- Phóng viên:Từ thực tiễn nghiên cứu và triển khai trên thế giới, theo ông, AI đã thật sự tạo ra những giá trị gì cho người bệnh và đội ngũ y, bác sĩ? Đâu là khoảng cách giữa những thành tựu trong nghiên cứu, thử nghiệm với hiệu quả lâm sàng, độ tin cậy và tính an toàn khi ứng dụng vào thực tế?
- GS,TS Trần Thế Truyền: Nếu chỉ tính những gì đã được kiểm chứng nghiêm túc, thành tựu của AI trong y tế thật ra chưa nhiều như những gì chúng ta thường đọc trên báo. Có thể tạm chia ứng dụng AI thành bốn nhóm: công cụ làm một việc cụ thể, như đọc phim X-quang; trợ lý ghi chép và tóm tắt hồ sơ để bác sĩ kiểm tra; mô hình nền tảng có thể xử lý đồng thời hình ảnh, văn bản và số liệu; và các tác tử AI có khả năng tự lập kế hoạch, thực hiện nhiều bước. Hiện nay, bằng chứng lâm sàng vững chắc chủ yếu vẫn tập trung ở hai nhóm đầu.
Chẳng hạn, từ năm 2021, Tổ chức Y tế thế giới đã khuyến cáo có điều kiện việc sử dụng phần mềm đọc X-quang ngực để hỗ trợ sàng lọc lao ở người từ 15 tuổi trở lên. Nhưng ngưỡng phát hiện phải được điều chỉnh cho từng địa phương. Với bác sĩ, lợi ích rõ nhất của AI hiện nay là giảm công việc hành chính. Công cụ tự ghi chép trong buổi khám có thể giúp bác sĩ dành nhiều thời gian hơn cho người bệnh, dù chúng ta vẫn cần thêm bằng chứng để biết điều đó có cải thiện kết quả điều trị hay không.
Theo tôi, khoảng cách giữa kết quả nghiên cứu và hiệu quả thực tế mới là vấn đề đáng chú ý nhất. Một mô hình đạt điểm rất cao trên bộ dữ liệu chuẩn chưa chắc đã hoạt động tốt trong bệnh viện. Dữ liệu thực tế thường nhiễu hơn, chất lượng hình ảnh không đồng đều, và kết quả trung bình có thể che khuất sai sót ở các nhóm bệnh nhân ít gặp. Từng có trường hợp hệ thống phát hiện bệnh võng mạc đái tháo đường của Google gặp khó khăn khi triển khai tại các phòng khám ở Thái Lan vì ảnh chụp thực tế không đáp ứng yêu cầu chất lượng. Tại Bệnh viện đa khoa tỉnh Phú Thọ, đánh giá VinDr-CXR trên 6.285 phim X-quang có báo cáo đối chiếu ghi nhận F1 bằng 0,653, so với 0,831 trong đánh giá trước đó. Tuy nhiên, nhãn đối chiếu được suy ra từ báo cáo của bác sĩ chẩn đoán hình ảnh, chứ không phải chuẩn bệnh lý độc lập.
Với các mô hình ngôn ngữ lớn như ChatGPT, còn có một khoảng cách khác: giữa năng lực của mô hình và khả năng sử dụng của con người. Một thử nghiệm ngẫu nhiên đăng trên Nature Medicine năm 2026, với 1.298 người tham gia, cho thấy khi tự giải các tình huống giả định, mô hình xác định đúng bệnh trong 94,9% trường hợp. Nhưng khi người dân sử dụng mô hình để giải chính những tình huống đó, tỷ lệ nhận diện đúng dưới 34,5%, không tốt hơn nhóm đối chứng sử dụng nguồn thông tin tự chọn. Đây là kết quả trong nghiên cứu có kiểm soát, không phải tỷ lệ chẩn đoán đúng ngoài đời thực. Công nghệ chắc chắn sẽ tiến bộ, nhưng trong y khoa, chúng ta không thể dựa vào quảng cáo. Hiệu quả và an toàn cần được kiểm chứng độc lập, tốt nhất là tại nhiều cơ sở khác nhau.
