กรณีศึกษาการนำตัวแทนโมเดลภาษาขนาดใหญ่ หลายรูปแบบและ การวิเคราะห์ทางชีวกลศาสตร์มาใช้สำหรับการดูแลสุขภาพผู้สูงอายุ ระยะไกลในไต้หวัน
Article Sidebar
Main Article Content
บทคัดย่อ
ประชากรผู้สูงอายุของไต้หวันที่เพิ่มขึ้นอย่างรวดเร็ว และการกระจายทรัพยากรด้านการดูแลสุขภาพที่ไม่เท่าเทียมกันในพื้นที่ห่างไกล ก่อให้เกิดความท้าทายสำคัญต่อการให้บริการทางการแพทย์อย่างเป็นธรรม งานวิจัยนี้เสนอระบบปัญญาประดิษฐ์แบบหลายมิติ (multimodal AI system) ที่ผสานตัวแทนโมเดลภาษาขนาดใหญ่ (LLM agents) เข้ากับการจดจำท่าทางทางชีวกลศาสตร์แบบเวลาจริง ซึ่งออกแบบมาเพื่อการดูแลสุขภาพผู้สูงอายุทางไกล โดยการผสมผสานการติดตามมุมข้อต่อผ่านเบราว์เซอร์เข้ากับตัวแทนสนทนาเชิงบริบทที่ทำงานบนคลาวด์ ระบบนี้สามารถสื่อสารด้วยภาษาธรรมชาติและวิเคราะห์การเคลื่อนไหวทางคลินิกได้ โดยไม่ต้องส่งข้อมูลวิดีโอ เมื่อประเมินในสถานการณ์การฟื้นฟูสมรรถภาพในไต้หวัน แพลตฟอร์มนี้แสดงให้เห็นถึงความหน่วงต่ำ การจำแนกท่าทางที่แม่นยำ และการให้คะแนนทางคลินิกอัตโนมัติโดยใช้มาตรวัดการประเมินแบบ Brunnstrom และ Fugl–Meyer ที่เชื่อมต่อหลายภาษาของระบบสนับสนุนการโต้ตอบด้านสุขภาพที่เป็นส่วนบุคคล ปลอดภัย และมีประสิทธิภาพ สอดคล้องกับแผนการดูแลระยะยาว 2.0 ของไต้หวันและโครงการด้าน AI เพื่อสุขภาพ แนวทางนี้ช่วยแก้ไขอุปสรรคด้านการสื่อสารและการเคลื่อนไหว เพิ่มการเข้าถึงบริการสุขภาพในพื้นที่ชนบท และมีส่วนร่วมต่อการอภิปรายระดับโลกเกี่ยวกับ AI ที่มีจริยธรรม ครอบคลุม และตระหนักถึงบริบทในการดูแลผู้สูงอายุ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความนี้ได้รับการเผยแพร่ภายใต้สัญญาอนุญาต Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) ซึ่งอนุญาตให้ผู้อื่นสามารถแชร์บทความได้โดยให้เครดิตผู้เขียนและห้ามนำไปใช้เพื่อการค้าหรือดัดแปลง หากต้องการใช้งานซ้ำในลักษณะอื่น ๆ หรือการเผยแพร่ซ้ำ จำเป็นต้องได้รับอนุญาตจากวารสารเอกสารอ้างอิง
Abbas, M., Saleh, M., Somme, D., & Le Bouquin Jeannès, R. (2023). Data-driven systems to detect physical weakening from daily routine: A pilot study on elderly over 80 years old. PloS one, 18(1), e0274306. https://doi.org/10.1371/journal.pone.0274306
Agustin, K., & Chou, S.-Y. (2019). Impact of an Ageing Society on Healthcare Expenditure of National Health Insurance in Taiwan. Jurnal Teknik Industri: Jurnal Keilmuan Dan Aplikasi Teknik Industri, 21(2), 49–56. https://doi.org/10.9744/jti.21.2.49-56
Brunnstrom, S. (1970). Movement therapy in hemiplegia: A neurophysiological approach. Harper & Row.
