Dữ liệu y tế và tương lai của AI trong chăm sóc sức khỏe

Ứng dụng AI trong lĩnh vực chăm sóc sức khoẻ

AI đang cách mạng hóa các doanh nghiệp trên toàn thế giới. Các tổ chức trong nhiều ngành đang ứng dụng AI để hợp lý hóa các hoạt động và có được nhiều thông tin hơn từ dữ liệu. Trong nhiều trường hợp, điều này giúp tiết kiệm chi phí và tăng năng suất. Nhưng có một ngành mà AI thực sự mang lại lợi ích cho nhân loại.

Sức mạnh của AI đang giúp các ngành gặt hái được nhiều thành tựu. Và một lần nữa, nó cho thấy khả năng có thể thực sự thay đổi cuộc sống của con người qua việc chăm sóc sức khỏe. Đối với các quốc gia phát triển, AI giải quyết sự bất bình đẳng ngày càng tăng giữa cung cấp dịch vụ chăm sóc cho người giàu và người nghèo. Đối với các nước đang phát triển, AI hứa hẹn sẽ cải thiện khả năng tiếp cận và chất lượng chăm sóc cho người dân, vốn bị cản trở bởi cơ sở hạ tầng và kỹ năng kém.

AI đang phục vụ trong các bệnh viện từ chăm sóc bệnh nhân, nghiên cứu lâm sàng đến phát triển y dược và bảo hiểm. Các ứng dụng AI đang cách mạng hóa ngành y tế, giúp giảm chi tiêu và cải thiện công tác điều trị bệnh nhân, Forbes cho biết.

Sức mạnh của AI nằm ở việc tăng cường khả năng cho các nhà cung cấp dịch vụ chăm sóc sức khỏe. Như một trợ lý cá nhân thông minh đặc biệt, AI có thể phân tích khối lượng dữ liệu khổng lồ nhanh hơn bất kỳ ai, bằng cách mã hóa kinh nghiệm nhiều năm của các chuyên gia y tế.

Cùng với máy học, AI đưa kiến thức của các bác sĩ giỏi nhất trên thế giới đến hàng nghìn điểm truy cập giúp chẩn đoán nhanh hơn và chính xác hơn. Thậm chí, đáng kinh ngạc hơn, theo dự báo của công ty tư vấn Accenture, việc sử dụng các ứng dụng AI có thể tiết kiệm khoảng 150 tỷ USD hàng năm cho ngành chăm sóc sức khỏe của Mỹ vào năm 2026.

Những lợi ích này sẽ tích lũy dần dần, từ các hoạt động tự động, phẫu thuật chính xác đến can thiệp phòng ngừa (nhờ chẩn đoán dự đoán).

AI cũng có thể cải thiện sự hài lòng của người dân đối với các dịch vụ chăm sóc sức khỏe. Điều này đặc biệt có lợi khi nhu cầu về bác sĩ tiếp tục tăng lên. Hiện nay chúng ta đang phải đối mặt với sự thiếu hụt lực lượng lao động và nghề nghiệp trong lĩnh vực này khi dân số nói chung và tiếp cận với bảo hiểm y tế mở ra.

Theo dữ liệu do Hiệp hội Cao đẳng Y tế Hoa Kỳ công bố, đến năm 2032, nước này ​​sẽ thiếu hụt hơn 120.000 bác sĩ. Bằng cách tự động hóa nhiều nhiệm vụ nhập dữ liệu gây quá tải cho các bác sĩ, AI sẽ cho phép các chuyên gia y tế dành nhiều thời gian hơn để chăm sóc và hỗ trợ bệnh nhân, giảm thiểu thời gian đối với các công việc phụ trợ, từ đó giúp kết quả hồi phục của bệnh nhân tốt hơn.

Khả năng sàng lọc một khối lượng lớn dữ liệu của AI và thực hiện các nhiệm vụ giống như con người mang lại những đột phá trong y học hiện đại. AI có thể giúp các nhà cung cấp xác định nhiễm trùng sớm hơn và dự đoán bệnh nhân nào có nguy cơ đột tử do rối loạn nhịp tim.

