Phân loại các hệ thống trí tuệ nhân tạo và ứng dụng trong lâm sàng Y học

Giới thiệu

Trí tuệ nhân tạo (AI) đang trở thành một công cụ ngày càng quan trọng trong y học hiện đại, hỗ trợ bác sĩ trong chẩn đoán, điều trị và quản lý bệnh nhân. Hiểu rõ các loại AI và cách phân loại chúng giúp đội ngũ y tế nắm bắt khả năng cũng như giới hạn của từng loại, từ đó áp dụng AI hiệu quả hơn trong thực hành lâm sàng. Một cách phân loại phổ biến là dựa trên mức độ trí tuệ mà hệ thống đạt được (từ AI “hẹp” đến AI tổng quát và siêu việt). Bên cạnh đó, có thể phân loại AI theo phương pháp học thuật hay kỹ thuật cốt lõi (ví dụ: hệ chuyên gia dựa trên luật, học máy truyền thống, học sâu bằng mạng neuron, học tăng cường...). Bài viết này sẽ tổng quan các loại AI theo hai cách phân loại trên, đồng thời nhấn mạnh đặc điểm, ứng dụng lâm sàng tiềm năng cho các bác sĩ (như chẩn đoán hình ảnh, hỗ trợ quyết định, phân tầng nguy cơ, quản lý bệnh mãn tính, chatbot y tế). Ngoài ra, chúng ta sẽ bàn luận về sự tiến hóa của AI trong y tế, các xu hướng tương lai (AI cá nhân hóa, AI đa phương thức, hợp tác người – máy) và những thách thức đạo đức liên quan.

Các mức độ trí tuệ nhân tạo (ANI, AGI, ASI)

Trong quá trình phát triển, AI thường được chia làm ba cấp độ dựa trên mức độ thông minh và phạm vi vấn đề có thể giải quyết​

Trong quá trình phát triển, AI thường được chia làm ba cấp độ dựa trên mức độ thông minh và phạm vi vấn đề có thể giải quyết​:

• Trí tuệ nhân tạo hẹp (Artificial Narrow Intelligence – ANI): Còn gọi là AI yếu, đây là loại AI phổ biến hiện nay. Hệ thống ANI được thiết kế để thực hiện một nhiệm vụ cụ thể hoặc một nhóm nhiệm vụ giới hạn với hiệu suất cao. Tuy rất xuất sắc trong phạm vi đã lập trình, ANI không có năng lực tư duy tổng quát ngoài lĩnh vực chuyên môn của nó​
  Ví dụ về ANI bao gồm các mô hình AI chẩn đoán hình ảnh chỉ phát hiện bệnh lý trên phim X-quang, hay trợ lý ảo như Siri, Google Translate – những hệ thống này chỉ làm tốt một việc đã định và không tự mở rộng hiểu biết sang nhiệm vụ khác. ANI đã và đang được ứng dụng rộng rãi trong nhiều lĩnh vực (từ y tế, tài chính đến giải trí) nhờ tính chuyên môn hóa và hiệu quả cao của nó​
  
• Trí tuệ nhân tạo tổng quát (Artificial General Intelligence – AGI): Được coi là AI mạnh hay AI ở cấp độ trí tuệ người. AGI là hệ thống AI có khả năng hiểu, học và thực hiện bất kỳ nhiệm vụ trí tuệ nào mà con người có thể làm​. Nói cách khác, một AGI có trí thông minh đa dụng, linh hoạt, có thể áp dụng kiến thức từ lĩnh vực này sang lĩnh vực khác – giống như một bộ não con người. Hiện nay AGI chưa tồn tại trong thực tế; nó mới chỉ là mục tiêu nghiên cứu và phát triển lý thuyết​ Nhiều công ty công nghệ lớn đang đầu tư hướng tới AGI, nhưng còn rất nhiều thách thức kỹ thuật (ví dụ: làm sao để máy tính có nhận thức và hiểu biết nền tảng như con người) và cả vấn đề đạo đức cần giải quyết trước khi đạt được AGI​ . Dự đoán về thời điểm xuất hiện AGI rất khác nhau – có người lạc quan cho rằng vài thập kỷ tới, nhưng cũng có ý kiến cho rằng có thể không bao giờ đạt được trí tuệ nhân tạo ở mức độ này​.
  
• Trí tuệ nhân tạo siêu việt (Artificial Super Intelligence – ASI): Là cấp độ cao nhất, khi trí tuệ của AI vượt xa giới hạn của con người về mọi mặt​. Một AI siêu việt có thể thông minh hơn con người không chỉ một chút mà vượt trội theo cấp số nhân, có khả năng giải quyết những vấn đề phức tạp vượt quá tầm hiểu biết của nhân loại hiện nay​. Hiện tại ASI hoàn toàn chưa tồn tại, mới ở dạng giả thuyết và ý tưởng trong tương lai. Nếu một ngày đạt được ASI, nó có thể đem lại những đột phá to lớn (ví dụ: giải quyết các vấn đề toàn cầu nan giải) nhưng đồng thời cũng gây lo ngại về kiểm soát và an toàn – làm sao để con người kiểm soát một trí tuệ vượt xa mình?​. Đây là câu hỏi lớn về đạo đức và an ninh khi nghĩ đến viễn cảnh AI siêu việt.

Bảng 1 dưới đây tóm tắt sự so sánh giữa ba cấp độ AI này​

Tiêu chí	AI hẹp (ANI)	AI tổng quát (AGI)	AI siêu việt (ASI)
Khả năng	Chỉ giỏi một nhiệm vụ cụ thể	Đa nhiệm vụ, linh hoạt như con người	Vượt trội con người ở mọi nhiệm vụ
Mức độ thông minh	Hạn chế trong phạm vi lập trình	Tương đương trí tuệ con người	Vượt xa giới hạn con người
Tình trạng hiện nay	Đã phổ biến trong thực tế	Đang nghiên cứu phát triển, chưa đạt	Giả thuyết tương lai, chưa tồn tại
Ví dụ	Hệ dịch thuật, AI chơi cờ, trợ lý ảo (Siri)	Chưa có (ví dụ minh họa: robot biết tự học như người)	Chưa có (chỉ xuất hiện trong khoa học viễn tưởng)

Lưu ý: Hiện tại, hầu hết các ứng dụng AI trong y tế đều thuộc loại AI hẹp (ANI) – chúng được thiết kế để giải quyết những bài toán cụ thể (như đọc ảnh X-quang, dự báo nguy cơ một bệnh, v.v.). AI tổng quát và siêu việt chưa phải là thực tế, nhưng là mục tiêu hướng tới lâu dài của ngành AI​
. Trong phần tiếp theo, bài viết sẽ tập trung vào các loại AI theo phương pháp kỹ thuật và những ứng dụng cụ thể của chúng trong y khoa (vốn chủ yếu thuộc ANI).

Phân loại AI theo phương pháp kỹ thuật

Bên cạnh mức độ trí tuệ, AI cũng được phân loại dựa trên phương pháp và kỹ thuật cốt lõi được sử dụng để xây dựng hệ thống. Dưới góc độ học thuật, có thể kể đến các nhóm chính: (1) AI dựa trên luật (các hệ chuyên gia); 

(2) Học máy (Machine Learning) truyền thống; 

(3) Học sâu (Deep Learning) bằng mạng nơ-ron; 

(4) Học tăng cường (Reinforcement Learning). 

Mỗi phương pháp có cách tiếp cận khác nhau, với ưu nhược điểm riêng, và đã tìm được các ứng dụng nhất định trong y tế.

Hệ chuyên gia và AI dựa trên luật

AI dựa trên luật (rule-based AI) là phương pháp truyền thống xuất hiện sớm nhất trong lịch sử AI. Hệ thống loại này hoạt động dựa trên một tập hợp các luật suy luận “nếu – thì” được lập trình sẵn bởi con người (thường là các chuyên gia trong lĩnh vực tương ứng). Kho tri thức của hệ chuyên gia được lưu trữ dưới dạng các luật logic hoặc cây quyết định tường minh; khi nhận đầu vào, hệ sẽ áp dụng những luật này để suy luận ra kết quả. Ưu điểm của hệ dựa trên luật là hoạt động minh bạch (ta có thể hiểu được vì sao hệ thống đưa ra kết luận vì đã biết các luật bên trong) và phù hợp cho những lĩnh vực mà chuyên gia có thể đúc kết tri thức rõ ràng.Trong y khoa, hệ chuyên gia (expert system) từng được kỳ vọng hỗ trợ bác sĩ ra quyết định. Ngay từ thập niên 1970, đã có các hệ chuyên gia y tế đầu tiên: ví dụ INTERNIST-1 (1971) – một chương trình máy tính tư vấn chẩn đoán nội khoa dựa trên việc đối chiếu triệu chứng bệnh nhân với cơ sở tri thức bệnh học​. Tiếp đó, hệ MYCIN ở thập niên 1970 sử dụng luật suy luận để giúp bác sĩ lựa chọn kháng sinh phù hợp cho bệnh nhân nhiễm trùng, hay hệ DXplain (1986) hỗ trợ chẩn đoán bằng cách đưa ra danh sách các khả năng bệnh lý dựa trên triệu chứng đầu vào​. Những hệ này cho thấy tiềm năng của AI trong việc chia sẻ gánh nặng chẩn đoán với bác sĩ, đồng thời đóng vai trò như một “kho kiến thức” tra cứu khi cần​. Tuy nhiên, hạn chế của AI dựa trên luật là thiếu linh hoạt và khó mở rộng. Hệ chuyên gia không tự học được kiến thức mới; hiệu quả của nó hoàn toàn phụ thuộc vào chất lượng luật do con người xây dựng sẵn. Việc cập nhật hệ thống đòi hỏi chuyên gia phải bổ sung hoặc chỉnh sửa luật bằng tay – một công việc tốn kém và không theo kịp tốc độ sinh dữ liệu mới trong y học. Do đó, khi lượng dữ liệu y tế bùng nổ và các phương pháp học máy ra đời, AI dựa trên luật dần ít được chú trọng. Ngày nay, các hệ thống AI lâm sàng tiên tiến thường tích hợp khả năng học tự động từ dữ liệu thay vì chỉ dựa trên luật cố định.

