Th2
Tác giả: Lê Ngọc Khả Nhi.
Gần đây, có một số dự án ứng dụng trí tuệ nhân tạo vào Y học lâm sàng đã được tiến hành tại Việt Nam. Đây là tín hiệu tốt, nhưng vẫn tiềm ẩn nhiều câu hỏi cần suy nghĩ cho tương lai.
Vấn đề quan trọng nhất, đó là sản phẩm/dịch vụ ứng dụng AI trong y học phải sinh ra lợi nhuận cho người đầu tư phát triển ra chúng. Sau đó, nó phải được y giới chấp nhận, và đảm bảo an toàn/lợi ích cho người bệnh.
Hiện nay trên thế giới có 3 mô hình kinh doanh phổ biến là:
1. Nhắm đến đối tượng người dùng phổ thông:
Các sản phẩm loại này thường nhắm đến một nhu cầu về sức khỏe trong cuộc sống hằng ngày, thí dụ dinh dưỡng, theo dõi cân nặng, vệ sinh răng miệng, giấc ngủ, thể dục, theo dõi sinh hiệu cơ bản (nhịp tim, huyết áp, đường huyết)…; kết hợp công nghệ cảm biến tín hiệu sinh học và thuật toán Machine learning phân tích tự động các tín hiệu này; tích hợp vào những vật dụng tùy thân, cá nhân như điện thoại, đồng hồ, chăn gối, quần áo, … Thậm chí, có những cảm biến rẻ tiền có thể dùng 1 vài lần rồi bỏ. Các sản phẩm này được bán cho người dùng phổ thông, nhưng không được xem như thiết bị y tế nghiêm túc nên không chịu sự kiểm soát nghiêm ngặt về luật pháp và cũng không cần được kiểm định bằng nghiên cứu thử nghiệm lâm sàng. Mô hình kinh doanh này thường chỉ có lợi nhuận giơi hạn, mang tính thời trang nhưng không bền vững.
2. Nhắm trực tiếp đến đối tượng bác sĩ và chuyên viên y tế tư nhân, cho mục đích sử dụng cá nhân:
Mô hình này có thể gồm những thiết bị/dụng cụ y tế tích hợp công nghệ AI (ống nghe điện tử, máy thăm dò chức năng hô hấp, …), hoặc ứng dụng/phần mềm. Mục tiêu chính thường là hỗ trợ bác sĩ trong công việc hằng ngày (chẩn đoán, chẩn đoán phân biệt, tiên lượng, sàng lọc bệnh…). Đối tượng dữ liệu đầu vào đa dạng, có thể là kết quả xét nghiệm, văn bản, tín hiệu sinh học. Những sản phẩm này được xếp vào loại thiết bị y khoa-chẩn đoán, nên phải tuân thủ những tiêu chí nghiêm ngặt về chất lượng cho loại này. Lợi nhuận đến từ người bác sĩ, dưới hình thức thuê bao dịch vụ. Tuy nhiên, chi phí đầu tư và vận hành có thể không được bảo hiểm y tế chi trả, nhưng được tính vào thù lao khám chữa bệnh, nên lợi nhuận có thể không ổn định và không bền vững.
3. Nhắm đến cơ sở y tế và hệ thống bảo hiểm y tế công:
Đây là mô hình cao cấp nhất, có nhiều thử thách nhất nhưng nếu thành công sẽ đảm bảo nguồn lợi nhuận gần như vô tận và bền vững.
Trở ngại lớn nhất của mô hình này là nhà phát triển phải tìm cách đạt được thỏa hiệp với giới hàn lâm y học (thực chất là tổ chức chính trị, nắm quyền lực thay đổi chính sách y tế), sao cho chọ nhận ra lợi ích của mô hình, thay vì giữ thái độ nghi ngờ và cảm giác lo ngại về việc họ sẽ bị thay thế bởi máy móc.
Có 2 chiến lược: hoặc sản phẩm sinh ra từ trong chính viện nghiên cứu hàn lâm bởi một nhân vật quyền lực, uy tín, hoặc một công ty bên ngoài tạo ra mạng lưới hợp tác với các viện nghiên cứu này, việc hợp tác dựa trên chia sẻ lợi ích (với viện trường: có dự án là có thêm kinh phí từ chính phủ, nuôi được nhân viên, có công bố khoa học, với doanh nghiệp: có thể tiến hành thử nghiệm lâm sàng đa trung tâm).
Khi dùng mô hình này, chắc chắn phải đi qua con đường công bố khoa học và các nghiên cứu lâm sàng với quy mô lớn, tầm vóc quốc gia hay đa quốc gia. Nhà sản xuất phải đi chinh phục từng bệnh viện, từng viện/phòng lab trong một hành trình kiên trì, có khi kéo dài nhiều năm cho đến khi đủ sức tạo ra bước ngoặt về chính sách và thuyết phục được bảo hiểm y tế thanh toán cho sản phẩm/dịch vụ của họ.
Tại Việt Nam, có rất nhiều khác biệt so với những nước phát triển về nghiên cứu ứng dụng AI vào y học, do đó nhiều thử thách và cạm bẫy:
Chúng ta chưa có một nền công nghiệp thiết bị Y khoa và công nghệ điện tử đủ mạnh để có thể tích hợp ngay ứng dụng vào những thiết bị phần cứng có sẵn, thí dụ máy móc xét nghiệm.
Ta cũng chưa có một hệ thống y học hàn lâm đủ mạnh để có thể khảo nghiệm độc lập, phản biện những ý tưởng mới một cách khoa học. Ở Việt Nam, một mô hình công nghệ mới khó sinh ra từ trường đại học hoặc các start-up quy mô nhỏ, nhưng thường tập trung hết về một tập đoàn lớn, dẫn đến tính độc quyền và ít chịu sự kiểm soát nào về pháp lý từ cơ quan có thẩm quyền.
Chưa có hành lang pháp lý và các quy chuẩn (như FDA hay các cơ quan chuyên trách tại Châu Âu đang thiết lập), để thẩm định công nghệ trí tuệ nhân tạo ứng dụng vào y học, điều này sẽ dẫn đến một môi trường rất hỗn loạn về lâu dài.
4. Kết luận:
Rất khó để thực hiện một cuộc cách mạng về trí tuệ nhân tạo trong y học thực hành chỉ bằng 1 chân – là lực lượng chuyên gia công nghệ, nhưng cần sự đầu tư phát triển đồng đều cả 3 hướng: (1) Chuyên nghiệp hóa và cải thiện phẩm chất nghiên cứu khoa học hàn lâm tại các trường đại học Y khoa (cả công và tư), tự chủ đại học; (2) Phát triển ngành kỹ thuật y sinh, công nghệ thiết bị y khoa; (3) Xây dựng tổ chức gồm các khoa học gia và chuyên gia bên trong Bộ Y tế, để kiểm định độc lập, cấp phép lưu hành cho các sản phẩm công nghệ, đảm bảo an toàn cho người bệnh.
5. Chú thích:
Người viết bài hiện làm việc cho một startup công nghệ, trong vai trò Data scientist và nghiên cứu lâm sàng và từ 2 năm qua phải chiến đấu trên cả 3 mặt trận: nghiên cứu phát triển sản phẩm, chinh phục thị trường tại các nước Châu Âu, vượt qua tường thành FDA để có thể xâm nhập thị trường Mỹ.
Tài liệu tham khảo
Nguồn: BioMedical data science initiatives group
