Giá trị của AI nằm ở việc đưa hỗ trợ đến gần người bệnh
AI trong y tế là việc dùng các hệ thống máy tính để phân tích thông tin lâm sàng, hỗ trợ phát hiện nguy cơ và giúp nhân viên y tế đưa ra quyết định chăm sóc phù hợp hơn. Giá trị đáng kể nhất của công nghệ này không phải thay bác sĩ, mà là giúp dịch vụ có chất lượng đến gần hơn với người dân ở nơi thiếu nhân lực chuyên khoa. AI có thể sàng lọc bệnh, đọc hình ảnh, phân loại nguy cơ và xử lý hồ sơ; ở tuyến đầu, những việc ấy có thể giúp nhận diện ca cần chuyển tuyến sớm hơn. Bác sĩ cũng có thể giảm thời gian ghi chép để tập trung vào người bệnh, dù lợi ích đó chưa đồng nghĩa với kết quả điều trị tốt hơn. Vì vậy, nên xem AI là công cụ bổ trợ cho chăm sóc, không phải lối tắt thay thế năng lực chuyên môn.
Bằng chứng lâm sàng vững chắc hiện vẫn tập trung chủ yếu ở các công cụ làm nhiệm vụ hẹp, như đọc hình ảnh, và trợ lý ghi chép hồ sơ. Tổ chức Y tế thế giới đã khuyến cáo có điều kiện từ năm 2021 việc dùng phần mềm đọc X-quang ngực để hỗ trợ sàng lọc lao ở người từ 15 tuổi trở lên; ngưỡng phát hiện cần được điều chỉnh theo địa phương. Điều đó cho thấy sàng lọc bệnh bằng AI có tiềm năng, nhưng hiệu quả phụ thuộc vào cách triển khai và nhóm dân cư được phục vụ. Một hệ thống hoạt động tốt trong nghiên cứu chưa chắc giữ được độ chính xác khi gặp ảnh chất lượng thấp, bệnh án thiếu thông tin hoặc mô hình bệnh tật khác biệt.
Từ ảnh chụp đến dự báo nguy cơ: công cụ hữu ích phải gắn với quy trình
Kinh nghiệm quốc tế cho thấy AI có thể giảm thời gian chờ và mở rộng sàng lọc nếu được đặt trong một mạng lưới chăm sóc có người chịu trách nhiệm theo dõi. Tại Singapore, chương trình sàng lọc bệnh võng mạc tiểu đường xử lý hơn 100.000 lượt chụp ảnh mỗi năm; hệ thống SELENA+ có thể giảm tới 50% khối lượng đọc ảnh và rút ngắn thời gian trả kết quả từ vài giờ hoặc vài ngày xuống vài phút. Ở Ấn Độ, công cụ Cough Against TB phân tích tiếng ho ghi qua điện thoại để nhận diện người có nguy cơ; đến cuối năm 2025, chương trình đã sàng lọc hơn 162.000 người và ghi nhận số ca phát hiện tăng thêm 12–16% so với cách làm thông thường tại các địa bàn triển khai. Những con số này có ý nghĩa vì chúng gắn công nghệ với một việc cụ thể: tìm người cần được khám tiếp.
AI còn có thể tự động xác định đường viền cơ quan lành trên ảnh CT để hỗ trợ lập kế hoạch xạ trị, hoặc xử lý dữ liệu khám bệnh nhằm phân loại và dự báo nguy cơ. Nhưng kết quả phân tích chỉ tạo lợi ích khi có bước xác nhận, tư vấn và chuyển tuyến rõ ràng. Mô hình dùng cho bệnh võng mạc, lao hay ung thư không thể mặc nhiên áp dụng cho mọi cộng đồng: độ tuổi, tỷ lệ mắc bệnh, chất lượng thiết bị và khả năng tiếp cận dịch vụ đều ảnh hưởng đến kết quả. Nếu thiếu nhân viên theo dõi người có kết quả nguy cơ cao, sàng lọc nhanh hơn có thể chỉ tạo thêm danh sách chờ. Bởi vậy, câu hỏi cần đặt ra không chỉ là AI phát hiện được gì, mà là hệ thống y tế sẽ làm gì tiếp theo.
