AI trong y tế được ứng dụng vào chẩn đoán và điều trị ra sao?

Điểm quan trọng là AI không phải một “bác sĩ số” duy nhất. Trong thực tế, mỗi hệ thống thường được xây dựng cho một nhiệm vụ và một nhóm bệnh nhân cụ thể. Một mô hình đọc nhũ ảnh, một thuật toán phát hiện bệnh võng mạc đái tháo đường và một hệ thống hỗ trợ lập kế hoạch xạ trị có dữ liệu đầu vào, mục tiêu, tiêu chuẩn đánh giá và giới hạn sử dụng hoàn toàn khác nhau.

AI hỗ trợ chẩn đoán bằng cách phân tích dữ liệu y khoa như thế nào?

Một trong những ứng dụng trưởng thành nhất của AI trong y tế là nhận dạng mẫu trong dữ liệu có khối lượng lớn hoặc cấu trúc phức tạp. Thuật toán có thể được huấn luyện trên ảnh X-quang, CT, MRI, siêu âm, ảnh đáy mắt, tín hiệu điện tim hoặc nhiều loại dữ liệu lâm sàng khác để nhận ra những đặc điểm liên quan đến bệnh.

Cơ chế cơ bản gồm ba bước. Đầu tiên, hệ thống tiếp nhận dữ liệu của người bệnh. Tiếp theo, mô hình so sánh các đặc trưng trong dữ liệu đó với những mẫu đã học trong quá trình phát triển. Cuối cùng, hệ thống tạo ra một đầu ra như điểm nguy cơ, vùng nghi ngờ trên hình ảnh, phân loại hoặc cảnh báo để bác sĩ sử dụng trong quy trình chuyên môn.

Trong chẩn đoán hình ảnh, AI đặc biệt phù hợp với các nhiệm vụ lặp lại như phát hiện tổn thương, khoanh vùng cấu trúc giải phẫu hoặc ưu tiên những ca có nguy cơ cao. Danh sách thiết bị y tế hỗ trợ bởi AI được FDA công bố cho thấy nhiều hệ thống đã được cấp phép thuộc nhóm chẩn đoán hình ảnh, bên cạnh các ứng dụng tim mạch, thần kinh và những chuyên khoa khác. Việc một thiết bị xuất hiện trong danh sách này có nghĩa là nó đã đi qua con đường đánh giá tiền thị trường áp dụng cho mục đích sử dụng cụ thể, chứ không đồng nghĩa AI nói chung đã được chứng minh phù hợp với mọi tình huống lâm sàng.

Một ví dụ định lượng là hệ thống AI tự động phát hiện bệnh võng mạc đái tháo đường được nghiên cứu trên 900 người mắc đái tháo đường tại các cơ sở chăm sóc ban đầu. So với chuẩn tham chiếu chuyên khoa, hệ thống đạt độ nhạy 87,2%, độ đặc hiệu 90,7% và có thể tạo kết quả từ hình ảnh ở 96,1% trường hợp được đánh giá.

Các con số này cũng cho thấy giới hạn quan trọng: độ chính xác không phải 100%. Một thuật toán có thể bỏ sót người có bệnh hoặc cảnh báo nhầm người không có bệnh. Vì vậy, khi đánh giá một ứng dụng AI chẩn đoán, cần xem đồng thời độ nhạy, độ đặc hiệu, tỷ lệ dữ liệu không thể phân tích, quần thể thử nghiệm và hậu quả của từng loại sai số.

AI giúp phát hiện sớm và phân tầng nguy cơ bệnh ra sao?

Ngoài việc trả lời câu hỏi “có dấu hiệu bệnh hay không?”, AI còn có thể ước tính mức nguy cơ để hỗ trợ sàng lọc và ưu tiên nguồn lực.

Thay vì xử lý tất cả bệnh nhân theo cùng một mức độ ưu tiên, hệ thống có thể kết hợp nhiều biến số rồi gán điểm nguy cơ. Những trường hợp có tín hiệu bất thường cao được đưa lên trước để bác sĩ đánh giá, trong khi nhóm nguy cơ thấp có thể tiếp tục đi theo quy trình thường quy nếu mô hình đã được xác nhận cho mục đích đó.