Việt Nam đã có tiến bộ đáng kể về số hóa: Theo số liệu Bộ Y tế công bố vào tháng 2/2026, hơn 34 triệu sổ sức khỏe điện tử đã được tích hợp trên VNeID và khoảng 1.210 trong tổng số 1.650 bệnh viện công bố triển khai bệnh án điện tử. Tuy nhiên, số lượng hồ sơ không đồng nghĩa với chất lượng dữ liệu lâm sàng. Việc cấp thiết là chuẩn hóa, kết nối dữ liệu giữa các cơ sở và cho phép nghiên cứu, kiểm thử theo cơ chế bảo mật phù hợp”.
GS,TS Trần Thế Truyền
- Khi AI ngày càng tham gia sâu vào quá trình chẩn đoán và điều trị, một vấn đề đáng quan tâm là nguy cơ các thầy thuốc phụ thuộc vào công nghệ, dẫn đến suy giảm năng lực tư duy độc lập, phán đoán lâm sàng và sáng tạo chuyên môn. Giáo sư nhìn nhận nguy cơ này như thế nào? Làm sao để AI trở thành công cụ nâng cao năng lực của người thầy thuốc, thay vì làm suy yếu những phẩm chất và kỹ năng cốt lõi của họ?
- Nguy cơ này có thật, dù chúng ta vẫn cần thêm nghiên cứu để đánh giá đầy đủ. Năm 2025, một nghiên cứu quan sát ở Ba Lan ghi nhận tỷ lệ phát hiện u tuyến trong nội soi đại tràng không có AI ở cùng nhóm bác sĩ giảm từ 28,4% xuống 22,4% sau một thời gian họ thường xuyên sử dụng AI hỗ trợ. Nghiên cứu đó chưa chứng minh AI là nguyên nhân, nhưng là lời cảnh báo đáng suy nghĩ về nguy cơ mai một kỹ năng.
Có hai thái cực đều không tốt. Một là, bác sĩ quá tin vào kết quả do máy đưa ra và ít cân nhắc các khả năng khác. Hai là, hệ thống cảnh báo quá nhiều khiến bác sĩ dần bỏ qua cả những cảnh báo hữu ích. Vấn đề không chỉ nằm ở độ chính xác của AI mà còn ở cách AI ảnh hưởng đến quá trình ra quyết định.
Ở Việt Nam, tôi nghĩ cần phân biệt giữa các tuyến y tế. Tại bệnh viện lớn, nơi áp lực khám, chữa bệnh rất cao, AI nên đóng vai trò “lái phụ”: Bác sĩ tự đưa ra nhận định trước, rồi mới tham khảo ý kiến của máy. Hệ thống cũng cần cho biết căn cứ của dự đoán, mức độ chắc chắn và khi nào nên chuyển ca cho bác sĩ xem xét kỹ hơn. Ở tuyến cơ sở, một nhân viên y tế ít có cơ hội trao đổi với chuyên gia có thể được hỗ trợ rất nhiều từ AI, nhất là khi công cụ được thiết kế để hướng dẫn cách suy nghĩ chứ không chỉ đưa ra đáp án.
Vì vậy, bệnh viện không nên chỉ đánh giá AI có giúp xử lý nhiều ca hơn hay không. Cũng cần kiểm tra định kỳ năng lực chuyên môn khi không có AI, theo dõi những tình huống bác sĩ đồng ý hoặc bác bỏ gợi ý của máy, và đào tạo nhân viên nhận biết giới hạn, sai sót thường gặp của công cụ. Mục tiêu là làm cho bác sĩ giỏi hơn nhờ AI, chứ không phải phụ thuộc hơn vào AI.
- Theo Giáo sư, đâu là những rào cản căn bản nhất hiện nay khi triển khai AI trong khám, chữa bệnh? Đặc biệt, cần giải quyết như thế nào các vấn đề về chất lượng dữ liệu, kiểm chứng hiệu quả, trách nhiệm pháp lý và cơ chế giám sát để AI có thể được ứng dụng an toàn, hiệu quả và bền vững trong khám, chữa bệnh?
- Theo tôi, thách thức lớn nhất hiện nay không còn nằm ở việc phát triển một mô hình thật mạnh. Điều chúng ta thiếu là hệ thống dữ liệu và kiểm chứng để biết mô hình có thật sự phù hợp với bệnh nhân Việt Nam hay không, cùng cơ chế rõ ràng về trách nhiệm khi có sai sót.
