tin tức

Kể từ khi IBM Watson ra đời vào năm 2007, con người đã không ngừng theo đuổi sự phát triển của trí tuệ nhân tạo (AI) y tế. Một hệ thống AI y tế hữu dụng và mạnh mẽ có tiềm năng to lớn để định hình lại mọi khía cạnh của y học hiện đại, cho phép chăm sóc thông minh hơn, chính xác hơn, hiệu quả hơn và toàn diện hơn, mang lại hạnh phúc cho nhân viên y tế và bệnh nhân, từ đó cải thiện đáng kể sức khỏe con người. Trong 16 năm qua, mặc dù các nhà nghiên cứu AI y tế đã tích lũy kinh nghiệm trong nhiều lĩnh vực nhỏ, nhưng ở giai đoạn này, họ vẫn chưa thể hiện thực hóa khoa học viễn tưởng.

Năm nay, với sự phát triển mang tính cách mạng của công nghệ AI như ChatGPT, AI y tế đã đạt được những tiến bộ vượt bậc về nhiều mặt. Đột phá chưa từng có về khả năng của AI y tế: Tạp chí Nature đã liên tục khởi động nghiên cứu về mô hình ngôn ngữ y tế lớn và mô hình cơ sở hình ảnh y tế; Google phát hành Med-PaLM và phiên bản kế nhiệm, đạt đến cấp độ chuyên gia trong các câu hỏi thi Y sĩ Hoa Kỳ. Các tạp chí học thuật lớn sẽ tập trung vào AI y tế: Nature công bố triển vọng về mô hình cơ sở của AI y tế nói chung; Sau một loạt các bài đánh giá về AI trong Y học vào đầu năm nay, Tạp chí Y học New England (NEJM) đã xuất bản bài đánh giá sức khỏe kỹ thuật số đầu tiên vào ngày 30 tháng 11 và ra mắt số đầu tiên của tạp chí phụ NEJM NEJM AI vào ngày 12 tháng 12. Đất đáp của AI y tế đã trưởng thành hơn nữa: Tạp chí phụ JAMA đã công bố sáng kiến ​​chia sẻ dữ liệu hình ảnh y tế toàn cầu; Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) đang xây dựng dự thảo hướng dẫn để quản lý AI y tế.

Dưới đây, chúng tôi xem xét những tiến bộ đáng kể mà các nhà nghiên cứu trên toàn thế giới đã đạt được theo hướng AI y tế hữu ích vào năm 2023

Mô hình cơ bản AI y tế

Việc xây dựng mô hình cơ bản AI y tế chắc chắn là trọng tâm nghiên cứu nóng nhất trong năm nay. Các tạp chí Nature đã xuất bản các bài báo đánh giá về mô hình cơ bản phổ quát của chăm sóc sức khỏe và mô hình ngôn ngữ lớn của chăm sóc sức khỏe trong năm. Medical Image Analysis, tạp chí hàng đầu trong ngành, đã đánh giá và mong đợi những thách thức và cơ hội của nghiên cứu mô hình cơ bản trong phân tích hình ảnh y tế và đề xuất khái niệm "phả hệ của mô hình cơ bản" để tóm tắt và định hướng phát triển nghiên cứu mô hình cơ bản của AI y tế. Tương lai của các mô hình AI cơ bản cho chăm sóc sức khỏe đang trở nên rõ ràng hơn. Dựa trên các ví dụ thành công của các mô hình ngôn ngữ lớn như ChatGPT, sử dụng các phương pháp tiền đào tạo tự giám sát tiên tiến hơn và tích lũy dữ liệu đào tạo khổng lồ, các nhà nghiên cứu trong lĩnh vực AI y tế đang cố gắng xây dựng 1) các mô hình cơ sở dành riêng cho bệnh, 2) các mô hình cơ sở chung và 3) các mô hình lớn đa phương thức tích hợp nhiều chế độ với các tham số khổng lồ và khả năng vượt trội

Mô hình AI thu thập dữ liệu y tế

Bên cạnh các mô hình AI lớn đóng vai trò quan trọng trong các tác vụ phân tích dữ liệu lâm sàng hạ nguồn, công nghệ được thể hiện qua các mô hình AI tạo sinh cũng đã xuất hiện trong quá trình thu thập dữ liệu lâm sàng thượng nguồn. Quy trình, tốc độ và chất lượng thu thập dữ liệu có thể được cải thiện đáng kể nhờ các thuật toán AI.

