Một agent AI tự xử lý toàn bộ ca bệnh — trong mô phỏng, trên hồ sơ cũ

Trả lời một câu hỏi không giống với tự xử lý cả ca bệnh

Phần lớn câu chuyện về AI y tế nói về một mô hình biết trả lời. Bạn đưa cho nó một ca mô phỏng hay câu hỏi thi, nó trả lại chẩn đoán hoặc một đoạn tư vấn rồi đạt điểm cao. Hữu ích, nhưng hẹp: giống một chuyên gia tư vấn thông minh chưa bao giờ trực tiếp chạm vào hồ sơ bệnh án.

MIRA được xây để làm điều khác, và chính sự khác biệt đó mới là tin tức thật. Thay vì trả lời một câu, nó xử lý cả ca bệnh: đọc hồ sơ bệnh nhân, quyết định còn cần hỏi gì trong bệnh sử, chỉ định xét nghiệm, chẩn đoán hình ảnh và vi sinh, đọc kết quả, thu hẹp chẩn đoán phân biệt rồi ghi các y lệnh tiếp theo — đơn thuốc, nhập viện, chuyển phẫu thuật. Nó làm việc này bằng cách thực hiện hành động bên trong hồ sơ sức khỏe điện tử, giống cách người lâm sàng làm, thay vì chỉ sinh văn bản để con người chép lại.

Đó là một bước tiến thật: từ hệ thống tư vấn sang hệ thống hành động xuyên suốt quy trình. Và cũng chính là loại bước tiến rất dễ bị báo chí ép phẳng thành “AI vượt bác sĩ”. Vì vậy cần nói thật chính xác thứ gì đã được kiểm tra và nó chạy ở đâu.

Phiên bản một câu: MIRA tự xử lý toàn bộ ca bệnh và trên benchmark này đạt độ chính xác chẩn đoán cao hơn bác sĩ — nhưng nó làm vậy trong sandbox, trên hồ sơ hồi cứu, với tám chẩn đoán đã chọn trước, giao tiếp chỉ bằng văn bản, và phần lớn lợi thế xuất hiện ở những bệnh có xét nghiệm phân định rõ. Bước tiến là thật. Bảng điểm không phải phòng khám.

Các tác giả đã làm gì

MIRA — Medical Intelligence for Reasoning and Action — là một agent tự chủ xây trên mô hình của OpenAI: phần trò chuyện và thực hiện hành động chạy GPT-4o, còn một bước lập kế hoạch riêng dùng mô hình suy luận o1 của OpenAI. Chúng nằm trong một khung tùy biến tuân thủ chuẩn — xây trên HL7 FHIR, chuẩn dữ liệu mà bệnh viện thật dùng để trao đổi hồ sơ — với hộp công cụ hơn tám mươi nghìn hành động lâm sàng khả dĩ. Trong sandbox đó, MIRA có thể lấy bệnh sử, chỉ định và diễn giải xét nghiệm, hình ảnh và vi sinh, lập chẩn đoán phân biệt, rồi hình thành kế hoạch điều trị — kê thuốc, lên lịch phẫu thuật, lập kế hoạch nhập viện. Một chi tiết đáng nêu ngay: những “giám khảo” tự động chấm câu trả lời của MIRA cũng là GPT-4o — cùng họ mô hình đang được kiểm tra — nên sau khi một phản biện nêu lo ngại, các tác giả bổ sung đánh giá của một bác sĩ được chứng nhận chuyên khoa.

Bộ kiểm tra đến từ MIMIC-IV, một cơ sở dữ liệu EHR đã khử định danh, công khai và rất lớn. Từ khoảng 300.000 bệnh nhân điều trị tại Beth Israel Deaconess Medical Center giai đoạn 2008–2019, các tác giả chọn 574 ca bệnh thuộc tám chẩn đoán mục tiêu — các bệnh lý bụng và cấp cứu nội khoa, gồm viêm ruột thừa, viêm tụy, viêm phổi và nhiễm trùng đường tiểu. Với mỗi ca, MIRA bắt đầu từ một bức tranh hạn chế rồi phải quyết định từng bước sẽ làm gì tiếp — cùng hình dạng với một quy trình chẩn đoán thật, nhưng chạy trên hồ sơ mà kết cục thực tế đã được ghi sẵn.

Hiệu năng sau đó được so với bác sĩ trên cùng các ca.

