- Elon Musk kêu gọi người dùng X tải lên kết quả xét nghiệm y tế như CT và chụp xương để huấn luyện chatbot AI Grok phân tích.
- Kết quả ban đầu cho thấy Grok có thể phân tích xét nghiệm máu và phát hiện ung thư vú, nhưng cũng mắc nhiều lỗi nghiêm trọng:
+ Nhầm lẫn ca bệnh lao điển hình với thoát vị đĩa đệm
+ Nhận định sai hình ảnh u nang vú lành tính là hình ảnh tinh hoàn
- Musk đã đầu tư vào lĩnh vực y tế và AI qua:
+ Startup cấy chip não Neuralink (2022)
+ Công ty xAI gọi vốn được 6 tỷ USD
- Các chuyên gia chỉ ra nhiều rủi ro trong cách tiếp cận của Musk:
+ Dữ liệu từ mạng xã hội không đại diện cho toàn cảnh y tế
+ Thông tin y tế trên X không được bảo vệ bởi luật HIPAA
+ Nguy cơ rò rỉ danh tính bệnh nhân qua hình ảnh y tế
+ Thiếu kiểm soát về quyền riêng tư và bảo mật thông tin
- Giáo sư Matthew McCoy từ Đại học Pennsylvania khuyến cáo người dùng không nên chia sẻ dữ liệu y tế cá nhân lên nền tảng này.
📌 Elon Musk tham vọng phát triển AI y tế thông qua việc thu thập dữ liệu từ người dùng X, nhưng cách tiếp cận này gây nhiều lo ngại về quyền riêng tư và độ tin cậy. Chatbot Grok đã mắc nhiều lỗi nghiêm trọng trong chẩn đoán, trong khi công ty đã huy động được 6 tỷ USD vốn đầu tư.
https://fortune.com/2024/11/20/elon-musk-x-user-medical-information-privacy-ai-grok/
- Nghiên cứu mới do Tiến sĩ Adam Rodman tại Trung tâm y tế Beth Israel Deaconess ở Boston thực hiện cho thấy ChatGPT-4 vượt trội hơn các bác sĩ trong việc chẩn đoán bệnh
- Kết quả cụ thể:
+ ChatGPT đạt điểm trung bình 90% trong chẩn đoán
+ Bác sĩ sử dụng ChatGPT đạt 76%
+ Bác sĩ không sử dụng ChatGPT đạt 74%
- Thí nghiệm được thực hiện với:
+ 50 bác sĩ từ nhiều bệnh viện lớn của Mỹ
+ 6 ca bệnh sử thực tế
+ Các chuyên gia y tế chấm điểm mà không biết câu trả lời từ nguồn nào
- Ca bệnh mẫu trong nghiên cứu:
+ Bệnh nhân 76 tuổi
+ Đau lưng dưới, mông và bắp chân khi đi bộ
+ Triệu chứng xuất hiện sau thủ thuật nong mạch vành bằng bóng
+ Chẩn đoán đúng là thuyên tắc cholesterol
- Nguyên nhân bác sĩ không tận dụng được ChatGPT:
+ Thường bám vào chẩn đoán ban đầu của mình
+ Không lắng nghe gợi ý của AI
+ Sử dụng chatbot như công cụ tìm kiếm đơn giản
+ Chỉ một số ít biết cách nhập toàn bộ ca bệnh để nhận phân tích tổng thể
📌 ChatGPT-4 đã chứng minh hiệu quả vượt trội với tỷ lệ chẩn đoán chính xác 90%, cao hơn 14-16% so với các bác sĩ. Tuy nhiên, hạn chế chính nằm ở việc các bác sĩ chưa biết cách khai thác tối đa tiềm năng của công cụ AI trong chẩn đoán bệnh.
https://www.nytimes.com/2024/11/17/health/chatgpt-ai-doctors-diagnosis.html
- Các nhà nghiên cứu tại Đại học Johns Hopkins và Stanford công bố nghiên cứu về robot phẫu thuật có khả năng thực hiện thủ thuật như bác sĩ sau khi xem video thao tác của con người
- Nghiên cứu sử dụng hệ thống phẫu thuật da Vinci, một thiết bị phổ biến trong phẫu thuật ít xâm lấn
- Thay vì lập trình thủ công từng động tác, nhóm nghiên cứu áp dụng phương pháp học bắt chước (imitation learning):
+ Thu thập hàng trăm video từ camera gắn cổ tay bác sĩ
+ Tập trung vào 3 kỹ năng: thao tác kim, nâng mô và khâu vết thương
+ Chuyển đổi chuyển động thành dữ liệu động học để AI có thể học và áp dụng
- Sau khi xem video, AI có thể điều khiển nền tảng da Vinci để bắt chước các kỹ thuật tương tự
- Giáo sư Axel Krieger từ JHU cho biết mô hình còn thể hiện khả năng học những kỹ năng ngoài chương trình như tự nhặt kim rơi và tiếp tục phẫu thuật
- Ứng dụng robot trong phẫu thuật ngày càng phổ biến với những ưu điểm:
+ Độ chính xác cao hơn bác sĩ trong một số trường hợp
+ Giảm thiểu sai sót y tế
+ Giúp bác sĩ tập trung vào các tình huống phức tạp
- Nhóm nghiên cứu dự định phát triển AI có thể thực hiện toàn bộ ca phẫu thuật
- Công ty Perceptive đã thành công trong việc phát triển robot nha khoa được điều khiển bởi AI, thực hiện thủ thuật mà không cần giám sát
📌 Robot phẫu thuật tích hợp AI đã thành công thực hiện 3 kỹ năng cơ bản (thao tác kim, nâng mô, khâu vết thương) sau khi học từ video của bác sĩ. Công nghệ hứa hẹn giảm thiểu sai sót y tế và hỗ trợ bác sĩ tập trung vào các ca phức tạp hơn.
https://www.techradar.com/computing/artificial-intelligence/robotic-ai-performs-successful-surgery-after-watching-videos-for-training
• Công cụ phiên âm Whisper của OpenAI đang được sử dụng rộng rãi trong lĩnh vực y tế thông qua công ty Nabla
• Nabla ước tính đã phiên âm khoảng 7 triệu cuộc hội thoại y tế, với hơn 30.000 bác sĩ lâm sàng và 40 hệ thống y tế đang sử dụng
• Nghiên cứu từ Đại học Cornell và Đại học Washington phát hiện Whisper tạo ra nội dung sai lệch trong khoảng 1% các bản phiên âm
• Vấn đề nghiêm trọng nhất xảy ra khi xử lý các đoạn im lặng trong ghi âm, đặc biệt phổ biến ở bệnh nhân mắc chứng mất ngôn ngữ aphasia
• AI tự tạo ra những câu hoàn toàn không có thật, bao gồm:
- Các cảm xúc bạo lực
- Các cụm từ vô nghĩa
- Các tình trạng bệnh lý không tồn tại
- Các cụm từ phổ biến trên YouTube như "Cảm ơn đã xem!"
• OpenAI thừa nhận vấn đề và cam kết:
- Đang nỗ lực cải thiện để giảm thiểu tình trạng tạo nội dung sai lệch
- Cấm sử dụng API trong các ngữ cảnh ra quyết định quan trọng
- Khuyến cáo không sử dụng trong các lĩnh vực rủi ro cao
• Nabla cũng nhận thức được vấn đề và tuyên bố đang giải quyết
📌 Công cụ phiên âm AI Whisper đang gây lo ngại khi tạo ra nội dung sai lệch trong 1% bản ghi y tế, ảnh hưởng tới hơn 30.000 bác sĩ và 40 hệ thống y tế. OpenAI và Nabla đang phải đối mặt với thách thức về độ tin cậy và an toàn trong ứng dụng y tế.
https://www.theverge.com/2024/10/27/24281170/open-ai-whisper-hospitals-transcription-hallucinations-studies
• Prudential công bố sẽ sử dụng mô hình AI tạo sinh MedLM của Google để xác minh yêu cầu bồi thường bảo hiểm y tế
• MedLM là dòng mô hình ngôn ngữ lớn được Google ra mắt vào tháng 12/2023, phát triển từ Med-PaLM và Med-PaLM2
• Mô hình này gồm 2 phiên bản:
- Phiên bản lớn: xử lý các tác vụ phức tạp
- Phiên bản trung bình: có thể điều chỉnh và mở rộng quy mô cho nhiều tác vụ
• Prudential sẽ triển khai thử nghiệm MedLM tại Singapore và Malaysia trong 3-4 tháng
• Trong giai đoạn thử nghiệm:
- Phân tích thông tin từ báo cáo chẩn đoán và đơn thuốc
- So sánh kết quả phân tích của AI với quy trình phê duyệt hiện tại
- Duy trì vai trò con người trong các giai đoạn ra quyết định quan trọng
• Kết quả thử nghiệm ban đầu cho thấy:
- Tốc độ tự động hóa đánh giá yêu cầu bồi thường tăng gấp đôi
- Cải thiện độ chính xác trong quyết định bồi thường
- Xử lý được khối lượng lớn hơn với tốc độ nhanh hơn
• Prudential là một trong những công ty bảo hiểm đầu tiên trên toàn cầu ứng dụng MedLM
📌 Prudential tiên phong ứng dụng AI tạo sinh MedLM của Google trong lĩnh vực bảo hiểm y tế tại Singapore và Malaysia. Kết quả thử nghiệm cho thấy tốc độ tự động hóa tăng gấp đôi, hứa hẹn mang lại trải nghiệm khách hàng tốt hơn trong tương lai.
