Mở đầu
AI là một lĩnh vực khoa học máy tính tập trung vào việc nghiên cứu và phát triển các hệ thống, thuật toán có khả năng thực hiện các nhiệm vụ đòi hỏi trí thông minh của con người. Sau khi được Alan Turing đặt nền móng đầu tiên vào những năm 1950, lĩnh vực này đã phát triển nhanh chóng và mở ra nhiều phân nhánh như học máy (ML - Machine learning), học sâu (DL - Deep learning), xử lý ngôn ngữ tự nhiên (NLP - Neuro Linguistic Programming) và nhận diện hình ảnh. Đây là những yếu tố quan trọng, tham gia vào phát triển các ứng dụng thực tiễn.
Trong y học, AI cũng đang dần trở thành một công cụ mạnh mẽ hỗ trợ các chuyên gia y tế. Với khả năng xử lý dữ liệu lớn và học hỏi từ các mô hình phức tạp, AI mang lại tiềm năng vô hạn trong việc nâng cao chất lượng chăm sóc sức khỏe. Sự xuất hiện của AI trong y học không chỉ hỗ trợ đội ngũ y bác sỹ trong điều trị bệnh mà còn giúp phát hiện sớm tình trạng bất thường và tối ưu hóa quy trình điều trị và quản lý dữ liệu bệnh nhân. Với tiến trình hiện tại, không thể phủ nhận AI đang và sẽ trở thành một phần không thể thiếu trong y học hiện đại. Bài viết tập trung nghiên cứu và đánh giá các ứng dụng của AI trong y học từ đó không chỉ đưa ra tiềm năng và thách thức của công nghệ này, mà còn đề xuất hướng giải pháp để khai thác tối đa lợi ích mà AI mang lại.
Các công nghệ trí tuệ nhân tạo tiên tiến trong y học
Xử lý ngôn ngữ tự nhiên
NLP là một phân nhánh của AI tập trung vào việc xử lý và phân tích ngôn ngữ tự nhiên của con người. NLP đã được áp dụng rộng rãi trong y học để phân tích dữ liệu văn bản từ hồ sơ sức khỏe điện tử (EHR), báo cáo y khoa và các tài liệu y tế khác. Các hệ thống NLP có khả năng trích xuất thông tin quan trọng từ dữ liệu văn bản và đưa ra các phân tích chi tiết về tình trạng sức khỏe của bệnh nhân. Sau đó, các dữ liệu phân tích này có thể sử dụng độc lập hoặc kết hợp với EHR để phát triển các trợ lý ảo y tế, cung cấp dịch vụ tư vấn sức khỏe trực tuyến và trả lời các câu hỏi của bệnh nhân về triệu chứng và biện pháp chăm sóc sức khỏe.
Học máy
Học máy là một phân nhánh của AI. Ban đầu, các thuật toán ML được sử dụng để thiết kế và phân tích các tập dữ liệu y học. Sau đó, nó đã phát triển để có thể thống kê số liệu và phân tích các số liệu này nhằm đưa ra một số mô hình y khoa. Các mô hình học máy có thể phân tích dữ liệu hồ sơ y tế điện tử (EMR), xét nghiệm y tế và hình ảnh y tế để xác định xu hướng bệnh và đề xuất các phương pháp điều trị cá nhân hóa.
Học sâu
Học sâu là một kỹ thuật tiên tiến của AI sử dụng các mạng neuron nhân tạo trong học tập từ nguồn dữ liệu phức tạp. Trong y khoa, học sâu đã mang lại những tiến bộ vượt bậc trong việc phân tích hình ảnh y tế và phát hiện các bệnh lý. Các mạng neuron này có khả năng học từ hàng triệu hình ảnh y tế và phát hiện các bất thường nhỏ mà con người có thể bỏ sót. Học sâu cũng được áp dụng trong việc phân tích hình ảnh MRI và CT để phát hiện bất thường, cung cấp thông tin chi tiết về tình trạng bệnh lý của bệnh nhân và hỗ trợ bác sĩ đưa ra quyết định điều trị chính xác hơn.
Một cách tổng hợp, mối quan hệ giữa các công nghệ AI và các dữ liệu y khoa được mô tả trong sơ đồ ở hình 1. Theo đó, các kết quả chẩn đoán và xét nghiệm lâm sàng ban đầu sẽ được máy tính ghi nhận và đọc hiểu bằng công cụ NLP. Sau khi phân tích, các kết quả ban đầu này sẽ được trả ra dưới hình thức dữ liệu EMR hoặc/và EHR. Kết hợp với việc phân tích dữ liệu di truyền, hình ảnh và lâm sàng bằng công cụ DL, kết quả chung được tổng hợp thông qua công cụ ML. Các kết quả này sẽ được trả về cho bác sỹ để gợi ý kết luận cuối cùng và gợi mở liệu trình điều trị.