Họ tìm thấy gì

Trên benchmark, MIRA vượt bác sĩ về độ chính xác chẩn đoán — nhưng tiêu đề che ba con số khác nhau rất dễ bị trộn, nên cần tách chúng.

Xét riêng toàn bộ 574 ca, MIRA gọi đúng chẩn đoán 88,9% — chấm theo chẩn đoán lúc xuất viện thực sự được ghi cho từng bệnh nhân trong MIMIC-IV. Trong so sánh trực tiếp với người, bác sĩ không xử lý cả 574 ca; họ làm một tập con chung 311 ca, dùng cùng hồ sơ và công cụ mà MIRA có. Trên đúng 311 ca đó, MIRA đạt 87,8% và được so với hai nhóm bác sĩ tuyển riêng. Nhóm thứ nhất là nhóm giàu kinh nghiệm: bốn bác sĩ chuyên khoa có 7–11 năm kinh nghiệm, đạt 78,1%. Nhóm thứ hai là nhóm kinh nghiệm hỗn hợp: phần lớn bác sĩ nội trú trẻ cộng hai chuyên gia, gần với cách một khoa cấp cứu thật được bố trí nhân sự hơn, đạt 71,1%. Cùng ca, cùng công cụ — thứ tự là AI trước, bác sĩ dày dạn thứ hai, nhóm nhiều người trẻ thứ ba. Cách diễn đạt thận trọng của bài báo là MIRA “nhất quán tương đương và thường vượt” bác sĩ trên cả tám bệnh.

Các quyết định phía sau cũng khá vững: phần lớn phù hợp hướng dẫn, an toàn về thuốc và hợp lý về nhập viện. Các tác giả báo cáo không có lỗi thuốc mức độ nghiêm trọng cao trong năm nhóm an toàn (tương tác thuốc, điều chỉnh liều theo thận, dị ứng, nguy cơ QT và kê opioid), với đơn thuốc đúng ở 467/468 ca — đồng thời lưu ý hệ thống “không đạt độ tin cậy 100%”. Nếu đọc theo bề mặt, đây là kết quả rất ấn tượng: một agent chạy cả ca và chẩn đoán tốt hơn bác sĩ.

Nhưng hình dạng của chiến thắng quan trọng không kém bản thân chiến thắng. Các chuyên gia độc lập đọc bài đã chỉ ra lợi thế thực sự đến từ đâu. Trong hội đồng chuyên gia của Science Media Centre, TS Wei Xing (University of Sheffield) lưu ý con số gây chú ý — AI vượt bác sĩ về chẩn đoán — chủ yếu được thúc đẩy bởi các bệnh có kết quả xét nghiệm rõ ràng, như viêm ruột thừa và viêm tụy, nơi một phim chụp hoặc giá trị xét nghiệm quyết định có thể phân định câu hỏi. Với viêm phổi và nhiễm trùng đường tiểu — hai lý do rất phổ biến khiến người ta vào cấp cứu — cả AI lẫn bác sĩ đều làm kém nhất và khoảng cách giữa họ nhỏ nhất.

Hai bên cũng không chơi với lượng thông tin hoàn toàn cân xứng, và điều đó nằm ngay trong con số của bài. MIRA dựa nhiều hơn vào labo: nó dùng khoảng 51% các analyte xét nghiệm sẵn có trong chăm sóc thường quy, so với khoảng 28% ở bác sĩ chuyên khoa — trung vị thêm bảy thông số máu mỗi ca. Các tác giả cẩn thận nói mức này vẫn thấp hơn baseline chăm sóc thường quy của chính bộ dữ liệu, không phải chiến lược “chỉ định mọi thứ”, và không thấy tăng hệ thống ở các loại chẩn đoán hình ảnh cắt lớp đắt hơn. Dù vậy, nhiều thông tin hơn tự nó có thể làm chẩn đoán chính xác hơn — nên đây chưa hẳn cuộc thi ngang hàng giữa hai bên được cung cấp cùng thông tin, khoảng cách mà Xing trực tiếp nêu ra. Một bác sĩ được tự do gọi mọi xét nghiệm máu rẻ mà không phải cân chi phí, khó chịu hay chậm trễ cũng sẽ trông sắc bén hơn trên giấy.