Học máy (Machine Learning) truyền thống

Học máy (ML) là một nhánh chính của AI, trong đó máy tính học từ dữ liệu quá khứ để dần cải thiện khả năng dự đoán hoặc ra quyết định, thay vì được lập trình các luật cố định một cách tường minh​. Nói cách khác, trong ML, con người cung cấp cho hệ thống bộ dữ liệu huấn luyện và một thuật toán học; hệ thống sẽ tự tìm ra mô hình hoặc quy luật ẩn trong dữ liệu đó, rồi áp dụng mô hình này cho dữ liệu mới. ML bao gồm nhiều kỹ thuật và thuật toán, từ những phương pháp thống kê truyền thống như hồi quy tuyến tính, hồi quy logistic, cây quyết định, cho đến các mô hình phức tạp hơn như rừng ngẫu nhiên, máy vector hỗ trợ (SVM), v.v. Điểm chung là tất cả đều rút kinh nghiệm từ dữ liệu: dữ liệu càng nhiều và chất lượng, mô hình ML càng có cơ hội học được quy luật chính xác.

Trong y tế, học máy đã mang lại những công cụ mạnh mẽ cho dự đoán và hỗ trợ quyết định. Nhiều mô hình dự báo nguy cơ bệnh tật hoặc kết cục điều trị dựa trên ML đã chứng minh hiệu quả vượt trội so với các thang điểm thống kê truyền thống. Chẳng hạn, các mô hình ML (như mạng neuron đơn giản, máy học cây quyết định) có thể kết hợp hàng trăm biến số từ hồ sơ bệnh án để dự đoán nguy cơ biến cố tim mạch hoặc biến chứng tiểu đường, vượt trội các thang điểm nguy cơ cũ vốn chỉ dựa trên vài yếu tố​. Nghiên cứu cho thấy mô hình machine learning có thể chính xác hơn các công cụ tiên lượng cổ điển trong việc phân tầng nguy cơ bệnh nhân (ví dụ: dự báo biến cố tim mạch, biến chứng đái tháo đường, tăng huyết áp)​. Thậm chí, việc áp dụng ML để sàng lọc nguy cơ bệnh thận mạn tính đã được chứng minh là hiệu quả và tiết kiệm chi phí hơn so với phương pháp sàng lọc truyền thống, giúp phát hiện sớm bệnh nhân nguy cơ cao và can thiệp kịp thời​.

Đặc trưng của học máy truyền thống là thường cần dữ liệu đã được cấu trúc và gán nhãn rõ ràng. Ví dụ, để xây dựng mô hình dự đoán biến cố, ta cần một tập dữ liệu bệnh nhân có đầy đủ các biến đầu vào và biết trước kết cục (nhãn) để thuật toán học. Mô hình ML sau đó có thể triển khai như một công cụ hỗ trợ ra quyết định lâm sàng: bác sĩ nhập dữ liệu bệnh nhân, mô hình xuất kết quả dự đoán (nguy cơ hoặc khuyến cáo), qua đó giúp bác sĩ đưa ra quyết định phù hợp. Tuy vậy, ML truyền thống cũng gặp hạn chế với dữ liệu phi cấu trúc như hình ảnh, văn bản hoặc âm thanh – những loại dữ liệu này thường đòi hỏi kỹ thuật học sâu phức tạp hơn để xử lý.

Học sâu (Deep Learning)

Học sâu (Deep Learning) là một phương pháp hiện đại thuộc lĩnh vực học máy, nổi bật nhờ sử dụng các mạng nơ-ron nhân tạo nhiều lớp (deep neural networks) mô phỏng phần nào cấu trúc não bộ. Thuật ngữ “deep” ám chỉ mạng có nhiều tầng xử lý (từ hàng chục đến hàng trăm tầng) chồng lên nhau​, cho phép hệ thống tự học được biểu diễn đặc trưng (feature representations) ngày càng trừu tượng qua mỗi tầng. So với ML truyền thống (vốn có thể dùng mô hình nông với 1-2 lớp), các mô hình học sâu với hàng chục lớp có khả năng học trực tiếp từ dữ liệu thô, đặc biệt hiệu quả với dữ liệu phi cấu trúc như ảnh y học, tiếng nói hoặc văn bản lâm sàng​.

Điểm khác biệt quan trọng là học sâu có thể tự động trích xuất đặc trưng từ dữ liệu. Ví dụ, trong nhận dạng hình ảnh y tế, một mạng neural sâu (như CNN – mạng nơ-ron tích chập) có thể tự học các đặc điểm hình ảnh đặc trưng cho bệnh lý (bờ viền tổn thương, độ đậm nhạt khác thường, v.v.) mà không cần kỹ sư lập trình thủ công đặc trưng đó. Nhờ vậy, học sâu đã tạo ra đột phá trong phân tích ảnh y tế, xử lý ngôn ngữ tự nhiên (ví dụ: đọc hiểu hồ sơ bệnh án), và nhiều tác vụ phức tạp khác. Nhiều nghiên cứu chỉ ra thuật toán học sâu có thể đạt độ chính xác ngang bằng chuyên gia trong chẩn đoán ảnh y khoa đối với một số bệnh nhất định​. Thậm chí, ở một số nhiệm vụ, mô hình học sâu còn vượt trội độ nhạy so với bác sĩ trong phát hiện bệnh, ví dụ mô hình phân tích X-quang ngực phát hiện tổn thương với độ nhạy 93% so với 83% của bác sĩ (mức đặc hiệu tương đương)​ – cho thấy tiềm năng to lớn của học sâu trong việc sàng lọc bệnh.

Trong thực hành lâm sàng hiện nay, học sâu hiện diện rõ nét nhất qua các ứng dụng AI chẩn đoán hình ảnh và AI xử lý tiếng nói/ngôn ngữ. Các mạng nơ-ron tích chập (CNN) được dùng để phân tích ảnh X-quang, CT, MRI, ảnh giải phẫu bệnh...; mạng hồi quy (RNN, Transformers) được dùng để đọc và tóm tắt hồ sơ bệnh án, phân loại văn bản y khoa. Chẳng hạn, một hệ thống học sâu có thể đọc ảnh X-quang ngực để phát hiện nốt mờ, tràn dịch, viêm phổi, ung thư phổi... và khoanh vùng các tổn thương đó cho bác sĩ​. Những tiến bộ này dẫn tới mô hình kết hợp bác sĩ + AI trong chẩn đoán: AI sàng lọc hình ảnh trước, đánh dấu các vùng nghi ngờ, sau đó bác sĩ xem xét tập trung những vùng đó để đưa ra kết luận chính xác hơn. Nghiên cứu tại Việt Nam cho thấy ứng dụng AI trong X-quang phổi có thể giúp tăng độ chính xác chẩn đoán lên khoảng 45% so với bác sĩ chỉ đọc phim thông thường. Nhờ AI hỗ trợ, thời gian đọc ảnh và trả kết quả cũng rút ngắn từ vài giờ xuống chỉ vài giây​, giúp bệnh nhân được xử trí kịp thời (hình minh họa bên dưới).

Hình 1: Minh họa hệ thống AI phân tích ảnh X-quang ngực. Phần mềm học sâu tự động phát hiện và khoanh vùng những bất thường (màu đỏ) trên phim X-quang phổi, ví dụ gợi ý tổn thương nghi lao phổi ở vùng đỉnh phổi hai bên. Bác sĩ sẽ dựa trên những gợi ý này để đối chiếu với phim và đưa ra chẩn đoán nhanh hơn, chính xác hơn​.