Hình 1. Sơ đồ mô tả mối quan hệ giữa trí tuệ nhân tạo (AI) và các dữ liệu y tế khác nhau trong quá trình chẩn đoán và xét nghiệm lâm sàng.
Ứng dụng của trí tuệ nhân tạo trong y học
Phân tích hình ảnh y tế
Các công cụ AI đã được áp dụng rộng rãi trong việc điều trị và phòng ngừa bệnh tật. AI có khả năng phân tích các kết quả xét nghiệm, đặc biệt là các kết quả hình ảnh như X-quang, MRI và CT, từ đó phát hiện sớm tình trạng bất thường của cơ thể. Các nhà khoa học đã sử dụng thuật toán DL để phân tích 129.450 hình ảnh của 2.032 bệnh da liễu và ghi nhận, công cụ AI có thể phân loại ung thư da với độ chính xác không khác các chuyên gia da liễu. Nghiên cứu này mở ra tiềm năng phát hiện sớm các tình trạng bệnh lý thông qua kết quả phân tích hình ảnh của AI.
Ngoài khả năng phân tích hình ảnh bên ngoài, AI cũng có thể đọc các hình ảnh có độ phức tạp cao như ảnh chụp đáy mắt, CT, MRI và X-quang. Sử dụng AI trong phân tích hình ảnh chụp đáy mắt để chẩn đoán sớm bệnh tăng nhãn áp và ghi nhận, công cụ này cho phép dự đoán sớm bệnh với độ đặc hiệu và độ chính xác trên 90%. Bên cạnh đó, trong điều trị ung thư, công cụ AI có thể phân tích hình ảnh CT và MRI, kết hợp với các kết quả lâm sàng để phân loại ung thư dựa trên dữ liệu, từ đó tối ưu hóa quyết định điều trị và cải thiện tiên lượng của bệnh.
Quản lý dữ liệu y tế và chăm sóc sức khỏe người bệnh
Không dừng lại ở việc phân tích hình ảnh, AI còn đóng vai trò quan trọng trong việc quản lý dữ liệu y tế và hệ thống y tế điện tử. Các hệ thống AI có thể xử lý và phân tích lượng lớn dữ liệu y tế từ EHR và EMR để xác định xu hướng bệnh tật và đưa ra các khuyến nghị điều trị cá nhân hóa. Đồng thời, AI còn giúp cải thiện hiệu quả quản lý hệ thống y tế bằng cách theo dõi và quản lý tài nguyên từ việc sắp xếp lịch hẹn cho bệnh nhân đến quản lý dược phẩm và thiết bị y tế.
AI cũng đóng vai trò quan trọng trong việc cải thiện chất lượng chăm sóc bệnh nhân và tư vấn sức khỏe. Các hệ thống AI có thể cung cấp các dịch vụ tư vấn sức khỏe trực tuyến, giúp bệnh nhân nhận được sự hỗ trợ y tế kịp thời và chính xác. Ví dụ, các chatbot y tế sử dụng AI có thể trả lời các câu hỏi của bệnh nhân, cung cấp thông tin về triệu chứng và đề xuất các biện pháp chăm sóc sức khỏe cơ bản. AI còn giúp theo dõi và quản lý tình trạng sức khỏe của bệnh nhân một cách liên tục. Các thiết bị đeo thông minh kết hợp với AI có thể giám sát các chỉ số sức khỏe cũng như thông tin về thói quen sinh hoạt, từ đó cung cấp các cảnh báo kịp thời khi có dấu hiệu bất thường.
Trí tuệ nhân tạo trong phát triển thuốc mới
AI cũng đang được ứng dụng mạnh mẽ trong việc phát triển thuốc mới. Các hệ thống AI có khả năng phân tích và dự đoán tác dụng của các hợp chất hóa học, giúp tăng tốc quá trình phát hiện và phát triển thuốc. Cụ thể, thông qua việc phân tích các nghiên cứu, AI có khả năng sàng lọc các hoạt chất tiềm năng thông qua việc xác định đích điều trị. Điều này làm giảm thiểu thời gian và chi phí nghiên cứu cho các công ty sản xuất và phát triển dược phẩm. Bên cạnh đó, một số công cụ AI, ví dụ như DeepTox và PrOCTOR, cho phép dự đoán chính xác độc tính của các hoạt chất mới đối với tế bào và dự kiến kết quả thử nghiệm lâm sàng, từ đó hỗ trợ các nhà khoa học tối ưu hóa tiến trình thử nghiệm và cải thiện kết quả nghiên cứu12.
