင်းများကို ကြိုတင်ခန့်မှန်းရန် ရုံးခန်းဝန်ထမ်းများနှင့် ဆေးခန်းများအား အခွင့်အာဏာပေးသည်။”

Davidson က “ကျန်းမာရေးစောင့်ရှောက်မှုဒိုမိန်းအတွင်း လွတ်သွားသောချိန်းဆိုမှုများကို ကြိုတင်ခန့်မှန်းရာတွင် အမျိုးမျိုးသောထည့်သွင်းဒေတာအမျိုးအစားများကို သိသာထင်ရှားစွာတွေ့ရှိထားကြောင်း Davidson က ဆက်လက်ရှင်းပြသည်။ လူဦးရေစာရင်း၊ သမိုင်းဝင်ပုံစံများ၊ လူမှုရေးဆိုင်ရာ သတ်မှတ်ချက်များ၊ အမျိုးအစားနှင့် နေ့အချိန်တို့ကဲ့သို့သော ချိန်းဆိုမှုဒေတာများသည် မော်ဒယ်ကို လေ့ကျင့်သင်ကြားရန် စောင့်ရှောက်မှုအဖွဲ့များ အသုံးပြုနိုင်သည့် ထည့်သွင်းဥပမာများဖြစ်သည်။" ဆော့ဖ်ဝဲလ်ရဲ့ နောက်ကွယ်က ရှုပ်ထွေးမှုတွေ ရှိခဲ့ပါတယ်။ အသေးစိတ်ရှင်းပြထားပါတယ်။ Microsoft မှလည်း "မော်ဒယ်သည် ကြိုတင်လေ့ကျင့်ထားခြင်းမဟုတ်ပဲ ကျန်းမာရေးစောင့်ရှောက်မှုပေးသူ၏အသုံးပြုသူမှ လေ့ကျင့်ပေးရန်လိုအပ်မည်" ဟုလည်းအခိုင်အမာဆိုထားသည်။

Advertising

ထူးခြားသည်မှာ၊ ဆေးခန်းများနှင့် ပြင်ပလူနာဆက်တင်များသည် ဤကိရိယာကို အကျိုးပြုနိုင်သည့် တစ်ခုတည်းသောနေရာများမဟုတ်ပါ။ အရေးပေါ်ဌာနမှ အတွင်းလူနာစောင့်ရှောက်ရေးအခြေအနေများအထိ ဆေးခန်းဆက်တင်အားလုံးနီးပါးတွင် ဤဆော့ဖ်ဝဲအတွက် အရေးပါသောအခန်းကဏ္ဍမှ နောက်ဆုံးတွင် ရှိနေနိုင်ပါသည်။

အမှန်စင်စစ်၊ ဤ AI အင်ဂျင်သည် ၎င်း၏ အလားအလာ အပြည့်အဝကို အပြည့်အဝ အကောင်အထည် မဖော်မီ အလုပ်နှင့် စမ်းသပ်မှုများ ပိုမို လိုအပ်သော်လည်း၊ လက်တွေ့ ရလဒ်များ ပိုမိုကောင်းမွန်လာစေရန် ဒေတာနှင့် ရည်မှန်းချက် မက်ထရစ်များကို အသုံးပြုခြင်းနှင့် ပတ်သက်၍ အယူအဆက အလားအလာ ရှိနေပါသည်။