TRÍ TUỆ NHÂN TẠO TRONG�HỆ THỐNG CẤP CỨU NỘI VIỆN

BS.CKI. Đinh Văn Hồng

Khoa HSTC – Bệnh viện Quân y 175

NỘI DUNG

1. GIỚI THIỆU
2. CÁC CÔNG CỤ CẢNH BÁO SỚM TRONG CẤP CỨU NỘI VIỆN
3. VAI TRÒ CỦA TRÍ TUỆ NHÂN TẠO TRONG CẤP CỨU NỘI VIỆN
4. MỘT SỐ MÔ HÌNH HIỆN NAY
5. THÁCH THỨC VÀ TRIỂN VỌNG
6. KẾT LUẬN

GIỚI THIỆU

✅ Trí tuệ nhân tạo (AI) trong y tế

- Hỗ trợ chẩn đoán, tiên lượng, cá thể hóa điều trị và tối ưu hóa các quy trình

✅ Các công nghệ chính

🔹 Machine Learning (Học máy): học từ dữ liệu quá khứ để cải thiện dự đoán.

🔹 Deep Learning (Học sâu): Một dạng nâng cao của học máy, sử dụng mạng neuron (Neural network) nhân tạo để xử lý dữ liệu phức tạp.

🔹 Natural Language Processing (Xử lý ngôn ngữ tự nhiên - NLP): đọc và phân tích văn bản y khoa từ hồ sơ bệnh án điện tử (EHR).

GIỚI THIỆU

✅ Các ứng dụng chính của AI trong y tế

• Chẩn đoán hình ảnh (Medical Imaging Diagnosis)
• Hỗ trợ ra quyết định lâm sàng (Clinical Decision Support - CDS)
• Cá thể hóa điều trị (Personalized Medicine)

​

AI không thay thế con người, mà giúp nâng cao độ chính xác, tối ưu hóa phác đồ điều trị và cải thiện kết quả chăm sóc và điều trị

GIỚI THIỆU

🚀 Hệ thống cấp cứu nội viện

• Đội Phản ứng nhanh (RRT – Rapid Response Team)
• Hệ thống Phản ứng nhanh (RRS – Rapid Response System)
• Mã báo động cấp cứu (Code Team Activation Systems)

GIỚI THIỆU

🚀 Hệ thống cấp cứu nội viện

GIỚI THIỆU

GIỚI THIỆU

GIỚI THIỆU

🚀 Hệ thống cấp cứu nội viện

✅ Giảm tỷ lệ tử vong nội viện do cấp cứu chậm trễ�✅ Nâng cao chất lượng chăm sóc bệnh nhân nguy kịch�✅ Tối ưu hóa sử dụng nguồn lực y tế�✅ Tạo môi trường an toàn cho bệnh nhân và nhân viên y tế

GIỚI THIỆU

🚀 Hệ thống cấp cứu nội viện hiện nay

❌ Chỉ dựa vào điểm cảnh báo sớm (NEWS, MEWS): Hệ thống cảnh báo truyền thống có độ nhạy thấp và có thể bỏ sót nhiều trường hợp

❌ Bệnh nhân có thể bất thường giữa các lần đo sinh hiệu: Trong nhiều bệnh viện, sinh hiệu chỉ được đo 4–6 giờ/lần 🡪 phát hiện chậm trễ

❌ Nhân viên y tế không nhận diện đúng lúc: do dự trong kích hoạt

❌ Quá tải báo động (Alarm Fatigue)

❌ Thiếu nguồn lực và phân bổ không hợp lý

❌ Thiếu tích hợp với công nghệ hiện đại

​

CÁC CÔNG CỤ DỰ BÁO TRUYỀN THỐNG

McGaughey, J., Fergusson, D. A., Van Bogaert, P., & Rose, L. (2021). Early warning systems and rapid response systems for the prevention of patient deterioration on acute adult hospital wards. Cochrane Database of Systematic Reviews, (11).

