Trong lịch sử phát triển công nghệ y tế, hiếm có nghịch lý nào như hiện trạng của AI ở lâm sàng. Trong khi các hệ thống chẩn đoán đạt độ chính xác tương đương hoặc vượt trội so với chuyên gia trong điều kiện thử nghiệm, tỷ lệ tích hợp vào thực tế vẫn duy trì ở mức thấp. El Arab và cộng sự (2025) cho rằng đây là rào cản cốt lõi của y tế số, sự khác biệt giữa hiệu suất kỹ thuật trong môi trường nghiên cứu và hiệu quả thực tế.

Nhiều quan điểm thường quy nguyên nhân cho dữ liệu nghèo nàn hay thuật toán chưa tối ưu. Điều đó đúng, nhưng chưa đủ. Nguyên nhân cốt lõi thường bị bỏ qua chính là sự lệch pha về quy trình. AI hiện nay thường được thiết kế để phân tích dữ liệu thay vì phục vụ bác sĩ trong một môi trường làm việc vốn đã nhiều áp lực và có những đặc thù riêng.

 

1. Khi AI trở thành gánh nặng thay vì trợ thủ

Người ta thường kỳ vọng AI sẽ giải phóng bác sĩ khỏi những tác vụ lặp đi lặp lại. Thực tế đôi khi lại trái ngược, AI tạo ra một lớp công việc mới. Thay vì rảnh tay hơn, bác sĩ phải dành thêm thời gian để kiểm tra cảnh báo, phê duyệt gợi ý và giải thích các kết quả từ máy cho bệnh nhân.

Vấn đề nằm ở cơ chế cảnh báo. Một hệ thống có tỉ lệ dương tính giả thấp về mặt thống kê vẫn có thể tạo ra hàng chục cảnh báo mỗi ngày trên thực tế. Khi bác sĩ phải xử lý quá nhiều thông báo mà không nhận lại giá trị tương xứng, hiện tượng kiệt sức vì cảnh báo là điều tất yếu. Kết quả là các cảnh báo quan trọng bị ngó lơ, triệt tiêu hoàn toàn mục đích ban đầu của công nghệ.

Điển hình là chỉ số dự báo hạ huyết áp, dù giúp dự đoán nguy cơ trong phẫu thuật, nhưng khi áp dụng thực tế, nó lại dẫn đến tình trạng can thiệp quá mức, gây ra tác dụng ngược là tăng huyết áp do can thiệp. AI đã giải quyết được bài toán cũ nhưng lại vô tình tạo ra một rắc rối mới.

 

2. Sự lệch pha về thời điểm quyết định

Khối lượng công việc là một chuyện, thời điểm cung cấp thông tin lại là chuyện khác. Trong lâm sàng, các quyết định quan trọng không diễn ra dàn trải mà tập trung vào các thời điểm cụ thể: lúc nhập viện, khi có kết quả xét nghiệm, hay buổi hội chẩn định kỳ.

Đáng tiếc là nhiều hệ thống sử dụng AI lại vận hành theo chu kỳ tính toán riêng, độc lập với nhịp làm việc của bác sĩ tại bệnh viện. Kết quả là thông tin từ AI thường đến quá sớm khi bác sĩ chưa sẵn sàng tiếp nhận, hoặc quá muộn khi quyết định điều trị đã được đưa ra. El Arab nhấn mạnh rằng việc thiếu sự đồng bộ này chính là rào cản khiến AI khó có thể tồn tại bền vững trong quy trình làm việc hiện hữu.

3. Hệ thống đóng và rủi ro suy giảm hiệu suất theo thời gian

Một mô hình AI sau khi triển khai thường hoạt động như một thực thể tĩnh, thiếu cơ chế thích ứng với những biến động thực tế. Trong khi đó, dữ liệu lâm sàng luôn chuyển động: tình trạng của bệnh nhân thay đổi, phác đồ điều trị cập nhật, thiết bị đo lường được nâng cấp.

Sự suy giảm hiệu suất của thuật toán theo thời gian thường diễn ra âm thầm, không có những biểu hiện hỏng hóc vật lý để dễ dàng nhận biết. Điều này tạo ra rủi ro hệ thống nếu thiếu cơ chế giám sát liên tục. Để AI thực sự tích hợp được vào hệ thống của bệnh viện, chúng ta cần một hạ tầng kỹ thuật cho phép ghi nhận phản hồi theo thời gian thực và một quy trình kiểm định nghiêm ngặt cho mỗi chu kỳ cập nhật mô hình.

 

4. Tầm nhìn liên ngành

Những thách thức nêu trên chỉ ra rằng AI y tế không thuần túy là bài toán về thuật toán. Để xây dựng một hệ thống có khả năng vận hành ổn định, chúng ta cần phân tích kỹ quy trình khám chữa bệnh thực tế, từ đó xác định thời điểm và vị trí mà bác sĩ thực hiện các quyết định y khoa quan trọng để đưa AI vào hỗ trợ ngày càng chính xác hơn.

Ngành Kỹ thuật Y sinh có thể hiện thực hóa tầm nhìn này. Với lợi thế được đào tạo kiến thức giao thoa giữa tư duy kỹ thuật và khoa học sự sống, người kỹ sư y sinh đóng vai trò như một cầu nối ngôn ngữ: họ không chỉ hiểu những rào cản trong thực hành lâm sàng mà còn đủ năng lực để chuyển hóa chúng thành những giải pháp công nghệ có tính khả thi cao.

 

Khung tích hợp AI trong chăm sóc sức khỏe (AI-HIF) mà El Arab và cộng sự đề xuất là minh chứng cho hướng tiếp cận này. Trong đó, việc tối ưu hóa quy trình không còn là bước điều chỉnh sau cùng, mà được coi là một yêu cầu thiết kế tiên quyết ngay từ giai đoạn hình thành hệ thống.

 

Việc đưa AI từ phòng thí nghiệm vào thực tế lâm sàng đòi hỏi một tư duy thiết kế mới: công nghệ không chỉ cần sự chính xác mà phải đạt được sự tương thích cao với con người. Một hệ thống AI lý tưởng là hệ thống có khả năng tự duy trì qua các vòng phản hồi, đồng bộ hóa nhịp độ với người sử dụng và quan trọng nhất là không tạo thêm gánh nặng cho bác sĩ. Đây không phải là sự thỏa hiệp về mặt kỹ thuật, mà là điều kiện bắt buộc để các thuật toán thông minh thực sự chuyển hóa thành giá trị hữu hình, góp phần cải thiện kết quả điều trị cho bệnh nhân.

 

Tài liệu tham khảo:

El Arab, R. A., et al (2025). Bridging the gap: From AI success in clinical trials to real-world healthcare implementation. Healthcare, 13(7), 701.

 

Người viết bài: ThS. Bùi Văn Đức

Người duyệt bài: PGS.TS Nguyễn Hữu Toàn

Người đăng bài: ThS. Bùi Văn Đức