KonexForge Health Insight: AI hỗ trợ đọc kết quả siêu âm và xét nghiệm máu — công cụ cho bác sĩ, không thay thế bác sĩ

Số lượng ca siêu âm và xét nghiệm máu mỗi phòng khám xử lý mỗi ngày đang tăng nhanh hơn khả năng một bác sĩ có thể xem xét chi tiết từng ca trong quỹ thời gian hạn chế. KonexForge Health Insight là kiến trúc chúng tôi đang phát triển để giải quyết đúng vấn đề này — nhưng trước khi mô tả nó làm gì, cần nói rõ nó KHÔNG làm gì: đây không phải một hệ thống chẩn đoán tự động thay thế bác sĩ, mà là một công cụ hỗ trợ quyết định lâm sàng (clinical decision support) giúp bác sĩ xử lý khối lượng dữ liệu nhanh hơn và không bỏ sót chi tiết bất thường.

Vì sao ranh giới này quan trọng hơn bất kỳ tính năng kỹ thuật nào

Theo tinh thần các nguyên tắc mà Bộ Y tế Việt Nam đang xây dựng cho AI trong y tế — được Thanh Niên đưa tin — AI chỉ đóng vai trò hỗ trợ bác sĩ, không thể thay thế hoàn toàn việc ra quyết định lâm sàng; mọi quyết định điều trị cuối cùng đều cần bác sĩ giám sát và xác nhận, và bác sĩ là người chịu trách nhiệm chuyên môn về sức khỏe bệnh nhân. Ở Mỹ, khung pháp lý tương đương là điều khoản miễn trừ Clinical Decision Support theo Section 520(o)(1)(E) của FDCA (sửa đổi bởi 21st Century Cures Act) — phần mềm CDS chỉ được miễn khỏi định nghĩa thiết bị y tế nếu đáp ứng bốn tiêu chí luật định, trong đó có tiêu chí phần mềm phải 'cho phép chuyên gia y tế tự đánh giá độc lập cơ sở của khuyến nghị' — nghĩa là hệ thống phải minh bạch lý do đưa ra gợi ý, không phải một hộp đen đưa ra kết luận. Toàn bộ kiến trúc Health Insight được thiết kế xoay quanh chính ràng buộc này.

Kiến trúc: hai module phân tích, một lớp giải thích bắt buộc

**Phân tích ảnh siêu âm.** Nghiên cứu học thuật đã công bố cho thấy tiềm năng thật của computer vision trong lĩnh vực này — ví dụ một tổng quan hệ thống trên PMC ghi nhận các mô hình phát hiện gan nhiễm mỡ qua ảnh siêu âm đạt độ chính xác khoảng 90.6% với kiến trúc VGG-16 trong điều kiện nghiên cứu, và các mô hình phân loại nhân tuyến giáp đạt khoảng 86.3% với VGG-19. Đây là những con số từ nghiên cứu học thuật trên tập dữ liệu cụ thể — không phải cam kết hiệu năng cho Health Insight, vốn cần được đánh giá lâm sàng riêng trước khi triển khai thật với bất kỳ cơ sở y tế nào.

**Phân tích xét nghiệm máu.** Tương tự, các mô hình học sâu cho phát hiện bất thường tế bào máu đã công bố trên MDPI đạt precision 0.98 và recall 0.99 trên tập dữ liệu nghiên cứu — kết hợp segmentation và classification để phát hiện các dạng bất thường tế bào máu mà mắt thường khó nhận ra ở khối lượng lớn. Module này của Health Insight tập trung vào việc đối chiếu từng chỉ số xét nghiệm với ngưỡng tham chiếu và phát hiện các tổ hợp bất thường (không chỉ một chỉ số đơn lẻ) đáng được bác sĩ chú ý thêm.