Hỗ trợ phẫu thuật
Ngoài các ứng dụng trong quản lý và xây dựng hồ sơ EMR và EHR, một số công cụ AI cho phép hỗ trợ các bác sỹ trong quá trình phẫu thuật, giúp các ca mổ được tiến hành chính xác hơn. Bên cạnh đó, các bác sỹ cũng không cần thiết phải thực hiện các thao tác ngoài lề của ca mổ ví dụ như khâu vết mổ và thắt nút chỉ khâu. Với độ chính xác cao, hiện nay, các công cụ AI đã được sử dụng để điều khiểu cánh tay robot trong các ca phẫu thuật não, phẫu thuật chỉnh hình và phẫu thuật đường tiêu hóa13.
Thách thức và giải pháp
Mặc dù AI mang lại nhiều tiềm năng và lợi ích trong y học, việc ứng dụng AI cũng đối mặt với nhiều thách thức quan trọng. Một trong những vấn đề lớn nhất khi ứng dụng công nghệ này trong y học là bảo mật và quyền riêng tư của dữ liệu y tế. Dữ liệu y tế thường chứa thông tin nhạy cảm của bệnh nhân, bao gồm tiền sử bệnh lý, kết quả xét nghiệm và các liệu pháp điều trị. Để ngăn chặn các cuộc tấn công mạng, có thể tiến hành xây dựng chiến lược phòng thủ trên cả 5 giai đoạn của vòng đời AI: giai đoạn thu thập dữ liệu, xử lý dữ liệu, đào tạo, suy luận và tích hợp14.
Ngoài ra, chất lượng dữ liệu là vấn đề cần giải quyết khi xây dựng hệ thống AI cho cơ sở y tế. Các hệ thống AI cần dữ liệu chính xác và đầy đủ để học hỏi và đưa ra các dự đoán chính xác, nhưng dữ liệu y khoa thường bị thiếu sót, không đồng nhất, có thể chứa các thông tin lỗi và được viết dưới dạng ngôn ngữ của con người mà máy tính không hiểu được. Các sai sót về nguồn dữ liệu đầu vào có thể gây ra các biến cố trong giai đoạn xử lý, đào tạo và suy luận của hệ thống AI, từ đó cho ra các mô hình dự đoán sai lầm và ảnh hưởng tới kết luận đối với người bệnh15.
Một vấn đề khác đó là trình độ của các chuyên gia y khoa, các bác sỹ tại cơ sở y tế. Để ứng dụng AI hiệu quả trong y học, các chuyên gia y tế cần hiểu rõ cách thức hoạt động của các hệ thống này và biết cách sử dụng chúng một cách hiệu quả trong công việc. Tuy nhiên, AI là một lĩnh vực mới và hoàn toàn khác biệt với chuyên môn được đào tạo của đội ngũ y bác sĩ, thậm chí nhiều người còn hoàn toàn không biết gì về AI16. Chính vì vậy, họ gặp khó khăn khi áp dụng các công cụ này trong thực tế.
Việc ứng dụng AI trong y học cũng đặt ra những vấn đề đạo đức và pháp lý. Vấn đề này chủ yếu liên quan đến trách nhiệm khi hệ thống AI đưa ra các quyết định sai lầm, đảm bảo quyền riêng tư của bệnh nhân và sự minh bạch trong việc sử dụng AI. Đạo luật AI của EU và của Hoa Kỳ được thông qua năm 2023 là khuôn khổ pháp lý toàn diện để điều chỉnh cụ thể các hệ thống AI. Tuy nhiên, đây vẫn chỉ là các phiên bản đầu tiên và chưa có sự thống nhất trong cách ứng xử với AI trong đảm bảo tính minh bạch, duy trì độ chính xác, giảm thiểu tác động tiêu cực và cung cấp cơ chế khắc phục14.
Các giải pháp để giảm thiểu rủi ro
Để vượt qua những thách thức trên, cần có các giải pháp hiệu quả và toàn diện. Trước hết, về vấn đề bảo mật và tính riêng tư, cần áp dụng các biện pháp bảo mật tiên tiến và theo sát toàn bộ các giai đoạn xây dựng hệ thống AI. Đồng thời, các cơ sở y tế cũng cần sử dụng các công cụ AI khác cho phép tự mình phát hiện các luồng truy cập bất thường và ngăn chặn sớm các cuộc tấn công mạng14. Bên cạnh đó, cần xây dựng các quy trình, công cụ làm sạch và chuẩn hóa dữ liệu trước khi đưa vào các hệ thống AI. Các chuyên gia y tế và nhà khoa học dữ liệu cần hợp tác chặt chẽ để xác định và sửa chữa lỗi dữ liệu, từ đó xây dựng các bộ dữ liệu đầy đủ và chính xác. Bên cạnh đó, để đảm bảo các hệ thống AI hoạt động chính xác và đưa ra các kết quả đáng tin cậy, các cơ sở y tế có thể khai thác các framework cho phép tự cập nhật và chuẩn hóa dữ liệu cuối15. Cuối cùng, để giải quyết các vấn đề đạo đức và pháp lý, cần có các quy định và chính sách quản lý rõ ràng và thống nhất giữa các tổ chức, khu vực. Các cơ quan quản lý cần thiết lập các tiêu chuẩn và quy định về việc sử dụng AI trong y học, đảm bảo rằng các hệ thống AI được áp dụng một cách hợp pháp và đảm bảo đạo đức y học16.
