(Phụ Nữ Việt Khởi Nghiệp) – Theo một nghiên cứu mới từ Đại học RMIT, Trí tuệ nhân tạo (AI) và học máy (ML) cùng các công nghệ mới nổi khác như khám bệnh trực tuyến, có thể hỗ trợ việc cung cấp y tế chất lượng cao toàn diện cho bệnh nhân nặng ở các quốc gia có thu nhập trung bình thấp (LMIC).

Giảng viên Khoa Khoa học và Công nghệ RMIT Tiến sĩ Đinh Ngọc Minh cho biết nhằm nâng cao chất lượng chăm sóc sức khoẻ tại các nước có thu nhập trung bình thấp, hệ thống y tế đang đối mặt với nhiều thách thức. 

Tiến sĩ Đinh Ngọc Minh, giảng viên Khoa Khoa học và Công nghệ đồng thời là tác giả chính của nghiên cứu, cho biết hệ thống y tế ở các nước LMIC đang đối mặt với nhiều thách thức tác động đến chất lượng chăm sóc, đặt biệt với các ca bệnh nặng đòi hỏi đội ngũ nhân viên y tế có chuyên môn cao, cũng như trang thiết bị đắt tiền trong chẩn đoán và điều trị.

Ông nói: “Thách thức mà ngành y tế nhiều quốc gia đang phải đối mặt thường liên quan đến việc bố trí nguồn lực như tiếp cận y tế, chẩn đoán và điều trị thích hợp, hệ thống và chi phí y tế. Tuy nhiên, ở các nước LMIC nơi nguồn lực hạn chế, vượt qua những thách thức này còn khó khăn hơn”.

Theo Tiến sĩ Minh, các tiến bộ kỹ thuật và công nghệ gần đây có thể đem đến những biện pháp thay thế đột phá và mới lạ cho cách thức chăm sóc thông thường hiện nay, điều có thể khiến đội ngũ nhân viên y tế và các trang thiết bị tốn kém không còn cần thiết.

Từ khi học máy (Machine Learning) và học sâu (Deep Learning) trở nên phổ biến, các công nghệ này dần dần được ngành y tế đón nhận nhờ năng lực phân tích lượng dữ liệu y tế khủng để đưa ra căn cứ đánh giá nguy cơ đúng thời điểm, phân bổ nguồn lực chính xác và chẩn đoán bệnh.

“Tổ chức Y tế Thế giới dự đoán có đến hai phần ba dân số thế giới không được chụp X quang và chẩn đoán. Và dẫu chụp X quang ngực hiện đã có mặt ở các phòng chăm sóc đặc biệt tại các quốc gia LMIC, số chuyên gia có thể đọc kết quả phim chụp còn rất ít. Trí tuệ nhân tạo và học sâu nói riêng có thể đem đến giải pháp giải quyết vấn đề này vì chúng rất thích hợp trong việc nhận diện dạng mẫu. Nhiều nghiên cứu vừa công bố chỉ ra rằng ứng dụng học sâu có thể hỗ trợ chụp phim lồng ngực, và những kho dữ liệu đồ sộ là nền tảng giúp xây dựng các thuật toán đủ để thực hiện phương pháp này”.

Ngoài việc nâng cao hệ thống chẩn đoán, học sâu còn cho thấy lợi thế rất lớn trong hỗ trợ việc đưa ra quyết định và quản trị y tế. 

“Học máy đem đến khung phân tích dữ liệu đa phương thức đa chiều – một lợi thế trong khảo sát dữ liệu y sinh phức tạp, đồng thời cho thấy triển vọng trong cải thiện tầm soát, chẩn đoán và kiểm soát bệnh”, Tiến sĩ Minh cho hay. “Và với mảng chăm sóc đặc biệt, nơi thường có khối lượng dữ liệu cực kỳ lớn, học sâu đặc biệt rất được quan tâm”.

Các tiến bộ kỹ thuật và công nghệ gần đây có thể đem đến những biện pháp thay thế đột phá và mới lạ cho cách thức chăm sóc thông thường hiện nay, điều có thể khiến đội ngũ nhân viên y tế và các trang thiết bị tốn kém không còn cần thiết.