Vì sao “vượt bác sĩ” không đồng nghĩa “bác sĩ tốt hơn”

Một chiến thắng benchmark rất dễ bị đọc quá mức. Có ba điều nằm giữa “MIRA đạt điểm cao hơn” và “MIRA tốt hơn bác sĩ”.

Thứ nhất là nó được chấm theo cái gì. GS Julie Jacko (University of Edinburgh) lưu ý một số kết cục quan trọng của MIRA được định nghĩa tương đối với điều đã ghi trong bộ dữ liệu nền — tức hệ thống được thưởng khi tái tạo hành vi lâm sàng đã được ghi lại, chứ không nhất thiết khi chứng minh chăm sóc tối ưu. Hồ sơ lịch sử trở thành đáp án. Đây là cách hợp lý để xây benchmark, nhưng nó đo mức đồng thuận với điều đã làm, không phải “đúng tuyệt đối” theo một chuẩn chân lý nào đó. Công bằng mà nói, vấn đề này ảnh hưởng mạnh nhất đến các chỉ số phù hợp điều trị — y lệnh MIRA có khớp hồ sơ không? — còn độ chính xác chẩn đoán tiêu đề được chấm theo chẩn đoán xuất viện, gần với kết cục thật hơn một tiếng vọng của tài liệu.

Thứ hai là bất cân xứng thông tin đã nói: nhiều xét nghiệm máu hơn hẳn (khoảng 51% analyte sẵn có so với 28%) đồng nghĩa nhiều bằng chứng hơn. Một phần khoảng cách chính xác có thể được mua bằng xét nghiệm, không phải suy luận tốt hơn.

Thứ ba là nơi hệ thống chạy. Đây là sandbox, trên ca hồi cứu, tám chẩn đoán đã chọn trước, chỉ có văn bản. Đánh giá lâm sàng thật, như TS Dominic Oliver (University of Oxford) nói, phụ thuộc không chỉ bệnh nhân nói gì mà cả cách họ nói — cùng khám thực thể, hành vi quan sát được và ngôn ngữ cơ thể, những thứ một agent chỉ đọc văn bản từ hồ sơ hoàn chỉnh không bao giờ thấy. Và bệnh nhân có vấn đề không nằm trong tám chẩn đoán được chọn đơn giản nằm ngoài điều nghiên cứu có thể kết luận.

Còn một lo ngại yên lặng hơn mà các phản biện nêu: nhiễm dữ liệu. MIMIC-IV công khai và được viết đến rất nhiều, nên một mô hình ngôn ngữ huấn luyện trên internet mở có thể đã thấy các bài báo, thảo luận ca bệnh hoặc chính dữ liệu. TS Midhun Parakkal Unni (University of Sheffield) nêu trực tiếp: nếu một số đáp án đã có trong dữ liệu huấn luyện, một phần hiệu năng là trí nhớ chứ không phải suy luận lâm sàng; chỉ tái lập độc lập mới tách được hai thứ. Đáng chú ý, tác giả không lảng tránh: họ viết kết quả “có thể thận trọng được diễn giải như một giới hạn trên khả dĩ” và “có thể đánh giá quá cao khả năng khái quát sang các ca công khai khác” — một bài tự đặt trần lên chính tiêu đề của mình.

Không điều nào làm MIRA bớt thú vị. Chúng làm cách đọc đúng trở nên có hiệu chỉnh: trên một benchmark hồi cứu, agent có thể hành động xuyên hồ sơ đã vượt bác sĩ ở những chẩn đoán có xét nghiệm sạch — phần nào vì chỉ định nhiều xét nghiệm hơn, phần nào vì khớp hồ sơ đã ghi. Đây là chứng minh năng lực thực sự, không phải phán quyết rằng máy đã chẩn đoán tốt hơn bác sĩ.