https://www.zdnet.com/article/prudential-turns-to-generative-ai-to-verify-medical-claims/
Hệ thống hỗ trợ quyết định lâm sàng (CDSS) dựa trên AI đang cách mạng hóa y tế bằng cách giúp bác sĩ ra quyết định nhanh và chính xác hơn. Điều này cải thiện trải nghiệm chăm sóc bệnh nhân, giảm thiểu thủ tục hành chính và tạo ra một môi trường làm việc bớt căng thẳng cho bác sĩ. Tuy vẫn cần tiếp tục tối ưu về bảo mật và tính công bằng, nhưng tương lai của y tế với sự hỗ trợ của AI rất hứa hẹn.
https://cacm.acm.org/blogcacm/how-ai-is-helping-doctors-make-better-decisions-in-healthcare/
• Trường Y Harvard vừa công bố mô hình AI mới có tên CHIEF (Clinical Histopathology Imaging Evaluation Foundation) có khả năng chẩn đoán và dự đoán kết quả cho nhiều loại ung thư với độ chính xác đáng kinh ngạc.
• CHIEF đạt độ chính xác lên đến 96% trong việc phát hiện ung thư trên 19 loại ung thư khác nhau, vượt trội hơn các hệ thống AI hiện có.
• Mô hình được đào tạo trên bộ dữ liệu đa phương thức khổng lồ, bao gồm 15 triệu hình ảnh không nhãn và 60.000 hình ảnh toàn bộ mô từ 19 vị trí giải phẫu khác nhau.
• CHIEF được đào tạo trên 44 terabyte dữ liệu hình ảnh bệnh lý có độ phân giải cao, giúp nó trích xuất các biểu diễn vi mô hữu ích cho việc phát hiện tế bào ung thư, xác định nguồn gốc khối u, đặc trưng hóa hồ sơ phân tử và dự đoán tiên lượng.
• Các nhà nghiên cứu đã thử nghiệm CHIEF trên hơn 19.400 hình ảnh từ 32 bộ dữ liệu độc lập được thu thập trên toàn cầu.
• CHIEF vượt trội hơn các phương pháp AI tiên tiến nhất lên đến 36,1% trong các nhiệm vụ này.
• Mô hình cũng chính xác hơn trong việc phân tách bệnh nhân có tỷ lệ sống sót cao và thấp, đồng thời có thể cung cấp thông tin chi tiết chính xác về các mẫu mô được phân tích khác nhau.
• Các nhà nghiên cứu dự định tiếp tục cải tiến CHIEF bằng cách đào tạo nó trên hình ảnh của các bệnh hiếm gặp, các tình trạng không phải ung thư và các mô tiền ác tính để cải thiện độ chính xác.
• Họ cũng kỳ vọng sẽ cung cấp cho mô hình nhiều dữ liệu hơn để nó trở nên tốt hơn trong việc xác định mức độ nghiêm trọng của ung thư và dự đoán tác dụng của các phương pháp điều trị mới.
• CHIEF là mã nguồn mở và có sẵn để tải xuống trên trang Github của dự án để các nhà nghiên cứu (hoặc bất kỳ ai khác) có thể nhập hình ảnh của riêng họ và chạy nó cục bộ.
• Các nhà nghiên cứu từ Cambridge đã giới thiệu EMethylNET, một mô hình AI sử dụng dữ liệu DNA từ các mẫu mô để phát hiện 13 loại ung thư với tỷ lệ chính xác 98%.
• CancerGPT, một mô hình ngôn ngữ lớn khác, được sử dụng để dự đoán cách các kết hợp thuốc có thể ảnh hưởng đến các mô hiếm gặp ở bệnh nhân ung thư.
• Google và iCAD đã hợp tác để sử dụng AI nhằm nâng cao khả năng sàng lọc ung thư. Hệ thống được hỗ trợ bởi AI của họ vượt trội hơn các chuyên gia X-quang về độ chính xác.
• Một công nghệ AI khác có tên Sturgeon đang được các bác sĩ phẫu thuật não sử dụng để hỗ trợ chẩn đoán các khối u hệ thần kinh trung ương trong thời gian thực với độ chính xác 90%.
📌 CHIEF, mô hình AI mới của Harvard, đạt độ chính xác 96% trong phát hiện 19 loại ung thư, vượt trội 36,1% so với các phương pháp AI hiện có. Được đào tạo trên 44 terabyte dữ liệu, CHIEF hứa hẹn cách mạng hóa chẩn đoán và điều trị ung thư, đồng thời mở ra cơ hội nghiên cứu mới khi được phát hành dưới dạng mã nguồn mở.
https://decrypt.co/287471/ai-model-harvard-detects-cancer
• Google Research và Google DeepMind giới thiệu Tx-LLM, một mô hình ngôn ngữ lớn được tinh chỉnh từ PaLM-2 để xử lý các tác vụ đa dạng trong phát triển thuốc.
• Tx-LLM được huấn luyện trên 709 bộ dữ liệu bao gồm 66 chức năng trong quy trình phát triển thuốc, sử dụng một bộ trọng số duy nhất để xử lý các thực thể hóa học và sinh học khác nhau.
• Mô hình đạt hiệu suất cạnh tranh trên 43 tác vụ và vượt trội trên 22 tác vụ so với các mô hình tiên tiến nhất hiện nay.
• Tx-LLM xuất sắc trong các tác vụ kết hợp biểu diễn phân tử với văn bản và thể hiện sự chuyển giao tích cực giữa các loại thuốc khác nhau.
• Các nhà nghiên cứu đã tạo ra bộ sưu tập dữ liệu TxT từ kho dữ liệu TDC, tập trung vào 66 tác vụ bao gồm phân loại nhị phân, hồi quy và tạo sinh.
• Dữ liệu được định dạng cho việc tinh chỉnh hướng dẫn, bao gồm 4 thành phần: hướng dẫn, ngữ cảnh, câu hỏi và câu trả lời.
• Các biểu diễn như chuỗi SMILES cho phân tử và chuỗi axit amin cho protein được sử dụng trong quá trình huấn luyện.
• Hiệu suất của mô hình được đánh giá bằng các chỉ số như AUROC, tương quan Spearman và độ chính xác tập hợp.
• Tx-LLM thể hiện xuất sắc trên các bộ dữ liệu kết hợp chuỗi phân tử SMILES với các đặc điểm văn bản như mô tả bệnh hoặc dòng tế bào.
• Mô hình gặp khó khăn với các bộ dữ liệu chỉ dựa vào chuỗi SMILES, nơi các mô hình dựa trên đồ thị hiệu quả hơn.
• Tx-LLM là mô hình ngôn ngữ lớn đầu tiên được huấn luyện trên các bộ dữ liệu TDC đa dạng, bao gồm phân tử, protein, tế bào và bệnh tật.
• Việc huấn luyện với các bộ dữ liệu không phải phân tử nhỏ (như protein) cải thiện hiệu suất trên các tác vụ liên quan đến phân tử nhỏ.
• Mô hình thể hiện tiềm năng cho quá trình phát triển thuốc từ đầu đến cuối, từ xác định gen đến thử nghiệm lâm sàng.
• Tuy nhiên, Tx-LLM vẫn đang trong giai đoạn nghiên cứu, với những hạn chế về hướng dẫn ngôn ngữ tự nhiên và độ chính xác dự đoán, cần được cải thiện và xác thực thêm để ứng dụng rộng rãi hơn.
📌 Google AI giới thiệu Tx-LLM, mô hình ngôn ngữ lớn được tinh chỉnh từ PaLM-2 cho phát triển thuốc. Huấn luyện trên 709 bộ dữ liệu, 66 tác vụ, vượt trội 22/66 tác vụ so với SOTA. Tiềm năng cao cho phát triển thuốc toàn diện nhưng cần cải thiện thêm.
https://www.marktechpost.com/2024/10/10/tx-llm-a-large-language-model-llm-fine-tuned-from-palm-2-to-predict-properties-of-many-entities-that-are-relevant-to-therapeutic-development/
• Microsoft vừa công bố một loạt công cụ dữ liệu và AI mới cho lĩnh vực chăm sóc sức khỏe, nhằm giúp các tổ chức y tế xây dựng ứng dụng AI nhanh hơn và tiết kiệm thời gian cho nhân viên y tế trong các công việc hành chính.
• Theo báo cáo của Văn phòng Tổng y sĩ Mỹ, y tá phải dành tới 41% thời gian cho công tác ghi chép tài liệu. Các công cụ mới của Microsoft nhằm giảm bớt gánh nặng này.