Sàng lọc ung thư vú là một ví dụ cho mô hình cộng tác này. Trong thử nghiệm MASAI tại Thụy Điển với hơn 105.000 phụ nữ được phân ngẫu nhiên, AI được dùng để phân loại nhũ ảnh nhằm xác định trường hợp cần một hay hai bác sĩ đọc phim và đồng thời hỗ trợ phát hiện tổn thương. Phân tích công bố năm 2026 cho thấy độ nhạy của quy trình có AI là 80,5%, so với 73,8% ở nhóm đọc phim kép thông thường; độ đặc hiệu của cả hai nhóm đều ở mức 98,5%. Tỷ lệ ung thư xuất hiện giữa hai vòng sàng lọc là 1,55 trên 1.000 người ở nhóm AI và 1,76 trên 1.000 ở nhóm chứng, đáp ứng tiêu chí không kém hơn được xác định trước của nghiên cứu.

Ý nghĩa của những hệ thống này không chỉ nằm ở việc “AI nhận ra bệnh”. Giá trị tiềm năng còn đến từ việc thay đổi cách phân bổ sự chú ý của bác sĩ. Khi thuật toán giúp ưu tiên ca nghi ngờ, nguồn lực chuyên môn có thể tập trung nhiều hơn vào trường hợp phức tạp.

Tuy nhiên, điểm nguy cơ không phải chẩn đoán cuối cùng. Một mô hình được huấn luyện trên một dân số có thể suy giảm hiệu năng khi triển khai ở bệnh viện khác nếu máy móc, đặc điểm bệnh nhân, tỷ lệ mắc bệnh hoặc quy trình thu thập dữ liệu thay đổi. Vì thế hiệu năng thực tế tại nơi sử dụng quan trọng không kém kết quả được báo cáo trong nghiên cứu ban đầu.

AI hỗ trợ bác sĩ lựa chọn và lập kế hoạch điều trị như thế nào?

Trong điều trị, AI thường đóng vai trò hỗ trợ quyết định thay vì tự đưa ra chỉ định độc lập. Hệ thống có thể tổng hợp dữ liệu bệnh án, hình ảnh, xét nghiệm và những đặc điểm liên quan của người bệnh để cung cấp thông tin phục vụ lựa chọn phương án.

Một ứng dụng là lập kế hoạch điều trị. Trong xạ trị, chẳng hạn, phần mềm có thể hỗ trợ nhận diện và phân đoạn khối u cùng các cơ quan cần bảo vệ trên ảnh CT hoặc MRI. Kết quả này có thể được sử dụng làm đầu vào cho quá trình lập kế hoạch liều, giúp giảm một số công đoạn thủ công. Danh sách thiết bị AI được FDA cấp phép đã bao gồm các hệ thống phục vụ phân đoạn, lập kế hoạch và xử lý hình ảnh liên quan đến xạ trị.

AI cũng có thể được sử dụng trong các mô hình dự đoán đáp ứng hoặc nguy cơ biến chứng. Về nguyên tắc, thuật toán tìm mối liên hệ giữa đặc điểm bệnh nhân và kết quả của những trường hợp trước đó, sau đó ước tính xác suất của các kết quả đối với bệnh nhân mới. Thông tin này có thể giúp bác sĩ nhận biết nhóm cần theo dõi chặt hơn hoặc cân nhắc thêm khi lựa chọn phương án.

Tuy nhiên, dự đoán không đồng nghĩa với quan hệ nhân quả. Nếu một mô hình dự đoán rằng nhóm bệnh nhân A thường có kết quả tốt hơn với một phương án, điều đó chưa tự động chứng minh phương án ấy là nguyên nhân tạo ra kết quả tốt hơn. Để quyết định điều trị, bằng chứng từ thử nghiệm lâm sàng, hướng dẫn chuyên môn, chống chỉ định, bệnh đi kèm và mong muốn của người bệnh vẫn phải được xem xét.

Do đó, ứng dụng AI hợp lý nhất là biến dữ liệu phức tạp thành thông tin dễ sử dụng hơn cho bác sĩ, chứ không bỏ qua quá trình đánh giá lâm sàng.

AI được dùng để theo dõi và nâng cao chăm sóc người bệnh như thế nào?