Điều nghiên cứu này không chứng minh

• Nó không cho thấy MIRA hoạt động trên bệnh nhân thật. Mọi ca đều hồi cứu và mô phỏng; không bệnh nhân nào được nó quản lý.
• Nó không cho thấy hệ thống hoạt động ngoài tám chẩn đoán. Những tình trạng ngoài tập chọn trước — phần lớn y khoa vốn lộn xộn và chưa phân loại — không được kiểm tra.
• Nó không cho thấy an toàn để triển khai. Chính tác giả viết rằng khả năng khái quát, an toàn và quản trị vẫn cần nghiên cứu tiền cứu ngoài đời.
• Nó không thiết lập so sánh công bằng với bác sĩ. MIRA dùng nhiều xét nghiệm máu hơn hẳn (khoảng 51% analyte sẵn có so với 28%), và một số kết cục điều trị được chấm phần nào theo hồ sơ đã ghi thay vì chuẩn chăm sóc tối ưu độc lập.
• Nó không cho thấy kết quả hoàn toàn không có ghi nhớ. Dữ liệu MIMIC-IV công khai có thể chồng lấp với huấn luyện của mô hình, điều chỉ tái lập độc lập mới loại trừ được.
• Nó không có nghĩa “AI thay bác sĩ”. Đây là hỗ trợ quyết định có thể hành động trong hồ sơ; đồng thuận của chuyên gia là sử dụng thật sẽ phải hợp tác với người lâm sàng, người giữ quyền quyết định và bổ sung mọi thứ mà hồ sơ văn bản bỏ sót.

Bằng chứng mạnh đến đâu?

Nên tách khẳng định làm hai, vì bằng chứng cho hai nửa rất khác nhau.

Là một chứng minh năng lực — rằng một agent dựa trên mô hình ngôn ngữ có thể chạy toàn bộ ca lâm sàng trong EHR sandbox, nối bệnh sử, xét nghiệm, chẩn đoán và y lệnh từ đầu đến cuối — công trình thực sự mới và khá thuyết phục. Đây là phần mới, cũng là phần đáng chú ý nhất.

Là tuyên bố vượt trội — MIRA tốt hơn bác sĩ — bằng chứng bị giới hạn và cần đọc thận trọng. Nó đúng trên một benchmark hồi cứu cụ thể, tám chẩn đoán, có bất cân xứng thông tin (nhiều xét nghiệm hơn), đáp án phần nào lấy từ hồ sơ lịch sử và khả năng nhiễm dữ liệu huấn luyện vẫn tồn tại. Như vậy đủ để nói “agent làm rất ấn tượng trên benchmark này”. Không đủ để nói “agent là nhà chẩn đoán giỏi hơn bác sĩ”, và các tác giả cũng không tuyên bố điều thứ hai.

Lập trường hữu ích nhất không phải “AI thắng bác sĩ” hay “chỉ là đồ chơi”. Mà là: một loại AI y tế mới — loại hành động xuyên hồ sơ thay vì trả lời câu hỏi — làm tốt trên benchmark hồi cứu khó, và giờ phải chứng minh mình ở nơi nó chưa được thử: bệnh nhân thật, chưa được chọn lọc, theo hướng tiền cứu và dưới quản trị.

Vì sao điều này quan trọng

Trong vài năm, câu hỏi thú vị trong AI y tế đã lặng lẽ thay đổi. Trước đây là “mô hình có chẩn đoán đúng không?” — và các mô hình liên tục trả lời có trên bộ kiểm tra ngày càng sạch. MIRA đánh dấu chuyển sang câu khó hơn: “mô hình có thể làm công việc — thu thập, chỉ định, diễn giải, quyết định, hành động — trên toàn quy trình không?” Đây là câu hỏi hữu ích và trung thực hơn, vì hành động là nơi cả khó khăn lẫn rủi ro thực sự sống.

Vì vậy cách đóng khung rất quan trọng. Phản xạ tiêu đề — AI vượt bác sĩ — chỉ vào phần ít mới và ít được hỗ trợ nhất của kết quả. Điều thật sự mới nhỏ hơn nhưng hệ quả lớn hơn: một agent có thể di chuyển xuyên toàn bộ hồ sơ. Nếu khả năng đó đứng vững, nó thay đổi quy trình làm việc rất lâu trước khi thay đổi người chịu trách nhiệm. Bác sĩ không bị thay thế; việc chỉ định, diễn giải, đuổi theo kết quả — chính quy trình — là nơi công cụ kiểu này sẽ hạ cánh đầu tiên.

Nó cũng đặt lại gánh nặng bằng chứng đúng hướng. Thắng bảng xếp hạng trên ca hồi cứu là lý do để làm thử nghiệm tiền cứu, không phải thứ thay thế nó. Các tác giả nói rõ vậy. Cách đọc trung thực về MIRA là lời mời đến nghiên cứu tiếp theo — theo chuẩn mà lĩnh vực đã biết: đo trên bệnh nhân, không phải benchmark.