• Microsoft đang nỗ lực khẳng định vị thế dẫn đầu trong lĩnh vực AI y tế. Năm 2021, công ty đã mua lại Nuance Communications với giá 16 tỷ USD.
• Một trong những công cụ mới là bộ sưu tập các mô hình AI đa phương thức nguồn mở, có thể phân tích nhiều loại dữ liệu như hình ảnh y tế, hồ sơ lâm sàng và dữ liệu gen.
• Microsoft và Providence Health & Services đã xây dựng một mô hình toàn bộ slide giúp cải thiện dự đoán đột biến và phân loại ung thư.
• Công ty cũng giới thiệu dịch vụ agent chăm sóc sức khỏe, cho phép các tổ chức y tế xây dựng agent AI với các biện pháp bảo vệ đặc thù cho ngành y tế.
• Microsoft đang phát triển công cụ tài liệu tự động cho y tá, tương tự như DAX Copilot đã có sẵn cho bác sĩ. Công cụ này sẽ được tối ưu hóa cho quy trình làm việc của y tá.
• Các công cụ mới hiện đang trong giai đoạn phát triển ban đầu hoặc chỉ có sẵn ở dạng xem trước. Các tổ chức y tế sẽ thử nghiệm và xác nhận trước khi Microsoft triển khai rộng rãi hơn.
• Microsoft đang hợp tác với các tổ chức như Stanford Health Care, Northwestern Medicine và Tampa General Hospital để phát triển các công cụ này.
• Công ty chưa tiết lộ chi phí cho các công cụ mới này.
📌 Microsoft đang đẩy mạnh phát triển AI trong lĩnh vực y tế với các công cụ mới như mô hình hình ảnh y tế, agent chăm sóc sức khỏe và giải pháp tài liệu tự động. Mục tiêu là giảm 41% thời gian y tá dành cho công tác ghi chép, tăng hiệu quả hệ thống y tế.
https://www.cnbc.com/2024/10/10/microsoft-announces-new-health-care-ai-tools.html
• Abridge AI Inc., startup phát triển phần mềm AI cho chuyên gia y tế, đang huy động 250 triệu USD vốn mới.
• Vòng đầu tư này dự kiến do nhà đầu tư công nghệ Elad Gil và IVP dẫn đầu, với sự tham gia của quỹ CapitalG thuộc Alphabet Inc.
• Định giá trước khi đầu tư của Abridge là 2,5 tỷ USD, tăng đáng kể so với mức 200 triệu USD của năm ngoái.
• Nền tảng AI của Abridge tự động hóa phần lớn công việc ghi chú y tế của bác sĩ thông qua ứng dụng di động.
• Phần mềm ghi âm cuộc trò chuyện, phiên âm và tự động tạo ghi chú y tế từ bản ghi.
• Tính năng Linked Evidence liên kết mỗi câu do AI tạo ra với đoạn trích từ bản ghi, giúp dễ dàng phát hiện lỗi.
• Nền tảng tích hợp với Epic, ứng dụng quản lý hồ sơ y tế điện tử phổ biến nhất.
• Abridge hứa hẹn tự động hóa tới 91% công việc tạo ghi chú y tế, tiết kiệm 70 giờ/tháng cho mỗi bác sĩ lâm sàng.
• Các mô hình AI nội bộ của công ty hiểu hơn 14 ngôn ngữ và thuật ngữ lâm sàng trong hơn 50 chuyên khoa y tế.
• Abridge tuyên bố công nghệ của họ vượt trội hơn đáng kể so với các mô hình AI khác được tối ưu hóa cho các tác vụ chăm sóc sức khỏe.
• Báo cáo về việc Abridge tìm kiếm vốn mới xuất hiện khoảng 8 tháng sau khi công ty đóng vòng gọi vốn 150 triệu USD gần đây nhất.
• Khoản đầu tư 250 triệu USD bổ sung sẽ giúp Abridge dễ dàng gánh vác chi phí đáng kể liên quan đến việc xây dựng các mô hình AI tùy chỉnh.
• Đầu tư cũng sẽ đặt công ty vào vị thế tốt hơn để đối phó với sự cạnh tranh ngày càng tăng từ các startup AI khác như Suki AI Inc.
📌 Abridge AI Inc. đang huy động 250 triệu USD với định giá 2,5 tỷ USD, tăng vọt từ 200 triệu USD năm ngoái. Nền tảng AI của họ tự động hóa 91% công việc ghi chú y tế, tiết kiệm 70 giờ/tháng cho mỗi bác sĩ lâm sàng. Khoản đầu tư mới sẽ thúc đẩy phát triển mô hình AI và tăng cường vị thế cạnh tranh.
https://siliconangle.com/2024/10/11/healthcare-ai-startup-abridge-reportedly-raising-250m-2-5b-valuation/
• Một nghiên cứu mới so sánh độ chính xác chẩn đoán giữa bác sĩ sử dụng nguồn thông tin thông thường, bác sĩ sử dụng GPT-4 và GPT-4 độc lập.
• Kết quả cho thấy GPT-4 đạt điểm lý luận chẩn đoán ấn tượng 92,1% khi sử dụng độc lập. Bác sĩ chỉ sử dụng nguồn thông tin thông thường đạt điểm trung bình 73,7%, trong khi bác sĩ sử dụng GPT-4 đạt điểm cao hơn một chút là 76,3%.
• Về độ chính xác chẩn đoán cuối cùng, GPT-4 đưa ra chẩn đoán đúng trong 66% trường hợp, so với 62% của các bác sĩ. Tuy nhiên, sự khác biệt này không có ý nghĩa thống kê.
• "Lý luận chẩn đoán" được định nghĩa là đánh giá toàn diện quá trình tư duy của bác sĩ, bao gồm đưa ra chẩn đoán phân biệt, xác định các yếu tố ủng hộ hoặc phản đối từng chẩn đoán tiềm năng và xác định các bước chẩn đoán tiếp theo.
• Nghiên cứu sử dụng công cụ "phản ánh có cấu trúc" để đánh giá quá trình này, chấm điểm người tham gia dựa trên khả năng đưa ra chẩn đoán hợp lý, xác định chính xác các phát hiện ủng hộ và phản đối, và lựa chọn đánh giá tiếp theo phù hợp.
• Có nhiều rào cản khiến bác sĩ sử dụng mô hình ngôn ngữ lớn như GPT-4 gặp khó khăn trong việc cải thiện chẩn đoán:
1. Vấn đề về niềm tin và sự phụ thuộc: Bác sĩ có thể hoài nghi về đề xuất của AI, đặc biệt nếu không phù hợp với trực giác lâm sàng của họ.
2. Kỹ năng tạo prompt: Bác sĩ có thể chưa được đào tạo cách tương tác hiệu quả với GPT-4, dẫn đến câu hỏi không tối ưu và phản hồi ít liên quan.
3. Tải trọng nhận thức và tích hợp quy trình làm việc: Việc sử dụng AI có thể tạo thêm gánh nặng nhận thức, đặc biệt trong môi trường lâm sàng bận rộn.
4. Sự khác biệt trong cách tiếp cận chẩn đoán: Bác sĩ dựa vào đánh giá lâm sàng tinh tế, trong khi AI giỏi nhận dạng mẫu và tổng hợp dữ liệu.
• Để cải thiện hợp tác giữa con người và AI trong y tế, cần giải quyết các vấn đề về nhận thức và chức năng trong quá trình hợp tác bác sĩ-AI.
• Cần đào tạo, cải tiến giao diện người dùng và xây dựng niềm tin vào khả năng của AI để tích hợp hiệu quả vào quá trình lý luận lâm sàng.
📌 GPT-4 đạt điểm lý luận chẩn đoán 92,1%, vượt trội so với bác sĩ (73,7%). Tuy nhiên, bác sĩ sử dụng GPT-4 chỉ cải thiện nhẹ lên 76,3%. Nguyên nhân có thể do sự hoài nghi, thiếu kỹ năng tương tác AI và khác biệt trong cách tiếp cận. Cần đào tạo, cải tiến giao diện và xây dựng niềm tin để tích hợp AI hiệu quả hơn trong y tế.
https://www.psychologytoday.com/us/blog/the-digital-self/202410/the-cognitive-disconnect-between-physicians-and-ai-0
• Singapore thành lập Trung tâm AI trong Y học mới, tập trung vào 4 lĩnh vực lâm sàng bao gồm sức khỏe tâm thần, suy yếu ở người cao tuổi và tầm soát ung thư.
• Trung tâm do Trường Y Lee Kong Chian thuộc Đại học Công nghệ Nanyang (NTU) và Tập đoàn Y tế Quốc gia (NHG) Singapore phối hợp thành lập.
• Mục tiêu là "thu hẹp khoảng cách" giữa đổi mới AI và ứng dụng thực tế trong y học, cách mạng hóa chăm sóc bệnh nhân và hỗ trợ chính sách y tế công cộng.
