Hành trình tiến tới siêu trí tuệ trong lĩnh vực y tế

Khi so sánh với các hồ sơ bệnh án thực tế được công bố hàng tuần trên tạp chí New England Journal of Medicine, chúng tôi chứng minh rằng Microsoft AI Diagnostic Orchestrator (MAI-DxO) chẩn đoán chính xác tới 85% các ca bệnh của NEJM, một tỷ lệ cao gấp hơn bốn lần so với nhóm các bác sĩ giàu kinh nghiệm. MAI-DxO cũng đưa ra chẩn đoán chính xác với chi phí hiệu quả hơn so với các bác sĩ.

Khi nhu cầu chăm sóc sức khỏe tiếp tục tăng, chi phí đang leo thang ở mức không bền vững và hàng tỷ người phải đối mặt với nhiều rào cản để tiếp cận dịch vụ y tế tốt hơn – bao gồm cả việc chẩn đoán không chính xác và chậm trễ. Ngày càng có nhiều người tìm đến các công cụ kỹ thuật số để được tư vấn và hỗ trợ y tế. Trên các sản phẩm AI dành cho người tiêu dùng của Microsoft như Bing và Copilot, chúng tôi ghi nhận hơn 50 triệu phiên truy vấn liên quan đến sức khỏe mỗi ngày. Từ câu hỏi đầu tiên về đau đầu gối cho đến việc tìm kiếm phòng khám cấp cứu vào đêm khuya, các công cụ tìm kiếm và trợ lý AI đang nhanh chóng trở thành tuyến đầu mới trong lĩnh vực chăm sóc sức khỏe.

Chúng tôi muốn đóng góp nhiều hơn nữa để hỗ trợ – và tin rằng AI tạo sinh có thể mang tính chuyển đổi. Đó là lý do tại sao vào cuối năm 2024, chúng tôi đã khởi động một nỗ lực chuyên biệt về sức khỏe người tiêu dùng tại Microsoft AI, do các bác sĩ lâm sàng, nhà thiết kế, kỹ sư và nhà khoa học AI dẫn dắt. Nỗ lực này bổ sung cho các sáng kiến y tế rộng lớn hơn của Microsoft và xây dựng dựa trên cam kết lâu dài của chúng tôi về quan hệ đối tác và đổi mới. Các giải pháp hiện có bao gồm RAD-DINO giúp tăng tốc và cải thiện quy trình làm việc trong chẩn đoán hình ảnh, và Microsoft Dragon Copilot, trợ lý AI ưu tiên giọng nói tiên phong của chúng tôi dành cho các bác sĩ lâm sàng.

Để AI tạo ra sự khác biệt, cả bác sĩ lâm sàng và bệnh nhân đều phải tin tưởng vào hiệu suất của nó. Đó là lý do tại sao các tiêu chuẩn đánh giá (benchmarks) và bộ điều phối AI (AI orchestrator) mới của chúng tôi ra đời.

Các thách thức và tiêu chuẩn đánh giá ca bệnh y tế

Để hành nghề y tại Hoa Kỳ, các bác sĩ cần vượt qua Kỳ thi Cấp phép Y tế Hoa Kỳ (USMLE), một bài đánh giá nghiêm ngặt và chuẩn hóa về kiến thức lâm sàng và khả năng ra quyết định. Các câu hỏi USMLE nằm trong số những tiêu chuẩn đánh giá sớm nhất được sử dụng để đánh giá các hệ thống AI trong y học, cung cấp một cách thức có cấu trúc để so sánh hiệu suất của các mô hình – với nhau và với các bác sĩ lâm sàng là con người.

Chỉ trong ba năm, AI tạo sinh đã tiến bộ đến mức đạt điểm gần như tuyệt đối trong các kỳ thi USMLE và các kỳ thi tương tự. Tuy nhiên, các bài kiểm tra này chủ yếu dựa vào câu hỏi trắc nghiệm, vốn ưu tiên việc ghi nhớ hơn là hiểu sâu. Bằng cách đơn giản hóa y học thành các câu trả lời một lần trong các câu hỏi trắc nghiệm, những tiêu chuẩn đánh giá như vậy đã thổi phồng năng lực thực tế của các hệ thống AI và che giấu những hạn chế của chúng.