Đầu năm nay, Nature Biomedical Engineering đã công bố một nghiên cứu từ Đại học Straits của Thổ Nhĩ Kỳ tập trung vào việc sử dụng AI tạo sinh để giải quyết vấn đề chẩn đoán hỗ trợ hình ảnh bệnh lý trong các ứng dụng lâm sàng. Các hiện vật trong mô cắt đông lạnh trong quá trình phẫu thuật là một trở ngại đối với việc đánh giá chẩn đoán nhanh chóng. Mặc dù mô nhúng formalin và parafin (FFPE) cung cấp mẫu chất lượng cao hơn, nhưng quy trình sản xuất của nó tốn nhiều thời gian và thường mất 12-48 giờ, khiến nó không phù hợp để sử dụng trong phẫu thuật. Do đó, nhóm nghiên cứu đã đề xuất một thuật toán có tên là AI-FFPE, có thể làm cho hình dạng của mô trong phần đông lạnh tương tự như FFPE. Thuật toán đã sửa thành công các hiện vật của phần đông lạnh, cải thiện chất lượng hình ảnh và đồng thời giữ lại các đặc điểm có liên quan đến lâm sàng. Trong quá trình xác nhận lâm sàng, thuật toán AI-FFPE cải thiện đáng kể độ chính xác chẩn đoán của các nhà bệnh học đối với các phân nhóm khối u, đồng thời rút ngắn đáng kể thời gian chẩn đoán lâm sàng.

Cell Reports Medicine đưa tin về công trình nghiên cứu của một nhóm từ Học viện lâm sàng thứ ba của Đại học Cát Lâm, Khoa X quang, Bệnh viện Trung Sơn trực thuộc Đại học Phục Đán và Đại học Khoa học và Công nghệ Thượng Hải [25]. Nghiên cứu này đề xuất một khuôn khổ hợp nhất tái tạo lặp lại và học sâu đa năng (Hybrid DL-IR) có tính linh hoạt và đa năng cao, cho thấy hiệu suất tái tạo hình ảnh tuyệt vời trong MRI nhanh, CT liều thấp và PET nhanh. Thuật toán có thể đạt được quét đa chuỗi cơ quan đơn MR trong 100 giây, giảm liều bức xạ xuống chỉ còn 10% hình ảnh CT và loại bỏ nhiễu, đồng thời có thể tái tạo các tổn thương nhỏ từ quá trình thu nhận PET với gia tốc gấp 2 đến 4 lần, đồng thời giảm tác động của hiện tượng nhiễu do chuyển động.

Trí tuệ nhân tạo y tế hợp tác với nhân viên y tế

Sự phát triển nhanh chóng của AI y tế cũng đã khiến các chuyên gia y tế nghiêm túc xem xét và khám phá cách hợp tác với AI để cải thiện các quy trình lâm sàng. Vào tháng 7 năm nay, DeepMind và một nhóm nghiên cứu đa tổ chức đã cùng nhau đề xuất một hệ thống AI có tên là Complementary Driven Clinical Workflow Delay (CoDoC). Quá trình chẩn đoán đầu tiên được chẩn đoán bởi một hệ thống AI dự đoán, sau đó được một hệ thống AI khác đánh giá dựa trên kết quả trước đó và nếu có nghi ngờ, chẩn đoán cuối cùng sẽ được bác sĩ lâm sàng đưa ra để cải thiện độ chính xác của chẩn đoán và hiệu quả cân bằng. Khi nói đến sàng lọc ung thư vú, CoDoC đã giảm 25% tỷ lệ dương tính giả với cùng tỷ lệ âm tính giả, đồng thời giảm 66% khối lượng công việc của bác sĩ lâm sàng, so với quy trình "trọng tài đọc kép" hiện tại ở Anh. Về phân loại bệnh lao, tỷ lệ dương tính giả đã giảm từ 5 đến 15 phần trăm với cùng tỷ lệ âm tính giả so với AI độc lập và quy trình lâm sàng.