Casiez, G., Roussel, N., & Vogel, D. (2012). 1 € filter: A simple speed-based low-pass filter for noisy input in interactive systems. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, 2527–2530. https://doi.org/10.1145/2207676.2208639
Char, D. S., Shah, N. H., & Magnus, D. (2020). Implementing machine learning in health care—addressing ethical challenges. The New England Journal of Medicine, 378(11), 981-983. https://doi.org/10.1056/NEJMp1714229
Chiu, K.-H., & Yang, Y. Y. (2009). A case study of remote monitoring of health status of the elderly at home in Taiwan. Proceedings of the International Conference on e-Business (ICEB), 496–506.
Davenport, T., & Kalakota, R. (2019). The potential for artificial intelligence in healthcare. Future Healthcare Journal, 6(2), 94-98. https://doi.org/10.7861/futurehosp.6-2-94
Davico, G., Labanca, L., Gennarelli, I., Benedetti, M. G., & Viceconti, M. (2024). Towards a comprehensive biomechanical assessment of the elderly combining in vivo data and in silico methods. Frontiers in Bioengineering and Biotechnology, 12, 1356417. https://doi.org/10.3389/fbioe.2024.1356417
DelveInsight. (2025, June 4). Global AI in remote patient monitoring market to cross USD 13 billion by 2032 [Press release]. Globenewswire. https://www.globenewswire.com/news-release/2025/06/04/3093902/0/en/Global-AI-in-Remote-Patient-Monitoring-Market-to-Cross-USD-13-Billion-by-2032-DelveInsight.html
Fugl-Meyer, A. R., Jääskö, L., Leyman, I., Olsson, S., & Steglind, S. (1975). The post-stroke hemiplegic patient: A method for evaluation of physical performance. Scandinavian Journal of Rehabilitation Medicine, 7(1), 13–31.
Gottschlich, D., Saadati, N., Saadati, S. A., & Şahin, A. (2024). AI in Elderly Care: Understanding the Implications for Independence and Social Interaction. AI and Tech in Behavioral and Social Sciences, 2(3), 36-42. https://doi.org/10.61838/kman.aitech.2.3.5
Gu, F., Fan, J., Wang, Z., Liu, X., Yang, J., & Zhu, Q. (2023). Automatic range-of-motion measurement via smartphone images for telemedicine examination of the hand. Science Progress, 106(1), 1–12. https://doi.org/10.1177/00368504231152740
Iqbal, S. (2023). Artificial intelligence tools and applications for elderly healthcare – Review. In Proceedings of the 2023 9th International Conference on Computing and Artificial Intelligence (ICCAI '23) (pp. 394–397). Association for Computing Machinery. https://doi.org/10.1145/3594315.3594347
Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389-399. https://doi.org/10.1038/s42256-019-0088-2
Kelly, C.J., Karthikesalingam, A., Suleyman, M., Corrado, G.C., & King, D. (2019). Key challenges for delivering clinical impact with artificial intelligence. BMC Medicine, 17.
Klakegg, S., van Berkel, N., Visuri, A., Huttunen, H. L., Hosio, S., Luo, C., Goncalves, J., & Ferreira, D. (2017). Designing a context-aware assistive infrastructure for elderly care. Proceedings of the 2017 ACM International Joint Conference on Pervasive and Ubiquitous Computing, 451-456. https://doi.org/10.1145/3123024.3124403
Liu, X., Rivera, S. C., Moher, D., Calvert, M. J., & Denniston, A. K., for the SPIRIT-AI and CONSORT-AI Working Group. (2021). Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: The CONSORT-AI extension. BMJ, 370, m3164. https://doi.org/10.1136/bmj.m3164
Ministry of Health and Welfare (MOHW), Taiwan. (2024, December 23). Long-term Care Plan 2.0. Executive Yuan. https://english.ey.gov.tw/News3/9E5540D592A5FECD/332a78c0-0c8e-4064-bd71-8c22477dae75
National Cheng Kung University (NCKU). (2025, April 15). How AI and robots are caring for the elderly in Taiwan’s ageing society. GovInsider Asia. https://govinsider.asia/intl-en/article/how-ai-and-robots-are-caring-for-the-elderly-in-taiwans-ageing-society-dr-jenny-su-ncku
National Development Council, Taiwan. (2022). Population Projections for Taiwan (2022–2070). Executive Yuan, R.O.C. (Taiwan).