• Trung tâm sẽ có hơn 100 nhà nghiên cứu và bác sĩ lâm sàng, cùng các đối tác học thuật và công nghiệp trong nước và quốc tế như Trường Y Yale và Olympus Singapore.
• Nghiên cứu sẽ bao gồm nhiều lĩnh vực như kỹ thuật máy tính, phân tích dữ liệu, khoa học xã hội và đạo đức.
• Trung tâm sẽ tiến hành các nghiên cứu mô phỏng và triển khai AI, cho phép các chuyên gia y tế thử nghiệm công cụ AI trước khi áp dụng trong thực tế.
• Được trang bị hệ thống GPU, trung tâm sẽ thúc đẩy nghiên cứu ứng dụng AI và học máy, đồng thời bảo vệ quyền riêng tư dữ liệu.
• Mục tiêu là giải quyết các thách thức cản trở việc tích hợp AI trong y tế, như thiếu dữ liệu lâm sàng và bất định về khía cạnh đạo đức, pháp lý.
• Singapore đã ứng dụng AI trong chẩn đoán hình ảnh như X-quang ngực, chụp nhũ ảnh, CT não và phát hiện bệnh võng mạc đái tháo đường.
• Bộ trưởng Cao cấp Bộ Phát triển Số và Thông tin Singapore nhấn mạnh cách tiếp cận "thực dụng" của quốc gia đối với công nghệ, bao gồm cả AI.
• AI có thể giải quyết các thách thức về thiếu nhân lực và chi phí y tế tăng cao, đặc biệt khi dân số già hóa toàn cầu.
📌 Singapore thành lập Trung tâm AI trong Y học mới với hơn 100 nhà nghiên cứu, tập trung vào 4 lĩnh vực lâm sàng chính. Mục tiêu là tạo đột phá y học thiết thực, giải quyết thách thức về nhân lực và chi phí, đồng thời thúc đẩy ứng dụng AI an toàn trong chăm sóc sức khỏe.
https://www.zdnet.com/article/singapore-looks-for-practical-medical-breakthroughs-with-new-ai-research-center/
• Ngay cả mô hình AI mới nhất của OpenAI vẫn mắc những lỗi ngớ ngẩn như không thể đếm chính xác số lần xuất hiện của chữ "r" trong từ "strawberry".
• Nền tảng truyền thông MyChart xử lý hàng trăm nghìn tin nhắn giữa bác sĩ và bệnh nhân mỗi ngày, gần đây đã thêm tính năng AI tự động soạn thảo câu trả lời cho bệnh nhân thay mặt bác sĩ và trợ lý.
• Khoảng 15.000 bác sĩ đã sử dụng tính năng này, bất chấp khả năng AI có thể gây ra lỗi nguy hiểm.
• Một bác sĩ y học gia đình tại UNC Health cho biết bản nháp do AI tạo ra đã đảm bảo với bệnh nhân rằng cô ấy đã được tiêm vắc-xin viêm gan B, mặc dù AI không có quyền truy cập vào hồ sơ tiêm chủng của bệnh nhân.
• Công cụ mới của MyChart không bắt buộc phải tiết lộ rằng một phản hồi cụ thể được viết bởi AI, khiến bệnh nhân khó nhận ra họ đang nhận được lời khuyên y tế từ một thuật toán.
• Công cụ này dựa trên phiên bản GPT-4 của OpenAI, sử dụng dữ liệu từ hồ sơ y tế và đơn thuốc, thậm chí còn cố gắng mô phỏng "giọng nói" của bác sĩ.
• Các nhà phê bình lo ngại rằng mặc dù các chuyên gia y tế được cho là sẽ xem xét các bản nháp này, AI vẫn có thể gây ra những sai sót không được phát hiện.
• Một nghiên cứu tháng 7 phát hiện "hallucinations" trong 7 trên 116 tin nhắn nháp do AI của MyChart tạo ra.
• Một nghiên cứu khác cho thấy GPT-4 liên tục mắc lỗi khi được giao nhiệm vụ trả lời tin nhắn của bệnh nhân.
• Hiện không có quy định liên bang nào yêu cầu phải gắn nhãn tin nhắn được tạo bởi AI.
• Các chuyên gia cho rằng nếu bệnh nhân biết tin nhắn trao đổi với bác sĩ được tạo ra bởi AI, họ sẽ cảm thấy bị phản bội.
📌 AI y tế đang được triển khai rộng rãi trong giao tiếp bác sĩ-bệnh nhân, với 15.000 bác sĩ sử dụng và xử lý hàng trăm nghìn tin nhắn mỗi ngày. Tuy nhiên, nghiên cứu cho thấy 6% tin nhắn có thể chứa thông tin sai lệch, gây ra những rủi ro nghiêm trọng về an toàn và niềm tin của bệnh nhân.
https://futurism.com/neoscope/medical-ai-doctor-lies-records
• OpenAI vừa công bố mô hình "o1" vượt trội GPT-4 trung bình 6,2% trong việc trả lời câu hỏi y tế.
• Điểm nổi bật của "o1" là khả năng sử dụng lập luận Chuỗi Suy nghĩ (Chain-of-Thought - CoT), cho phép mô hình chia nhỏ các câu hỏi y tế phức tạp thành các bước lặp lại, giống như cách suy nghĩ tinh tế của bác sĩ.
• CoT giúp chuyển đổi AI từ kho lưu trữ thông tin đơn thuần thành công cụ phản ánh sự phức tạp trí tuệ của đối thoại lâm sàng.
• Trong thực hành lâm sàng, đối thoại là quá trình động. Bác sĩ liên tục thu thập dữ liệu, đưa ra giả thuyết và đánh giá phê phán, điều chỉnh hiểu biết về tình trạng bệnh nhân theo thời gian thực.
• "o1" có thể làm điều tương tự: xử lý câu hỏi y tế theo từng phân đoạn, xem xét các khía cạnh khác nhau một cách có phương pháp trước khi đưa ra câu trả lời toàn diện.
• CoT cho phép bác sĩ sử dụng các lệnh đơn giản hơn để tương tác với mô hình, phản ánh bản chất tinh tế và khó đoán của các cuộc thảo luận y tế.
• Tiềm năng của "o1" vượt xa việc trả lời câu hỏi đơn giản. Nó có thể đóng góp ý nghĩa hơn trong môi trường lâm sàng như đề xuất chẩn đoán phân biệt, gợi ý điều trị dựa trên bằng chứng hoặc nêu bật nghiên cứu mới liên quan đến ca bệnh cụ thể.
• "o1" có thể trở thành hệ thống hỗ trợ trong các buổi khám bệnh hoặc tư vấn, tham gia tích cực vào lập kế hoạch điều trị và giao tiếp với bệnh nhân.
• Khả năng lập luận CoT của "o1" đánh dấu bước tiến quan trọng hướng tới ứng dụng thực tế của AI trong môi trường lâm sàng.
• AI không thay thế bác sĩ mà trở thành một phần không thể thiếu trong bộ công cụ lâm sàng, là đối tác động có khả năng nâng cao quá trình ra quyết định, hợp lý hóa quy trình làm việc và cải thiện kết quả điều trị cho bệnh nhân.
• Sự xuất hiện của "o1" như một Mô hình Lập luận Lớn báo hiệu giai đoạn mới trong đóng góp của AI trong y học, hứa hẹn tương lai AI không chỉ cung cấp thông tin mà còn tham gia vào các cuộc đối thoại phức tạp, giàu ngữ cảnh đặc trưng của y học tốt.
📌 Mô hình "o1" của OpenAI vượt trội GPT-4 6,2% trong trả lời câu hỏi y tế nhờ khả năng lập luận chuỗi suy nghĩ. Tiềm năng trở thành đối tác trong ra quyết định lâm sàng, hỗ trợ chẩn đoán và lập kế hoạch điều trị, mở ra tương lai AI đóng vai trò thiết yếu trong chăm sóc bệnh nhân.
https://www.psychologytoday.com/us/blog/the-digital-self/202409/crafting-wisdom-how-llms-can-think-like-a-doctor
• Mistral AI vừa phát hành Pixtral 12B, một mô hình ngôn ngữ lớn đa phương thức với 12 tỷ tham số, đánh dấu bước tiến quan trọng trong lĩnh vực AI.
• Pixtral 12B có khả năng xử lý và tạo ra nội dung văn bản và hình ảnh, giúp nó trở thành công cụ đa năng cho nhiều ngành công nghiệp khác nhau.
• Mô hình này vượt trội so với các phiên bản tiền nhiệm nhờ khả năng mở rộng và thích ứng tốt hơn trên nhiều nền tảng, từ ứng dụng đám mây đến hệ thống tại chỗ.
• Pixtral 12B được thiết kế để đáp ứng nhu cầu ngày càng tăng về các giải pháp AI mạnh mẽ, hiệu quả và có khả năng mở rộng trong các lĩnh vực như y tế và tiếp thị.
• Với kiến trúc học sâu, Pixtral 12B cung cấp hiệu suất vượt trội trong hiểu ngôn ngữ tự nhiên (NLU), xử lý ngôn ngữ tự nhiên (NLP), nhận dạng hình ảnh và các tác vụ sáng tạo như viết, vẽ và đề xuất thiết kế.