Tương tự như vậy, Annie Y. Ng và cộng sự, của Công ty Kheiron tại London, Vương quốc Anh, đã giới thiệu thêm các trình đọc AI (hợp tác với các giám định viên là con người) để kiểm tra lại kết quả khi không có kết quả thu hồi trong quy trình phân xử đọc kép, giúp cải thiện vấn đề bỏ sót phát hiện trong sàng lọc ung thư vú giai đoạn đầu và quy trình này hầu như không có kết quả dương tính giả. Một nghiên cứu khác do nhóm nghiên cứu tại Trường Y khoa McGovern, Đại học Texas dẫn đầu và được thực hiện tại bốn trung tâm đột quỵ, đã áp dụng công nghệ AI dựa trên chụp cắt lớp vi tính mạch máu (CTA) để tự động phát hiện đột quỵ thiếu máu cục bộ tắc nghẽn mạch máu lớn (LVO). Các bác sĩ lâm sàng và bác sĩ chẩn đoán hình ảnh nhận được cảnh báo theo thời gian thực trên điện thoại di động của họ trong vòng vài phút sau khi chụp CT hoàn tất, thông báo cho họ về khả năng có LVO. Quy trình AI này cải thiện quy trình làm việc trong bệnh viện đối với đột quỵ thiếu máu cục bộ cấp tính, giảm thời gian từ cửa đến háng từ khi nhập viện đến khi điều trị và mang lại cơ hội cứu sống thành công. Những phát hiện này được công bố trên JAMA Neurology.

Mô hình chăm sóc sức khỏe AI mang lại lợi ích toàn diện

Năm 2023 cũng sẽ chứng kiến ​​nhiều công trình nghiên cứu hữu ích sử dụng AI y tế để tìm ra những đặc điểm vô hình với mắt người từ dữ liệu sẵn có hơn, cho phép chẩn đoán phổ quát và sàng lọc sớm ở quy mô lớn. Đầu năm nay, Nature Medicine đã công bố các nghiên cứu do Trung tâm Mắt Trung Sơn thuộc Đại học Tôn Dật Tiên và Bệnh viện trực thuộc thứ hai của Đại học Y Phúc Kiến thực hiện. Sử dụng điện thoại thông minh làm thiết bị đầu cuối ứng dụng, họ đã sử dụng hình ảnh video giống phim hoạt hình để kích thích ánh mắt của trẻ em và ghi lại hành vi ánh mắt cũng như các đặc điểm trên khuôn mặt của trẻ, đồng thời phân tích sâu hơn các mô hình bất thường bằng mô hình học sâu để xác định thành công 16 bệnh về mắt, bao gồm đục thủy tinh thể bẩm sinh, sụp mí mắt bẩm sinh và bệnh tăng nhãn áp bẩm sinh, với độ chính xác sàng lọc trung bình hơn 85%. Điều này cung cấp một phương tiện kỹ thuật hiệu quả và dễ phổ biến để sàng lọc sớm trên quy mô lớn tình trạng suy giảm chức năng thị giác ở trẻ sơ sinh và các bệnh về mắt liên quan.

Cuối năm, tạp chí Nature Medicine đã báo cáo một nghiên cứu được thực hiện bởi hơn 10 tổ chức y tế và nghiên cứu trên toàn thế giới, bao gồm Viện Bệnh lý Tuyến tụy Thượng Hải và Bệnh viện trực thuộc Đại học Chiết Giang số 1. Tác giả đã ứng dụng AI vào việc sàng lọc ung thư tuyến tụy ở những người không có triệu chứng tại các trung tâm khám sức khỏe, bệnh viện, v.v., để phát hiện các đặc điểm tổn thương trên hình ảnh chụp CT thường quy vốn khó phát hiện bằng mắt thường, nhằm đạt được mục tiêu phát hiện sớm ung thư tuyến tụy hiệu quả và không xâm lấn. Sau khi xem xét dữ liệu từ hơn 20.000 bệnh nhân, mô hình cũng đã xác định được 31 trường hợp tổn thương bị bỏ sót về mặt lâm sàng, giúp cải thiện đáng kể kết quả điều trị.

Chia sẻ dữ liệu y tế

Vào năm 2023, nhiều cơ chế chia sẻ dữ liệu hoàn hảo hơn và các trường hợp thành công đã xuất hiện trên khắp thế giới, đảm bảo sự hợp tác đa trung tâm và tính minh bạch của dữ liệu trên cơ sở bảo vệ quyền riêng tư và bảo mật dữ liệu.

