Được xuất bản 6 ngày trước vào ngày 17 tháng 10, 2024
Bởi Dr. Bala Hota, Phó Chủ tịch Cấp cao & Giám đốc Tin học tại Tendo
Chăm sóc sức khỏe tại Hoa Kỳ đang ở giai đoạn đầu của một cuộc cách mạng lớn nhờ vào việc sử dụng Học máy và Trí tuệ nhân tạo. Sự chuyển đổi này đã diễn ra trong hơn một thập kỷ, nhưng với những tiến bộ gần đây, có vẻ như nó đang hướng tới những thay đổi nhanh chóng hơn. Vẫn còn nhiều công việc phải làm để hiểu rõ các ứng dụng an toàn và hiệu quả nhất của AI trong chăm sóc sức khỏe, xây dựng niềm tin giữa các bác sĩ lâm sàng trong việc sử dụng AI, và điều chỉnh hệ thống giáo dục lâm sàng để thúc đẩy việc sử dụng các hệ thống dựa trên AI hiệu quả hơn.
Ứng dụng của AI trong Chăm sóc Sức khỏe
AI đã phát triển qua nhiều thập kỷ trong lĩnh vực chăm sóc sức khỏe, cả ở chức năng phục vụ bệnh nhân và chức năng hậu trường. Một số công trình sớm nhất và phổ biến nhất tập trung vào việc sử dụng các mô hình học sâu và thị giác máy tính.
Trước tiên, cần làm rõ một số thuật ngữ. Các phương pháp thống kê truyền thống trong nghiên cứu, ví dụ như các nghiên cứu quan sát và thử nghiệm lâm sàng, đã sử dụng các phương pháp mô hình hóa tập trung vào dân số, dựa vào các mô hình hồi quy, trong đó các biến độc lập được sử dụng để dự đoán kết quả. Trong các phương pháp này, mặc dù càng nhiều dữ liệu càng tốt, có một hiệu ứng bão hòa trong đó khi đạt đến một kích thước dữ liệu nhất định, không thể rút ra những suy luận tốt hơn từ dữ liệu.
Trí tuệ nhân tạo mang lại một phương pháp dự đoán mới. Một cấu trúc gọi là perceptron xử lý dữ liệu từng hàng một, được tạo thành một mạng lưới các lớp phương trình vi phân để điều chỉnh dữ liệu đầu vào và tạo ra đầu ra. Trong quá trình huấn luyện, mỗi hàng dữ liệu khi đi qua mạng lưới – gọi là mạng nơ-ron – sẽ thay đổi các phương trình tại mỗi lớp của mạng để đầu ra dự đoán khớp với đầu ra thực tế. Khi tập dữ liệu huấn luyện được xử lý, mạng nơ-ron học cách dự đoán kết quả.
Có một số loại mạng khác nhau. Mạng nơ-ron tích chập (CNN) là một trong những mô hình đầu tiên thành công trong các ứng dụng y tế. CNN rất giỏi trong việc học từ hình ảnh trong một quy trình gọi là thị giác máy tính và đã được ứng dụng trong các lĩnh vực sử dụng dữ liệu hình ảnh nhiều như chụp X-quang, khám mắt và phân tích da.
Một loại mạng nơ-ron mới hơn là kiến trúc Transformer đã trở thành phương pháp ưu thế nhờ thành công đáng kinh ngạc trong việc xử lý văn bản và kết hợp văn bản với hình ảnh (còn gọi là dữ liệu đa phương thức). Các mạng nơ-ron Transformer đặc biệt hiệu quả trong việc dự đoán văn bản tiếp theo từ một đoạn văn bản đã cho. Một ứng dụng của kiến trúc Transformer là Mô hình Ngôn ngữ Lớn (LLM). Các ví dụ thương mại của LLM bao gồm Chat GPT, Claude của Anthropic, và Llama 3 của Meta.