Tại Microsoft AI, chúng tôi đang nỗ lực thúc đẩy và đánh giá các khả năng suy luận lâm sàng. Để vượt qua những hạn chế của câu hỏi trắc nghiệm, chúng tôi tập trung vào chẩn đoán tuần tự, một nền tảng của việc ra quyết định y tế trong thế giới thực. Trong quy trình này, bác sĩ lâm sàng bắt đầu với tình trạng ban đầu của bệnh nhân, sau đó lặp đi lặp lại việc chọn câu hỏi và các xét nghiệm chẩn đoán để đi đến chẩn đoán cuối cùng. Ví dụ, một bệnh nhân bị ho và sốt có thể khiến bác sĩ lâm sàng chỉ định và xem xét các xét nghiệm máu cũng như chụp X-quang ngực trước khi họ cảm thấy tự tin về việc chẩn đoán viêm phổi.

Hàng tuần, tạp chí New England Journal of Medicine (NEJM) – một trong những tạp chí y khoa hàng đầu thế giới – xuất bản Hồ sơ Bệnh án của Bệnh viện Đa khoa Massachusetts, trình bày hành trình chăm sóc của bệnh nhân dưới dạng tường thuật chi tiết. Những ca bệnh này nằm trong số những ca phức tạp nhất về mặt chẩn đoán và đòi hỏi trí tuệ cao nhất trong y học lâm sàng, thường yêu cầu nhiều chuyên gia và các xét nghiệm chẩn đoán để đưa ra chẩn đoán xác định.

AI hoạt động như thế nào? Để trả lời câu hỏi này, chúng tôi đã tạo ra các thử thách ca bệnh tương tác dựa trên loạt ca bệnh của NEJM – cái mà chúng tôi gọi là Tiêu chuẩn Chẩn đoán Tuần tự (SD Bench). Tiêu chuẩn này chuyển đổi 304 ca bệnh gần đây của NEJM thành các cuộc hội chẩn chẩn đoán từng bước, nơi các mô hình – hoặc bác sĩ là con người – có thể lặp đi lặp lại việc đặt câu hỏi và chỉ định xét nghiệm. Khi có thông tin mới, mô hình hoặc bác sĩ sẽ cập nhật lập luận của họ, dần dần thu hẹp phạm vi để đi đến chẩn đoán cuối cùng. Chẩn đoán này sau đó có thể được so sánh với kết quả tiêu chuẩn vàng được công bố trên NEJM.

Mỗi xét nghiệm được yêu cầu cũng phát sinh một chi phí (ảo), phản ánh chi tiêu y tế trong thế giới thực. Điều này cho phép chúng tôi đánh giá hiệu suất dựa trên hai khía cạnh chính: độ chính xác trong chẩn đoán và chi phí nguồn lực. Bạn có thể xem cách một hệ thống AI tiến triển qua một trong những thử thách này trong video ngắn này.

Tiếp theo là gì?

Các bác sĩ thường được đặc trưng bởi bề rộng hoặc chiều sâu chuyên môn của họ. Các bác sĩ đa khoa, như bác sĩ gia đình, quản lý nhiều loại bệnh lý ở mọi lứa tuổi và hệ cơ quan. Các bác sĩ chuyên khoa, như bác sĩ thấp khớp, tập trung sâu vào một hệ thống, lĩnh vực bệnh lý hoặc thậm chí là một tình trạng cụ thể. Tuy nhiên, không một bác sĩ nào có thể bao quát toàn bộ sự phức tạp của loạt ca bệnh NEJM. Ngược lại, AI không phải đối mặt với sự đánh đổi này. Nó có thể kết hợp cả bề rộng và chiều sâu chuyên môn, thể hiện khả năng suy luận lâm sàng mà trên nhiều khía cạnh, vượt xa bất kỳ bác sĩ cá nhân nào.