Học sâu đang là động lực chính của làn sóng “AI 4.0” trong y tế. Tuy vậy, nó cũng có thách thức: các mô hình deep learning thường bị coi là “hộp đen” khó giải thích, vì quá trình suy luận bên trong mạng rất phức tạp. Để triển khai trong y khoa – lĩnh vực đòi hỏi độ tin cậy cao – các nhà nghiên cứu đang phát triển hướng AI giải thích được (Explainable AI) để giúp hiểu được phần nào quyết định của mô hình (ví dụ: trực quan hóa vùng ảnh nào khiến AI kết luận có khối u). Dù vậy, không thể phủ nhận học sâu đã nâng tầm nhiều ứng dụng AI y tế vốn trước đây khó lòng thực hiện bằng kỹ thuật ML truyền thống.

Học tăng cường (Reinforcement Learning)

Học tăng cường (RL) là một phương pháp học máy trong đó một agent (tác nhân phần mềm) học cách hành động trong một môi trường bằng cách thực hiện hành động và nhận phản hồi thưởng/phạt (reward). Khác với học có giám sát (supervised) cần dữ liệu gán nhãn sẵn, học tăng cường giống như quá trình “thử-sai” có định hướng: hệ thống tự khám phá, và được củng cố hành vi đúng thông qua phần thưởng. RL nổi tiếng qua các ứng dụng như thuật toán AlphaGo của DeepMind (AI học chơi cờ vây và thắng nhà vô địch thế giới) – ở đó agent AI chơi hàng triệu ván cờ với chính mình, mỗi thắng lợi là phần thưởng để dần hoàn thiện chiến lược.

Trong y tế, học tăng cường mở ra hướng tiếp cận các bài toán tối ưu điều trị và quyết định theo thời gian. Thử hình dung một agent AI đóng vai “bác sĩ ảo” quản lý điều trị cho bệnh nhân: tại mỗi thời điểm, agent đề xuất một quyết định (chọn thuốc, điều chỉnh liều, chỉ định xét nghiệm...), sau đó nhận phần thưởng dựa trên kết quả sức khỏe bệnh nhân (ví dụ: cải thiện hay xấu đi). Qua rất nhiều vòng tương tác như vậy (mô phỏng trên dữ liệu), agent sẽ học được chiến lược điều trị tối ưu nhằm tối đa hóa “phần thưởng” – tức là tối ưu kết cục cho bệnh nhân. Các nghiên cứu bước đầu đã áp dụng RL để tìm phác đồ điều trị cá thể hóa trong những tình huống phức tạp, chẳng hạn điều chỉnh liều thuốc vận mạch theo diễn biến trong hồi sức sepsis, hoặc kiểm soát đường huyết tự động cho bệnh nhân đái tháo đường. Kết quả cho thấy thuật toán RL có thể khám phá ra những chiến lược mới, đôi khi gợi ý phác đồ linh hoạt hơn so với hướng dẫn cố định, đặc biệt trong bối cảnh bệnh cảnh biến đổi liên tục.

Mặc dù tiềm năng cao, RL trong y học hiện vẫn chủ yếu ở giai đoạn nghiên cứu. Việc áp dụng rộng rãi RL đòi hỏi phải đảm bảo an toàn (AI đề xuất quyết định điều trị phải được kiểm chứng chặt chẽ), cũng như cần môi trường mô phỏng đủ chính xác cho AI học (để tránh rủi ro cho bệnh nhân thực). Dẫu vậy, có thể hình dung tương lai các hệ thống hỗ trợ quyết định lâm sàng sẽ tích hợp cả học tăng cường, đặc biệt cho những lĩnh vực cần ra quyết định phức tạp theo chuỗi (như quản lý hồi sức tích cực, quản lý bệnh mạn tính dài hạn).

Tóm lại, mỗi phương pháp AI – từ hệ chuyên gia dựa trên luật cho đến các kỹ thuật học máy, học sâu và học tăng cường – đều đóng vai trò nhất định trong tiến bộ chung của AI y tế. Phần tiếp theo, chúng ta sẽ xem xét những ứng dụng cụ thể của các loại AI này trong thực hành lâm sàng, gắn với các tình huống mà bác sĩ ở nhiều chuyên khoa có thể gặp.

Ứng dụng của AI trong thực hành lâm sàng

AI đã thâm nhập vào nhiều lĩnh vực của y khoa, giúp cải thiện hiệu suất và độ chính xác trong chăm sóc sức khỏe. Dưới đây là một số ứng dụng tiêu biểu của AI trong lâm sàng, trải rộng từ chẩn đoán hình ảnh, hỗ trợ ra quyết định, đến quản lý bệnh nhân và tương tác với người bệnh:

Chẩn đoán hình ảnh (X-quang, CT, MRI, giải phẫu bệnh)

Ứng dụng nổi bật nhất của AI trong y tế hiện nay là trong chẩn đoán hình ảnh. Các thuật toán học sâu (đặc biệt là CNN) có khả năng xử lý khối lượng lớn ảnh y học và nhận diện các đặc điểm bất thường mà có thể mắt thường khó phát hiện.

• Trong X-quang lồng ngực, AI có thể tự động phát hiện các tổn thương như nốt mờ, thâm nhiễm, tràn dịch, gãy xương... và đánh dấu vị trí tổn thương trên phim để thu hút sự chú ý của bác sĩ​. Ví dụ, phần mềm VinDr của Việt Nam hay Annalise.ai quốc tế đều đã được huấn luyện trên hàng trăm ngàn phim X-quang ngực để nhận biết hàng chục dạng bệnh lý khác nhau (lao phổi, u phổi, tràn dịch, gãy xương sườn, v.v.). Khi triển khai lâm sàng, hệ thống cho phép bệnh nhân nhận kết quả X-quang trong vòng vài giây sau chụp – hình ảnh được phân tích gần như tức thì và trả về báo cáo sơ bộ cho bác sĩ​. Bác sĩ chẩn đoán hình ảnh sau đó dựa trên gợi ý của AI, kiểm tra lại các vùng nghi ngờ và xác nhận chẩn đoán. Cách làm này giúp giảm thời gian đọc phim, đồng thời theo báo cáo từ bệnh viện, còn giúp tăng độ chính xác chẩn đoán ~45% nhờ không bỏ sót tổn thương nhỏ​. Kết quả là bệnh nhân được đánh giá và xử trí nhanh hơn, giảm tình trạng chờ đợi và quá tải.
  
• Trong CT và MRI, AI đang được ứng dụng để tự động phát hiện và đo lường kích thước các khối u, tổn thương não, xuất huyết, tắc mạch trên phim. Chẳng hạn, AI có thể hỗ trợ bác sĩ đọc CT não cấp cứu bằng cách báo động nếu phát hiện hình ảnh đột quỵ hoặc xuất huyết não, từ đó bệnh nhân đột quỵ não được can thiệp sớm hơn vài chục phút quý giá. Trong chụp CT phổi tầm soát ung thư, AI giúp nhận diện các nốt nhỏ ở phổi và tính toán nguy cơ ác tính dựa trên hình thái, giúp bác sĩ quyết định theo dõi hay sinh thiết. Một số nghiên cứu ở lĩnh vực Cộng hưởng từ (MRI) tim mạch và khớp cũng cho thấy AI có thể tự động phân tích hình ảnh, ví dụ đo phân suất tống máu trên MRI tim hoặc phát hiện rách sụn chêm trên MRI gối, với độ chính xác tiệm cận chuyên gia.
• Trong giải phẫu bệnh, các ảnh kính hiển vi độ phân giải cao được AI phân tích để tìm tế bào bất thường. Ứng dụng này hỗ trợ các bác sĩ giải phẫu bệnh trong việc sàng lọc tiêu bản (ví dụ: phát hiện nhanh ổ vi vôi hóa nghi ngờ ung thư trên mẫu sinh thiết vú) và định lượng đặc tính khối u (như % diện tích hoại tử, mật độ phân bào...). Kết hợp AI giúp quá trình đọc tiêu bản nhanh hơn, giảm nguy cơ sót tổn thương vi thể.

Nhìn chung, AI không thay thế bác sĩ chẩn đoán hình ảnh, mà đóng vai trò như một “trợ lý số” giúp sàng lọc và gợi ý, để bác sĩ tập trung thời gian vào các trường hợp bất thường. Nhiều nghiên cứu đã chứng minh mô hình kết hợp AI + bác sĩ cho hiệu suất cao hơn hẳn so với bác sĩ hoặc AI đơn lẻ​. AI giúp bác sĩ không bỏ sót chi tiết, còn bác sĩ đảm bảo kết luận cuối cùng hợp lý và có tính trách nhiệm. Đây là minh chứng rõ nét cho xu hướng hợp tác giữa AI và con người trong thực hành y khoa.

Hỗ trợ ra quyết định lâm sàng (CDSS)

Hệ thống hỗ trợ quyết định lâm sàng (Clinical Decision Support Systems - CDSS) là công cụ phần mềm cung cấp cho bác sĩ những khuyến cáo, nhắc nhở hoặc phân tích để hỗ trợ trong quá trình ra quyết định về chẩn đoán và điều trị. Việc tích hợp AI đang cách mạng hóa các hệ thống CDSS truyền thống​. AI cho phép CDSS không chỉ dựa vào các luật tĩnh (như cảnh báo tương tác thuốc đơn thuần), mà còn có thể phân tích dữ liệu bệnh nhân theo thời gian thực và học hỏi từ hàng triệu ca bệnh để đưa ra gợi ý tối ưu.