Một điểm nổi bật được quan sát thấy ở các mạng nơ-ron nói chung là rất khó để tìm ra giới hạn cải thiện trong việc học của chúng. Nói cách khác, khi có thêm nhiều dữ liệu, các mạng nơ-ron tiếp tục học và cải thiện. Giới hạn chính của khả năng này là cần có các bộ dữ liệu lớn hơn và sức mạnh tính toán để huấn luyện các mô hình. Trong lĩnh vực y tế, việc tạo ra các bộ dữ liệu bảo vệ quyền riêng tư và phản ánh trung thực quy trình chăm sóc lâm sàng là một ưu tiên quan trọng để thúc đẩy phát triển mô hình.
LLM có thể đại diện cho một thay đổi lớn trong việc ứng dụng AI cho chăm sóc sức khỏe. Nhờ khả năng xử lý ngôn ngữ và văn bản, chúng phù hợp với hồ sơ điện tử mà hầu hết dữ liệu là văn bản. Chúng cũng không cần dữ liệu được chú thích chi tiết cho việc huấn luyện mà có thể sử dụng các bộ dữ liệu hiện có. Hai hạn chế chính của các mô hình này là 1) chúng không có mô hình thế giới hoặc hiểu biết thực sự về dữ liệu đang được phân tích (chúng thường được ví như “tự động hoàn thành cao cấp”), và 2) chúng có thể đưa ra thông tin sai lệch hoặc tự chế tạo ra thông tin, đưa ra dữ liệu không chính xác nhưng được trình bày như sự thật.
Các trường hợp ứng dụng AI đang được khám phá bao gồm tự động hóa và tăng cường trong việc đọc hình ảnh chụp X-quang, hình ảnh võng mạc và dữ liệu hình ảnh khác; giảm bớt nỗ lực và nâng cao độ chính xác của việc ghi chép lâm sàng, một nguồn chính gây kiệt sức cho các bác sĩ; giao tiếp tốt hơn và thấu cảm hơn với bệnh nhân; và nâng cao hiệu quả của các chức năng hậu trường như chu kỳ doanh thu, vận hành, và thanh toán.
Ví dụ Thực tế
AI đã được đưa vào chăm sóc lâm sàng một cách dần dần. Thông thường, việc sử dụng AI thành công đã trải qua các thử nghiệm được đánh giá ngang hàng về hiệu suất, chứng minh tính hiệu quả và, trong một số trường hợp, được Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) phê duyệt để sử dụng.
Một số trường hợp ứng dụng sớm nhất mà AI thể hiện tốt bao gồm việc phát hiện bệnh qua hình ảnh khám mắt và chụp X-quang. Đối với khám mắt, các tài liệu đã được công bố về hiệu suất của các mô hình này đã dẫn đến việc triển khai tự động hóa trong chụp đáy mắt để phát hiện bệnh võng mạc trong các phòng khám. Các nghiên cứu về phân đoạn hình ảnh, với nhiều thành công đã được công bố, đã tạo ra nhiều giải pháp phần mềm hỗ trợ ra quyết định cho các bác sĩ X-quang, giảm thiểu sai sót và phát hiện bất thường, giúp tăng hiệu quả cho quy trình làm việc của họ.
Các mô hình ngôn ngữ lớn mới hơn đang được nghiên cứu để hỗ trợ các quy trình lâm sàng. Công nghệ nhận diện giọng nói được sử dụng để tăng cường việc sử dụng Hồ sơ Sức khỏe Điện tử (EHRs). Hiện nay, các trợ lý ghi chép bằng AI đang được triển khai để hỗ trợ ghi chép y tế, giúp các bác sĩ tập trung vào bệnh nhân trong khi AI đảm nhận quá trình ghi chép, cải thiện hiệu quả và độ chính xác.
