Phép thử tiếp theo của AI y tế là khả năng tích hợp mô hình với dữ liệu được quản trị và quy trình vận hành. Hệ thống cũng cần tri thức chuyên ngành cùng sự giám sát của con người. Một mô hình có thể đọc hồ sơ hoặc tạo bản tóm tắt mạch lạc. Nhưng giá trị thực tế chỉ xuất hiện khi kết quả hỗ trợ được một quyết định. Kết quả đó phải tuân thủ giới hạn nghiệp vụ và dẫn đến tác động có thể đo lường.
Sự tham gia của các công ty AI lớn đang giúp ngành y tế có nền tảng kỹ thuật tốt hơn. Mô hình hiện có thể xử lý hồ sơ lâm sàng dài và diễn giải thuật ngữ phức tạp. Nó cũng có thể đối chiếu tài liệu với bằng chứng và tóm tắt lượng thông tin lớn. Theo bài viết của Ensemble đăng trên MIT Technology Review, những năng lực này giúp giảm công sức tìm kiếm dữ liệu. Người hưởng lợi gồm bác sĩ, nhân viên vận hành và đội ngũ hành chính.
Năng lực của mô hình không đồng nghĩa với năng lực vận hành. Vấn đề hành chính trong y tế không nằm ở tình trạng thiếu thông tin hay năng lực riêng lẻ của mô hình. Nguyên nhân là dữ liệu, quy trình và trách nhiệm bị phân mảnh.
Trong nhiều thập niên, các tổ chức y tế đã đầu tư vào hồ sơ sức khỏe điện tử và nền tảng thanh toán. Họ cũng đầu tư vào cổng thông tin của bên chi trả, hệ thống đặt lịch, trung tâm cuộc gọi và công cụ phân tích. Mỗi hệ thống lưu một phần thông tin quan trọng. Tuy nhiên, ít hệ thống có thể suy luận xuyên suốt chuỗi quyết định. Chuỗi này ảnh hưởng đến khả năng tiếp cận dịch vụ, tính đầy đủ của hồ sơ và việc thanh toán cho cơ sở y tế.
Chu trình doanh thu là nơi AI phải chứng minh hiệu quả
Chu trình doanh thu cho thấy rõ AI có thể tạo ra giá trị vận hành hay không. Quá trình này có nhiều giao dịch và kết hợp dữ liệu có cấu trúc với tài liệu phi cấu trúc. Nó đòi hỏi suy luận theo từng trường hợp. Kết quả có thể được kiểm tra qua tiến độ xử lý hoặc thanh toán.
Chu trình doanh thu bao gồm toàn bộ quá trình cơ sở y tế nhận thanh toán cho dịch vụ đã cung cấp. Quá trình bắt đầu từ đặt lịch, đăng ký, mã hóa và lập hóa đơn. Sau đó là làm việc với bên chi trả và thu tiền. Chu trình này liên quan trực tiếp đến hiệu quả tài chính và khả năng tiếp cận dịch vụ của người bệnh. Nó cũng ảnh hưởng đến khối lượng công việc hành chính.
Một yêu cầu thanh toán có thể phụ thuộc vào thông tin bảo hiểm, tài liệu lâm sàng và quy tắc mã hóa. Chính sách của bên chi trả, yêu cầu phê duyệt trước và tiêu chí về tính cần thiết y khoa cũng có ảnh hưởng. Sai sót tại một bước có thể chỉ bộc lộ sau nhiều tuần hoặc nhiều tháng.
Nội dung vận hành vượt quá các quy tắc cố định
Tự động hóa quy trình bằng rô bốt hoạt động tốt khi quy trình ổn định và quy tắc có thể dự đoán. Quản trị y tế thường không đáp ứng hai điều kiện này. Yêu cầu của bên chi trả thay đổi và tiêu chuẩn tài liệu phát triển theo thời gian. Ngoại lệ cũng xuất hiện thường xuyên và có thể ảnh hưởng đáng kể đến kết quả.
