TS Đinh Ngọc Minh, giảng viên Khoa Khoa học và Công nghệ (Đại học RMIT), 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, đặc biệt 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.
 |
| TS Đinh Ngọc Minh, giảng viên Khoa Khoa học và Công nghệ (Đại học RMIT), đồng thời là tác giả chính của nghiên cứu cho biết, hệ thống y tế ở các nước có thu nhập trung bình thấp đang đối mặt với nhiều thách thức tác động đến chất lượng chăm sóc. |
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 TS Đinh Ngọc 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 (WHO) 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. Những kho dữ liệu đồ sộ là nền tảng giúp xây dựng các thuật toán đủ để thực hiện phương pháp này.
Nghiên cứu phát hiện rằng các ứng dụng học sâu có thể được phát triển để nhận diện và truy vết bệnh mạn 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. TS Đinh Ngọc 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.
 |
| 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. |
Theo đó, 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. 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. 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).