AI cũng có thể hỗ trợ chống lại tình trạng kháng kháng sinh bằng cách loại bỏ phỏng đoán thiếu chính xác và giúp bác sĩ tùy chỉnh lộ trình điều trị cho bệnh nhân. AI còn thúc đẩy cải tiến các công nghệ chăm sóc sức khỏe như phẫu thuật được hỗ trợ bởi robot, trợ lý y tá ảo,…

Nói một cách đơn giản, AI đang chuyển đổi lĩnh vực chăm sóc sức khỏe. Khi khối lượng dữ liệu tăng vọt và công nghệ tiếp tục phát triển, AI sẽ đóng vai trò ngày càng tăng trong việc giảm thiểu chi phí, cải thiện sự hài lòng trong công việc và mang lại kết quả tốt hơn cho sức khỏe.

Ví dụ điển hình là hình ảnh y tế được chụp bởi máy chụp CT, máy MRI và X-quang có thể chứa thông tin sức khỏe quan trọng về bệnh nhân. Nhưng việc phát hiện các vấn đề y tế trong nhiều hình ảnh có độ phân giải cao có thể là một thách thức, ngay cả đối với các chuyên gia.

Hơn nữa, việc diễn giải những hình ảnh này là chủ quan và thiếu một chi tiết quan trọng có thể gây hậu quả lớn cho sức khỏe của bệnh nhân. Việc giảm thiểu tỷ lệ chẩn đoán sai cũng có thể cứu sống nhiều sinh mạng.

Đánh giá khối u dựa trên kết quả chụp quét CT là công việc phức tạp và mất nhiều thời gian. Một bác sĩ X quang có thể mất vài giờ để đánh giá 1 lần chụp để kiểm tra xem quá trình trị liệu có hiệu quả hay không.

Tuy nhiên, các mô hình học sâu đã giúp đánh giá tự động quá trình trị liệu. Bằng cách phát triển một mô hình sử dụng hàng ngàn hình ảnh khối u, các hệ thống AI có thể ngay lập tức đánh giá hình dạng, kích thước và màu sắc của tất cả các khối u trên một kết quả CT scan nhất định, giúp các bác sĩ đưa ra các quyết định chính xác hơn.

Trong một số quy trình chẩn đoán, các mô hình học sâu đã thay thế nhu cầu lấy mẫu mô vật lý từ bệnh nhân - một quá trình có thể gây nguy cơ nhiễm trùng.

Sự phổ biến của thiết bị đeo tay người tiêu dùng và các thiết bị y tế khác kết hợp với AI cũng đang được áp dụng để giám sát bệnh tim mạch giai đoạn đầu, cho phép các bác sĩ và những người chăm sóc khác theo dõi tốt hơn và phát hiện các giai đoạn có khả năng đe dọa đến tính mạng ở giai đoạn sớm hơn, có thể điều trị được.

Chuẩn đoán và điều trị nước mắt khớp gối hiệu quả

Đại học California, San Francisco (UCSF) đang sử dụng công nghệ AI của Dell EMC và Intel để triển khai mô hình học sâu giúp các bác sĩ lâm sàng chẩn đoán nước mắt khớp gối. Một trong những chìa khóa để giải quyết nước mắt - có thể dẫn đến viêm xương khớp - là phát hiện và điều trị sớm. Nhưng điều này đòi hỏi các bác sĩ lâm sàng phải rà soát cẩn thận hàng trăm hình ảnh lát cắt MRI 3D để đánh giá đầu gối từ các góc độ khác nhau.

Các nhà nghiên cứu tại Trung tâm Đổi mới Sức khỏe Kỹ thuật số UCSF (CDHI - Center for Digital Health Innovation) đang giải quyết thách thức này bằng cách ứng dụng AI trong quá trình chẩn đoán.