• Mô hình đã được đào tạo trước trên một kho dữ liệu đa dạng gồm văn bản và hình ảnh, cho phép nó nhận biết và hiểu nhiều chủ đề, ngôn ngữ và khái niệm hình ảnh khác nhau.
• Khả năng tinh chỉnh dựa trên bộ dữ liệu cụ thể hoặc yêu cầu của người dùng làm tăng tính linh hoạt của Pixtral 12B, phù hợp cho các doanh nghiệp và tổ chức muốn triển khai AI một cách hiệu quả.
• Trong lĩnh vực y tế, Pixtral 12B có thể nâng cao quy trình chẩn đoán bằng cách kết hợp dữ liệu hình ảnh y tế với hồ sơ bệnh nhân để phân tích toàn diện hơn.
• Các công ty tiếp thị và quảng cáo có thể sử dụng mô hình này để tạo ra các chiến dịch sáng tạo kết hợp nội dung văn bản và hình ảnh, tạo ra thông điệp hấp dẫn và hiệu quả hơn.
• Trong giáo dục, Pixtral 12B có thể tạo ra nội dung học tập bao gồm cả hình ảnh minh họa và giải thích bằng văn bản, đặc biệt hữu ích cho sinh viên trong các lĩnh vực STEM.
• Mô hình cũng có tiềm năng lớn cho các ngành công nghiệp sáng tạo như giải trí, thiết kế và sản xuất truyền thông, hỗ trợ việc brainstorm ý tưởng, tạo kịch bản hoặc thiết kế nội dung hình ảnh dựa trên gợi ý văn bản.
• Mistral AI đã triển khai các biện pháp an toàn và hướng dẫn để đảm bảo Pixtral 12B được sử dụng có trách nhiệm, bao gồm hệ thống lọc mạnh mẽ để phát hiện và ngăn chặn các kết quả có hại.
• Công ty cam kết tiếp tục phát triển lĩnh vực AI đa phương thức, với kế hoạch cải tiến kiến trúc và khả năng của Pixtral 12B, đồng thời khám phá việc tích hợp các loại dữ liệu phức tạp hơn như video và âm thanh trong tương lai.
📌 Pixtral 12B của Mistral AI là bước đột phá trong AI đa phương thức với 12 tỷ tham số, xử lý văn bản và hình ảnh. Mô hình mở ra cơ hội mới cho y tế, giáo dục và tiếp thị, hứa hẹn thúc đẩy sự phát triển của AI đa năng trong tương lai.
https://www.marktechpost.com/2024/09/19/pixtral-12b-released-by-mistral-ai-a-revolutionary-multimodal-ai-model-transforming-industries-with-advanced-language-and-visual-processing-capabilities/
• Các nhà nghiên cứu từ Microsoft Research, MIT, Đại học Johns Hopkins và Helivan Research đã giới thiệu MedFuzz - một phương pháp kiểm tra đối kháng mới để đánh giá độ mạnh mẽ của các mô hình ngôn ngữ lớn (LLM) trong lĩnh vực hỏi đáp y tế.
• MedFuzz được thiết kế để khám phá khả năng của LLM bằng cách thay đổi các câu hỏi từ các bộ đánh giá y tế theo cách vi phạm các giả định cơ bản của các bài kiểm tra này.
• Phương pháp này dựa trên kỹ thuật fuzz phần mềm, nơi dữ liệu không mong đợi được đưa vào hệ thống để phát hiện lỗ hổng.
• MedFuzz bắt đầu bằng cách chọn một câu hỏi từ bộ đánh giá y tế như MedQA-USMLE, sau đó sửa đổi một số chi tiết của câu hỏi như đặc điểm bệnh nhân để thách thức khả năng diễn giải và phản hồi chính xác của LLM.
• Mục tiêu không phải là làm cho câu hỏi khó hơn mà là xem LLM có thể áp dụng lập luận y tế chính xác trong điều kiện thực tế phức tạp hơn bao gồm các chi tiết bệnh nhân phức tạp hay không.
• Kết quả thí nghiệm cho thấy ngay cả các mô hình có độ chính xác cao như GPT-4 và các phiên bản PaLM-2 được tinh chỉnh về y tế cũng có thể bị đánh lừa để đưa ra câu trả lời không chính xác.
• Độ chính xác của GPT-4 trên MedQA giảm từ 90,2% xuống 85,4% khi được kiểm tra với các thay đổi MedFuzz.
• GPT-3.5, ban đầu đạt 60,2% trên MedQA, thậm chí còn hoạt động kém hơn trong các điều kiện đối kháng này.
• Nghiên cứu cũng xem xét các lời giải thích do LLM đưa ra khi tạo câu trả lời. Trong nhiều trường hợp, các mô hình không nhận ra rằng lỗi của chúng là do các chi tiết bệnh nhân được sửa đổi thông qua MedFuzz.
• Kết quả nghiên cứu nhấn mạnh nhu cầu cần có các khung đánh giá tốt hơn vượt ra ngoài các bộ đánh giá tĩnh và kiểm tra các mô hình trong các tình huống thực tế động.
• MedFuzz giúp thu hẹp khoảng cách giữa hiệu suất trên bộ đánh giá và khả năng áp dụng trong thế giới thực, cung cấp cách kiểm tra các mô hình đối với các kịch bản phức tạp hơn.
📌 MedFuzz là phương pháp mới đánh giá độ mạnh mẽ của LLM trong hỏi đáp y tế. Kết quả cho thấy ngay cả GPT-4 cũng giảm độ chính xác từ 90,2% xuống 85,4% khi bị nhiễu loạn. Nghiên cứu nhấn mạnh nhu cầu cải thiện phương pháp đánh giá LLM để đảm bảo sử dụng an toàn và hiệu quả trong y tế.
https://www.marktechpost.com/2024/09/13/microsoft-researchers-propose-medfuzz-a-new-ai-method-for-evaluating-the-robustness-of-medical-question-answering-llms-to-adversarial-perturbations/
• Nghiên cứu mới từ Đại học Pennsylvania cho thấy ChatGPT có thể gây hại cho việc học toán của học sinh. Học sinh sử dụng ChatGPT làm bài tập đúng 48% nhiều hơn, nhưng khi làm bài kiểm tra không có ChatGPT lại kém hơn 17% so với nhóm không dùng chatbot.
• Trong y tế, một nghiên cứu về sai lệch tự động hóa cho thấy việc thay thế bác sĩ X-quang thứ hai bằng AI có thể làm giảm độ chính xác chẩn đoán ung thư vú. Độ chính xác của bác sĩ X-quang ít và trung bình kinh nghiệm giảm từ 80% xuống 22% khi AI đưa ra kết quả sai.
• Phân tích của Amazon cho Ủy ban Chứng khoán và Đầu tư Úc phát hiện các mô hình AI tạo sinh kém hơn con người trong việc tóm tắt tài liệu. Việc sử dụng AI thậm chí có thể tạo thêm công việc cho con người.
• Khảo sát của Ngân hàng Dự trữ Liên bang New York cho thấy không nhiều công ty áp dụng AI đã cắt giảm đáng kể việc làm.
📌 Nghiên cứu mới cho thấy AI tạo sinh có thể gây hại trong giáo dục và y tế, trái ngược với những lời hứa ban đầu.
https://disconnect.blog/roundup-will-generative-ai-have-many-long-term-benefits/
• AI tạo sinh có thể mang lại nhiều lợi ích cho ngành y tế như tự động hóa công việc hành chính, cho phép bác sĩ tập trung hơn vào bệnh nhân. Tuy nhiên, nó cũng có thể làm trầm trọng thêm 3 xung đột chính mà ngành y tế đang phải đối mặt.
• Xung đột #1: Ngành y không biết mình là một nghề chuyên môn hay một ngành dịch vụ. 80% bác sĩ hiện làm việc cho các tổ chức doanh nghiệp, dẫn đến xung đột giữa lợi nhuận và chăm sóc bệnh nhân. AI tạo sinh có thể làm trầm trọng thêm tư duy "dây chuyền sản xuất" trong y tế.
• Xung đột #2: Ngành y không biết cách điều hướng truyền thông kỹ thuật số. Các thuật toán truyền thông tạo ra các "phòng tiếng vọng", củng cố niềm tin sẵn có thay vì thách thức chúng. AI tạo sinh có thể làm trầm trọng thêm vấn đề này bằng cách ưu tiên nội dung gây chú ý hơn là thông tin chính xác.
• Xung đột #3: Ngành y không biết cách xác định sự thật trong các tạp chí khoa học của chính mình. Áp lực "xuất bản hoặc diệt vong", xung đột lợi ích và dữ liệu hạn chế đang làm suy yếu chất lượng nghiên cứu. AI tạo sinh có thể khuếch đại nghiên cứu thiên vị và tạo ra dữ liệu giả.