Mô hình ngôn ngữ lớn có thể rút ý nghĩa từ văn bản, tóm tắt hồ sơ và hỗ trợ suy luận trên tài liệu phức tạp. Nếu hoạt động riêng lẻ, mô hình vẫn có thể tạo ra kết quả nghe hợp lý nhưng khó truy vết. Kết quả cũng có thể không phản ánh đầy đủ giới hạn quy trình của tổ chức hoặc bỏ qua lịch sử xử lý với một bên chi trả cụ thể.
Mô hình nền tảng sẽ trở nên cần thiết nhưng chưa đủ
Mô hình nền tảng có thể đọc, diễn giải và tạo nội dung. Tuy nhiên, nó không tự chứa toàn bộ tri thức cần thiết để vận hành một tổ chức y tế. Giá trị phụ thuộc vào cách tổ chức kết hợp mô hình với dữ liệu riêng và lịch sử giao dịch. Quy tắc nghiệp vụ, bối cảnh quy trình và cơ chế quản trị cũng cần được kết nối.
Cửa sổ ngữ cảnh lớn hơn giúp xử lý hồ sơ theo thời gian dễ dàng hơn. Khả năng suy luận tốt hơn hỗ trợ diễn giải tình huống lâm sàng phức tạp. Năng lực đa phương thức trong tương lai có thể kết nối văn bản và hình ảnh. Nó cũng có thể kết nối dữ liệu có cấu trúc với tín hiệu lâm sàng theo cách hữu ích hơn.
Những cải tiến về độ an toàn và khả năng tinh chỉnh cho y tế cũng có thể thúc đẩy việc áp dụng. Chúng giúp công việc nhanh hơn, nhất quán hơn và dễ xử lý hơn. Tuy nhiên, chúng không tự giải quyết được sự phức tạp hành chính đã tích tụ lâu năm.
Tri thức vận hành tạo ra khác biệt
Phần lớn tri thức vận hành không nằm trong tài liệu y khoa phổ thông, sổ tay mã hóa hay hướng dẫn công khai của bên chi trả. Tri thức đó hình thành từ những gì xảy ra sau mỗi quyết định, cho biết cách khiếu nại nào đem lại kết quả tốt hơn và tài liệu nào thường bị thiếu. Qua đó, tổ chức còn hiểu cách một bên chi trả phản ứng trước lập luận lâm sàng cụ thể.
Đây là kinh nghiệm dài hạn được tích lũy qua giao dịch, kết quả, ngoại lệ và phán đoán của con người. Mô hình nền tảng ngày càng mạnh. Vì vậy, hiểu biết y tế cơ bản sẽ khó tạo ra khác biệt lâu dài. Lợi thế nằm ở cách tổ chức kết hợp mô hình với dữ liệu vận hành riêng và tri thức có cấu trúc. Bối cảnh quy trình cùng cơ chế quản trị cũng quyết định khả năng tạo ra khác biệt.
Yêu cầu tích hợp cũng đặt ra câu hỏi về mức quyền nên trao cho AI. Câu hỏi này trở nên cấp thiết khi hệ thống tham gia vào các quyết định ảnh hưởng trực tiếp đến con người.
Từ tự động hóa sang điều phối tác tử
Điều phối tác tử biến khả năng hiểu của mô hình thành một chuỗi hành động có kiểm soát trên nhiều hệ thống. Một tác tử hữu ích phải lấy đúng dữ liệu và áp dụng quy tắc phù hợp. Nó chuyển ngoại lệ cho con người, theo dõi phản hồi và điều chỉnh bước tiếp theo theo kết quả.
Chẳng hạn, một quy trình phê duyệt trước có thể phải lấy tài liệu lâm sàng qua API dựa trên chuẩn FHIR (Fast Healthcare Interoperability Resources), rồi đối chiếu bệnh sử với tiêu chí của bên chi trả. Hệ thống phát hiện bằng chứng còn thiếu, tạo bộ hồ sơ và chuyển ngoại lệ cho chuyên gia. Sau đó, hệ thống theo dõi phản hồi, điều chỉnh lộ trình chăm sóc và học từ kết quả.