Loại hình suy luận này có tiềm năng định hình lại ngành chăm sóc sức khỏe. AI có thể trao quyền cho bệnh nhân tự quản lý các khía cạnh chăm sóc thông thường và trang bị cho bác sĩ lâm sàng các công cụ hỗ trợ ra quyết định tiên tiến cho các ca bệnh phức tạp. Những phát hiện của chúng tôi cũng cho thấy AI giúp giảm chi phí y tế không cần thiết. Chi tiêu y tế của Hoa Kỳ đang tiến gần đến 20% GDP, với ước tính lên tới 25% trong số đó bị lãng phí – do ít có ảnh hưởng đến kết quả điều trị của bệnh nhân.

Tất nhiên, nghiên cứu của chúng tôi có những hạn chế quan trọng. Mặc dù MAI-DxO vượt trội trong việc giải quyết các thách thức chẩn đoán phức tạp nhất, nhưng cần có thêm các thử nghiệm để đánh giá hiệu suất của nó đối với các tình trạng phổ biến, thường gặp hàng ngày. Các bác sĩ lâm sàng trong nghiên cứu của chúng tôi làm việc mà không có sự hỗ trợ từ đồng nghiệp, sách giáo khoa hoặc thậm chí là AI tạo sinh, những thứ vốn có thể xuất hiện trong thực hành lâm sàng bình thường của họ. Điều này được thực hiện để đảm bảo sự so sánh công bằng với hiệu suất thực tế của con người.

Một khía cạnh mới của công trình này là sự chú trọng đến chi phí. Mặc dù chi phí y tế thực tế khác nhau giữa các khu vực địa lý và hệ thống, và bao gồm nhiều yếu tố hạ nguồn mà chúng tôi chưa tính đến, chúng tôi áp dụng một phương pháp nhất quán trên tất cả các tác nhân và bác sĩ được đánh giá để giúp định lượng các sự đánh đổi cấp cao giữa độ chính xác chẩn đoán và việc sử dụng nguồn lực.

Đối với chúng tôi, đây chỉ là bước đầu tiên. Chúng tôi rất hào hứng với những cơ hội phía trước. Những thách thức quan trọng vẫn còn đó trước khi AI tạo sinh có thể được triển khai một cách an toàn và có trách nhiệm trong lĩnh vực chăm sóc sức khỏe. Chúng tôi cần bằng chứng rút ra từ môi trường lâm sàng thực tế, cùng với các khuôn khổ quản trị và quy định phù hợp để đảm bảo độ tin cậy, an toàn và hiệu quả. Đó là lý do tại sao chúng tôi đang hợp tác với các tổ chức y tế hàng đầu để kiểm tra và xác thực nghiêm ngặt các phương pháp này – một bước thiết yếu trước khi triển khai rộng rãi hơn.

Cùng với các đối tác, chúng tôi tin tưởng mạnh mẽ rằng tương lai của ngành chăm sóc sức khỏe sẽ được định hình bằng cách tăng cường chuyên môn và sự thấu cảm của con người với sức mạnh của trí tuệ máy móc. Chúng tôi rất hào hứng khi thực hiện những bước tiếp theo để biến tầm nhìn đó thành hiện thực.

Thông tin thêm

SD Bench và MAI-DxO chỉ là các bản trình diễn nghiên cứu và hiện chưa có sẵn dưới dạng tiêu chuẩn đánh giá hoặc bộ điều phối công khai. Bạn có thể tìm thêm chi tiết về phương pháp luận và kết quả cơ bản trong một bài báo tiền ấn phẩm (pre-print) được công bố cùng với blog này. Chúng tôi đang trong quá trình gửi công trình này để đánh giá ngang hàng (peer review) từ bên ngoài và đang tích cực làm việc với các đối tác để khám phá khả năng phát hành SDBench như một tiêu chuẩn đánh giá công khai.

Lời cảm ơn

Chúng tôi biết ơn NEJM Group vì đã cho phép sử dụng các ca bệnh của NEJM trong nghiên cứu được báo cáo trong bài đăng blog này. Nghiên cứu được mô tả ở đây đã được hưởng lợi từ những hiểu biết sâu sắc của nhiều người. Chúng tôi biết ơn các tác giả có tên trong bài báo trên arXiv và đội ngũ rộng lớn hơn tại MAI. Chúng tôi cũng cảm ơn các đồng nghiệp khác cả trong và ngoài Microsoft vì đã chia sẻ những hiểu biết của họ, bao gồm Bryan Bunning, Nando de Freitas, Andrija Milicevic, Hoifung Poon, David Rhew, Karén Simonyan, Eric Topol và Jim Weinstein. Gianluca Fontana và Kevin Hawkins (Prova Health) đã hỗ trợ về phần kinh tế y tế và kết quả đầu ra.