Đầu tiên, với sự trợ giúp của chính công nghệ AI, các nhà nghiên cứu AI đã đóng góp vào việc chia sẻ dữ liệu y tế. Qi Chang và các cộng sự từ Đại học Rutgers, Hoa Kỳ, đã công bố một bài báo trên tạp chí Nature Communications, đề xuất một khuôn khổ học tập liên bang DSL dựa trên các mạng đối kháng tổng hợp phân tán, sử dụng AI tạo sinh để huấn luyện dữ liệu cụ thể được tạo ra từ nhiều trung tâm, sau đó thay thế dữ liệu thực của nhiều trung tâm bằng dữ liệu được tạo ra. Đảm bảo việc huấn luyện AI dựa trên dữ liệu lớn đa trung tâm đồng thời bảo vệ quyền riêng tư dữ liệu. Nhóm nghiên cứu này cũng đã mã nguồn mở một tập dữ liệu gồm các hình ảnh bệnh lý được tạo ra và các chú thích tương ứng của chúng. Mô hình phân đoạn được huấn luyện trên tập dữ liệu được tạo ra có thể đạt được kết quả tương tự như dữ liệu thực.

Nhóm của Dai Qionghai từ Đại học Thanh Hoa đã công bố một bài báo trên npj Digital Health, đề xuất Relay Learning, sử dụng dữ liệu lớn đa điểm để huấn luyện các mô hình AI dựa trên tiền đề về chủ quyền dữ liệu cục bộ và không có kết nối mạng chéo điểm. Phương pháp này cân bằng các mối quan ngại về bảo mật và quyền riêng tư dữ liệu với việc theo đuổi hiệu suất AI. Sau đó, nhóm nghiên cứu này đã cùng nhau phát triển và xác thực CAIMEN, một hệ thống chẩn đoán khối u trung thất toàn bộ bằng CT ngực dựa trên học tập liên bang, hợp tác với Bệnh viện trực thuộc Đại học Y Quảng Châu và 24 bệnh viện trên khắp cả nước. Hệ thống này, có thể được áp dụng cho 12 khối u trung thất phổ biến, đạt độ chính xác cao hơn 44,9% khi sử dụng riêng lẻ so với khi sử dụng riêng lẻ bởi các chuyên gia, và độ chính xác chẩn đoán cao hơn 19% khi có sự hỗ trợ của các chuyên gia.

Mặt khác, một số sáng kiến ​​đang được tiến hành để xây dựng các bộ dữ liệu y tế an toàn, toàn cầu và quy mô lớn. Vào tháng 11 năm 2023, Agustina Saenz và những người khác từ Khoa Tin học Y sinh tại Trường Y Harvard đã công bố trực tuyến trên Lancet Digital Health một khuôn khổ toàn cầu để chia sẻ dữ liệu hình ảnh y tế có tên là Dữ liệu Trí tuệ Nhân tạo cho Tất cả Chăm sóc Sức khỏe (MAIDA). Họ đang hợp tác với các tổ chức chăm sóc sức khỏe trên toàn thế giới để cung cấp hướng dẫn toàn diện về thu thập và xóa nhận dạng dữ liệu, sử dụng mẫu Đối tác Trình diễn Liên bang Hoa Kỳ (FDP) để chuẩn hóa việc chia sẻ dữ liệu. Họ có kế hoạch phát hành dần dần các bộ dữ liệu được thu thập ở các khu vực và Bối cảnh lâm sàng khác nhau trên toàn thế giới. Bộ dữ liệu đầu tiên dự kiến ​​sẽ được phát hành vào đầu năm 2024, và nhiều bộ dữ liệu khác sẽ được phát hành khi quan hệ đối tác mở rộng. Dự án là một nỗ lực quan trọng nhằm xây dựng một bộ dữ liệu AI toàn cầu, quy mô lớn và đa dạng có sẵn công khai.