Thay lời kết
AI đang cách mạng hóa y học hiện đại với các ứng dụng đa dạng từ phân tích hình ảnh y tế, dự đoán bệnh tật đến phát triển thuốc mới. AI đã chứng minh khả năng vượt trội trong việc phát hiện sớm và dự đoán bệnh tật, giúp nâng cao độ chính xác trong chẩn đoán và quản lý dữ liệu y tế hiệu quả. Các công nghệ tiên tiến như học máy và học sâu đã góp phần quan trọng trong việc phát hiện các dấu hiệu bệnh sớm và phát triển các liệu pháp điều trị cá nhân hóa. Tuy nhiên, việc ứng dụng AI cũng đặt ra nhiều thách thức như bảo mật và quyền riêng tư của dữ liệu y tế, chất lượng dữ liệu, độ tin cậy của các hệ thống AI, cũng như các vấn đề đạo đức và pháp lý. Để vượt qua những thách thức này, cần cải thiện bảo mật và chất lượng dữ liệu, kiểm tra và đánh giá hiệu quả của các hệ thống AI, đồng thời đào tạo và nâng cao nhận thức của các chuyên gia y tế về AI. Với những tiến bộ không ngừng trong công nghệ AI, cùng với các giải pháp hợp lý và toàn diện, AI hứa hẹn sẽ tiếp tục nâng cao chất lượng chăm sóc sức khỏe và cải thiện cuộc sống của bệnh nhân, đánh dấu bước tiến quan trọng trong y học hiện đại.
Tài liệu tham khảo
1. N.K.S. Prakash, T.M. Vinny (2024), "AI-driven natural language processing in healthcare: transforming patient-provider communication", Indian Journal of Pharmacy Practice, 17(1), pp.21-26.
2. A. Esteva, B. Kuprel, R.A. Novoa, et al. (2017), "Dermatologist-level classification of skin cancer with deep neural networks", Nature Biotechnology. 542(7639), pp.115-118.
3. J.C. Lauren, W. Bryan, A.V. Krishna, et al. (2023), "Automatic detection of glaucoma via fundus imaging and artificial intelligence: A review", Survey of Ophthalmology, 68(1), pp.17-41.
4. R. Paudyal, A.D. Shah, O. Akin, et al. (2023), "Artificial intelligence in CT and MR imaging for oncological applications", Cancers, 15(9), DOI: 10.3390/cancers15092573.
5. A. Rajkomar, E. Oren, K. Chen, et al. (2018), "Scalable and accurate deep learning with electronic health records", Npj Digital Medicine, 1(1), DOI: 10.1038/s41746-018-0029-1.
6. K. Wehkamp, M. Krawczak, S. Schreiber (2023), "The quality and utility of artificial intelligence in patient care", Deutsches Ärzteblatt International, 120, pp.463-469.
7. K.K. Mak, M.R. Pichika (2018), "Artificial intelligence in drug development: present status and future prospects", Drug Discovery Today, 24(3), DOI: 10.1016/j.drudis.2018.11.014.
8. M. Iftikhar, M. Saqib, M. Zareen, et al. (2024), "Artificial intelligence: revolutionizing robotic surgery: Review", Annals of Medicine & Surgery, 86, pp.5401-5409.
9. Y. Chen, P. Esmaeilzadeh (2024), "Generative ai in medical practice: In-depth exploration of privacy and security challenges", Journal of Medical Internet Research, DOI: 10.2196/53008.
10. D. Schwabe, K. Becker, M. Seyferth, et al. (2024), "The METRIC-framework for assessing data quality for trustworthy AI in medicine: a systematic review", npj Digital Medicine - Nature, 7, DOI: 10.1038/s41746-024-01196-4.
11. A. AlZaabi, S. AlMaskari, A. AalAbdulsalam (2023), "Are physicians and medical students ready for artificial intelligence applications in healthcare?", Digital Health, 9, pp.1-11.
Phạm Ngọc Sơn