Tóm tắt gọn

MIRA là một agent AI tự chủ hoạt động trong hồ sơ sức khỏe điện tử sandbox: nó có thể lấy bệnh sử, chỉ định và diễn giải xét nghiệm, hình ảnh và vi sinh, đi đến chẩn đoán rồi viết kế hoạch điều trị. Khi được thử trên 574 ca hồi cứu từ cơ sở dữ liệu công khai MIMIC-IV, thuộc tám chẩn đoán chọn trước, nó đạt độ chính xác chẩn đoán cao hơn bác sĩ (88,9% toàn bộ; 87,8% so với 78,1% trong đối đầu) và phần lớn ra quyết định phù hợp hướng dẫn, an toàn về thuốc. Nhưng đánh giá là mô phỏng trên hồ sơ cũ, chỉ bằng văn bản; phần lớn lợi thế đến từ bệnh có kết quả xét nghiệm rõ; MIRA dùng nhiều xét nghiệm máu hơn bác sĩ (khoảng 51% analyte sẵn có so với 28%); một số kết cục điều trị được chấm theo điều hồ sơ gốc đã ghi; và bộ dữ liệu công khai tạo nguy cơ thật về nhiễm dữ liệu huấn luyện — điều chính tác giả gọi là giới hạn trên khả dĩ cho các con số. Tiến bộ thật là một agent hành động xuyên toàn bộ quy trình thay vì trả lời câu hỏi rời rạc. Các tác giả nói rõ khả năng khái quát, an toàn và quản trị vẫn cần nghiên cứu tiền cứu ngoài đời — đây mới là cách đọc đúng: một chứng minh năng lực ấn tượng, không phải bằng chứng AI chẩn đoán tốt hơn bác sĩ và không phải hệ thống sẵn sàng cho phòng khám thật.

Đánh giá thẳng thắn

Bài báo cho thấy gì: Một agent dựa trên mô hình ngôn ngữ (MIRA) có thể chạy cả ca lâm sàng đầu-cuối trong EHR sandbox — bệnh sử, xét nghiệm, chẩn đoán, y lệnh — và trên benchmark hồi cứu 574 ca thuộc tám chẩn đoán đã vượt bác sĩ về độ chính xác chẩn đoán (88,9% toàn bộ; 87,8% so với 78,1% ở bác sĩ chuyên khoa), không có lỗi thuốc mức độ nghiêm trọng cao.

Điều hợp lý nhưng chưa được chứng minh: Khả năng này chuyển thành lợi ích cho bệnh nhân thật, chưa phân loại; lợi thế chính xác phản ánh suy luận tốt hơn thay vì chỉ định nhiều xét nghiệm hơn, đồng thuận với hồ sơ đã ghi hoặc ghi nhớ dữ liệu công khai.

Điều nghiên cứu không cho thấy: MIRA hoạt động ngoài tám chẩn đoán; an toàn để triển khai; thắng bác sĩ trong so sánh công bằng với cùng thông tin; thay thế người lâm sàng; kết quả không có nhiễm dữ liệu huấn luyện.

Hạn chế chính: Đánh giá hồi cứu, mô phỏng, chỉ văn bản; tám chẩn đoán chọn trước; bất cân xứng thông tin (nhiều xét nghiệm máu hơn hẳn — khoảng 51% analyte sẵn có so với 28%, chủ yếu xét nghiệm máu chi phí thấp, không phải hình ảnh); kết cục điều trị phần nào chấm theo hồ sơ lịch sử; và benchmark công khai (MIMIC-IV) mà mô hình ngôn ngữ có thể đã thấy khi huấn luyện — điều các tác giả nêu như một giới hạn trên khả dĩ của hiệu năng.

Độc giả phổ thông nên tin ở mức nào? Cao rằng MIRA là chứng minh năng lực thật và mới — một agent hành động xuyên hồ sơ, không chỉ chatbot. Thấp rằng nó là nhà chẩn đoán tốt hơn bác sĩ: tuyên bố đó bị giới hạn vào một benchmark hồi cứu và bị nhiễu bởi lượng xét nghiệm, cách chấm theo hồ sơ và khả năng nhiễm dữ liệu. Kết luận của chính tác giả là đúng nhất — cần nghiên cứu tiền cứu ngoài đời trước khi điều này có ý nghĩa cho chăm sóc bệnh nhân.