Ngoài ra, các bệnh viện và hệ thống y tế có thể sử dụng khả năng mô hình hóa dự đoán của AI để phân loại nguy cơ của bệnh nhân, xác định những người có nguy cơ cao hoặc đang gia tăng, từ đó đưa ra hướng điều trị phù hợp nhất. Thực tế, khả năng phát hiện cụm của AI đang được sử dụng ngày càng nhiều trong nghiên cứu và chăm sóc lâm sàng để nhận diện những bệnh nhân có đặc điểm giống nhau và xác định liệu trình điều trị phù hợp cho họ. Điều này cũng có thể cho phép thử nghiệm lâm sàng ảo hoặc mô phỏng để xác định các liệu trình điều trị hiệu quả nhất và đo lường hiệu quả của chúng.
Một trường hợp ứng dụng trong tương lai có thể là sử dụng các mô hình ngôn ngữ hỗ trợ AI trong giao tiếp giữa bác sĩ và bệnh nhân. Các mô hình này đã cho thấy có thể tạo ra các phản hồi đồng cảm cho bệnh nhân, giúp dễ dàng quản lý các tương tác khó khăn. Ứng dụng này của AI có thể cải thiện đáng kể việc chăm sóc bệnh nhân bằng cách phân loại nhanh chóng và hiệu quả các tin nhắn của bệnh nhân dựa trên mức độ nghiêm trọng của tình trạng và thông điệp của họ.
Thách Thức và Cân Nhắc Đạo Đức
Một thách thức lớn khi triển khai AI trong chăm sóc sức khỏe là đảm bảo tuân thủ quy định, an toàn cho bệnh nhân và hiệu quả lâm sàng khi sử dụng các công cụ AI. Trong khi các thử nghiệm lâm sàng là tiêu chuẩn cho các phương pháp điều trị mới, vẫn đang có tranh luận về việc liệu các công cụ AI có nên tuân theo quy trình này hay không. Một lo ngại khác là nguy cơ vi phạm dữ liệu và xâm phạm quyền riêng tư của bệnh nhân. Các mô hình ngôn ngữ lớn được đào tạo trên dữ liệu bảo mật có thể tiềm ẩn nguy cơ tiết lộ dữ liệu nguồn, gây ra mối đe dọa nghiêm trọng đối với quyền riêng tư của bệnh nhân. Các tổ chức y tế phải tìm cách bảo vệ dữ liệu bệnh nhân và ngăn ngừa vi phạm để duy trì niềm tin và sự bảo mật.
Thành kiến trong dữ liệu đào tạo cũng là một thách thức quan trọng cần được giải quyết. Để tránh các mô hình có xu hướng thiên lệch, cần áp dụng các phương pháp tốt hơn trong việc lựa chọn dữ liệu đào tạo. Điều cần thiết là phát triển các phương pháp đào tạo và chương trình học thuật nhằm nâng cao chất lượng đào tạo mô hình và đưa các yếu tố công bằng vào mọi khía cạnh của chăm sóc sức khỏe để tránh sự thiên lệch.
Việc sử dụng AI đã mở ra nhiều mối quan ngại và lĩnh vực mới cho sự đổi mới. Cần có thêm các nghiên cứu để xác định rõ những lợi ích lâm sàng mà AI có thể mang lại. Để giải quyết các thách thức và các vấn đề đạo đức này, các tổ chức y tế và công ty phần mềm cần tập trung vào việc phát triển các bộ dữ liệu mô hình hóa chính xác dữ liệu y tế, đồng thời đảm bảo tính ẩn danh và bảo vệ quyền riêng tư. Bên cạnh đó, cần thiết lập các mối quan hệ hợp tác giữa các nhà cung cấp dịch vụ y tế, các hệ thống, và các công ty công nghệ/phần mềm để đưa các công cụ AI vào ứng dụng một cách an toàn và thận trọng. Bằng cách giải quyết những thách thức này, các tổ chức chăm sóc sức khỏe có thể khai thác tiềm năng của AI mà vẫn đảm bảo an toàn, quyền riêng tư và tính công bằng cho bệnh nhân.
