Trong bệnh viện, thời gian bị cắt vụn bởi hàng trăm việc lặt vặt, thủ công: ghi chép, tóm tắt hồ sơ, hoàn thiện giấy tờ xuất viện, trả lời tin nhắn người bệnh, rà soát chỉ định, đối chiếu thông tin, điền biểu mẫu, tổng hợp báo cáo, chuẩn bị tài liệu cho hội chẩn hoặc nghiên cứu.
“Trí tuệ nhân tạo sinh nội dung” không còn là một tương lai xa nữa, mà nên xem nó như một hạ tầng năng suất để giảm gánh nặng hành chính để tiết kiệm chi phí cho bệnh viện từ đó giảm gánh nặng chi trả cho bệnh nhân. Thử hình dung, nếu bác sĩ có được công cụ ghi chép tự động kiểu “thư ký điện tử nghe cuộc khám và viết bản nháp” sẽ giúp tiết kiệm hàng nghìn giờ ghi chép hàng năm. Thời gian tiết kệm đó sẽ dùng vào việc nghiên cứu chữa trị cho bệnh nhân thay vì ngồi cặm cuội ghi ghi chép chép,…chưa kể là ghi sai và chép sai.
Nhưng trước hết ta cần “hiểu bản chất Gen AI trước – biết cách ứng dụng nó – và biết cách kiểm soát độ nó”, để bác sĩ dùng công cụ Gen AI như một đồng nghiệp đánh máy siêu tốc chứ không cho nó thành “người ra quyết định” thay mình.
1) Trí tuệ nhân tạo sinh nội dung là gì?
Trí tuệ nhân tạo sinh nội dung là nhóm hệ thống có khả năng tạo ra nội dung mới: văn bản, hình ảnh, bảng biểu, tóm tắt, bản nháp báo cáo… thay vì chỉ phân loại hoặc dự đoán như nhiều hệ thống trí tuệ nhân tạo truyền thống.
Trong bối cảnh bệnh viện, nó thường xuất hiện dưới những hình thức rất “đời thường”:
• Viết bản nháp ghi chép khám chữa bệnh từ lời nói
• Tóm tắt hồ sơ bệnh án dài để hội chẩn hoặc bàn giao
• Soạn thảo thư trả lời người bệnh theo phong cách chuẩn của bệnh viện
• Soạn thảo tài liệu nghiên cứu và tài liệu phục vụ quy định
Cốt lõi của phần lớn công cụ dạng này là mô hình ngôn ngữ quy mô lớn: một loại mô hình học từ lượng văn bản khổng lồ để tạo ra câu chữ mạch lạc.
Điều quan trọng: mô hình ngôn ngữ quy mô lớn không “hiểu” theo nghĩa con người. Nó không có trực giác lâm sàng, không có trách nhiệm nghề nghiệp, không có “đạo đức y khoa” bên trong. Nó là một công cụ thống kê ngôn ngữ cực mạnh để tạo ngôn ngữ.
2) Bên trong hộp đen: mô hình ngôn ngữ quy mô lớn “tạo chữ” bằng cách nào?
2.1 Nguyên lý cốt lõi: dự đoán phần tiếp theo của câu
Một cách nói dễ hình dung:
Mô hình nhìn đoạn văn chúng ta đưa vào, rồi liên tục dự đoán “phần tiếp theo hợp lý nhất” dựa trên các mẫu ngôn ngữ đã học.
Nó làm việc theo các đơn vị ngôn ngữ nhỏ (thường là một từ, một phần của từ, hoặc dấu câu). Mỗi bước, mô hình chọn đơn vị tiếp theo sao cho “hợp” nhất với ngữ cảnh.
Điểm mạnh: vì đã thấy vô số kiểu câu trong y văn và tài liệu hành chính, mô hình có thể tạo ra văn bản đúng cấu trúc, trôi chảy, có vẻ rất chuyên nghiệp.
Điểm yếu: “trôi chảy” không đồng nghĩa “đúng sự thật”.
2.2 Kiến trúc Transformer: lý do mô hình đọc được hồ sơ dài
Từ năm 2017, một kiến trúc tên là Transformer đã trở thành nền tảng của phần lớn mô hình ngôn ngữ quy mô lớn hiện đại. Điểm khác biệt của Transformer là khả năng “nhìn toàn cảnh” câu hoặc đoạn văn thay vì đọc tuần tự kiểu từng chữ một.