Y tế tuyến đầu quyết định AI có đi vào thực tế hay không
Y tế tuyến đầu là nơi AI có thể tạo khác biệt rõ nhất, nhưng cũng là nơi thiếu thời gian, thiết bị hoặc chuyên gia hỗ trợ. Tại Colombia, chương trình Cuídalas kết hợp thiết bị iBreastExam tích hợp AI với mạng lưới nhân viên y tế cơ sở để hỗ trợ sàng lọc ung thư vú; điều dưỡng hoặc trợ lý điều dưỡng có thể thực hiện lượt sàng lọc ban đầu sau một tuần đào tạo. Bài học không nằm ở việc giao chẩn đoán cho máy, mà ở cách phối hợp công cụ, đào tạo và tuyến chuyển tiếp. Nhân viên cần hiểu kết quả, nhận biết giới hạn của hệ thống và biết khi nào phải chuyển người bệnh đến bác sĩ. Nếu AI chỉ đưa ra đáp án mà không giúp người dùng suy luận, nguy cơ lệ thuộc và bỏ sót dấu hiệu quan trọng sẽ tăng.
Việt Nam đã có nền tảng số hóa đáng kể: đến tháng 2/2026, hơn 34 triệu sổ sức khỏe điện tử 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 bảo đảm dữ liệu sức khỏe đủ chính xác, thống nhất hay hữu ích cho huấn luyện và kiểm thử. Cần chuẩn hóa cách ghi nhận, kết nối dữ liệu giữa cơ sở khám chữa bệnh, đồng thời bảo vệ quyền riêng tư. Mô hình cũng phải được kiểm tra trên bệnh nhân Việt Nam, ở nhiều tỉnh và nhiều tuyến, thay vì chỉ dựa vào bộ dữ liệu chuẩn hoặc kết quả tại một bệnh viện. Năng lực vận hành tại trạm y tế, phòng khám và bệnh viện mới là chiếc cầu đưa công cụ khỏi giai đoạn thử nghiệm.
Đánh giá độc lập và giữ bác sĩ ở vị trí quyết định
Khoảng cách giữa hiệu suất trong nghiên cứu và thực tế lâm sàng là lý do không nên triển khai AI theo phong trào. Một mô hình đọc X-quang có thể đạt kết quả thấp hơn khi gặp ảnh thực tế không đồng đều; còn hệ thống ngôn ngữ có thể cho câu trả lời đúng trong thử nghiệm nhưng người dân vẫn khó dùng để tự nhận diện bệnh. Bác sĩ cũng có thể quá tin vào gợi ý máy hoặc dần bỏ qua cảnh báo nếu hệ thống báo động quá nhiều. Cách an toàn hơn là yêu cầu bác sĩ đưa ra nhận định ban đầu, sau đó mới tham khảo AI; hệ thống cần nêu căn cứ, mức độ chắc chắn và dấu hiệu cần chuyển ca để xem xét kỹ. Bệnh viện nên theo dõi cả lúc nhân viên đồng ý lẫn bác bỏ gợi ý, đồng thời kiểm tra định kỳ năng lực chuyên môn khi không có AI.
Việc tiếp theo nên là xây dựng bộ dữ liệu kiểm thử độc lập, đại diện cho nhiều tỉnh và tuyến điều trị, để sản phẩm trong nước lẫn nước ngoài chứng minh được hiệu quả trên bệnh nhân Việt Nam. Mạng lưới V-RHAIN và cơ chế thử nghiệm có kiểm soát là những hướng đáng khuyến khích, nhưng cần đi cùng quy định bảo mật, đánh giá an toàn và trách nhiệm rõ ràng khi công cụ sai lệch. Không thể mặc nhiên cho rằng mô hình hiểu đúng bệnh án tiếng Việt hoặc phù hợp mọi địa bàn. AI chỉ giúp người dân tiếp cận dịch vụ y tế chất lượng khi được chọn theo đặc điểm dân số và mô hình bệnh tật, có dữ liệu đủ tin cậy, và được vận hành bởi đội ngũ tuyến đầu có năng lực. Công nghệ có thể mở rộng tầm với của y tế; con người vẫn phải bảo đảm chất lượng chăm sóc.