CÁC CÔNG CỤ DỰ BÁO TRUYỀN THỐNG

McGaughey, J., Fergusson, D. A., Van Bogaert, P., & Rose, L. (2021). Early warning systems and rapid response systems for the prevention of patient deterioration on acute adult hospital wards. Cochrane Database of Systematic Reviews, (11).

CÁC CÔNG CỤ DỰ BÁO TRUYỀN THỐNG

McGaughey, J., Fergusson, D. A., Van Bogaert, P., & Rose, L. (2021). Early warning systems and rapid response systems for the prevention of patient deterioration on acute adult hospital wards. Cochrane Database of Systematic Reviews, (11).

CÁC CÔNG CỤ DỰ BÁO TRUYỀN THỐNG

TRÍ TUỆ NHÂN TẠO�TRONG CẤP CỨU NỘI VIỆN

• Dự đoán và Phát hiện sớm bất thường
• AI phân tích dữ liệu sinh hiệu theo thời gian thực từ các thiết bị theo dõi bệnh nhân (monitor, ECG, máy thở,…)
• Ứng dụng Machine Learning và Deep Learning để phát hiện bất thường trước khi dấu hiệu lâm sàng xuất hiện rõ ràng
• Hỗ trợ quyết định lâm sàng
• AI kết hợp dữ liệu từ bệnh án điện tử (EHR) để hỗ trợ ra quyết định
• Cung cấp khuyến cáo cá thể hóa dựa trên Big data từ BV và NCKH
• Tối ưu hóa nguồn lực và Điều phối Đội phản ứng nhanh
• Theo dõi liên tục và tích hợp thiết bị y tế

• Deep Learning-Based Cardiac Arrest Risk System (DeepCARS™)
• Hệ thống học sâu được thiết kế để dự đoán nguy cơ ngừng tim nội viện
• Sử dụng các thuật toán Deep Learning để phân tích dữ liệu sinh hiệu theo thời gian thực, giúp phát hiện bất thường lâm sàng sớm hơn so với phương pháp truyền thống

• Dữ liệu đầu vào: 55083 BN, 4 bệnh viện
• Huyết áp (BP), Nhịp tim (HR), Nhịp thở (RR), Nhiệt độ cơ thể (BT).
• Tuổi bệnh nhân, Thời gian ghi nhận dữ liệu.
• Tích hợp với hồ sơ y tế điện tử (EHR) để tối ưu dự đoán.
• Phân tích và dự báo:
• Hệ thống DeepCARS™ sử dụng mạng nơ-ron hồi quy sâu (Deep RNN) để phân tích mẫu dữ liệu theo thời gian.
• Dự đoán nguy cơ bệnh nhân bị ngừng tim trong vòng 24 giờ.

Giá trị tiên lượng

Giá trị cảnh báo

(tỉ lệ báo động)

Giá trị cảnh báo

(tỉ lệ báo động đúng)

• Hiệu suất dự đoán của DeepCARS™ vẫn duy trì ổn định qua nhiều mốc thời gian khác nhau trước khi sự kiện xảy ra (24h, 12h, 6h, 3h, 0.5h), trong khi MEWS và NEWS có sự giảm dần độ chính xác khi thời gian còn lại ngắn hơn.
• 15 giờ trước khi tình trạng xấu đi, DeepCARS™ đã xác định được 38.7% bệnh nhân, trong khi MEWS chỉ xác định được 25.2% và NEWS chỉ xác định được 16.5%.