Nói theo ngôn ngữ của lâm sàng: Transformer giống như một bác sĩ có thể liếc toàn bộ hồ sơ và biết đoạn nào liên quan đến vấn đề đang nói, thay vì phải đọc từ trang đầu đến trang cuối mới hiểu.
2.3 Cơ chế chú ý: mô hình “tập trung” vào chỗ quan trọng
Trong Transformer có một cơ chế cốt lõi thường gọi là cơ chế chú ý. Nó giúp mô hình tự tính toán: khi tạo ra câu tiếp theo, “phần nào trong ngữ cảnh đang quan trọng nhất”.
Ví dụ bác sĩ sẽ thấy quen:
• Khi viết đoạn về khó thở tăng khi nằm, mô hình sẽ “chú ý” nhiều hơn vào các thông tin về suy tim, ứ dịch, dấu hiệu sinh tồn, phim chụp.
• Khi viết đoạn về thuốc đang dùng, mô hình sẽ “chú ý” vào danh sách thuốc và tương tác.
Cơ chế này là lý do mô hình có thể tóm tắt một hồ sơ dài mà vẫn bám đúng trọng tâm (khi đầu vào đủ tốt và được ràng buộc đúng).
2.4 Ví dụ cụ thể để bác sĩ hình dung: mô hình GPT-5
Một ví dụ phổ biến của mô hình ngôn ngữ quy mô lớn là dòng mô hình GPT. Theo công bố khi giới thiệu GPT-5, đây là mô hình được thiết kế như một “hệ thống hợp nhất” có thể trả lời nhanh hoặc dành thêm thời gian suy luận tùy nhiệm vụ.
Với bác sĩ, cách nên hiểu là:
• Nó có thể viết bản nháp rất nhanh cho phần giấy tờ.
• Nó có thể xử lý thông tin dài và phức tạp tốt hơn các thế hệ cũ.
• Nhưng nó vẫn là công cụ tạo ngôn ngữ dựa trên xác suất, không phải bác sĩ.
3) Trí tuệ nhân tạo sinh nội dung đúng – sai ra sao? Vì sao có hiện tượng “bịa đặt”?
3.1 Vì sao mô hình có thể trả lời sai mà vẫn tự tin?
Hiện tượng mô hình tạo ra thông tin sai hoặc bịa nguồn nhưng viết rất trôi chảy thường được giải thích bằng một cơ chế “khuyến khích đoán” trong quá trình huấn luyện và đánh giá: khi không chắc, mô hình có xu hướng điền cho trọn câu thay vì thừa nhận “không đủ dữ kiện”.
Trong y tế, “điền cho trọn câu” là điều nguy hiểm.
Ví dụ rủi ro thực tế (không mang tính giật gân, chỉ để minh họa):
• Mô hình có thể viết một đoạn tóm tắt nghe rất hợp lý nhưng bỏ sót một chống chỉ định quan trọng vì đoạn đó nằm sâu trong hồ sơ.
• Mô hình có thể tạo ra danh mục tài liệu tham khảo “trông rất đúng format” nhưng không tồn tại.
• Mô hình có thể “làm đẹp” câu chữ theo thói quen ngôn ngữ và vô tình thay đổi sắc thái lâm sàng (ví dụ biến “nghi ngờ” thành “xác định”).
3.2 Quy tắc đọc đầu ra để giữ an toàn
Bác sĩ sẽ dùng công cụ tốt nhất khi coi nó là:
Người soạn thảo bản nháp chứ không phải người kết luận.
Một mẹo kiểm tra độ tin cậy rất thực dụng:
• Nếu đầu ra là tóm tắt từ dữ liệu anh vừa đưa vào: độ tin cậy thường cao hơn (nhưng vẫn phải kiểm tra bỏ sót).
• Nếu đầu ra đưa ra kiến thức mới, khuyến nghị mới, hoặc “chắc như đinh đóng cột” mà không chỉ ra nguồn: độ rủi ro tăng mạnh.
• Nếu đầu ra không thể chỉ ra đoạn nào trong hồ sơ làm căn cứ: coi đó là “văn bản đẹp” chứ chưa phải “văn bản đúng”.
4) Năm xu hướng GenAI ứng dụng đang được phát triển giúp tiết kiệm thời gian rõ nhất
4.1 Tự động hóa ghi chép khám chữa bệnh và giấy tờ hành chính
Đây là ứng dụng thấy hiệu quả nhanh nhất vì nó đánh thẳng vào “kẻ trộm thời gian” số một: ghi chép và hoàn thiện hồ sơ.