Ứng dụng AI trong CDSS bao gồm:

• Hỗ trợ chẩn đoán: Các hệ thống như Babylon Health hay Infermedica sử dụng AI (bao gồm cả mô hình ngôn ngữ tự nhiên) để thu thập triệu chứng từ bệnh nhân và đề xuất danh sách chẩn đoán phân biệt cho bác sĩ cân nhắc. Tương tự, một số CDSS tại bệnh viện tích hợp mô hình dự đoán để cảnh báo chẩn đoán có thể bị bỏ sót (ví dụ: bệnh nhân có dấu hiệu nhiễm trùng nặng, AI cảnh báo khả năng nhiễm khuẩn huyết để bác sĩ đánh giá sớm).
• Khuyến cáo điều trị cá thể hóa: AI có thể phân tích hàng loạt dữ liệu (triệu chứng, bệnh sử, xét nghiệm) và so sánh với hướng dẫn điều trị, cùng kết quả của các bệnh nhân tương tự trong quá khứ, để gợi ý phác đồ tối ưu cho từng trường hợp. Ví dụ, trong điều trị ung thư, các thuật toán (từng được kì vọng như IBM Watson for Oncology) phân tích đặc điểm di truyền khối u và y văn mới nhất để đề xuất phác đồ hóa trị nhắm trúng đích cho từng bệnh nhân ung thư – mặc dù thực tế triển khai còn gặp nhiều thách thức, ý tưởng về AI cố vấn điều trị đang dần thành hiện thực trong tương lai gần.
• Dự phòng và quản lý cảnh báo: CDSS tích hợp AI có thể theo dõi tình trạng bệnh nhân và cảnh báo sớm khi phát hiện dấu hiệu nguy hiểm. Chẳng hạn, trong khoa hồi sức, hệ thống AI giám sát thông số monitor để dự đoán nguy cơ bệnh nhân chuyển biến xấu (như sốc, ngưng hô hấp) trước vài giờ và báo động kíp trực. Hoặc tại phòng khám, AI có thể nhắc bác sĩ về các khuyến cáo dự phòng cần làm (tiêm chủng, tầm soát ung thư) dựa trên hồ sơ bệnh án và hướng dẫn y khoa cập nhật. Những trợ giúp này giúp bác sĩ không bỏ lọt các can thiệp cần thiết và nâng cao chất lượng chăm sóc.

Các nghiên cứu tổng quan cho thấy AI đang làm thay đổi mạnh mẽ CDSS, giúp hệ thống trở nên thông minh và chủ động hơn trong hỗ trợ ra quyết định​. Tuy vậy, thách thức còn nhiều, như việc tích hợp AI vào quy trình làm việc của bác sĩ sao cho mượt mà, đảm bảo AI dễ sử dụng và được tin cậy​. Vấn đề giải thích được cũng rất quan trọng: bác sĩ thường ngần ngại trước “hộp đen” AI, do đó CDSS cần cung cấp lý do hoặc bằng chứng hỗ trợ cho mỗi khuyến cáo (ví dụ: nêu các yếu tố nguy cơ khiến AI dự đoán bệnh nhân dễ biến chứng). Dù còn sớm, các AI-CDSS hứa hẹn sẽ trở thành người đồng hành thường trực, giúp bác sĩ đưa ra quyết định nhanh hơn và có cơ sở dữ liệu hỗ trợ vững chắc hơn, đặc biệt trong bối cảnh y học ngày càng phức tạp và thông tin quá tải.

Dự báo nguy cơ và phân loại bệnh nhân

Một lợi thế lớn của AI là khả năng phân tích dữ liệu lớn và tìm ra những mẫu phức tạp mà con người khó nhận thấy. Trong y khoa, điều này được tận dụng để xây dựng các mô hình dự báo nguy cơ (risk prediction) và phân loại bệnh nhân theo nguy cơ, giúp cá thể hóa quản lý và phân bổ nguồn lực hợp lý.

• Phân tầng nguy cơ bệnh tật: Các mô hình ML đã được phát triển để dự đoán nguy cơ mắc một bệnh nào đó của một cá nhân, dựa trên hồ sơ sức khỏe điện tử và dữ liệu dân số. Ví dụ, mô hình dự báo nguy cơ bệnh tim mạch trong 10 năm có thể kết hợp hàng trăm biến (tuổi, giới, tiền sử, gen, thói quen, môi trường…) để ước tính nguy cơ nhồi máu cơ tim hoặc đột quỵ của một người. So với thang điểm truyền thống (như Framingham), mô hình AI có thể cá thể hóa hơn và đã cho thấy độ chính xác cao hơn trong một số nghiên cứu​. Kết quả dự báo này giúp bác sĩ chủ động can thiệp sớm (điều chỉnh liệu pháp, tư vấn lối sống) cho nhóm nguy cơ cao, đồng thời tránh tốn kém cho nhóm nguy cơ thấp.
  
• Tiên lượng và dự báo biến chứng: Với bệnh nhân đã mắc bệnh, AI có thể hỗ trợ tiên lượng diễn tiến. Chẳng hạn, ở bệnh nhân COVID-19 nhập viện, mô hình AI dựa trên triệu chứng, hình ảnh và xét nghiệm có thể dự báo nguy cơ diễn tiến nặng hoặc tử vong trong những ngày tới, để cảnh báo bác sĩ. Tương tự, trong quản lý bệnh mạn tính như suy tim hay COPD, AI có thể dự đoán nguy cơ nhập viện lại trong 30 ngày sau xuất viện – một chỉ số quan trọng để sắp xếp tái khám sớm và theo dõi sát sao nhóm nguy cơ cao. Một nghiên cứu về bệnh thận mạn (CKD) cho thấy việc dùng ML để xác định bệnh nhân CKD nguy cơ cao (dựa trên hàng loạt thông tin lâm sàng) giúp sàng lọc hiệu quả hơn và tiết kiệm chi phí, đồng thời giảm số bệnh nhân phải theo dõi gắt gao không cần thiết​.
  
• Hỗ trợ phân loại ưu tiên bệnh nhân: Trong bối cảnh nguồn lực y tế có hạn, AI có thể giúp ưu tiên bệnh nhân dựa trên mức độ nguy cơ. Ví dụ, khoa cấp cứu có thể áp dụng một mô hình để đánh giá nhanh mức độ nặng của mỗi bệnh nhân đến (dựa trên lý do nhập viện, dấu hiệu sinh tồn, bệnh sử), từ đó xếp triage ưu tiên cho người có nguy cơ biến chứng cao nhất. Hay các chương trình quản lý bệnh mạn tính từ xa sử dụng AI để liên tục đánh giá dữ liệu của hàng nghìn bệnh nhân (ví dụ: số đo huyết áp, đường máu tự báo cáo), nhờ đó điều phối nhân viên y tế liên hệ sớm với những ai có dấu hiệu vượt ngưỡng an toàn.

Những ứng dụng trên cho thấy AI giúp chuyển đổi y tế từ mô hình phản ứng khi bệnh xảy ra sang mô hình chủ động dự phòng. Bằng cách dự báo sớm nguy cơ, bác sĩ có thể cá nhân hóa việc chăm sóc – “may đo” kế hoạch theo dõi và điều trị tùy theo profile nguy cơ của từng bệnh nhân. Điều này đặc biệt hữu ích trong quản lý các bệnh mãn tính và bệnh lý phức tạp vốn diễn tiến khác nhau ở mỗi người.

Hỗ trợ theo dõi và quản lý bệnh mãn tính

Quản lý các bệnh mãn tính (như đái tháo đường, tăng huyết áp, bệnh phổi tắc nghẽn mạn, suy tim,…) là một thách thức lớn do cần theo dõi liên tục và điều chỉnh điều trị linh hoạt theo tình trạng người bệnh. AI đang được ứng dụng để cá nhân hóa và tự động hóa một phần quản lý những bệnh này, giúp giảm gánh nặng cho cả bác sĩ và bệnh nhân.

• Điều trị cá thể hóa trong đái tháo đường: Với bệnh tiểu đường type 1, các thiết bị máy đo đường huyết liên tục (CGM) tích hợp AI đã ra đời nhằm dự báo xu hướng đường huyết và ngăn ngừa hạ đường huyết ban đêm. Mới đây, hãng Roche công bố thiết bị CGM dùng AI để dự báo trước 30 phút nguy cơ hạ đường huyết khi ngủ, cho phép bệnh nhân điều chỉnh kịp (ăn nhẹ, giảm liều insulin) trước khi mức đường xuống quá thấp​. Thiết bị này đọc đường huyết mỗi 5 phút và dùng thuật toán thông minh để dự đoán liên tục 2 giờ tiếp theo, cảnh báo bệnh nhân nếu cần​. Nhờ đó, người bệnh ngủ ngon hơn, giảm lo lắng biến chứng hạ đường huyết ban đêm​. Bên cạnh đó, các ứng dụng di động quản lý đái tháo đường (như BlueStar, MySugr) sử dụng AI để phân tích dữ liệu đường huyết, liều insulin, chế độ ăn, vận động của từng cá nhân, từ đó đề xuất điều chỉnh liều insulin và chế độ sinh hoạt tối ưu mỗi ngày​. Bằng cách xét đến độ nhạy insulin và mô hình dao động đường huyết của từng người, AI có thể giúp đạt kiểm soát đường huyết chặt chẽ mà giảm thiểu nguy cơ biến chứng hơn​.
  