Chăm sóc y tế không kết thúc sau khi chẩn đoán hoặc kê đơn. Người bệnh có thể cần theo dõi liên tục để phát hiện sớm biến đổi bất thường, đánh giá đáp ứng và điều chỉnh kế hoạch chăm sóc.

AI có thể phân tích dữ liệu nối tiếp theo thời gian từ thiết bị đeo, điện tim, các phép đo sinh lý, xét nghiệm hoặc hồ sơ sức khỏe điện tử. Thay vì bác sĩ phải xem từng giá trị riêng biệt, thuật toán có thể tìm xu hướng và đưa ra cảnh báo khi dữ liệu lệch khỏi mẫu dự kiến.

Cách tiếp cận này đặc biệt hữu ích khi khối lượng dữ liệu lớn hơn khả năng kiểm tra thủ công. Một hệ thống không nhất thiết phải “chẩn đoán bệnh” mới tạo ra giá trị; chỉ cần giúp phát hiện sớm trường hợp cần được nhân viên y tế xem xét cũng có thể thay đổi quy trình chăm sóc.

AI tạo sinh và các mô hình đa phương thức còn mở rộng khả năng xử lý văn bản lâm sàng, hình ảnh và nhiều dạng dữ liệu trong cùng một hệ thống. WHO nhận định các mô hình này có khả năng được sử dụng rộng trong chăm sóc sức khỏe, nghiên cứu, y tế công cộng và phát triển thuốc, nhưng đồng thời cảnh báo rằng khả năng tổng quát của chúng chưa thể mặc nhiên coi là đã được chứng minh cho mọi nhiệm vụ y khoa.

Đây là lý do một chatbot y tế đa năng và một thiết bị AI đã được xác nhận cho một chỉ định cụ thể không nên được đánh giá theo cùng tiêu chuẩn. Mức độ tự động hóa càng cao và hậu quả sai sót càng nghiêm trọng, yêu cầu về bằng chứng, kiểm soát và giám sát càng phải chặt.

Độ chính xác cao có đủ để chứng minh AI hữu ích trong y tế không?

Không. Độ chính xác chỉ là một phần của hiệu quả lâm sàng.

Một mô hình có độ nhạy và độ đặc hiệu tốt trong bộ dữ liệu nghiên cứu vẫn có thể tạo ra ít giá trị nếu nó gây quá nhiều cảnh báo, làm chậm quy trình hoặc cung cấp kết quả vào thời điểm bác sĩ không thể hành động. Ngược lại, một hệ thống không hoàn hảo về mặt thống kê vẫn có thể hữu ích nếu được đặt đúng vị trí và giúp phát hiện những trường hợp có nguy cơ bị bỏ sót.

Do đó, đánh giá AI trong y tế cần ít nhất ba tầng.

Thứ nhất là hiệu năng thuật toán: độ nhạy, độ đặc hiệu, giá trị dự báo, khả năng phân biệt hoặc những chỉ số phù hợp với nhiệm vụ.

Thứ hai là hiệu năng trong quy trình thực tế: thời gian xử lý, tỷ lệ ca không tạo được kết quả, số cảnh báo, khối lượng công việc và hiệu quả của tổ hợp bác sĩ–AI.

Thứ ba là kết quả đối với người bệnh: phát hiện bệnh sớm hơn hay không, quyết định điều trị có thay đổi phù hợp hay không, biến chứng hoặc kết cục lâm sàng có được cải thiện hay không.

Sự khác biệt này giải thích vì sao một nghiên cứu hồi cứu đạt kết quả tốt chưa đủ để khẳng định hệ thống chắc chắn mang lại lợi ích khi triển khai rộng. Thử nghiệm tiến cứu và dữ liệu trong môi trường thực tế có giá trị đặc biệt vì chúng đánh giá AI trong bối cảnh con người thực sự sử dụng nó.

Các cơ quan quản lý cũng ngày càng chú ý đến toàn bộ vòng đời sản phẩm. Bộ nguyên tắc Good Machine Learning Practice của IMDRF được FDA giới thiệu năm 2025 nhấn mạnh phát triển thiết bị AI/ML an toàn và hiệu quả theo cách tiếp cận vòng đời, thay vì chỉ đánh giá một mô hình tại thời điểm phát hành ban đầu.