• Các mô hình AI tạo sinh sẽ học từ dữ liệu quá khứ, bao gồm cả những xung đột và vấn đề hiện tại trong ngành y tế. Nếu không giải quyết được những vấn đề này, AI tạo sinh có thể làm trầm trọng thêm cuộc khủng hoảng bản sắc trong y tế.
• Ngành y tế cần xác định rõ ưu tiên của mình: bệnh nhân hay lợi nhuận? Chất lượng hay số lượng? Sự thật khoa học hay nội dung gây chú ý? Nếu không trả lời được những câu hỏi khó này, AI tạo sinh có thể khai thác và vũ khí hóa cuộc khủng hoảng bản sắc của ngành y tế chống lại chính nó.
📌 AI tạo sinh sẽ buộc ngành y tế phải đối mặt với cuộc khủng hoảng bản sắc nghiêm trọng. 3 xung đột chính cần giải quyết: định vị là nghề hay dịch vụ, cách tiếp cận truyền thông số và xác định sự thật trong nghiên cứu. Nếu không giải quyết, AI có thể làm trầm trọng thêm các vấn đề hiện có, ảnh hưởng đến chất lượng chăm sóc bệnh nhân.
https://www.forbes.com/sites/premramkumar/2024/09/06/generative-ai-will-expose-healthcares-ugly-identity-crisis/
• AI đang được kỳ vọng sẽ giúp giải quyết vấn đề bất bình đẳng trong chăm sóc sức khỏe, đặc biệt là cho các nhóm yếu thế và chưa được phục vụ đầy đủ.
• Công ty Aledade sử dụng AI để phân tích dữ liệu bệnh nhân phức tạp và thực hiện tiếp cận cá nhân hóa về tiêm chủng, sàng lọc bệnh và lập kế hoạch chăm sóc. Kết quả là giảm 12% số ca nhập viện, giảm 7% số lần đến phòng cấp cứu và tiết kiệm hơn 375.000 USD chi phí.
• Amelia sử dụng AI tạo sinh để tạo ra một cổng thông tin số đa ngôn ngữ và đồng cảm cho bệnh nhân, giúp đặt lịch khám, thu thập thông tin, quản lý thanh toán và gửi nhắc nhở cá nhân hóa.
• Ada Health cung cấp ứng dụng smartphone sử dụng AI để đánh giá triệu chứng, chẩn đoán và đề xuất chăm sóc cá nhân hóa. Ứng dụng này thậm chí còn vượt qua bác sĩ trong việc chẩn đoán chính xác một số bệnh.
• Nền tảng Biofourmis sử dụng thiết bị đeo có cảm biến để theo dõi từ xa các thông số như huyết áp và nhịp tim ở bệnh nhân mắc các bệnh phức tạp. AI được áp dụng để xác định bệnh nhân cần chú ý do tình trạng lâm sàng xấu đi.
• Nghiên cứu gần đây cho thấy AI có thể rất hiệu quả trong việc phát hiện cơn đau của bệnh nhân, với độ chính xác 88% so với đánh giá của bác sĩ chuyên khoa.
• Kaiser Permanente đã thử nghiệm một công cụ AI nhằm cải thiện hiệu suất chẩn đoán siêu âm tim, tăng tỷ lệ chẩn đoán hẹp van động mạch chủ lên 35% so với việc bác sĩ đọc kết quả.
• Trial Pathfinder là một công cụ AI sử dụng dữ liệu thực tế để mô phỏng kết quả thử nghiệm lâm sàng, giúp tăng tính đa dạng của nhóm nghiên cứu mà không ảnh hưởng đến an toàn hoặc tính hợp lệ.
• Criteria2Query sử dụng xử lý ngôn ngữ tự nhiên để chuyển đổi các tiêu chí phức tạp của thử nghiệm thành các truy vấn tìm kiếm dữ liệu, giúp tìm kiếm bệnh nhân đủ điều kiện một cách hiệu quả.
• Wellth, một nền tảng sức khỏe số sử dụng AI, đã đạt được mức giảm trung bình 42% trong việc sử dụng dịch vụ chăm sóc nội trú và cải thiện 16% việc tuân thủ dùng thuốc ở bệnh nhân.
• Dandelion Health giúp các nhà phát triển AI xác thực hiệu suất và tính công bằng của các thuật toán lâm sàng bằng cách đánh giá sự thiên vị trên các khu vực địa lý và nhân khẩu học khác nhau.
• Các mô hình thanh toán thay thế (APM) có thể khuyến khích các nhà cung cấp đầu tư vào các công cụ dựa trên AI giúp giảm bất bình đẳng y tế.
📌 AI có tiềm năng lớn trong việc giảm bất bình đẳng y tế bằng cách cải thiện khả năng tiếp cận, giao tiếp và chất lượng chăm sóc cho các nhóm yếu thế. Các công cụ AI mới như Aledade, Ada Health và Biofourmis đã cho thấy kết quả khả quan trong việc cải thiện kết quả sức khỏe và giảm chi phí. Tuy nhiên, cần có những thay đổi trong mô hình tài chính và ưu tiên chiến lược của hệ thống y tế để biến tiềm năng này thành hiện thực.
https://hbr.org/2024/08/how-ai-could-help-reduce-inequities-in-health-care
#HBR
• Các nhà nghiên cứu từ ASUS Intelligent Cloud Services, Imperial College London, Đại học Công nghệ Nanyang và Bệnh viện Tan Tock Seng đã phát triển uMedSum - một khung lai mô-đun nhằm nâng cao độ trung thực và thông tin trong tóm tắt y tế.
• uMedSum giải quyết thách thức cân bằng giữa độ trung thực và thông tin trong tóm tắt y tế trừu tượng, vốn thường phải đánh đổi lẫn nhau.
• Khung này hoạt động bằng cách loại bỏ tuần tự các thông tin bịa đặt và bổ sung thông tin còn thiếu.
• uMedSum vượt trội hơn đáng kể so với các phương pháp dựa trên GPT-4 trước đây, đạt được cải thiện 11,8% trong các chỉ số không tham chiếu.
• Trong các ca phức tạp, bác sĩ ưa thích kết quả của uMedSum gấp 6 lần so với các phương pháp trước đây.
• Nghiên cứu cung cấp một bộ công cụ nguồn mở để thúc đẩy nghiên cứu tóm tắt y tế.
• uMedSum đánh giá 4 phương pháp gần đây, tích hợp các kỹ thuật hiệu quả nhất để tạo tóm tắt ban đầu.
• Khung này sử dụng mô hình Suy luận Ngôn ngữ Tự nhiên (NLI) để phát hiện và loại bỏ thông tin không chính xác.
• Quá trình 3 giai đoạn của uMedSum đảm bảo các bản tóm tắt vừa trung thực vừa đầy đủ thông tin.
• Nghiên cứu đánh giá các phương pháp tóm tắt y tế tiên tiến nhất trên 3 bộ dữ liệu: MIMIC III, MeQSum và ACI-Bench.
• Đánh giá sử dụng cả chỉ số có tham chiếu và không tham chiếu.
• Trong số 4 mô hình được đánh giá (LLaMA3, Gemma, Meditron và GPT-4), GPT-4 liên tục vượt trội hơn các mô hình khác, đặc biệt với học tập trong ngữ cảnh (ICL).
• uMedSum cải thiện đáng kể hiệu suất, đặc biệt trong việc duy trì tính nhất quán và đầy đủ thông tin.
• 7 trong số 10 phương pháp hàng đầu đều tích hợp uMedSum.
• Khung này thiết lập một tiêu chuẩn mới cho tóm tắt y tế chính xác và đầy đủ thông tin.
📌 uMedSum là khung AI mới cải thiện tóm tắt y tế, vượt trội hơn 11,8% so với phương pháp trước đó. Được bác sĩ ưa chuộng gấp 6 lần trong ca phức tạp, uMedSum cân bằng độ trung thực và thông tin, thiết lập tiêu chuẩn mới cho tóm tắt y tế chính xác.
https://www.marktechpost.com/2024/08/26/umedsum-a-novel-ai-framework-for-accurate-and-informative-medical-summarization/
• Một nghiên cứu mới đã so sánh độ chính xác chẩn đoán của ChatGPT với các bác sĩ X quang trong lĩnh vực chẩn đoán hình ảnh cơ xương khớp.
• Nghiên cứu do Tiến sĩ Daisuke Horiuchi và Phó Giáo sư Daiju Ueda từ Đại học Metropolitan Osaka thực hiện.
• Nghiên cứu sử dụng 106 ca lâm sàng X quang cơ xương khớp, bao gồm tiền sử bệnh, hình ảnh và kết quả chẩn đoán hình ảnh.
• Hai phiên bản AI được sử dụng là GPT-4 và GPT-4 với khả năng nhìn (GPT-4V).
• Các ca bệnh cũng được trình bày cho một bác sĩ nội trú X quang và một bác sĩ X quang đã được chứng nhận để chẩn đoán.
• Kết quả cho thấy GPT-4 vượt trội hơn GPT-4V và có độ chính xác chẩn đoán ngang bằng với bác sĩ nội trú X quang.