• Tối ưu kiểm soát tăng huyết áp: Tương tự, trong quản lý tăng huyết áp, AI có thể kết hợp dữ liệu huyết áp đo tại nhà (nhiều lần mỗi ngày) với tiền sử gia đình và lối sống để nhận diện mô hình tăng huyết áp của từng bệnh nhân​. Ví dụ, AI phát hiện một bệnh nhân hay tăng huyết áp vào chiều muộn những ngày căng thẳng công việc, từ đó gợi ý bác sĩ điều chỉnh lịch uống thuốc hoặc thêm liều vào buổi chiều cho phù hợp. Các thiết bị đeo thông minh (như đồng hồ đo huyết áp, thiết bị đeo đo nhịp tim) kết nối với ứng dụng AI cho phép giám sát thời gian thực, tự động gửi cảnh báo tới nhân viên y tế nếu huyết áp bệnh nhân lên quá cao hoặc nhịp tim có dấu hiệu bất thường kéo dài​. Khả năng thích ứng linh hoạt theo dữ liệu mới của AI giúp cá thể hóa điều trị tăng huyết áp tốt hơn so với cách tiếp cận “một phác đồ cho tất cả” trước đây​.
  
• Quản lý bệnh hô hấp mạn tính và các bệnh khác: Các ứng dụng AI như SpiroKit (ở Việt Nam) được phát triển để hỗ trợ theo dõi COPD và hen phế quản, bằng cách bệnh nhân thổi vào thiết bị cầm tay thường xuyên, dữ liệu được AI phân tích để đánh giá chức năng hô hấp và cảnh báo đợt cấp sớm​. Trong suy tim, hệ thống AI có thể theo dõi cân nặng, huyết áp và triệu chứng báo cáo hàng ngày để dự đoán đợt mất bù. Với bệnh ung thư, AI được tích hợp trong các ứng dụng nhắc người bệnh uống thuốc đúng giờ, theo dõi tác dụng phụ (bệnh nhân nhập triệu chứng vào, AI đánh giá mức độ và khuyến cáo liên hệ bác sĩ khi cần).
  

Một lợi ích quan trọng của AI trong quản lý mạn tính là thúc đẩy sự tham gia của bệnh nhân. Các nền tảng AI thường có giao diện thân thiện, cung cấp phản hồi và tư vấn tức thì, giúp bệnh nhân chủ động hơn trong việc theo dõi sức khỏe của mình​. Ví dụ, ứng dụng AI có thể gửi tin nhắn gợi ý hôm nay nên vận động bao nhiêu, ăn uống thế nào dựa trên dữ liệu sức khỏe của cá nhân​. Sự tương tác thường xuyên này khiến bệnh nhân gắn bó hơn với quá trình điều trị, từ đó tuân thủ tốt hơn và cải thiện kết quả sức khỏe​.

Tóm lại, AI đang giúp cá nhân hóa điều trị bệnh mãn tính theo hướng “may đo” cho từng bệnh nhân, và tự động điều chỉnh theo thời gian thực. Điều này không chỉ giảm gánh nặng cho bác sĩ (khi phải quản lý rất nhiều bệnh nhân mạn), mà quan trọng hơn là nâng cao chất lượng chăm sóc liên tục, phòng ngừa biến chứng và nhập viện không cần thiết cho người bệnh.

Trợ lý ảo và chatbot y tế

Một lĩnh vực mới nổi nhưng đầy hứa hẹn là các trợ lý ảo (chatbot) sức khỏe tương tác với bệnh nhân. Đây là những chương trình AI (thường dựa trên mô hình ngôn ngữ tự nhiên, ví dụ GPT) có thể trò chuyện, trả lời câu hỏi và hướng dẫn bệnh nhân về các vấn đề sức khỏe. Chatbot y tế có thể hoạt động trên ứng dụng điện thoại, trang web hoặc các nền tảng nhắn tin.

Một số ứng dụng của chatbot y tế bao gồm:

• Tư vấn triệu chứng và hướng dẫn tự chăm sóc: Nhiều người bệnh có triệu chứng nhẹ hoặc thắc mắc sức khỏe thường ngại hoặc không cần đến khám ngay. Chatbot như Buoy Health, Ada, Babylon cho phép người dùng nhập triệu chứng và trả lời một loạt câu hỏi, sau đó AI sẽ phân tích triệu chứng và đưa ra lời khuyên: ví dụ nghỉ ngơi tại nhà, dùng thuốc không kê đơn, hay khuyến cáo đến bệnh viện nếu có dấu hiệu nguy hiểm. Điều này giúp giảm tải cho các cơ sở y tế, chỉ những trường hợp cần thiết mới đến khám, đồng thời cung cấp kiến thức chăm sóc sức khỏe cơ bản cho cộng đồng. Chatbot có thể hoạt động 24/7, rất hữu ích cho người ở vùng xa hoặc không thể gặp bác sĩ thường xuyên​. Tuy nhiên, cũng cần lưu ý chất lượng khuyến cáo của chatbot phải được kiểm chứng y khoa và có giới hạn an toàn, tránh việc bệnh nhân quá tin tưởng chatbot mà bỏ qua ý kiến bác sĩ trực tiếp.
  
• Hỗ trợ theo dõi tâm lý và sức khỏe tinh thần: Lĩnh vực sức khỏe tâm thần đã sớm ứng dụng chatbot. Các chatbot như Woebot, Wysa trò chuyện hằng ngày với người dùng, hỏi thăm tâm trạng, lắng nghe cảm xúc và hướng dẫn các bài tập tâm lý đơn giản (như bài tập hít thở, suy nghĩ tích cực). Đối với những người trầm cảm hoặc lo âu nhẹ, việc có một “người bạn AI” để trò chuyện bất cứ lúc nào có thể giúp họ giải tỏa phần nào, nhất là khi chưa sẵn sàng gặp chuyên gia tâm lý​. Tính ẩn danh của chatbot khiến nhiều người dễ mở lòng hơn so với nói chuyện trực tiếp về vấn đề nhạy cảm​. Dĩ nhiên chatbot không thay thế trị liệu chuyên sâu, nhưng có thể là bước hỗ trợ ban đầu hoặc xen kẽ giữa các buổi trị liệu.
  
• Trợ lý ảo cho bệnh viện và phòng khám: Một số cơ sở y tế triển khai trợ lý ảo để hỗ trợ bệnh nhân làm thủ tục và tự quản lý lịch hẹn. Ví dụ, chatbot nhắn tin nhắc lịch tái khám, hướng dẫn bệnh nhân chuẩn bị trước phẫu thuật, trả lời các câu hỏi thường gặp (giờ làm việc, quy trình khám bệnh). Thậm chí, chatbot tích hợp trong bệnh viện có thể nhận yêu cầu như “đặt lịch khám khoa nội” hoặc “xin giấy nghỉ ốm” và tự động xử lý nếu có thể. Những tác vụ hành chính này được tự động hóa giúp giải phóng nhân viên y tế, tập trung vào chăm sóc chuyên môn.

Sự phát triển của các mô hình ngôn ngữ lớn (LLM) như GPT-3, GPT-4 đã làm chatbot y tế trở nên thông minh và tự nhiên hơn đáng kể. Một nghiên cứu năm 2023 cho thấy chatbot GPT-3.5 có thể trả lời các câu hỏi y tế của bệnh nhân một cách chính xác và thân thiện hơn so với câu trả lời của bác sĩ trên diễn đàn, theo đánh giá mù của hội đồng chuyên gia​. Điều này mở ra khả năng dùng chatbot để hỗ trợ bác sĩ trong việc giải đáp thắc mắc cho rất nhiều bệnh nhân cùng lúc. Thậm chí, nghiên cứu tại Stanford (2025) phát hiện khi bác sĩ có sự hỗ trợ của chatbot (cung cấp gợi ý hoặc thông tin khi cần), hiệu quả quyết định lâm sàng của bác sĩ tăng lên đáng kể, gần bằng mức AI tự đưa ra quyết định​. Bác sĩ + AI phối hợp đạt kết quả tốt hơn so với bác sĩ tra cứu thông tin một mình, khẳng định “con người cộng máy tính sẽ tốt hơn mỗi bên riêng rẽ”​.