Khả năng phối hợp đó cần đi cùng hàng rào kiểm soát, gồm yêu cầu pháp lý, tiêu chuẩn riêng tư, chính sách lâm sàng và quy tắc mã hóa. Hệ thống cũng phải áp dụng tiêu chí của bên chi trả cùng ngưỡng rủi ro của tổ chức. Một hướng tiếp cận là kiến trúc lai kết hợp mô hình ngôn ngữ lớn với kho tri thức có cấu trúc, lôgic ký hiệu, học tăng cường và các lớp kiểm định theo quy tắc cố định.
Để vận hành kiến trúc như vậy, tổ chức phải coi hạ tầng AI là một phần của hệ thống nghiệp vụ. Hạ tầng này không nên là một giao diện tách biệt đặt bên ngoài quy trình.
Cách Ensemble xây dựng lớp trí tuệ vận hành
Ensemble áp dụng mô hình tích hợp này cho EIQ, công cụ trí tuệ dành cho chu trình doanh thu. EIQ kết hợp hoạt động vận hành, tài liệu lâm sàng, hành vi của bên chi trả và kết quả thanh toán. Lớp trí tuệ này học liên tục và tích hợp với hồ sơ sức khỏe điện tử của bệnh viện.
EIQ bổ sung một lớp trí tuệ cho hệ thống lưu trữ chính thức, qua đó kết nối thông tin và đề xuất hành động phù hợp với bối cảnh vận hành. Công cụ sử dụng cách tiếp cận thần kinh kết hợp ký hiệu, ghép các mô hình ngôn ngữ lớn và nhỏ được tùy chỉnh với suy luận dựa trên quy tắc.
Theo Ensemble, kiến trúc này dựa trên dữ liệu hình thành từ hơn một thập niên vận hành. Dữ liệu bao gồm lịch sử giao dịch, hành vi của bên chi trả và quyết định của nhân viên. Các mô hình ngôn ngữ diễn giải thông tin và tạo nội dung con người có thể đọc. Lớp ký hiệu biểu diễn chính sách, quy tắc, yêu cầu của bên chi trả và giới hạn quy trình. Cấu trúc này giúp hệ thống áp dụng hàng rào kiểm soát và làm rõ các bước suy luận. Nó cũng đề xuất hành động theo từng trường hợp.
Thập niên tới sẽ đánh giá khả năng tích hợp
Năng lực của từng mô hình không thể tự mình quyết định giá trị của AI y tế trong thập niên tới. Thước đo quan trọng hơn là khả năng kết nối mô hình với dữ liệu được quản trị và quy trình vận hành. Chuyên môn ngành, giám sát của con người và kết quả có thể đo lường cũng phải được tích hợp.
Các công ty AI lớn sẽ tiếp tục cung cấp những mô hình nhanh hơn, an toàn hơn, mạnh hơn và dễ tiếp cận hơn cho ngành y tế. Những cải tiến đó là nền tảng kỹ thuật, không phải một hệ thống vận hành hoàn chỉnh.
Trí tuệ y tế không thể chỉ nằm trong một giao diện tách rời. Nó phải hiện diện trong những quyết định ảnh hưởng đến khả năng tiếp cận dịch vụ và chất lượng tài liệu. Các quyết định về thanh toán và trải nghiệm của người bệnh cũng cần đến lớp trí tuệ này. Hệ thống chỉ chứng minh được giá trị khi các quyết định đó có thể được kiểm tra và quản trị. Chúng cũng phải được đối chiếu với kết quả thực tế.
Bài viết gốc do Ensemble thực hiện và không phải nội dung do ban biên tập MIT Technology Review viết.
Hãy tiếp tục theo dõi Sine để quan sát cách AI chuyển từ trình diễn năng lực sang vận hành trong những hệ thống thực tế.