Trước hết, là chất lượng dữ liệu. Dữ liệu nhiều chưa đủ, còn phải biết nhãn bệnh được xác định bằng phương pháp nào và đáng tin cậy đến đâu. Chẳng hạn, nhãn lấy từ báo cáo chẩn đoán hình ảnh hoặc mã bệnh phục vụ thanh toán bảo hiểm không phải lúc nào cũng là kết luận lâm sàng đã được xác nhận. Phần lớn mô hình y khoa quốc tế cũng được xây dựng từ hồ sơ ở các nước giàu, chủ yếu bằng tiếng Anh. Không thể mặc nhiên cho rằng chúng sẽ hiểu đúng bệnh nhân và bệnh án tiếng Việt. Các bộ dữ liệu y khoa tiếng Việt, như VM14K, là bước khởi đầu cần thiết.
Về kiểm chứng, tôi cho rằng AI y tế cần được giám sát sau khi đưa vào sử dụng giống như thuốc được theo dõi tác dụng không mong muốn. Phải đo lại độ nhạy, độ đặc hiệu, số lần bác sĩ không đồng ý với AI và tác động thực tế đến quy trình chăm sóc. Mỗi khi mô hình được cập nhật đáng kể, cần đánh giá lại. Tôi đặc biệt mong Việt Nam xây dựng được các bộ dữ liệu kiểm thử độc lập, đại diện cho nhiều tỉnh và nhiều tuyến điều trị, để cả sản phẩm trong nước và nước ngoài đều phải chứng minh hiệu quả trên bệnh nhân Việt Nam.
Vấn đề pháp lý không phải chuyên môn trực tiếp của tôi, nhưng rõ ràng không thể đơn giản nói “bác sĩ ký thì bác sĩ chịu”. Bác sĩ không thiết kế mô hình, còn nhà phát triển không trực tiếp điều trị. Trách nhiệm phải được phân định giữa nhà phát triển, bệnh viện và người hành nghề, theo vai trò thực tế của từng bên. Hệ thống cũng phải lưu được dữ liệu đầu vào, phiên bản mô hình, kết quả và thời điểm đưa ra kết quả để có thể truy vết khi xảy ra sự cố. Người bệnh cần có cơ chế chất vấn và yêu cầu xem xét lại quyết định có sử dụng AI.
Việt Nam đã có Luật Trí tuệ nhân tạo có hiệu lực từ tháng 3/2026, cùng các quy định quản lý phần mềm y tế theo mức độ rủi ro. Tuy vậy, vẫn cần hướng dẫn cụ thể hơn về đánh giá khi cập nhật mô hình, trách nhiệm của nhà cung cấp và giám sát trong quá trình sử dụng. Tôi cho rằng ở mỗi bệnh viện nên có một hội đồng phụ trách AI, tương tự hội đồng thuốc và điều trị, để quyết định công cụ nào được dùng, dùng trong điều kiện nào và theo dõi ra sao. Ở cấp quốc gia, mạng lưới V-RHAIN và cơ chế thử nghiệm có kiểm soát là những hướng đi đáng khuyến khích. Có thể tham khảo thêm cách Singapore phân định trách nhiệm của từng bên trong suốt vòng đời sản phẩm.
Cuối cùng, còn câu hỏi rất thực tế: Ai trả tiền? Nếu bệnh viện phải tự gánh toàn bộ chi phí mua phần mềm, vận hành và nhân lực mà không có cơ chế thanh toán phù hợp, ngay cả một công cụ tốt cũng khó duy trì lâu dài.
- Theo Giáo sư, Việt Nam cần lựa chọn hướng đi và ưu tiên xây dựng những năng lực nào để không chỉ ứng dụng mà còn từng bước làm chủ AI trong y tế, phù hợp với thực tiễn đất nước? Từ kinh nghiệm nghiên cứu quốc tế, ông có thể chia sẻ những bài học và đề xuất cụ thể để AI thật sự góp phần nâng cao chất lượng khám, chữa bệnh và khả năng tiếp cận dịch vụ y tế của người dân?