OpenAI. (2023). GPT-4 technical report. https://arxiv.org/abs/2303.08774
Perimal, M., Basah, S. N., Safar, M. J. A., & Yazid, H. (2018). Hand-gesture recognition algorithm based on finger counting. Journal of Telecommunication, Electronic and Computer Engineering, 10(1-13), 19–25.
Rajpurkar, P., Chen, E., Banerjee, O., & Topol, E. J. (2022). AI in health and medicine. Nature Medicine, 28(1), 31-38. https://doi.org/10.1038/s41591-021-01614-0
Serrano, L. P., Maita, K. C., Avila, F. R., Torres-Guzman, R. A., Garcia, J. P., Eldaly, A. S., Haider, C. R., Felton, C. L., Paulson, M. R., Maniaci, M. J., & Forte, A. J. (2023). Benefits and Challenges of Remote Patient Monitoring as Perceived by Health Care Practitioners: A Systematic Review. The Permanente journal, 27(4), 100–111. https://doi.org/10.7812/TPP/23.022
Shah, P., et al. (2023). Unraveling the ethical enigma: Artificial intelligence in healthcare. Journal of Medical Internet Research, 25(8), e10492220. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC10492220/
Sun, Q., Xie, J., Ye, N., Gu, Q., & Guo, S. (2024). Enhancing nursing and elderly care with large language models: An AI-driven framework. Proceedings of the 31st International Conference on Computational Linguistics, 10083-10094. https://aclanthology.org/2025.coling-main.673
Taipei Medical University Healthcare (TMU Healthcare). (2024, December 3). Leading and living with AI, TMU Healthcare’s pioneering smart long-term care facility. Office of Global Engagement, TMU. https://oge.tmu.edu.tw/leading-and-living-with-ai-tmu-healthcares-pinoeering-smart-long-term-care-facility/
Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44-56. https://doi.org/10.1038/s41591-018-0300-7
Weiner, E. B., Dankwa-Mullan, I., Nelson, W. A., & Hassanpour, S. (2025). Ethical challenges and evolving strategies in the integration of artificial intelligence into clinical practice. PLOS digital health, 4(4), e0000810. https://doi.org/10.1371/journal.pdig.0000810
Wu, T.-Y., Majeed, A., & Kuo, K. N. (2010). An overview of the healthcare system in Taiwan. London Journal of Primary Care, 3(2), 115–119. https://doi.org/10.1080/17571472.2010.11493315
Xiao, H.-Y., & Wang, M.-Y. (2024). Progress, challenges, and development directions of long-term care in Taiwan. Atlantis Press Proceedings. https://www.atlantis-press.com/article/126008801.pdf
Yang, Y., & Lin, G. T. R. (2024). Analyzing the Shortcomings in Smart Healthcare for Remote Home Care—A Case Study of the Taiwan Market. International Journal of Environmental Research and Public Health, 21(7), 838. https://doi.org/10.3390/ijerph21070838
Yeh, C. F., Cheng, H. T., Wei, A., Chen, H. M., Kuo, P. C., Liu, K. C., Ko, M. C., Chen, R. J., Lee, P. C., Chuang, J. H., Chen, C. M., Chen, Y. C., Lee, W. J., Chien, N., Chen, J. Y., Huang, Y. S., Chang, Y. C., Huang, Y. C., Chou, N. K., Chao, K. H., Tu, Y. C., Chang, Y. C., & Liu, T. L. (2020). A cascaded learning strategy for robust COVID-19 pneumonia chest X-ray screening. arXiv preprint arXiv:2004.12786. https://arxiv.org/abs/2004.12786
Zhang, F., Bazarevsky, V., Vakunov, A., Tkachenka, A., Sung, G., Chang, C.-L., & Grundmann, M. (2020). MediaPipe Hands: On-device real-time hand tracking (arXiv:2006.10214). arXiv. https://arxiv.org/abs/2006.10214