Những giới hạn nào quyết định AI có thể được sử dụng an toàn?

Rủi ro lớn nhất của AI trong y tế không nhất thiết là thuật toán luôn sai, mà là con người tin kết quả trong những tình huống mà hệ thống chưa được thiết kế để xử lý.

Một nguồn rủi ro là sai lệch dữ liệu. Nếu dữ liệu huấn luyện không đại diện cho người bệnh ở nơi triển khai, mô hình có thể hoạt động không đồng đều giữa các nhóm dân số. Khi tỷ lệ mắc bệnh thay đổi, giá trị dự báo của một xét nghiệm hoặc thuật toán cũng có thể thay đổi ngay cả khi độ nhạy và độ đặc hiệu tương đối ổn định.

Nguồn thứ hai là data drift và thay đổi môi trường. Máy chụp mới, giao thức xét nghiệm mới, thay đổi hồ sơ điện tử hoặc thay đổi hành vi người dùng đều có thể làm phân bố dữ liệu khác với giai đoạn phát triển mô hình. Vì vậy, một hệ thống đã hoạt động tốt trước đây vẫn cần được giám sát sau triển khai.

Nguồn thứ ba là automation bias: nhân viên y tế có thể đặt quá nhiều niềm tin vào gợi ý tự động. Nếu AI bỏ sót một bất thường và người đọc vì thế giảm mức cảnh giác, hệ thống có thể tạo ra một kiểu sai sót mới thay vì chỉ loại bỏ sai sót cũ. Chính vì vậy, đánh giá hiệu năng của “đội bác sĩ–AI” có thể quan trọng hơn đánh giá thuật toán riêng lẻ. Các nguyên tắc về tính minh bạch cho thiết bị machine learning của FDA, Health Canada và MHRA cũng nhấn mạnh hiệu năng của tổ hợp người–AI.

Cuối cùng là quyền riêng tư, khả năng giải trình và trách nhiệm. WHO đề xuất sáu nhóm nguyên tắc cho AI y tế, bao gồm bảo vệ quyền tự chủ của con người; thúc đẩy an toàn và lợi ích công cộng; bảo đảm minh bạch; xác lập trách nhiệm; thúc đẩy công bằng; và duy trì hệ thống AI có khả năng đáp ứng, bền vững. WHO đặc biệt nhấn mạnh rằng con người phải duy trì quyền kiểm soát đối với hệ thống chăm sóc sức khỏe và quyết định y khoa.

Vì vậy, trước khi một ứng dụng AI được đưa vào quy trình chẩn đoán hoặc điều trị, câu hỏi không nên chỉ là “mô hình chính xác bao nhiêu?”. Cần đồng thời xác định nó được phép dùng cho ai, dùng để làm gì, trường hợp nào không được áp dụng, ai kiểm tra kết quả, cách xử lý khi AI và bác sĩ bất đồng, hiệu năng được theo dõi như thế nào và ai chịu trách nhiệm cho quyết định cuối cùng.

AI trong y tế tạo giá trị rõ nhất khi nó giải quyết một nhiệm vụ lâm sàng được xác định cụ thể: đọc và phân tích dữ liệu, phát hiện bất thường, phân tầng nguy cơ, hỗ trợ lập kế hoạch điều trị hoặc theo dõi người bệnh. Các nghiên cứu lâm sàng cho thấy AI đã có thể đạt hiệu năng đáng kể trong một số ứng dụng như sàng lọc bệnh võng mạc đái tháo đường và hỗ trợ đọc nhũ ảnh, nhưng kết quả của một nhiệm vụ không thể tự động khái quát sang bệnh, bệnh viện hoặc dân số khác.

Do đó, hướng ứng dụng phù hợp không phải thay bác sĩ bằng thuật toán mà là thiết kế quy trình trong đó AI xử lý những phần máy làm tốt, còn con người duy trì đánh giá lâm sàng, xem xét bối cảnh, xử lý ngoại lệ và chịu trách nhiệm về quyết định chăm sóc. Giá trị thực sự của AI chỉ được xác lập khi hiệu năng kỹ thuật chuyển thành một quy trình an toàn và cuối cùng tạo lợi ích có thể đo lường cho người bệnh.