Dù vậy, việc đưa chatbot vào y tế cũng đặt ra nhiều thách thức: đảm bảo tính chính xác, độ tin cậy thông tin mà chatbot cung cấp; vấn đề riêng tư dữ liệu bệnh nhân (chatbot tiếp cận thông tin nhạy cảm phải được bảo mật)​; và không kém phần quan trọng là tránh thiên kiến và sai lệch. Chatbot có thể phản ánh những bias trong dữ liệu huấn luyện, dẫn đến câu trả lời định kiến hoặc không phù hợp cho một số nhóm bệnh nhân (vấn đề hiện đang được nghiên cứu cải thiện). Thêm nữa, cần cân nhắc khả năng tiếp cận: không phải bệnh nhân nào cũng rành công nghệ để dùng chatbot, do đó nguy cơ tạo thêm khoảng cách giữa những người quen thuộc công nghệ và không quen​. Vì vậy, chatbot y tế nên được coi là bổ trợ chứ không thay thế hoàn toàn tương tác trực tiếp; chúng phù hợp cho những nhiệm vụ đơn giản, lặp lại, hoặc hỗ trợ ngoài giờ, trong khi các vấn đề phức tạp vẫn cần sự can thiệp của nhân viên y tế.

Sự phát triển của AI trong y tế và xu hướng tương lai

Tiến hóa lịch sử: từ những hệ chuyên gia đầu tiên đến AI thời đại dữ liệu lớn

AI trong y tế không phải là câu chuyện hoàn toàn mới – nó đã có lịch sử phát triển từ hơn nửa thế kỷ. Thập niên 1960-1970 chứng kiến những thử nghiệm AI đầu tiên trong y học, với sự ra đời của các chương trình như Dendral (phân tích hóa học) và Mycin, INTERNIST (hệ chuyên gia y khoa). Tuy số lượng ứng dụng còn ít ỏi, thành công của chúng đã dẫn đến hội nghị AI Y tế đầu tiên do NIH tổ chức năm 1975​. Thập niên 1980-1990, AI y tế trải qua giai đoạn trầm lắng hơn (“mùa đông AI”), một phần do hạn chế về tính toán và dữ liệu, cũng như kỳ vọng quá cao so với thực tế. Dẫu vậy, những hệ thống như DXplain (1986) hay Pathfinder (hỗ trợ chẩn đoán bệnh hạch) vẫn ra đời, giữ cho ngọn lửa AI y tế không tắt hẳn.

Bước sang những năm 2000, hai yếu tố bùng nổ: dữ liệu số hóa (hồ sơ bệnh án điện tử, dữ liệu gen, hình ảnh số) và sức mạnh tính toán (sự ra đời của máy tính hiệu năng cao và sau này là điện toán đám mây). Cùng với đó, các thuật toán học máy được cải tiến và phổ biến. Một dấu mốc là năm 2011, siêu máy tính IBM Watson chiến thắng cuộc thi Jeopardy!, phô diễn khả năng hiểu ngôn ngữ và trả lời câu hỏi bằng cách phân tích lượng thông tin khổng lồ​. Sự kiện này đã gợi cảm hứng áp dụng công nghệ tương tự cho y học: IBM Watson sau đó được “đào tạo” trong lĩnh vực ung thư học với hy vọng tư vấn phác đồ điều trị (dù kết quả thực tế không như kỳ vọng, nó cho thấy tiềm năng và thách thức của việc đưa AI vào lâm sàng thực sự). Cũng trong giai đoạn này, các mạng neuron sâu bắt đầu nổi lên (~2012) khi thuật toán học sâu thắng giải ImageNet về nhận dạng hình ảnh. Ngành y nhanh chóng nắm bắt cơ hội: từ 2015 trở đi, hàng loạt nghiên cứu ứng dụng deep learning cho ảnh y tế, xử lý tiếng nói, phân tích gen... ra đời và đạt kết quả ấn tượng.

Giai đoạn 2020 đến nay có thể coi là thời kỳ bùng nổ của AI trong y tế thực tiễn. Đặc biệt, đại dịch COVID-19 năm 2020-2021 đã thúc đẩy nhanh việc ứng dụng AI: nhu cầu chẩn đoán nhanh (AI đọc ảnh CT, X-quang phổi), truy vết dịch tễ (phân tích dữ liệu di động), và chăm sóc từ xa (chatbot sàng lọc triệu chứng, bác sĩ tư vấn qua video) tăng vọt, tạo cơ hội cho các giải pháp AI chứng minh giá trị​. Nhiều sản phẩm AI y tế đã được FDA thông qua trong khoảng 2018-2023, đặc biệt trong mảng chẩn đoán hình ảnh (AI đọc phim X-quang phổi, nhũ ảnh, AI hỗ trợ nội soi phát hiện polyp đại tràng...). Song song đó, cách mạng dữ liệu gen và dự án như AlphaFold (AI dự đoán cấu trúc protein) vào năm 2021 đã mở ra chân trời mới cho AI trong nghiên cứu sinh học và phát triển thuốc​.

Tổng kết lại, AI y tế đã tiến hóa từ những hệ thống rời rạc, quy mô nhỏ thành các nền tảng tích hợp, học từ dữ liệu lớn và tham gia trực tiếp vào quy trình chăm sóc sức khỏe. Sự phát triển này là nhờ đồng thời tiến bộ về thuật toán, dữ liệu và phần cứng. Nhìn về tương lai, có một số xu hướng chủ đạo định hình AI y tế trong những năm tới:

Xu hướng tương lai: AI cá nhân hóa, AI đa phương thức và cộng tác người – máy

1. AI cá nhân hóa và y học chính xác: Tương lai của chăm sóc sức khỏe là y học chính xác – điều trị đúng bệnh nhân, đúng thời điểm, đúng cách. AI sẽ là “bộ não” giúp hiện thực hóa điều này. Với khả năng tổng hợp hàng tỉ điểm dữ liệu (từ gen, proteomics đến thói quen hàng ngày), AI có thể tạo ra một bức tranh toàn diện về mỗi bệnh nhân, từ đó cá nhân hóa kế hoạch điều trị. Thay vì một phác đồ chung cho mọi bệnh nhân đái tháo đường, AI sẽ giúp lập phác đồ riêng tối ưu cho từng người dựa trên đặc điểm sinh học và hành vi của họ​. Các thuật toán sẽ ngày càng tốt hơn trong việc học hỏi sở thích, hoàn cảnh của bệnh nhân, thậm chí điều chỉnh cách giao tiếp cho phù hợp (có bệnh nhân thích nghe giải thích chi tiết, có người chỉ muốn tóm tắt ngắn gọn). Điều trị cá thể hóa do AI hỗ trợ hứa hẹn tăng hiệu quả, giảm tác dụng phụ và nâng cao trải nghiệm người bệnh.
   
2. AI đa phương thức (multimodal) và hợp nhất dữ liệu: Hiện nay nhiều hệ thống AI vẫn chỉ xử lý tốt từng loại dữ liệu đơn lẻ (ví dụ chỉ ảnh, hoặc chỉ văn bản). Tuy nhiên, chăm sóc sức khỏe thực sự là sự kết hợp của nhiều nguồn dữ liệu: bác sĩ nhìn hình ảnh, đọc xét nghiệm, nghe bệnh sử, cân nhắc yếu tố xã hội... Mục tiêu tương lai là xây dựng các mô hình AI đa phương thức – có khả năng hiểu đồng thời nhiều dạng dữ liệu khác nhau (hình ảnh, văn bản, số liệu thời gian thực, gen, v.v.) để đưa ra quyết định thống nhất​. Điều này đòi hỏi kiến trúc mô hình đặc biệt và bộ dữ liệu tích hợp khổng lồ. Tin vui là những bước đi đầu đã xuất hiện: năm 2023, Google DeepMind công bố Med-PaLM M – một mô hình AI lớn có thể nhận đầu vào đa dạng (văn bản hỏi đáp y khoa, hình ảnh X-quang, ảnh da liễu, thông tin xét nghiệm) và tạo ra câu trả lời tổng hợp. Một ví dụ khác là Med-Gemini – mô hình đa phương thức y tế tiên tiến sử dụng kiến trúc chuyên gia hỗn hợp (Mixture-of-Experts) để chọn cách xử lý tối ưu cho từng loại dữ liệu (ảnh X-quang, chuỗi gene, bệnh sử, ghi chú lâm sàng)​. Mục tiêu của những mô hình này là mô phỏng cách bác sĩ tư duy liên ngành: kết hợp thông tin từ nhiều nguồn để hiểu đầy đủ tình trạng bệnh nhân​. Khi AI có cái nhìn toàn diện, các đề xuất của nó (chẩn đoán, điều trị) sẽ càng chính xác và phù hợp hơn. AI đa phương thức cũng giúp tạo ra hồ sơ bệnh nhân hợp nhất, giảm tình trạng phân mảnh thông tin giữa các chuyên khoa. Đây có thể coi là “bác sĩ AI tổng quát” tiến gần khái niệm AGI trong lĩnh vực hẹp y tế.
   
