Kapag ang artificial intelligence ay nag-hallucinate sa medikal na larangan, ang resulta ay hindi lamang isang maling sagot. Nasasaktan ang tao.

Kapag ang isang pangkaraniwang AI chatbot ay paminsan-minsang gumagawa ng pangungusap na mukhang makatotohanan ngunit hindi tunay, iyon ay isang problema ng kredibilidad ng impormasyon. Ngunit kapag ang AI na nangako na ia-automate ang mga operasyon ng ospital ay nag-hallucinate sa parehong paraan — inililipat ang maling pasyente sa maling kama, ipinapakita ang kagamitang ginagamit bilang available, iniiwan ang hindi umiiral na imbentaryo sa purchase order — ang resulta ng hallucination na iyon ay isang medikal na aksidente.

Ito ang dahilan kung bakit mula sa simula, tinanong namin ang sumusunod na katanungan:

“Paano natin malilikha ang isang kapaligiran kung saan hindi na kailangang humulaga ng AI?”

Maling Sagot: Mas Matalinong Modelo

Ang karaniwang pamamaraan ng industriya ay gawing mas malaki at mas sopistikado ang modelo. Mas maraming datos, mas malalaking parameter, mas malakas na RLHF, mas makapal na safety guardrail. May malinaw na halaga ang direksyong ito — ngunit may isang pundamental na limitasyon: ang katotohanang nagre-reason ito nang probabilistiko ay hindi nagbabago.

Gaano man kasopistikado ang probabilistic model, kapag malabo ang input data, ang output ay magiging hula. At sa medikal na kapaligiran, ang kalabuan ng data ay karaniwan. Isang linya ng memo — “Kakulangan ng nars sa ikatlong palapag” — ay hindi nagbibigay ng sapat na batayan para kumilos ang AI. Alin sa ikatlong palapag? Alin sa ward? Kakulangan ba ito ng registered nurse o ng support staff? Kasalukuyang kakulangan ba ito o magaganap pagkalipas ng isang oras? Maaari bang malutas sa pamamagitan ng surplus staff mula sa katabing ward? Wala sa mga ito ang malinaw.

Pinupunan ng probabilistic model ang puwang na ito ng hula. Sa medisina, ang hulang iyon ay mapanganib.

Ibang Sagot: Mas Tumpak na Istruktura ng Datos

Ang pamamaraan ng Keynoty ay iba. Sa halip na gawing mas matalino ang modelo, tinatanggal namin ang mga puwang mismo kung saan kailangan ng AI na humulaga.

Para dito, inilalarawan namin muli ang ospital sa ibabaw ng istruktura ng datos na Ontology. Ang ontology ay hindi lamang isang simpleng database schema. Ito ay isang modelo na nagtatakda ng mga object at relasyon ng mundo ng ospital sa pamamagitan ng mga semantic unit.

  • Mga Object — Doktor, nars, staff, pasyente, CT, MRI, surgical tools, operating room, kama, gamot, consumables
  • Mga Relasyon — Sino ang nasa saan, sino ang gumagamit ng ano, aling pasyente ang lumipat sa anong ruta, aling kagamitan ang itinalaga sa aling staff, kung anong resources ang kailangan saan sa susunod na 1 oras

Sa istrukturang ito, hindi na kailangang humulaga ang AI. Ang “Kakulangan ng nars sa ikatlong palapag” ay nagiging “Ang bilang ng registered nurse sa East Wing 3rd Floor Surgical Ward ay 4 sa 6 sa 14:00; ang isang available na staff mula sa katabing ward ay matatagpuan 7 minuto ang layo sa canvas.” Iisang katotohanan ngunit ganap na naiibang datos para sa AI.

Spatial Canvas — Ang Pinagmulan ng Lahat

Dito nagpapakita ang pinakamahalagang desisyon sa disenyo ng Keynoty.

Ang hospital Ontology ng Keynoty ay hindi nagsisimula sa isang abstract na modelo ng datos. Nagsisimula ito sa ibabaw ng “Spatial Canvas” — ang digital na muling pagtatayo ng arkitektura ng ospital.