• Tuy nhiên, độ chính xác chẩn đoán của ChatGPT vẫn kém hơn so với các bác sĩ X quang đã được chứng nhận.
• Tiến sĩ Horiuchi nhận xét rằng mặc dù ChatGPT có thể hữu ích trong chẩn đoán hình ảnh, nhưng độ chính xác của nó vẫn chưa thể so sánh với bác sĩ X quang đã được chứng nhận.
• Ông cũng nhấn mạnh cần phải hiểu rõ hiệu suất của ChatGPT như một công cụ chẩn đoán trước khi có thể sử dụng rộng rãi.
• Nghiên cứu chỉ ra rằng AI tạo sinh đang phát triển nhanh chóng và có thể trở thành công cụ hỗ trợ trong chẩn đoán hình ảnh trong tương lai gần.
• Kết quả nghiên cứu đã được công bố trên tạp chí European Radiology.
• Nghiên cứu nhấn mạnh tiềm năng và hạn chế của AI tạo sinh trong chẩn đoán y tế.
• Các nhà nghiên cứu kêu gọi cần có thêm nghiên cứu trước khi áp dụng rộng rãi AI trong thực hành lâm sàng.
• Tuy vậy, nghiên cứu cũng ghi nhận AI đang phục vụ tốt trong thời đại công nghệ phát triển nhanh chóng hiện nay.
📌 ChatGPT đạt độ chính xác chẩn đoán ngang bằng bác sĩ nội trú X quang nhưng kém hơn chuyên gia trong 106 ca cơ xương khớp. Nghiên cứu nhấn mạnh tiềm năng và hạn chế của AI tạo sinh, kêu gọi thêm nghiên cứu trước khi áp dụng rộng rãi trong lâm sàng.
https://www.thestatesman.com/business/study-compares-diagnostic-accuracy-of-chatgpt-radiologists-in-musculoskeletal-imaging-1503334512.html
• ALS (Amyotrophic Lateral Sclerosis) hay bệnh xơ cứng cột bên teo cơ là một bệnh thần kinh tiến triển, gây suy giảm chức năng của các tế bào thần kinh vận động. Bệnh dẫn đến yếu cơ, teo cơ và cuối cùng là liệt, ảnh hưởng đến khả năng nói, nuốt và thở của người bệnh.
• Giao diện não-máy tính (BCI) là công nghệ đột phá giúp người bị liệt do ALS và các bệnh khác lấy lại các chức năng đã mất bằng cách ghi lại và giải mã tín hiệu não bộ.
• Gần đây, các nhà nghiên cứu bắt đầu phát triển BCI cho giọng nói để phục hồi khả năng giao tiếp cho những người mắc ALS không thể nói.
• Một nhóm nghiên cứu tại Đại học California, Davis đã phát triển BCI giọng nói có thể giải mã ý định nói của một người đàn ông mắc bệnh ALS với độ chính xác trên 97%.
• Hệ thống sử dụng các mảng điện cực cấy ghép phẫu thuật vào vùng vỏ não vận động lời nói để ghi lại hoạt động thần kinh từ 256 điện cực khi người tham gia cố gắng nói.
• Thay vì ánh xạ trực tiếp các mẫu hoạt động não đến từng từ, hệ thống ánh xạ tín hiệu não đến các âm vị - đơn vị âm thanh cơ bản tạo nên từ. Tiếng Anh có 39 âm vị có thể kết hợp để tạo thành bất kỳ từ nào.
• Các mô hình học máy tiên tiến được sử dụng để ánh xạ tín hiệu não đến các âm vị với độ chính xác trên 90%.
• Để chuyển đổi chuỗi âm vị đã giải mã thành từ và câu, hệ thống sử dụng hai loại mô hình ngôn ngữ học máy:
- Mô hình ngôn ngữ n-gram dự đoán từ nào có khả năng xuất hiện tiếp theo dựa trên n từ trước đó.
- Mô hình ngôn ngữ lớn có hiểu biết rộng hơn về cấu trúc và ý nghĩa ngôn ngữ.
• Bằng cách cân bằng cẩn thận xác suất từ các mô hình và dự đoán âm vị ban đầu, hệ thống có thể đưa ra phỏng đoán chính xác về những gì người dùng BCI đang cố gắng nói.
• Công nghệ này đã giúp Casey Harrell, một người đàn ông mắc bệnh ALS, có thể "nói chuyện" với độ chính xác trên 97% chỉ bằng suy nghĩ của mình.
• Mặc dù vẫn còn những thách thức như làm cho công nghệ dễ tiếp cận, di động và bền bỉ hơn, BCI giọng nói đại diện cho một bước tiến quan trọng trong việc phục hồi giao tiếp cho những người mắc ALS và các bệnh khác gây mất khả năng nói.
📌 Giao diện não-máy tính kết hợp AI đã giúp người bệnh ALS nói chuyện với độ chính xác 97%. Công nghệ này sử dụng 256 điện cực cấy ghép, mô hình học máy và 39 âm vị tiếng Anh để giải mã tín hiệu não thành lời nói, mở ra triển vọng phục hồi giao tiếp cho người mắc ALS - một bệnh thần kinh tiến triển gây liệt và mất khả năng nói.
https://www.fastcompany.com/91177581/brain-computer-interfaces-ai-man-als-speaks
• MEDCO (Medical Education COpilots) là một hệ thống AI đa tác tử mới được phát triển bởi các nhà nghiên cứu từ Đại học Trung Quốc Hồng Kông và Đại học Hồng Kông, nhằm mô phỏng môi trường đào tạo y khoa thực tế.
• Hệ thống bao gồm 3 tác tử chính: bệnh nhân ảo, bác sĩ chuyên gia và bác sĩ X-quang, tạo ra môi trường học tập đa phương thức và tương tác.
• MEDCO giải quyết những hạn chế của các công cụ AI hiện tại trong đào tạo y khoa, vốn chỉ hỗ trợ học tập đơn lẻ và không thể tái tạo bản chất tương tác, đa chuyên ngành của đào tạo y khoa thực tế.
• Hệ thống hoạt động qua 3 giai đoạn chính: khởi tạo tác tử, học tập và thực hành các tình huống. Sinh viên tương tác với bệnh nhân ảo và bác sĩ X-quang để đưa ra chẩn đoán, được bác sĩ chuyên gia đánh giá và phản hồi.
• MEDCO được đánh giá sử dụng bộ dữ liệu MVME gồm 506 hồ sơ y tế chất lượng cao bằng tiếng Trung, cho thấy cải thiện đáng kể về độ chính xác chẩn đoán và hiệu quả học tập.
• Hiệu quả của MEDCO được chứng minh qua việc cải thiện đáng kể khả năng chẩn đoán của sinh viên y khoa được mô phỏng bởi các mô hình ngôn ngữ như GPT-3.5.
• Đánh giá sử dụng các phương pháp Holistic Diagnostic Evaluation (HDE), Semantic Embedding-based Matching Assessment (SEMA) và Coarse And Specific Code Assessment for Diagnostic Evaluation (CASCADE) cho thấy MEDCO nâng cao hiệu suất của sinh viên trên tất cả các chỉ số.
• Sau khi đào tạo với MEDCO, điểm số của sinh viên trong phần Khám y tế tăng từ 1.785 lên 2.575 sau khi tham gia thảo luận với đồng nghiệp.
• Các chỉ số SEMA và CASCADE xác nhận hiệu quả của hệ thống, đặc biệt là về độ nhớ và điểm F1, cho thấy MEDCO hỗ trợ hiểu sâu hơn về các ca bệnh.
• Sinh viên được đào tạo bằng MEDCO đạt điểm HDE trung bình 2.299 sau khi thảo luận với đồng nghiệp, vượt qua điểm 2.283 của các mô hình tiên tiến như Claude3.5-Sonnet.
• MEDCO đại diện cho một bước tiến đột phá trong đào tạo y khoa hỗ trợ bởi AI, tái tạo hiệu quả sự phức tạp của đào tạo lâm sàng thực tế.
• Hệ thống giải quyết những thách thức quan trọng của các công cụ giáo dục hiện có bằng cách đưa ra một framework đa tác tử hỗ trợ học tập tương tác và đa chuyên ngành.
• MEDCO có tiềm năng cách mạng hóa giáo dục y khoa, chuẩn bị tốt hơn cho sinh viên đối mặt với các tình huống thực tế, và thúc đẩy lĩnh vực AI trong đào tạo y khoa.
📌 MEDCO là hệ thống AI đa tác tử cách mạng hóa đào tạo y khoa với 3 tác tử chính: bệnh nhân ảo, bác sĩ chuyên gia và bác sĩ X-quang. Hệ thống cải thiện đáng kể khả năng chẩn đoán của sinh viên, với điểm HDE trung bình 2.299, vượt qua cả mô hình tiên tiến Claude3.5-Sonnet (2.283).
https://www.marktechpost.com/2024/08/25/revolutionizing-medical-training-with-ai-this-ai-paper-unveils-medco-medical-education-copilots-based-on-a-multi-agent-framework/
• Các hệ thống y tế lớn trên toàn nước Mỹ đang triển khai rộng rãi các công cụ AI hỗ trợ ghi chép lâm sàng nhằm giảm gánh nặng cho bác sĩ và cải thiện tương tác với bệnh nhân.