Cơ chế vận hành (mô tả theo luồng công việc):
1. Bác sĩ trao đổi với người bệnh như bình thường (có quy trình đồng ý ghi âm, tùy chính sách cơ sở).
2. Hệ thống thu âm và chuyển lời nói thành văn bản.
3. Hệ thống nhận diện các ý chính, sắp xếp thành bản nháp ghi chép lâm sàng theo cấu trúc bệnh viện quy định.
4. Bác sĩ đọc lại, chỉnh sửa, ký duyệt.
Vì sao tiết kiệm thời gian?
Vì bác sĩ chuyển từ “tự viết từ số không” sang “duyệt và chỉnh bản nháp”. Trong một số triển khai quy mô lớn, người ta báo cáo tiết kiệm rất lớn về tổng giờ ghi chép (cỡ hàng chục nghìn giờ trong một năm ở cấp hệ thống).
Hiệu ứng phụ đáng giá: giảm cảm giác kiệt sức nghề nghiệp do bị “nhấn chìm” bởi hồ sơ điện tử. Nhiều ứng dụng gần đây tập trung vào nhóm công cụ ghi chép tự động kiểu “nghe cuộc khám và viết bản nháp”.
Rủi ro đi kèm:
• Rủi ro về đồng ý ghi âm và quyền riêng tư dữ liệu y tế.
• Rủi ro bản nháp có sai sót hoặc “bịa đặt” chi tiết nếu cuộc trao đổi thiếu rõ ràng hoặc hệ thống hiểu nhầm.
• Rủi ro pháp lý nếu không minh bạch về việc sử dụng công cụ ghi chép tự động hoặc không có kiểm soát đủ chặt.
Các tranh chấp pháp lý liên quan đến ghi âm thụ động và chia sẻ dữ liệu với bên thứ ba đã xuất hiện, kéo theo yêu cầu về minh bạch, đồng ý, và quy trình rà soát đầu ra trước khi đưa vào hồ sơ chính thức.
Điểm mấu chốt để bác sĩ tin dùng: công cụ phải được thiết kế để bắt buộc bác sĩ xem lại và ký duyệt, đồng thời lưu vết thay đổi để truy nguyên khi có sai sót.
4.2 Ghép nối và tuyển chọn người tham gia nghiên cứu thử nghiệm lâm sàng
Đây là công cụ không chỉ dự đoán, mà tự động tìm người bệnh phù hợp tiêu chí, đề xuất địa điểm nghiên cứu, rút ngắn thời gian tuyển chọn.
Cơ chế vận hành:
• Hệ thống đọc tiêu chí nghiên cứu (tiêu chí chọn vào, tiêu chí loại trừ).
• Hệ thống quét dữ liệu hồ sơ bệnh án điện tử và dữ liệu xét nghiệm để tìm người bệnh có đặc điểm phù hợp.
• Hệ thống tạo danh sách ứng viên tiềm năng và lý do phù hợp (điểm này cực quan trọng để bác sĩ kiểm tra).
• Nhóm nghiên cứu rà soát lại từng trường hợp trước khi liên hệ, giải thích và lấy đồng ý tham gia.
Vì sao tiết kiệm thời gian cho bác sĩ và nhóm nghiên cứu?
• Giảm thời gian sàng lọc thủ công.
• Giảm sai sót do bỏ sót tiêu chí.
• Tăng tốc “tốc độ vào nghiên cứu”, nhất là khi nghiên cứu có nhiều tiêu chí phức tạp.
Các nhóm nghiên cứu lớn đang dùng trí tuệ nhân tạo để rút ngắn thời gian ở các khâu vận hành nghiên cứu, bao gồm sàng lọc người tham gia và lựa chọn địa điểm nghiên cứu; có báo cáo cắt giảm từ “vài tuần” xuống nhanh hơn đáng kể ở một số quy trình hành chính và vận hành.
Lưu ý chuyên môn: công cụ có thể giúp “tìm đúng nhanh hơn”, nhưng không thay được phần đánh giá lâm sàng và tư vấn người bệnh trước khi đồng ý.