Nghiên cứu phát hiện rằng các ứng dụng học sâu có thể được phát triển để nhận diện và truy vết bệnh mãn tính và bệnh nhân nguy cơ cao tốt hơn, nhằm giúp giảm số lượng bệnh nhân nhập viện/tái nhập viện cũng như các yêu cầu quyền lợi y tế.

Tiến sĩ Minh đưa ra ví dụ về kênh nghiên cứu sinh học của BERG, nơi dùng học sâu để nhận diện phân tử cơ bản của các biến cố nhằm vẽ ra phác đồ bệnh và các phương thức điều trị bệnh ung thư, thần kinh và các bệnh hiếm khác.

“Công nghệ cho phép các cơ sở y khoa có thể chọn phương thức chữa trị có thể dự đoán được, thay vì dựa vào phương pháp thử-sai”, Tiến sĩ Minh giải thích.

“Với việc gia tăng sử dụng hồ sơ y tế điện tử ở các nước LMIC, những công nghệ này ngày càng cho thấy sự thích hợp với hệ thống y tế có nguồn lực giới hạn, đặc biệt với các hệ thống được thiết kế quanh chi phí và hoá đơn. Hiểu hơn về chi phí chăm sóc đặc biệt có thể giúp can thiệp và dùng nguồn lực phù hợp, cũng như có thể bảo vệ nhóm dễ bị tổn thương khỏi các chi phí thừa hay không cân đối”.

Tiến sĩ Minh nhấn mạnh vào những tác động đáng kể mà hệ thống trí tuệ nhân tạo có thể đem đến cho các quốc gia LMIC, đồng thời giải quyết được nhiều rào cản trong việc đem đến chăm sóc đặc biệt chất lượng cao. 

Ông nói: “Giảm chi phí và chuyên gia cần thiết để giám sát và chữa trị cho những bệnh nhân rất nặng là bước quan trọng không chỉ giúp cải thiện bệnh tình bệnh nhân, mà còn giảm bất công trong cung cấp dịch vụ y tế”.

“Những nhân viên bận rộn và ít được đào tạo chuyên sâu hơn có thể được hệ thống hỗ trợ ra quyết định lâm sàng học sâu trợ giúp. Và khi có càng nhiều quốc gia dùng hồ sơ y tế điện tử, dữ liệu thu thập từ đây có thể dùng vào hệ thống hỗ trợ ra quyết định lâm sàng hoặc dịch vụ chăm sóc sức khoẻ tối ưu hoá.

Ở Việt Nam, công cụ hỗ trợ ra quyết định lâm sàng dựa trên học máy cho bệnh uốn ván và sốt xuất huyết, cũng như phân tích hình ảnh dựa trên học sâu cho bệnh lao, viêm màng não do não mô cầu và sốt xuất huyết, đang được phát triển trong khuôn khổ dự án VITAL (Thí nghiệm ứng dụng công nghệ trong chăm sóc đặc biệt ở Việt Nam). 

Tiến sĩ Minh còn xác định và chỉ ra một số xu hướng mà hệ thống y tế, đặc biệt mảng chăm sóc đặc biệt, tại các nước LMIC có thể được lợi. 

“Thế hệ công nghệ thông tin mới như Internet vạn vật, dữ liệu lớn, điện toán đám mây và crowdsourcing (hình thức tạo ra sản phẩm, thu thập thông tin hoặc ý kiến từ một nhóm người đông đảo gửi dữ liệu của mình qua Internet, mạng xã hội hoặc ứng dụng điện thoại thông minh), đã và đang chuyển đổi hệ thống y tế trở nên không chỉ hiệu quả và tiện lợi hơn, mà còn cá thể hoá hơn, cũng như với chi phí thấp hơn”, ông chia sẻ. “Bệnh nhân có thể được trang bị các thiết bị điện tử đeo được để theo dõi sức khoẻ thường xuyên, hoặc dùng điện thoại chi phí thấp như nguồn dữ liệu trực tuyến để tầm soát việc lây lan dịch bệnh”.