Giá trị cảnh báo

(độ chính xác qua các mốc thời gian)

Giá trị cảnh báo

(phân tích theo nhóm bệnh lý)

• Deep Learning-Based Early Warning Score (DEWS)
• Hệ thống dự đoán ngừng tim nội viện (IHCA) và chuyển ICU bất thường (UIT) dựa trên trí tuệ nhân tạo
• Sử dụng deep learning và dữ liệu sinh hiệu để nhận diện dấu hiệu suy giảm sớm hơn so với các phương pháp truyền thống

• Dữ liệu đầu vào: 8039 BN
• 4 thông số sinh hiệu: Huyết áp tâm thu (SBP), nhịp tim (HR), nhịp thở (RR), nhiệt độ cơ thể (BT).
• Được cập nhật liên tục vào hệ thống EHR và DEWS tính toán điểm nguy cơ (0-100).
• Phân tích và dự báo:
• Mô hình học sâu (deep learning) với mạng RNN (Recurrent Neural Network) và LSTM (Long Short-Term Memory)
• Dự đoán nguy cơ bệnh nhân suy giảm dựa trên dữ liệu sinh hiệu theo thời gian thực.

- DEWS cho hiệu quả vượt trội nhờ khả năng xử lý dữ liệu phức tạp, tự động phát hiện các đặc trưng quan trọng mà không cần chọn trước, cũng như khả năng phân tích thay đổi theo thời gian của các thông số sinh tồn.

- Điểm mạnh của DEWS là tích hợp dễ dàng với hồ sơ y tế điện tử (EHR).

- Hạn chế nghiên cứu là sử dụng hồi cứu và bản chất của AI là "black box" (chưa giải thích rõ ràng nguyên nhân cụ thể cho từng cảnh báo).

🡪 Cần thêm nghiên cứu thử nghiệm lâm sàng ngẫu nhiên để kiểm chứng thêm hiệu quả trong thực hành thực tế.

THÁCH THỨC TRIỂN KHAI

KHẢ NĂNG ỨNG DỤNG TẠI VIỆT NAM

• Xây dựng hệ thống dữ liệu y tế điện tử ĐỒNG BỘ tại tất cả các cơ sở y tế
• Các bệnh viện đã có hệ thống dữ liệu y tế điện tử
• Hoàn thiện hệ thống cấp cứu nội viện
• Xây dựng dữ liệu lớn (Big data)
• Liên kết các BV để xây dựng và phát triển cùng mô hình AI phù hợp
• Hợp tác giữa các bệnh viện lớn và doanh nghiệp công nghệ (VinBigData, Viettel AI, FPT.AI)
• Xây dựng hệ thống dữ liệu y khoa cá thể hóa, tích hợp với hồ sơ sức khỏe điện tử
• Đề xuất với Bộ Y tế để xây dựng hành lang pháp lý cũng như đẩy nhanh quá trình số hóa trong y tế

​

TRIỂN VỌNG TRONG TƯƠNG LAI

• Cải tiến chất lượng dữ liệu và mô hình AI:
• Xây dựng hệ thống bệnh án điện tử, tích hợp giữa các cơ sở y tế
• Chia sẻ dữ liệu, xây dựng các mô hình AI phù hợp nhưng đồng nhất
• AI “giải thích được”
• Đạo đức và Quy định chặt chẽ hơn
• Quy định cụ thể của Pháp luật
• Hạ tầng công nghệ 4.0 và AI toàn diện:
• Y tế thông minh, tích hợp vào đời sống
• Các phương tiên theo dõi tại nhà

KẾT LUẬN

🔹 AI có tiềm năng to lớn trong cấp cứu nội viện, nhưng vẫn còn nhiều thách thức cần giải quyết.

🔹 Cần sự hợp tác giữa bác sĩ, nhà phát triển AI và chính phủ để đưa AI vào y tế một cách an toàn và hiệu quả.

🔹 Triển khai AI không chỉ là công nghệ mà còn là thay đổi quy trình y khoa để nâng cao hiệu quả điều trị.

XIN CHÂN THÀNH CẢM ƠN�SỰ CHÚ Ý LẮNG NGHE CỦA�QUÝ THẦY CÔ VÀ ĐỒNG NGHIỆP