4.3 Tăng tốc quy trình quy định và báo cáo trong công ty dược
Mảng này nghe có vẻ xa bác sĩ lâm sàng, nhưng trong thực tế nó lại ảnh hưởng tới bác sĩ qua tốc độ mở nghiên cứu, tốc độ báo cáo, tốc độ đưa thuốc ra thị trường.
Cơ chế vận hành:
• Hệ thống lấy dữ liệu từ báo cáo nghiên cứu, bảng số liệu, nhật ký nghiên cứu, biên bản theo dõi an toàn.
• Hệ thống soạn thảo bản nháp theo khung tài liệu quy định.
• Chuyên gia quy định và nhóm nghiên cứu rà soát, hiệu đính, kiểm soát sai lệch, kiểm tra tính nhất quán.
Các hãng dược lớn đã công khai nói về việc dùng trí tuệ nhân tạo để cắt giảm thời gian vận hành ở nghiên cứu và giấy tờ quy định.
Tại sao mô hình ngôn ngữ quy mô lớn phù hợp việc này?
Vì tài liệu quy định thường có:
• Cấu trúc rõ
• Ngôn ngữ lặp lại
• Nhiều phần “tóm tắt có căn cứ từ dữ liệu”
Đây là “sân nhà” của công cụ tạo văn bản: nhanh, đều, bám khung.
4.4 Giảm gánh nặng trong báo cáo nghiên cứu lâm sàng toàn diện
Công cụ này đang được dùng như máy “soát lỗi và soạn nháp” cho báo cáo.
Cơ chế vận hành điển hình:
• So khớp số liệu giữa các bảng, biểu, mô tả (nhất quán số lượng người bệnh, biến cố, mốc thời gian).
• Tạo bản nháp phần mô tả kết quả theo ngôn ngữ chuẩn (nhưng vẫn cần con người rà soát).
• Gợi ý phần thiếu hoặc phần mâu thuẫn để nhóm nghiên cứu sửa.
Công cụ kiểu này giúp tiết kiệm thời gian ở phần “đi lại giữa bảng số liệu và văn bản”, vốn cực tốn công mà lại dễ sai.
4.5 Hoàn thiện thiết kế và vận hành nghiên cứu thử nghiệm lâm sàng
Công cụ này dùng để tái sử dụng dữ liệu cũ, đánh giá tính khả thi, tối ưu thiết kế, rút ngắn thời gian thu thập và làm sạch dữ liệu.
Một số báo cáo ngành mô tả trí tuệ nhân tạo sinh nội dung có thể hỗ trợ tối ưu thiết kế nghiên cứu, lựa chọn địa điểm nghiên cứu và cải thiện khả năng tuyển người bệnh.
Điểm cần hiểu kỹ: công cụ không “phát minh” ra thiết kế đúng. Nó giúp:
• Truy hồi kinh nghiệm từ dữ liệu nghiên cứu trước (mẫu thất bại, điểm nghẽn thường gặp).
• Soạn nháp tài liệu thiết kế theo khung chuẩn.
• Gợi ý danh sách rủi ro vận hành và phương án giảm rủi ro để nhóm nghiên cứu cân nhắc.
5) Làm thế nào để công cụ đủ tin cậy để đưa vào công việc của bác sĩ?
Tiết kiệm thời gian chỉ đáng giá khi không đánh đổi an toàn người bệnh. Để đạt điều đó, bệnh viện cần ba “trụ” kỹ thuật và một “trụ” quản trị.
5.1 Trụ kỹ thuật số một: ràng buộc công cụ vào tài liệu chuẩn của bệnh viện
Cách hiệu quả nhất để giảm bịa đặt là buộc mô hình phải “nói dựa trên tài liệu” thay vì “nói theo trí nhớ” và không được kết nối dữ liệu với bên ngoài, chỉ dùng trong nguồn dữ liệu bệnh viện đã thẩm định để huấn luyện (khâu này là vất vả nhất).
Trong thuật ngữ của khoa học máy tính, hướng này được gọi là “tạo nội dung có truy xuất tài liệu hỗ trợ” (mô hình truy xuất đoạn liên quan rồi mới tạo câu trả lời).
Diễn giải theo ngôn ngữ bệnh viện:
• Bệnh viện xây một kho tri thức chuẩn: hướng dẫn điều trị nội bộ, danh mục thuốc, quy trình thao tác chuẩn, mẫu biểu, quy định ghi chép.