Tinatanggap namin ang aktwal na architectural blueprint mula sa partner hospital, binabago ito sa isang canvas, at idinadagdag ang lahat ng elemento ng ospital bilang mga layer sa ibabaw nito.

  • Medical Equipment Layer — Ang bawat kagamitan, kabilang ang CT, MRI, ultrasound, laser, at surgical tools, ay may eksaktong koordinado sa canvas. Real-time na ipinapakita kung gumagana, naka-standby, o nasa maintenance.
  • Medical Staff (Doktor · Nars · Staff) Layer — Real-time na ipinapakita kung sino ang nasa anong posisyon sa canvas. Aling staff ang itinalaga sa aling pasyente at kung saan magsisimula ang susunod nilang iskedyul ay ipinapakita rin.
  • Patient · Visitor Flow Layer — Ang ruta ng paggalaw mula reception hanggang clinic, examination room, OR, recovery room, at ward ay naitatatala at na-visualize bilang trajectory. Kitang-kita kung saan nagtitipon ang mga pasyente, kung saan nagtatawid ang mga daloy, at kung saan nagaganap ang mga bottleneck.
  • Spatial Resource Layer — Ang estado ng paggamit ng mga kama, waiting area, recovery room, at OR ay kinakatawan ng mga kulay at marka sa canvas.

Sa loob ng sistemang ito, ang ospital ay mukhang isang buhay na organismo na gumagalaw sa isang canvas. Hindi isang abstract na dashboard — kundi isang digital twin ng aktwal na kapaligiran mismo.

Ito ang disenyo na opisyal na iminungkahi sa Hue Central Hospital (HCH) ng Vietnam noong Marso 2026. Ang mungkahi ay ang sistematisahin ang bawat elemento ng ospital — staffing, daloy ng pasyente, estado ng medical equipment, mga kasalukuyang sistema sa loob ng ospital — bilang mga istruktura ng datos ng ontology na itinayo sa architectural blueprint ng HCH. Iyon ang opisyal na mungkahi na isinumite ng Keynoty sa Hue, at ang pundasyon ng pakikipagtulungan na tinanggap ng hospital director sa pamamagitan ng LOA nang araw ding iyon.

Paano Nagtatrabaho ang AI sa Spatial Canvas

Sa canvas na ito, hindi humuhula ang AI — nagbibigay ito ng rekomendasyon batay sa katotohanan.

Halimbawa 1 — Kongkistyon sa Post-Anesthesia Care Unit (PACU). Kapag ang isang pasyenteng nakatapos na sa recovery ay hindi makalipat sa ward at naghihintay, alam ng AI kung saan eksaktong naroon ang pasyente sa recovery room, kung saan sa canvas may bakanteng kama para sa susunod, at kung anong resources ang kailangan sa kahabaan ng rutang iyon. Ang rekomendasyon ay hindi “Siguro dapat ilipat ang pasyente” — kundi “Ilipat ang pasyente P mula sa recovery room bay 3 patungo sa East Wing 5th Floor Room 512; tinatayang oras 8 minuto; transport staff na si Kim ay kasalukuyang nasa 4th floor corridor.”

Halimbawa 2 — Pagsubaybay sa Medical Equipment. Ang Signal system ng Keynoty ay real-time na nag-diditek ng tatlong uri ng alerto para sa bawat kagamitang nairehistro sa canvas at agad na inihahati sa pinakamalapit na responsableng tao.

  • Equipment Failure Alert — Hindi pagkatapos na ganap na tumigil ang kagamitan, kundi sa sandaling lumabas ang mga senyales ng abnormalidad, ang responsableng tao ay naaabisuhan.
  • Critical Consumable Shortage Alert — Kapag bumaba sa threshold ang natitirang helium ng MRI; kapag hindi sapat ang disposable caps ng endoscope para sa susunod na nakatalagang prosedyur; kapag malapit nang maubusan ng electrosurgical pen tips; kapang malapit na maubusan ang disposable circuit ng ventilator. Hindi pagkatapos maharang ang order — sa sandaling kailangan nang mag-order.
  • Machine Status Alert — Darating na ang naka-iskedyulang maintenance, nag-expire na ang calibration cycle, nalalapit na ang cumulative usage time sa inirerekomendang limitasyon, malapit nang mag-expire ang AED pad. Hindi lamang simpleng alarm, kundi isang abiso na may kasamang inirerekomendang susunod na aksyon (mag-iskedyul ng maintenance, umorder ng parts, magtalaga ng staff).