3. Hợp tác người – AI và “trí tuệ tăng cường”: Thay vì lo ngại AI thay thế bác sĩ, xu hướng đang chuyển sang cách AI và bác sĩ có thể bổ trợ cho nhau tốt nhất. Khái niệm “augmented intelligence” được nhấn mạnh – tức trí thông minh tăng cường cho con người, hơn là artificial intelligence độc lập. Nghiên cứu đã chỉ ra, ví dụ trong quyết định lâm sàng phức tạp, bác sĩ kết hợp với gợi ý từ AI đưa ra kết quả điều trị tốt nhất​. AI có thể phân tích nhanh lượng lớn thông tin, không mệt mỏi, còn con người có tư duy phản biện, đạo đức và đồng cảm. Tương lai, các giao diện hợp tác sẽ tinh vi hơn: bác sĩ có thể trao đổi với AI như trao đổi với đồng nghiệp. Hãy hình dung trong buồng khám có một “trợ lý ảo” lắng nghe cuộc trò chuyện bác sĩ – bệnh nhân, tự động ghi chép hồ sơ, đồng thời hiến kế cho bác sĩ: ví dụ “Bệnh nhân này có triệu chứng hiếm, anh có muốn kiểm tra hội chứng X không? Có 2% khả năng nhưng cần loại trừ sớm” – tương tự một bác sĩ nội trú giỏi hỗ trợ. Bác sĩ vẫn là người quyết định sau cùng, nhưng có thêm thông tin phong phú do AI cung cấp. Sự hợp tác này sẽ mở rộng sang đào tạo y khoa (AI giúp dạy và kiểm tra sinh viên), nghiên cứu (AI hỗ trợ phân tích tài liệu, thiết kế thử nghiệm), v.v. Một hệ quả nữa, nghề y cũng sẽ tiến hóa: bác sĩ tương lai cần kỹ năng làm việc với AI, biết cách đặt câu hỏi cho AI và đánh giá phản hồi AI một cách phê phán.
   
4. AI tạo sinh (generative AI) trong y tế: Gần đây, AI tạo sinh (các mô hình có thể sinh ra nội dung mới – văn bản, hình ảnh, cấu trúc thuốc) đang bùng nổ. Trong y tế, mô hình sinh văn bản như GPT có thể tự động viết tóm tắt bệnh án, soạn hướng dẫn xuất viện cá nhân hóa cho bệnh nhân, thậm chí tạo nháp bài báo khoa học. Mô hình sinh hình ảnh (như GAN) có thể tạo ảnh y khoa giả lập để bổ sung dữ liệu huấn luyện hoặc hỗ trợ đào tạo bác sĩ (ví dụ tạo ảnh X-quang với tổn thương hiếm để bác sĩ tập chẩn đoán). Trong nghiên cứu thuốc, mô hình sinh phân tử đang được dùng để đề xuất cấu trúc phân tử thuốc mới dựa trên đặc tính mong muốn – tăng tốc quá trình tìm kiếm ứng viên thuốc tiềm năng​. AI tạo sinh cũng có thể hỗ trợ thiết kế các phác đồ điều trị mới bằng cách mô phỏng nhiều kịch bản điều trị trên dữ liệu bệnh nhân ảo. Xu hướng này rất đáng chú ý, nhưng đi kèm thách thức về tính xác thực (VD: văn bản do AI tạo có thể chứa thông tin sai nếu không kiểm soát, hay hình ảnh y khoa tạo ra phải được dán nhãn rõ để tránh nhầm lẫn với ảnh thật).
   
5. Tăng cường tính giải thích và độ tin cậy của AI: Để AI thực sự được chấp nhận rộng rãi trong y tế, tương lai sẽ chứng kiến nhiều nỗ lực làm AI trong suốt và đáng tin hơn. Các kỹ thuật như xAI (Explainable AI) đang phát triển giúp biến kết quả mô hình thành giải thích con người hiểu được (ví dụ: heatmap vùng ảnh mà AI chú ý, hoặc liệt kê 5 đặc điểm bệnh nhân dẫn tới dự đoán nguy cơ cao)​. Song song đó, việc thẩm định lâm sàng AI sẽ được chuẩn hóa: các thuật toán AI trước khi dùng cần trải qua thử nghiệm lâm sàng giống thuốc và trang thiết bị. Cơ quan quản lý (FDA, EMA) đã ban hành hướng dẫn ban đầu cho AI như một thiết bị y tế, trong tương lai chắc chắn sẽ có khung pháp lý chặt chẽ hơn. Các hệ thống AI cũng sẽ có cơ chế theo dõi sau triển khai để phát hiện sớm khi hiệu năng suy giảm (ví dụ do dữ liệu bệnh nhân thay đổi theo thời gian) và cập nhật mô hình kịp thời.
   
6. Hạ tầng dữ liệu và học liên kết: Cuối cùng, một xu hướng quan trọng là xây dựng hạ tầng dữ liệu y tế chia sẻ cho AI, đồng thời bảo vệ quyền riêng tư. Công nghệ liên minh học tập (federated learning) cho phép các mô hình AI được huấn luyện trên dữ liệu phân tán tại nhiều bệnh viện mà không cần tập trung dữ liệu lại một nơi, nhờ vậy tránh vi phạm quyền riêng tư bệnh nhân​. Mô hình sẽ học cục bộ tại mỗi cơ sở, sau đó gửi tham số cập nhật về máy chủ trung tâm để tổng hợp – quá trình này lặp lại và không hề trao đổi dữ liệu thô. Kết quả là một mô hình chung học hỏi từ độ đa dạng bệnh nhân toàn cầu nhưng không ai “nhìn thấy” dữ liệu của ai. Xu hướng này giải quyết mâu thuẫn giữa khát khao dữ liệu lớn của AI với yêu cầu bảo mật dữ liệu y tế. Một khi hạ tầng này được thiết lập, chúng ta có thể huấn luyện những mô hình AI y tế cực mạnh nhờ dữ liệu phong phú mà vẫn tuân thủ quy định bảo mật (như HIPAA, GDPR).
   

Tất cả những xu hướng trên đều hướng tới một mục tiêu cuối cùng: tích hợp AI một cách an toàn, hiệu quả vào chăm sóc y tế thường ngày, vì lợi ích tối ưu của người bệnh. AI sẽ ngày càng chìm sâu vào nền tảng, trở thành một phần “hệ thần kinh số” của hệ thống y tế, hỗ trợ con người ở mọi cấp độ từ dự phòng, chẩn đoán đến điều trị và theo dõi.

Thách thức và vấn đề đạo đức liên quan đến AI y tế

Bên cạnh những hứa hẹn lớn, việc ứng dụng AI trong y tế đặt ra không ít thách thức và vấn đề đạo đức. Dưới đây là những điểm cần được cân nhắc và giải quyết cẩn trọng:

• Tính an toàn và độ chính xác: Sức khỏe con người là lĩnh vực không có chỗ cho sai sót lớn, do đó AI phải đạt độ chính xác rất cao. Một mô hình chẩn đoán nếu cho âm tính giả (bỏ sót bệnh) hoặc dương tính giả (báo động nhầm) đều có thể gây hậu quả nghiêm trọng. Cần thử nghiệm lâm sàng nghiêm ngặt để đảm bảo AI an toàn trước khi áp dụng. Ngay cả sau triển khai, phải liên tục giám sát hiệu năng mô hình, giống như theo dõi tác dụng phụ của thuốc. Trách nhiệm xác minh cuối cùng vẫn thuộc về bác sĩ: không nên phụ thuộc mù quáng vào AI, đặc biệt khi kết quả mâu thuẫn với đánh giá lâm sàng.
• Minh bạch và khả năng giải thích: Nhiều thuật toán AI (đặc biệt học sâu) là “hộp đen” khó hiểu. Trong y khoa, bác sĩ và bệnh nhân mong muốn biết tại sao AI đưa ra dự đoán/hướng dẫn. Sự thiếu minh bạch có thể làm giảm niềm tin và gây khó khăn khi xảy ra sự cố (không biết lỗi do đâu để khắc phục). Do đó, có yêu cầu đạo đức rằng AI y tế cần có mức độ giải thích được nhất định – ví dụ làm nổi bật các yếu tố chính ảnh hưởng đến quyết định của AI​. Các kỹ thuật xAI, như dùng mô hình đơn giản hơn mô phỏng cục bộ quyết định của mô hình phức tạp, đang được phát triển để đáp ứng nhu cầu này. Đồng thời, nhà phát triển AI cần công khai đủ thông tin về cách mô hình được huấn luyện, hiệu năng trên các bộ dữ liệu khác nhau, giới hạn của mô hình... để người dùng hiểu rõ.
  
• Bias và công bằng: AI học từ dữ liệu thực tế, mà dữ liệu này có thể chứa thiên kiến (bias). Ví dụ, nếu dữ liệu huấn luyện chủ yếu là bệnh nhân da trắng, mô hình có thể hoạt động kém cho bệnh nhân da màu, dẫn đến bất công trong chăm sóc (tiên đoán sai lệch, chẩn đoán muộn hơn)​. Đã có những trường hợp thuật toán AI đánh giá mức độ ưu tiên can thiệp cho bệnh nhân da đen thấp hơn da trắng ở Mỹ do bias từ dữ liệu chi phí y tế (vốn người da đen ít tiếp cận dịch vụ hơn nên chi phí thấp hơn, AI hiểu lầm là bệnh nhẹ hơn). Đây là vấn đề đạo đức nghiêm trọng: AI có thể vô tình củng cố bất bình đẳng hiện hữu trong hệ thống y tế​. Để khắc phục, cần đảm bảo dữ liệu huấn luyện đa dạng, đại diện cho các nhóm dân số; áp dụng các thuật toán hiệu chỉnh bias; và đánh giá công bằng mô hình như một tiêu chí chính khi phê duyệt AI y tế.
  