• Khi bác sĩ yêu cầu soạn nháp hoặc tóm tắt, hệ thống tự tìm đúng đoạn liên quan trong kho tri thức. Cấu trúc SOAP: Subjective – Thông tin chủ quan từ người bệnh; Objective – Thông tin khách quan do nhân viên y tế ghi nhận; Assessment – Đánh giá chuyên môn của bác sĩ; Plan – Kế hoạch điều trị và theo dõi.
• Mô hình chỉ được phép viết dựa trên những đoạn đã truy xuất, và phải kèm trích dẫn nội bộ (ví dụ: “theo hướng dẫn nội bộ số… phiên bản… ngày…”).
Đây là cách biến công cụ từ “người nói hay” thành “người trích đúng”.
5.2 Trụ kỹ thuật số hai: huấn luyện tinh chỉnh theo dữ liệu bệnh viện
Huấn luyện tinh chỉnh giúp công cụ:
• Viết đúng văn phong bệnh viện
• Dùng thuật ngữ đúng thói quen chuyên môn của cơ sở
• Tuân thủ khuôn mẫu ghi chép và cấu trúc biểu mẫu
Nhưng cần nói thật: huấn luyện tinh chỉnh không phải phép màu để “dạy thêm kiến thức y khoa chuẩn”. Nó chủ yếu chỉnh hành vi tạo văn bản cho phù hợp bối cảnh.
Muốn tăng tính đúng, vẫn phải dựa vào trụ số một: ràng buộc vào tài liệu chuẩn và dữ liệu nguồn.
5.3 Trụ kỹ thuật số ba: lan can an toàn và lưu vết kiểm toán
Một công cụ dùng trong bệnh viện tối thiểu phải có:
• Kiểm soát truy cập theo vai trò (ai được dùng, dùng với dữ liệu nào)
• Cơ chế che thông tin định danh trước khi xử lý (tùy kiến trúc)
• Lưu vết: ai yêu cầu gì, dữ liệu nguồn nào được dùng, bản nháp được tạo ra, bác sĩ sửa gì và ký lúc nào
• Nút tắt khẩn cấp khi phát hiện lỗi hệ thống
Những yêu cầu này không phải “tạo phiền phức”, mà là điều kiện để chịu trách nhiệm khi có sai sót.
5.4 Trụ quản trị: kiểm định theo tình huống sử dụng, không kiểm định chung chung
Đưa công cụ vào bệnh viện mà không kiểm định giống như đưa thuốc vào dùng mà không có dữ liệu an toàn.
Khung kiểm định thực dụng:
1. Chọn đúng tình huống sử dụng (ví dụ: viết bản nháp ghi chép khám ngoại trú; tóm tắt hồ sơ nhập viện; soạn nháp giấy ra viện).
2. Tạo bộ tình huống kiểm thử do bác sĩ nhiều kinh nghiệm xây dựng: ca thường gặp, ca phức tạp, ca dễ gây nhầm.
3. Đánh giá bốn nhóm chỉ số:
o Đúng dữ kiện so với hồ sơ nguồn
o Không bịa đặt chi tiết không có trong hồ sơ
o Đầy đủ các mục bắt buộc theo quy định bệnh viện
o Hành vi khi thiếu dữ kiện: có biết “dừng” và yêu cầu bổ sung hay không
4. Chỉ khi đạt ngưỡng mới mở rộng phạm vi triển khai.
Kết luận: công cụ không thay bác sĩ, nó thay phần “gõ phím”
Xu hướng ứng dụng Gen AI là tạo các ứng dụng tiết kiệm thời gian rõ nhất không nằm ở “chẩn đoán thay bác sĩ”, mà nằm ở:
• Tự động hóa ghi chép và giấy tờ lặp lại
• Tóm tắt hồ sơ để giảm thời gian đọc và sao chép
• Tăng tốc vận hành nghiên cứu thử nghiệm lâm sàng
• Soạn thảo và kiểm tra tài liệu nghiên cứu, tài liệu quy định
Công thức đúng để dùng trong bệnh viện là:
Ràng buộc vào tài liệu chuẩn + bắt buộc bác sĩ duyệt + kiểm định theo tình huống + lưu vết rõ ràng.
Khi làm đúng, trí tuệ nhân tạo sinh nội dung trở thành “đồng nghiệp chịu khó” giúp bác sĩ lấy lại thời gian cho người bệnh, thay vì tạo thêm một nguồn rủi ro mới.
Chúc thành công!
HUỲNH BẢO TUÂN