Cụ thể, các nhà nghiên cứu đang phát triển và đào tạo một mô hình học sâu để hoàn thành ba nhiệm vụ: kiểm tra kết quả MRI, xác định sụn đầu gối bị rách và phân loại nước mắt sụn khớp. Mục tiêu cuối cùng là phát triển một hệ thống chính xác, dựa trên dữ liệu để phân loại các tổn thương sụn khớp ngay sau khi chụp quét, cho phép điều trị tốt hơn.

Để hỗ trợ sáng kiến ​​này, các nhà nghiên cứu đã sử dụng BigDL - một khung học sâu, phân tán nguồn mở cho Apache Spark - để xác định và đào tạo các mô hình trên cụm phân tích dữ liệu.

Cụm này dựa trên các máy chủ Dell EMC PowerEdge, bộ xử lý Intel Xeon có thể mở rộng và Apache Hadoop để lưu trữ, xử lý và phân tích dữ liệu. Bằng cách triển khai tiếp cận này, UCSF đã phát triển thành công các mô hình 3D nơi chứa dữ liệu, tận dụng dung lượng bộ nhớ hệ thống lớn hơn nhiều so với máy gia tốc phần cứng hiện có cho học sâu.

Các kết quả đạt được đầy hứa hẹn. Các mục tiêu chính xác của giai đoạn một đang được đáp ứng, mang lại sự tiến bộ thực sự trong cuộc chiến cải thiện chẩn đoán tổn thương khớp gối, lập kế hoạch điều trị và điều trị hiệu quả bằng AI.

Chẩn đoán tốt hơn, nhanh hơn sẽ dẫn đến tỷ lệ viêm xương khớp giảm - một tình trạng nghiêm trọng mà Tổ chức viêm khớp Mỹ cho biết ảnh hưởng đến 30 triệu người Mỹ và khiến nền kinh tế nước này tổn thất hơn 100 tỷ USD hàng năm.

Đào tạo các mô hình AI

AI đã được chứng minh về khả năng đọc các hình ảnh y tế nhanh chóng và chính xác. Một nghiên cứu do Trường Y khoa NYU và Trung tâm khoa học dữ liệu NYU của Mỹ thực hiện đã xem xét khả năng của AI để tăng thêm giá trị cho các chẩn đoán của một nhóm 14 bác sĩ X quang khi họ xem xét 720 hình ảnh chụp nhũ ảnh.

Công cụ AI đã học để dự đoán những tổn thương nào có khả năng ác tính hoặc có khả năng lành tính, có khả năng hỗ trợ các bác sĩ X quang trong chẩn đoán ung thư vú.

Đối với nghiên cứu hiện tại, nhóm nghiên cứu đã phân tích các hình ảnh được thu thập như một phần của chương trình chăm sóc lâm sàng thông thường tại NYU Langone Health trong 7 năm, sàng lọc dữ liệu thu thập và kết nối hình ảnh với kết quả sinh thiết.

Nỗ lực này đã tạo ra một bộ dữ liệu cực kỳ lớn để đào tạo cho công cụ AI của họ, bao gồm 229.426 lần kiểm tra chụp nhũ ảnh kỹ thuật số và 1.001.093 hình ảnh. Hầu hết các cơ sở dữ liệu được sử dụng trong các nghiên cứu cho đến nay đã bị giới hạn ở 10.000 hình ảnh hoặc ít hơn.

Do đó, các nhà nghiên cứu đã đào tạo mạng lưới thần kinh của họ bằng cách lập trình nó để phân tích hình ảnh từ cơ sở dữ liệu mà chẩn đoán ung thư đã được xác định. Điều này có nghĩa là các nhà nghiên cứu đã biết từng hình ảnh chụp nhũ ảnh (ung thư hay không) khi họ kiểm tra độ chính xác của công cụ, trong khi công cụ phải đoán. Độ chính xác được đo bằng tần suất dự đoán chính xác.