**Lớp giải thích.** Đây là phần bắt buộc, không phải tính năng tùy chọn: mọi flag từ module ảnh siêu âm đi kèm vùng ảnh cụ thể mà model chú ý (không chỉ một điểm số duy nhất); mọi flag từ module xét nghiệm đi kèm chỉ số nào vượt ngưỡng, vượt bao nhiêu, và xu hướng so với lần xét nghiệm trước. Bác sĩ luôn nhìn thấy cơ sở đưa ra gợi ý, không chỉ kết luận cuối.

Router và ngưỡng escalation — không có gợi ý nào đến thẳng bệnh nhân

Giống nguyên tắc Router và Critic Engine trong KonexForge AI Core, mọi output của Health Insight đều đi qua một lớp định tuyến theo mức độ: kết quả trong ngưỡng bình thường được tổng hợp gọn cho bác sĩ xem nhanh; kết quả có dấu hiệu bất thường được đánh dấu ưu tiên xem xét kỹ hơn; và quan trọng nhất — không có luồng nào tự động gửi kết luận hay giải thích trực tiếp đến bệnh nhân mà không qua bác sĩ xác nhận trước, bất kể mức độ tự tin của model. Đây chính là bài học từ jagged frontier của AI áp dụng vào bối cảnh có rủi ro cao nhất: một model tự tin không đồng nghĩa model đúng, và trong y tế, khoảng cách giữa hai điều đó có thể ảnh hưởng trực tiếp đến sức khỏe một người thật.

Bảo mật dữ liệu y tế và giám sát liên tục

Dữ liệu y tế là một trong những loại dữ liệu nhạy cảm nhất theo nguyên tắc zero-trust mà chúng tôi đã phân tích trong bài bảo mật cho hệ thống có AI — mã hóa dữ liệu cả khi lưu trữ và truyền tải, phân quyền chặt theo vai trò, và audit trail đầy đủ cho mọi lần truy cập là yêu cầu tối thiểu, không phải tùy chọn nâng cao. Song song, hệ thống cần giám sát hiệu năng model liên tục theo thời gian — đúng nguyên tắc chúng tôi áp dụng cho drift monitoring trong production — vì phân phối ca bệnh, thiết bị siêu âm, và quy trình xét nghiệm tại mỗi cơ sở y tế đều khác nhau, và một model hoạt động tốt trên dữ liệu huấn luyện không tự động đảm bảo hoạt động tốt trên dữ liệu thực tế của một phòng khám cụ thể.

Trạng thái hiện tại: kiến trúc đang phát triển, cần đối tác lâm sàng để đánh giá

Health Insight hiện là một kiến trúc đang trong giai đoạn phát triển tại KonexForge — chưa phải một sản phẩm đã qua đánh giá lâm sàng hay được cấp phép sử dụng làm thiết bị y tế. Trước khi triển khai tại bất kỳ cơ sở y tế nào, hệ thống cần trải qua đánh giá lâm sàng độc lập với dữ liệu thực tế của cơ sở đó, tuân thủ đầy đủ quy định hiện hành của Bộ Y tế về phần mềm hỗ trợ quyết định lâm sàng. Đây là lý do chúng tôi tìm kiếm đối tác là các cơ sở y tế hoặc phòng khám sẵn sàng cùng đánh giá và tinh chỉnh kiến trúc này trên dữ liệu thật, dưới sự giám sát của đội ngũ y khoa của chính họ.

Kết luận

Sức mạnh của AI trong y tế không nằm ở việc thay thế bác sĩ, mà ở việc giúp bác sĩ xử lý khối lượng dữ liệu ngày càng lớn mà không bỏ sót chi tiết quan trọng — với điều kiện hệ thống minh bạch về cơ sở đưa ra gợi ý và không bao giờ bỏ qua bước xác nhận của con người ở những quyết định ảnh hưởng trực tiếp đến sức khỏe. Đây là nguyên tắc thiết kế xuyên suốt Health Insight, và là cách chúng tôi tiếp cận mọi bài toán AI có rủi ro cao trong lớp AI & ML. Liên hệ nếu cơ sở y tế của bạn quan tâm hợp tác đánh giá lâm sàng cho kiến trúc này.