Tiếp nối đề xuất này, Ngân hàng Sinh học Anh Quốc (UK Biobank) đã nêu gương. Ngày 30 tháng 11, UK Biobank đã công bố dữ liệu mới từ toàn bộ quá trình giải trình tự bộ gen của 500.000 người tham gia. Cơ sở dữ liệu này, nơi công bố toàn bộ trình tự bộ gen của mỗi người trong số 500.000 tình nguyện viên người Anh, là cơ sở dữ liệu bộ gen người hoàn chỉnh lớn nhất thế giới. Các nhà nghiên cứu trên toàn thế giới có thể yêu cầu quyền truy cập vào dữ liệu ẩn danh này và sử dụng nó để thăm dò cơ sở di truyền của sức khỏe và bệnh tật. Dữ liệu di truyền trước đây luôn rất nhạy cảm để xác minh, và thành tựu lịch sử này của UK Biobank chứng minh rằng việc xây dựng một cơ sở dữ liệu toàn cầu mở, không có quyền riêng tư trên quy mô lớn là hoàn toàn khả thi. Với công nghệ và cơ sở dữ liệu này, AI y tế chắc chắn sẽ mở ra bước tiến vượt bậc tiếp theo.

Xác minh và Đánh giá AI Y tế

So với sự phát triển nhanh chóng của công nghệ AI y tế, việc phát triển xác minh và đánh giá AI y tế còn chậm. Việc xác thực và đánh giá trong lĩnh vực AI nói chung thường bỏ qua các yêu cầu thực tế của bác sĩ lâm sàng và bệnh nhân đối với AI. Các thử nghiệm lâm sàng có đối chứng ngẫu nhiên truyền thống quá tốn công sức để theo kịp tốc độ lặp lại nhanh chóng của các công cụ AI. Việc cải thiện hệ thống xác minh và đánh giá phù hợp với các công cụ AI y tế càng sớm càng tốt là điều quan trọng nhất để thúc đẩy AI y tế thực sự vượt qua nghiên cứu và phát triển để ứng dụng lâm sàng.

Trong bài nghiên cứu của Google về Med-PaLM, được công bố trên tạp chí Nature, nhóm nghiên cứu cũng đã công bố chuẩn đánh giá MultiMedQA, được sử dụng để đánh giá khả năng tiếp thu kiến ​​thức lâm sàng của các mô hình ngôn ngữ lớn. Chuẩn này kết hợp sáu bộ dữ liệu Hỏi & Đáp y khoa chuyên nghiệp hiện có, bao gồm kiến ​​thức y khoa chuyên nghiệp, nghiên cứu và các khía cạnh khác, cũng như một bộ dữ liệu cơ sở dữ liệu câu hỏi y khoa tìm kiếm trực tuyến, xem xét việc Hỏi & Đáp trực tuyến giữa bác sĩ và bệnh nhân, nhằm mục đích đào tạo AI thành một bác sĩ đủ tiêu chuẩn từ nhiều khía cạnh. Ngoài ra, nhóm nghiên cứu đề xuất một khuôn khổ dựa trên đánh giá của con người, có tính đến nhiều khía cạnh về thực tế, sự hiểu biết, lý luận và khả năng thiên vị. Đây là một trong những nỗ lực nghiên cứu tiêu biểu nhất được công bố trong năm nay để đánh giá AI trong lĩnh vực chăm sóc sức khỏe.

Tuy nhiên, liệu thực tế là các mô hình ngôn ngữ lớn thể hiện mức độ mã hóa kiến ​​thức lâm sàng cao có nghĩa là các mô hình ngôn ngữ lớn có đủ năng lực cho các nhiệm vụ lâm sàng trong thế giới thực hay không? Cũng giống như một sinh viên y khoa vượt qua kỳ thi bác sĩ chuyên nghiệp với số điểm hoàn hảo vẫn còn xa mới trở thành bác sĩ trưởng đơn độc, các tiêu chí đánh giá do Google đề xuất có thể không phải là câu trả lời hoàn hảo cho chủ đề đánh giá AI y tế cho các mô hình AI. Ngay từ năm 2021 và 2022, các nhà nghiên cứu đã đề xuất các hướng dẫn báo cáo như Decid-AI, SPIRIT-AI và INTRPRT, với hy vọng sẽ định hướng cho quá trình phát triển và xác thực ban đầu của AI y tế trong điều kiện xem xét các yếu tố như tính thực tiễn lâm sàng, an toàn, yếu tố con người và tính minh bạch/khả năng diễn giải. Mới đây, tạp chí Nature Medicine đã công bố một nghiên cứu của các nhà nghiên cứu từ Đại học Oxford và Đại học Stanford về việc nên sử dụng "xác thực bên ngoài" hay "xác thực cục bộ định kỳ". Để xác thực các công cụ AI.