- Tôi nghĩ Việt Nam không nên đặt cược vào một loại mô hình hay một thế hệ công nghệ cụ thể. AI thay đổi rất nhanh; phần mềm đọc phim, trợ lý ghi bệnh án hôm nay rồi sẽ nhường chỗ cho các hệ thống mạnh hơn, có thể kết hợp hình ảnh, hồ sơ bệnh án và thực hiện nhiều bước công việc. Nhưng nhu cầu của người bệnh, chất lượng dữ liệu, nhân lực y tế và trách nhiệm quản lý thì thay đổi chậm hơn nhiều. Đó mới là những thứ cần đầu tư lâu dài.
Trước hết, hãy chọn bài toán y tế cần giải quyết, thay vì bắt đầu bằng câu hỏi mua công nghệ nào. Với Việt Nam, tôi ưu tiên phát hiện sớm lao và ung thư, quản lý tăng huyết áp và đái tháo đường, giảm quá tải ở bệnh viện và tăng năng lực cho y tế cơ sở. Dân số đang già hóa cũng khiến hỗ trợ chăm sóc người cao tuổi tại nhà trở nên quan trọng. Chúng ta phải đo hiệu quả bằng những kết quả cụ thể: Phát hiện thêm bao nhiêu ca bệnh, giảm bao nhiêu thời gian chờ, có bao nhiêu người được chuyển đến xét nghiệm và điều trị kịp thời.
Thứ hai, muốn làm chủ AI thì phải làm chủ khả năng đánh giá AI. Tôi đề xuất xây dựng bộ dữ liệu kiểm thử y khoa đại diện cho bệnh nhân Việt Nam, do đơn vị độc lập quản lý. Mỗi sản phẩm, kể cả sản phẩm nhập khẩu, cần được thử nghiệm trong điều kiện sử dụng thực tế và đánh giá lại khi có cập nhật quan trọng. Cùng với đó là chuẩn hóa, liên thông dữ liệu và cơ chế khai thác an toàn. Làm chủ không nhất thiết có nghĩa là tự phát triển mọi mô hình từ đầu; quan trọng là biết chọn, kiểm chứng, điều chỉnh và thay thế công nghệ khi cần.
Thứ ba, xem xét triển khai AI thông qua những chương trình y tế có sẵn, thay vì để từng bệnh viện tự mua và tự thử. Chương trình chống lao, sàng lọc bệnh mạn tính hay mạng lưới y tế cơ sở đều có mục tiêu, quy trình và chỉ số kết quả tương đối rõ. Kinh nghiệm quốc tế rất đáng tham khảo: Anh đang thử nghiệm AI trong chương trình sàng lọc ung thư vú, chưa có kết luận hiệu quả cuối cùng; Thái Lan có kế hoạch mở rộng ứng dụng đọc X-quang ngực theo từng giai đoạn; Ấn Độ đã công bố nền tảng BODH nhằm kiểm thử mô hình trên dữ liệu y tế theo cơ chế bảo vệ quyền riêng tư. Bài học chung là triển khai phải gắn với toàn bộ quy trình chăm sóc, không chỉ với độ chính xác của phần mềm. AI phát hiện một ca nghi lao sẽ chẳng có nhiều ý nghĩa nếu người bệnh không được làm xét nghiệm xác nhận và điều trị.
Thứ tư, là con người và thể chế. Chúng ta cần đào tạo bác sĩ biết sử dụng và phản biện AI, đồng thời xây dựng đội ngũ kết hợp chuyên môn y khoa với nghiên cứu công nghệ. Quy định nên dựa trên chức năng và mức rủi ro của sản phẩm, có cơ chế giám sát sau triển khai và phân định rõ trách nhiệm. Cũng phải tính đến bảo hiểm y tế và chi phí vận hành. Một giải pháp chỉ thật sự thành công nếu bệnh viện có thể duy trì nó và người dân được hưởng lợi.
Thứ năm, là vấn đề công bằng. Nếu AI tốt nhất chỉ tập trung ở bệnh viện lớn và khu vực có khả năng chi trả cao, chúng ta có thể vô tình làm khoảng cách chăm sóc sức khỏe rộng thêm. Theo tôi, AI cần được ưu tiên ở những nơi thiếu bác sĩ chuyên khoa và người dân khó tiếp cận dịch vụ chất lượng. Cuối cùng, thước đo thành công không phải Việt Nam có bao nhiêu hệ thống AI, mà là người bệnh có được chăm sóc tốt hơn, an toàn hơn và công bằng hơn hay không.
- Xin trân trọng cảm ơn GS,TS Trần Thế Truyền!