Ang bawat alerto ay inuri bilang Emergency (pula) · Warning (kahel) · Report (dilaw), at ipinapadala habang alam ang lahat ng katotohanan: kung nasaan sa canvas ang kagamitan, kung sino ang pinakamalapit na responsableng tao, at kung ano ang ginagawa ng taong iyon ngayon. Kaya naman ang “Naaabisuhan ng sistema bago pa man tumigil ang makina” ay hindi lamang isang slogan — ito ay isang pangako na maisasagawa.

Halimbawa 3 — Staff Scheduling. Kapag ginagawa ang staffing plan para sa susunod na linggo, ang AI ay may hawak na mga taon ng naipon na mga pattern ng daloy, utilization rate, at pagalaw ng pasyente sa canvas — lahat bilang katotohanan. Ang batayan ng bawat rekomendasyon ay laging naiugnay sa mga katotohanan sa canvas.

Hindi hula. Katotohanan. Ito ang paraan ng pagpapatakbo ng AI na walang hallucination.

Mga Prinsipyo ng Engineering

Kapag nagtatayo ng AI sa Spatial Canvas, sumusunod kami sa tatlong prinsipyo.

  1. Source Traceability — Ang bawat desisyon ng AI ay dapat na kayang i-trace pabalik sa kung aling object sa canvas, kung anong oras, at kung anong datos ang batayan nito. Ang sagot sa “bakit ganoon ang rekomendasyon?” ay laging nagbabalik sa isang coordinate ng katotohanan.

  2. Rationale Recording — Ang bawat rekomendasyon ng AI ay itinatatala kasama ang batayan nito. Maaaring suriin ng medikal na tauhan at operators ang dahilan ng rekomendasyon anumang oras, at maaaring gamitin ng mga auditor ang mga rekord na iyon upang ma-verify ang kalidad ng pagpapasya ng buong sistema.

  3. Human In-the-Loop — Nagrerekomenda ang AI, nagpapasya ang tao. Ang lahat ng desisyon na direktang nakakaapekto sa paggamot ng pasyente ay dapat dumaan sa malinaw na pag-apruba ng medikal na tauhan. Ang autonomous operation ay hindi pag-aalis ng pagpapasya ng tao — ito ay tulong upang mas mahusay na gumana ang pagpapasya ng tao.

Ang AI na Walang Hallucination ay Hindi Mas Matalinong AI

Ang bitag na madalas na nahuhulog ang industriya ay ang pag-reduce ng problema ng reliability ng AI sa problema ng modelo. Mas maraming datos, mas malalaking modelo, mas sopistikadong prompt — ang direksyong ito ay maaaring mabawasan ang mga hallucination ngunit hindi maaaring maalis ang mga ito. Dahil ang mga hallucination ay hindi ginawa ng modelo — ginawa ng malabong kapaligiran kung saan kailangan ng modelo na gumana.

Ang sagot ng Keynoty ay simple.

Kapag ginawa mong tumpak ang kapaligiran, hindi na kailangang humulaga ng AI.

Mga koordinado sa canvas, mga relasyon sa pagitan ng mga object, mga pangyayari sa isang timeline — sa isang kapaligiran kung saan ang tatlong bagay na ito ay tumpak na natukoy, ang AI ay maaari na sa wakas na gumana nang tumpak. Ito ang kapaligiran na aming napatunayan sa pamamagitan ng 8 taon ng pagpapatakbo ng T Hospital Network, at ang kapaligiran na aming nangangako na itatayo para sa Hue Central Hospital.