Bản chất khách quan của các công cụ AI cũng là một hướng đánh giá quan trọng đã nhận được sự chú ý trong năm nay từ cả các bài báo trên tạp chí Science và NEJM. AI thường thể hiện sự thiên vị do bị giới hạn trong dữ liệu đào tạo. Sự thiên vị này có thể phản ánh bất bình đẳng xã hội, sau đó phát triển thành sự phân biệt đối xử trong thuật toán. Viện Y tế Quốc gia Hoa Kỳ gần đây đã khởi động sáng kiến ​​Bridge2AI, ước tính chi phí 130 triệu đô la, nhằm xây dựng các bộ dữ liệu đa dạng (phù hợp với các mục tiêu của sáng kiến ​​MAIDA đã đề cập ở trên) có thể được sử dụng để xác thực tính khách quan của các công cụ AI y tế. Những khía cạnh này không được MultiMedQA xem xét. Vấn đề về cách đo lường và xác thực các mô hình AI y tế vẫn cần được thảo luận sâu rộng và toàn diện.

Vào tháng 1, tạp chí Nature Medicine đã xuất bản một bài viết quan điểm có tên "Thế hệ tiếp theo của Y học dựa trên bằng chứng" của Vivek Subbiah thuộc Trung tâm Ung thư MD Anderson thuộc Đại học Texas, trong đó xem xét những hạn chế của các thử nghiệm lâm sàng trong bối cảnh đại dịch COVID-19 và chỉ ra mâu thuẫn giữa đổi mới và tuân thủ quy trình nghiên cứu lâm sàng. Cuối cùng, bài viết chỉ ra tương lai của việc tái cấu trúc các thử nghiệm lâm sàng - thế hệ thử nghiệm lâm sàng tiếp theo sử dụng trí tuệ nhân tạo, tức là sử dụng trí tuệ nhân tạo từ một lượng lớn dữ liệu nghiên cứu lịch sử, dữ liệu thực tế, dữ liệu lâm sàng đa phương thức, dữ liệu thiết bị đeo để tìm ra bằng chứng quan trọng. Liệu điều này có nghĩa là công nghệ AI và các quy trình xác thực lâm sàng AI có thể hỗ trợ lẫn nhau và cùng phát triển trong tương lai? Đây là câu hỏi mở và đáng suy ngẫm của năm 2023.

Quy định về AI y tế

Sự tiến bộ của công nghệ AI cũng đặt ra những thách thức đối với việc quản lý AI và các nhà hoạch định chính sách trên toàn thế giới đang phản ứng thận trọng và cẩn trọng. Năm 2019, FDA lần đầu tiên công bố Khung quản lý được đề xuất cho các thay đổi phần mềm đối với thiết bị y tế trí tuệ nhân tạo (Bản thảo thảo luận), nêu chi tiết cách tiếp cận tiềm năng của mình đối với việc đánh giá trước khi đưa ra thị trường các sửa đổi phần mềm do AI và máy học điều khiển. Năm 2021, FDA đề xuất "Kế hoạch hành động về phần mềm dựa trên trí tuệ nhân tạo/máy học như một thiết bị y tế", trong đó làm rõ năm biện pháp quản lý y tế cụ thể của AI. Năm nay, FDA đã ban hành lại Bản đệ trình trước khi đưa ra thị trường cho các tính năng phần mềm thiết bị để cung cấp thông tin về các khuyến nghị đệ trình trước khi đưa ra thị trường để FDA đánh giá tính an toàn và hiệu quả của các tính năng phần mềm thiết bị, bao gồm một số tính năng thiết bị phần mềm sử dụng các mô hình máy học được đào tạo thông qua các phương pháp máy học. Chính sách quản lý của FDA đã phát triển từ một đề xuất ban đầu thành hướng dẫn thực tế.