New ways to revolutionise healthcare in low- and middle-income countries

(Phu Nu Viet Khoi Nghiep) – Artificial Intelligence (AI) and Machine Learning (ML), together with other immersive technologies such as telemedicine, could support the comprehensive provision of high-quality care to critically ill patients in low- and middle-income countries (LMIC), according to new RMIT research.

To improve healthcare quality in low- to middle-income countries, health systems face many challenges, said RMIT School of Science & Technology lecturer Dr Dinh Ngoc Minh.

RMIT School of Science & Technology lecturer and lead research author Dr Dinh Ngoc Minh said health systems in LMICs face many challenges that impact the quality of care, especially for critical illnesses that require highly trained staff and expensive equipment for diagnostics and treatment.

“Many countries face challenges in their healthcare industries that are usually related to resource settings like access to care, appropriate diagnosis and treatment, systems and cost of care, however in LMICs, where resources are already limited, overcoming these challenges may be even more difficult,” Dr Minh said. 

According to Dr Minh, recent advances in engineering and technology may be able to offer disruptive and novel alternatives to conventional care approaches, which could negate the need for costly staff and equipment.

Since ML and Deep Learning (DL) have grown in popularity, ML is gradually being accepted in the healthcare industry thanks to its capacity to analyse large sets of medical data to provide timely risk scores, precise resource allocation, and diagnosis of illness.

“The World Health Organization estimates that up to two thirds of the world’s population lacks access to chest X-rays and diagnostics, and while chest X-rays are available in many LMICs intensive care settings, there are a limited number of experts able to interpret these images. 

“AI and DL technologies in particular may provide a solution to this problem as they’re well-suited to recognising patterns. An increasing number of research publications show DL applications can support chest radiography in this way, as a wealth of high-volume datasets allows algorithms to be constructed.”

Apart from enhancing diagnostic systems, ML also presents great advantages in supporting decision-making and healthcare management. 

“ML offers a framework for analysis of high-dimensional multimodal data, which is an advantage in examining complex biomedical data, and shows promise in improving detection, diagnosis and monitoring of disease,” Dr Minh said. “And for critical care where there are often huge volumes of data, ML approaches are particularly attractive.”

Recent advances in engineering and technology may be able to offer disruptive and novel alternatives to conventional care approaches, which could negate the need for costly staff and equipment.

The research found that ML applications could be developed to better identify and track chronic disease and high-risk patients, and to design appropriate interventions, to help reduce the number of hospital (re)admissions and claims.

Dr Minh gave an example of the BERG Interrogative Biology platform which uses ML to identify the molecular basis of adverse events in order to map disease and treatments in oncology, neurology and other rare conditions.

“The technology has allowed healthcare providers to take a more predictive approach, rather than relying on trial-and-error,” Dr Minh explained.

“With the growing use of electronic healthcare records in LMICs, these technologies are increasingly relevant to resource-limited health systems, particularly as many systems are designed around costing and billing. “A better understanding of intensive care costs may allow appropriate interventions and use of resources, and may also protect vulnerable populations against excessive or disproportionate costs.”

Dr Minh emphasised the significant impacts that AI systems can have in LMICs and addressed many of the barriers to providing high quality intensive care.

“Reducing the cost and expertise needed to monitor and treat critically ill patients is an important step that can not only improve patient outcomes per se, but also reduce inequalities in service provision,” he said. 

“Busy and less well-trained staff can be supported by ML clinical support, and as more countries embrace electronic health records, data from these could be used either for clinical decision support or healthcare service optimisation. 

In Vietnam, ML-based clinical decision support tools for tetanus and dengue are being developed, as well as DL image-analysis in tuberculous, meningitis and dengue as part of the VITAL (Vietnam ICU Technology Applications Laboratory) project.

Dr Minh also identified several trends in which LMIC healthcare systems, especially in critical care, can benefit.

“A new generation of information technologies including the Internet of Things (loTs), big data, cloud computing, and crowdsourcing, have transformed healthcare to become not only more efficient and more convenient, but also more personalised, yet deliverable at low-costs,” he said. 

“Patients can be equipped with wearable devices to monitor their health constantly, or low-cost mobile devices can be used as a live source of data for monitoring the spread of diseases.”

Author: Trần Minh