• Quyền riêng tư và bảo mật dữ liệu: AI cần lượng dữ liệu lớn, nhưng dữ liệu y tế lại rất nhạy cảm và riêng tư. Nguy cơ vi phạm riêng tư xảy ra nếu dữ liệu bị lộ lọt hoặc sử dụng ngoài mục đích. Thậm chí, ngay cả dữ liệu đã ẩn danh cũng có thể bị AI tái nhận dạng cá nhân khi kết hợp nhiều nguồn thông tin​. Vấn đề đạo đức là phải cân bằng giữa lợi ích cộng đồng (dùng dữ liệu để phát triển AI cứu chữa bệnh) với quyền cá nhân (bảo vệ thông tin riêng tư). Các giải pháp gồm: tuân thủ chặt chẽ quy định xin phép và đồng thuận của bệnh nhân khi sử dụng dữ liệu; áp dụng kỹ thuật ẩn danh hóa nâng cao và học liên kết như đã đề cập​; xây dựng hệ thống bảo mật mạnh để chống truy cập trái phép và giám sát mọi hoạt động dùng dữ liệu. Mỗi khi triển khai AI, các bệnh viện cũng cần minh bạch với bệnh nhân về việc dữ liệu của họ có được AI sử dụng hay không, và trong phạm vi nào, để tạo sự tin tưởng.
  
• Trách nhiệm và pháp lý: Nếu một hệ thống AI mắc lỗi dẫn đến tổn hại cho bệnh nhân, ai chịu trách nhiệm? Bác sĩ điều trị, nhà phát triển phần mềm, hay bệnh viện triển khai? Hiện câu trả lời chưa rõ ràng và khung pháp lý đang chạy theo sau công nghệ. Về nguyên tắc, bác sĩ vẫn là người chịu trách nhiệm chính về quyết định y khoa đối với bệnh nhân của mình. Do đó bác sĩ phải kiểm soát việc sử dụng AI, không để AI tự động quyết định mà không qua xác nhận. Mặt khác, khi AI được tích hợp sâu (ví dụ tự động đề xuất liều thuốc trong CDSS), nhà sản xuất phần mềm cũng phải chịu trách nhiệm về chất lượng và độ an toàn của sản phẩm theo quy định thiết bị y tế. Các quốc gia và tổ chức (FDA, EMA, Bộ Y tế) đang xây dựng hướng dẫn và quy định pháp lý về AI y tế, nhưng đây là lĩnh vực mới, đòi hỏi vừa học hỏi thực tiễn vừa điều chỉnh chính sách phù hợp. Điều quan trọng là phải xác định được trách nhiệm pháp lý rõ ràng để khi có sự cố, bệnh nhân được bảo vệ và hệ thống có thể học từ sai lầm để cải thiện.
• Tác động đến vai trò của nhân viên y tế: Sự xuất hiện của AI gây lo ngại về thay thế nhân lực. Một mặt, có dự báo rằng một số công việc sẽ thay đổi: ví dụ, bác sĩ chẩn đoán hình ảnh có thể phải tập trung vào trường hợp phức tạp, còn AI xử lý các ca thường quy; hoặc công việc nhập dữ liệu, viết báo cáo sẽ do AI làm thay nhiều. Tuy nhiên, lịch sử cho thấy công nghệ thường tạo ra vai trò mới thay vì xóa sổ vai trò cũ. Bác sĩ trong kỷ nguyên AI sẽ dành thời gian cho những khía cạnh mà máy móc không làm được tốt: giao tiếp với bệnh nhân, ra quyết định đạo đức, và tổng hợp bức tranh lớn. AI có thể gánh việc “nặng nhọc” (đọc hàng trăm phim, lục tìm thông tin), giúp bác sĩ có thêm thời gian cho người bệnh – điều mà nhiều hệ thống y tế đang thiếu. Vấn đề đạo đức ở đây là đảm bảo quá trình chuyển đổi công bằng: đào tạo lại nhân viên y tế để làm chủ công nghệ, bố trí vai trò phù hợp thay vì đơn thuần cắt giảm; đồng thời giữ gìn yếu tố con người trong y khoa, tránh để y học trở nên vô cảm hay quá phụ thuộc máy móc.
• Ra quyết định của AI vs. giá trị đạo đức: AI tối ưu dựa trên dữ liệu và kết cục xác định, nhưng y học có nhiều vùng xám đạo đức. Ví dụ, nếu AI dự đoán chất lượng cuộc sống rất kém, nó có đề xuất ngừng điều trị tích cực? Quyết định đó liên quan đến giá trị nhân văn và mong muốn cá nhân bệnh nhân, không thể dựa thuần dữ liệu thống kê. Vì vậy, AI cần được thiết kế để tôn trọng quy tắc đạo đức y khoa (như không làm điều hại, tôn trọng tự chủ bệnh nhân). Một thách thức là đưa những nguyên tắc mềm dẻo này vào thuật toán. Có thể cần sự giám sát đạo đức trong quá trình ra quyết định của AI ở các tình huống nhạy cảm. Đôi khi, dữ liệu quá khứ mà AI học có thể bao gồm cả những thực hành không còn được chấp nhận (phân biệt đối xử chẳng hạn), nên AI có nguy cơ kế thừa định kiến đạo đức sai nếu không được điều chỉnh.
• Chấp nhận của cộng đồng và niềm tin: Cuối cùng, cho dù công nghệ tốt đến mấy, nếu bác sĩ và bệnh nhân không tin tưởng thì AI cũng khó phát huy tác dụng. Xây dựng niềm tin đòi hỏi thời gian và minh bạch. Cộng đồng y khoa cần được đào tạo hiểu biết về AI, chứng kiến bằng chứng lợi ích rõ ràng, và tham gia vào quá trình phát triển AI để đảm bảo đáp ứng nhu cầu thực tế. Bệnh nhân cũng cần được giáo dục về vai trò của AI (ví dụ: việc dùng AI đọc phim có nghĩa là có thêm một “bác sĩ phụ” kiểm tra phim của họ, chứ không phải máy móc đơn thuần). Khi cả hệ thống y tế hiểu đúng và kỳ vọng thực tế về AI, việc triển khai sẽ thuận lợi hơn. Các tổ chức y tế có thể áp dụng tiêu chuẩn đạo đức AI (như bộ nguyên tắc của WHO về AI trong y tế)​, để cam kết các giá trị như minh bạch, công bằng, an toàn, trách nhiệm giải trình trong mọi ứng dụng AI.
  

Kết luận

AI đang mở ra một chương mới đầy hứng khởi cho y học, biến những điều từng chỉ có trong khoa học viễn tưởng thành hiện thực trong phòng khám. Từ việc đọc ảnh X-quang trong vài giây, dự báo sớm cơn suyễn, đến một chatbot luôn sẵn sàng giải đáp cho bệnh nhân – tất cả minh chứng rằng trí tuệ nhân tạo có thể trở thành người đồng hành đắc lực của trí tuệ con người trong chăm sóc sức khỏe.

Tuy nhiên, chặng đường tích hợp AI vào y tế vẫn còn dài và gập ghềnh. Chúng ta cần hiểu rõ các loại AI và khả năng của chúng để ứng dụng đúng chỗ; đồng thời phải luôn cảnh giác trước những hạn chế và nguy cơ tiềm ẩn. AI không phải cây đũa thần giải quyết mọi vấn đề, mà là một công cụ mạnh mẽ đòi hỏi sử dụng một cách thông minh, có kiểm soát. Bác sĩ của kỷ nguyên mới sẽ không chỉ cần kiến thức y khoa, mà còn cần kiến thức về AI, để khai thác tối đa lợi ích và đảm bảo AI phục vụ đúng mục đích nhân văn.

Tương lai, với AI cá nhân hóa, đa phương thức và thân thiện hơn, chúng ta có hy vọng về một nền y học chính xác, hiệu quả và tiếp cận hơn bao giờ hết. Nhưng thành công đó chỉ đạt được nếu cộng đồng y tế, các nhà phát triển AI, nhà quản lý và bệnh nhân cùng hợp tác trên nền tảng đạo đức và trách nhiệm chung. Trí tuệ nhân tạo – suy cho cùng – được tạo ra bởi trí tuệ con người, và phải được định hướng bởi những giá trị nhân bản vì sức khỏe và hạnh phúc của toàn xã hội. Chúng ta đang đứng trước ngưỡng cửa một kỷ nguyên mới, nơi bác sĩ và AI sát cánh, cùng viết tiếp câu chuyện kỳ diệu của y học.