Sau khi công bố Không gian Dữ liệu Y tế Châu Âu vào tháng 7 năm ngoái, EU đã một lần nữa ban hành Đạo luật Trí tuệ Nhân tạo. Đạo luật này nhằm mục đích tận dụng tối đa dữ liệu y tế để cung cấp dịch vụ chăm sóc sức khỏe chất lượng cao, giảm bất bình đẳng và hỗ trợ dữ liệu cho mục đích phòng ngừa, chẩn đoán, điều trị, đổi mới khoa học, ra quyết định và lập pháp, đồng thời đảm bảo công dân EU có quyền kiểm soát tốt hơn đối với dữ liệu sức khỏe cá nhân của họ. Đạo luật Trí tuệ Nhân tạo nêu rõ rằng hệ thống chẩn đoán y tế là một hệ thống AI có rủi ro cao và cần áp dụng giám sát chặt chẽ, giám sát toàn bộ vòng đời và giám sát tiền đánh giá. Cơ quan Dược phẩm Châu Âu (EMA) đã công bố Dự thảo Báo cáo Phản ánh về việc sử dụng AI để hỗ trợ phát triển, quản lý và sử dụng thuốc, tập trung vào việc nâng cao độ tin cậy của AI nhằm đảm bảo an toàn cho bệnh nhân và tính toàn vẹn của kết quả nghiên cứu lâm sàng. Nhìn chung, phương pháp tiếp cận quản lý của EU đang dần hình thành, và các chi tiết triển khai cuối cùng có thể sẽ chi tiết và nghiêm ngặt hơn. Trái ngược hoàn toàn với quy định nghiêm ngặt của EU, kế hoạch quản lý AI của Vương quốc Anh nêu rõ rằng chính phủ dự định áp dụng một cách tiếp cận mềm mỏng và hiện chưa ban hành dự luật mới hoặc thành lập cơ quan quản lý mới.

Tại Trung Quốc, Trung tâm Đánh giá Kỹ thuật Thiết bị Y tế (NMPA) thuộc Cục Quản lý Sản phẩm Y tế Quốc gia trước đây đã ban hành các tài liệu như “Điểm Đánh giá Phần mềm Quyết định Hỗ trợ Học sâu”, “Nguyên tắc Hướng dẫn Đánh giá Đăng ký Thiết bị Y tế Trí tuệ Nhân tạo (Bản thảo để Nhận xét)” và “Thông tư về Nguyên tắc Hướng dẫn Phân loại và Định nghĩa Sản phẩm Phần mềm Y tế Trí tuệ Nhân tạo (Số 47 năm 2021)”. Năm nay, “Tóm tắt kết quả phân loại sản phẩm thiết bị y tế lần thứ nhất năm 2023” lại được công bố. Loạt tài liệu này giúp định nghĩa, phân loại và quy định về sản phẩm phần mềm y tế trí tuệ nhân tạo trở nên rõ ràng và dễ vận hành hơn, đồng thời cung cấp hướng dẫn rõ ràng cho các chiến lược định vị và đăng ký sản phẩm của nhiều doanh nghiệp trong ngành. Các tài liệu này cung cấp khuôn khổ và quyết định quản lý cho việc quy định khoa học về thiết bị y tế AI. Điều đáng mong đợi là chương trình nghị sự của Hội nghị Trí tuệ Nhân tạo Y tế Trung Quốc được tổ chức tại Hàng Châu từ ngày 21 đến 23 tháng 12 đã thiết lập một diễn đàn đặc biệt về quản trị y tế số và phát triển chất lượng cao của các bệnh viện công và diễn đàn phát triển ngành công nghệ tiêu chuẩn hóa thử nghiệm và đánh giá thiết bị y tế trí tuệ nhân tạo. Vào thời điểm đó, các quan chức từ Ủy ban Cải cách và Phát triển Quốc gia và NMPA sẽ tham dự cuộc họp và có thể công bố thông tin mới.

Phần kết luận

Năm 2023, AI y tế đã bắt đầu tích hợp vào toàn bộ quy trình y tế từ thượng nguồn đến hạ nguồn, bao gồm thu thập dữ liệu bệnh viện, tổng hợp, phân tích, chẩn đoán và điều trị, sàng lọc cộng đồng, và hợp tác hữu cơ với các nhân viên y tế/kiểm soát dịch bệnh, cho thấy tiềm năng mang lại sức khỏe tốt cho con người. Nghiên cứu AI y tế hữu ích đang bắt đầu hé lộ. Trong tương lai, sự phát triển của AI y tế không chỉ phụ thuộc vào sự phát triển công nghệ mà còn cần sự hợp tác toàn diện của ngành công nghiệp, trường đại học, nghiên cứu y tế và sự hỗ trợ của các nhà hoạch định chính sách và cơ quan quản lý. Sự hợp tác liên ngành này là chìa khóa để đạt được các dịch vụ y tế tích hợp AI, và chắc chắn sẽ thúc đẩy sự phát triển của sức khỏe con người.