Xem ấn phẩm

Hỏi & Đáp

AI này có an toàn để sử dụng trong chăm sóc sức khỏe không?

Công trình được trình bày ở đây chưa được phê duyệt để sử dụng lâm sàng và sẽ chỉ được phê duyệt sau khi kiểm tra an toàn nghiêm ngặt, xác thực lâm sàng và các đánh giá quy định. Hiện tại, đây là một nghiên cứu ban đầu đầy thú vị. Trọng tâm của bất kỳ kế hoạch nào nhằm triển khai công nghệ này trong thế giới thực là cam kết của chúng tôi về sự an toàn, tin cậy và chất lượng, đảm bảo rằng mọi giải pháp chăm sóc sức khỏe đều dựa trên cơ sở lâm sàng, được thiết kế có đạo đức và được truyền đạt một cách minh bạch.

AI có thay thế bác sĩ không?

Mặc dù AI đang trở thành một công cụ mạnh mẽ trong chăm sóc sức khỏe, đội ngũ bác sĩ lâm sàng đang hành nghề của chúng tôi tin rằng AI đại diện cho một sự bổ sung cho các bác sĩ và các chuyên gia y tế khác. Mặc dù công nghệ này đang tiến bộ nhanh chóng, vai trò lâm sàng của họ rộng hơn nhiều so với việc chỉ đưa ra chẩn đoán. Họ cần điều hướng sự mơ hồ và xây dựng niềm tin với bệnh nhân và gia đình họ theo cách mà AI không được thiết lập để thực hiện. Chúng tôi tin rằng vai trò lâm sàng sẽ phát triển cùng với AI, mang lại cho các bác sĩ lâm sàng khả năng tự động hóa các công việc thường ngày, xác định bệnh sớm hơn, cá nhân hóa kế hoạch điều trị và có khả năng ngăn ngừa hoàn toàn một số bệnh. Đối với người tiêu dùng, chúng sẽ cung cấp các công cụ tốt hơn để tự quản lý và ra quyết định chung.

Bộ điều phối AI (AI orchestrator) là gì?

Trong bối cảnh AI tạo sinh, bộ điều phối giống như một nhạc trưởng kỹ thuật số giúp điều phối nhiều bước để đạt được một nhiệm vụ phức tạp. Trong chăm sóc sức khỏe, vai trò của điều phối là rất quan trọng do tính chất quan trọng của mỗi quyết định. Bộ điều phối của chúng tôi nằm trên các mô hình ngôn ngữ cơ bản, đảm bảo mỗi điểm trong việc đưa ra chẩn đoán đều được xử lý một cách có hệ thống, giảm thiểu rủi ro sai sót trong tương lai và mang lại sự ổn định, nhất quán và minh bạch cần thiết để cuối cùng xây dựng niềm tin từ người dùng.

Tại sao các bạn lại xem xét đến chi phí?

Ban đầu, chúng tôi muốn hiểu liệu AI có đang chỉ yêu cầu các xét nghiệm chẩn đoán quá mức để đạt được chẩn đoán đúng hay không. Những gì chúng tôi tìm thấy là Bộ điều phối của chúng tôi có thể đạt được câu trả lời chính xác với chi phí xét nghiệm ít hơn nhiều. Theo một cách nào đó, đây không phải là điều ngạc nhiên vì việc xét nghiệm chẩn đoán quá mức được công nhận là một thách thức phổ biến, chiếm hàng triệu xét nghiệm không cần thiết hàng năm tại Hoa Kỳ. Công trình này cho thấy AI tạo ra cơ hội cho các bác sĩ lâm sàng – và người tiêu dùng – đạt được chẩn đoán nhanh hơn, chính xác hơn trong khi vẫn giảm được chi phí.