• Tại Ascension Saint Thomas, bác sĩ Missy Scalise cho biết việc sử dụng trợ lý AI Suki đã giúp cô tiết kiệm được nhiều thời gian, từ việc phải mất hàng giờ ghi chép thủ công xuống còn khoảng 15 phút chỉnh sửa mỗi ngày.
• Suki có thể tích hợp dễ dàng với các hệ thống EHR phổ biến như Athenahealth, Epic, Cerner trong vòng 5 ngày làm việc. Công ty tập trung nhiều vào việc tích hợp EHR hơn là phát triển AI.
• Ochsner Health đã triển khai công cụ DeepScribe cho 4.700 bác sĩ. Theo Dr. Jason Hill, công cụ này được đánh giá cao về khả năng tích hợp và phản hồi tích cực từ người dùng.
• Kaiser Permanente vừa công bố kế hoạch triển khai công cụ Abridge trên 40 bệnh viện và hơn 600 phòng khám tại 8 tiểu bang. Công cụ này được đánh giá cao về khả năng mở rộng quy mô, tích hợp dễ dàng và chất lượng ghi chép.
• The Ohio State University Wexner Medical Center đang thử nghiệm Microsoft DAX (Dragon Ambient eXperience). Công cụ này giúp tiết kiệm 30-60 phút mỗi ngày cho bác sĩ và cải thiện chất lượng tương tác với bệnh nhân.
• Các công cụ AI ghi chép lâm sàng thường hoạt động bằng cách lắng nghe cuộc trò chuyện giữa bác sĩ và bệnh nhân, tạo bản ghi và tự động tổng hợp thành ghi chú lâm sàng để bác sĩ xem xét.
• Lợi ích chính của công nghệ này bao gồm: giảm thời gian ghi chép, cho phép bác sĩ tập trung hơn vào bệnh nhân, cải thiện chất lượng tương tác, giảm stress và kiệt sức cho bác sĩ.
• Các bác sĩ đánh giá cao khả năng tích hợp với hệ thống EHR hiện có, dễ sử dụng và chất lượng ghi chép của các công cụ AI.
• Xu hướng áp dụng công nghệ AI ghi chép lâm sàng đang gia tăng nhanh chóng tại các hệ thống y tế lớn, với kỳ vọng sẽ trở nên phổ biến trong 5 năm tới.
📌 Các hệ thống y tế lớn tại Mỹ đang đua nhau triển khai công cụ AI ghi chép lâm sàng như Suki, DeepScribe, Abridge và Microsoft DAX. Công nghệ này giúp tiết kiệm 30-60 phút mỗi ngày cho bác sĩ, cải thiện tương tác với bệnh nhân và dự kiến sẽ phổ biến trong 5 năm tới.
https://medcitynews.com/2024/08/clinical-documentation-healthcare-burnout/
• Các nhà nghiên cứu từ Iraq và Australia đã phát triển một thuật toán máy tính đột phá có thể dự đoán chính xác 98% các bệnh khác nhau bằng cách phân tích màu lưỡi.
• Hệ thống chụp ảnh sáng tạo này có thể chẩn đoán các bệnh như tiểu đường, đột quỵ, thiếu máu, hen suyễn, các vấn đề về gan và túi mật, COVID-19, cũng như nhiều vấn đề về mạch máu và đường tiêu hóa.
• Nghiên cứu là sự hợp tác giữa Đại học Kỹ thuật Trung ương (MTU) và Đại học Nam Australia (UniSA). Họ đã huấn luyện các thuật toán học máy để phát hiện màu lưỡi bằng cách sử dụng 5.260 hình ảnh.
• Dữ liệu được thu thập với sự hỗ trợ của hai bệnh viện giảng dạy ở Trung Đông, cung cấp 60 hình ảnh lưỡi từ bệnh nhân mắc các bệnh khác nhau.
• Mô hình AI có thể khớp màu lưỡi với bệnh chính xác trong gần như mọi trường hợp.
• Hệ thống phân tích màu lưỡi để đưa ra chẩn đoán tức thì, cho thấy AI đang tiến bộ nhanh chóng trong lĩnh vực y tế.
• Giáo sư Ali Al-Naji giải thích rằng AI đang hiện đại hóa một phương pháp đã được sử dụng hơn 2.000 năm trong y học cổ truyền Trung Quốc - kiểm tra lưỡi để tìm dấu hiệu bệnh tật.
• Màu sắc, hình dạng và độ dày của lưỡi có thể tiết lộ nhiều tình trạng sức khỏe khác nhau. Ví dụ: người bị tiểu đường thường có lưỡi màu vàng, bệnh nhân ung thư có thể có lưỡi màu tím với lớp phủ dày nhờn, và những người bị đột quỵ cấp tính thường có lưỡi đỏ hình dạng bất thường.
• Lưỡi trắng có thể là dấu hiệu của thiếu máu; lưỡi đỏ sẫm thường thấy trong các ca COVID-19 nặng; và lưỡi màu chàm hoặc tím có thể cho thấy các vấn đề về mạch máu, đường tiêu hóa hoặc hen suyễn.
• Trong nghiên cứu, các nhà khoa học đặt camera cách 20 cm từ lưỡi của bệnh nhân để chụp màu sắc, cho phép hệ thống chụp ảnh dự đoán tình trạng sức khỏe trong thời gian thực.
• Giáo sư Javaan Chahl từ UniSA dự đoán trong tương lai, smartphone có thể được sử dụng để chẩn đoán bệnh theo cách này.
• Phân tích lưỡi bằng máy tính được xác nhận là một phương pháp sàng lọc bệnh an toàn, hiệu quả, thân thiện với người dùng và giá cả phải chăng, kết hợp độ tin cậy của công nghệ hiện đại với sự khôn ngoan của một phương pháp cổ xưa.
📌 AI tạo sinh đạt độ chính xác 98% trong chẩn đoán bệnh qua phân tích màu lưỡi, kết hợp y học cổ truyền và công nghệ hiện đại. Hệ thống có thể chẩn đoán nhiều bệnh như tiểu đường, đột quỵ, COVID-19 chỉ bằng hình ảnh lưỡi, mở ra khả năng sử dụng smartphone để chẩn đoán bệnh trong tương lai.
https://www.thebrighterside.news/post/breakthrough-ai-detects-diseases-with-98-accuracy-via-tongue-scans/
• ChatGPT đang được nhiều người sử dụng như một hình thức "chữa lành tâm lý", với 200 triệu người dùng hàng tháng trên toàn cầu, trong đó có 77,2 triệu người ở Mỹ.
• Shannon McNamara, một podcaster và người sáng tạo nội dung, thường xuyên sử dụng ChatGPT như một công cụ chữa lành. Cô cho biết nó rất hữu ích khi cô gặp khó khăn trong việc giải quyết vấn đề hoặc hiểu cảm xúc của mình.
• Xu hướng này đang gia tăng do chi phí trị liệu truyền thống cao (100-200 USD/buổi ở Mỹ), trong khi các công cụ AI thường miễn phí hoặc chi phí thấp và có sẵn 24/7.
• Rachel Goldberg, nhà tâm lý trị liệu, cảnh báo rằng AI không thể thay thế trị liệu thực sự. Kết nối giữa nhà trị liệu và khách hàng là nền tảng quan trọng cho sự thành công của trị liệu, điều mà AI không thể tạo ra.
• Seth Eisenberg, CEO của PAIRS Foundation, chỉ ra một số ưu điểm của việc sử dụng AI cho hỗ trợ tâm lý: tiếp cận toàn cầu, sẵn có ngay lập tức, công cụ có cấu trúc, tương tác ẩn danh và không phán xét, hỗ trợ tiết kiệm chi phí.
• Tuy nhiên, AI không thể thay thế sự kết nối cảm xúc sâu sắc và sự đồng cảm từ một nhà trị liệu có kỹ năng. AI cũng không được trang bị để xử lý các cuộc khủng hoảng sức khỏe tâm thần nghiêm trọng.
• AI tạo sinh có thể tạo ra các phản hồi dựa trên ngữ cảnh được cung cấp, đôi khi dẫn đến thông tin không chính xác hoặc hoàn toàn bịa đặt. Nó cũng không thể đánh giá chính xác ngôn ngữ cơ thể và biểu hiện khuôn mặt của người dùng.
• Một trường hợp đáng chú ý về giới hạn của AI trong lĩnh vực này xảy ra vào năm 2023, khi một người đàn ông Bỉ đã tự tử sau khi tương tác với một bot AI trên ứng dụng Chai.
• Hiệp hội Lo âu và Trầm cảm Hoa Kỳ (ADAA) báo cáo rằng Rối loạn Lo âu Tổng quát (GAD) ảnh hưởng đến 6,8 triệu người trưởng thành, tương đương 3,1% dân số Mỹ, với trầm cảm nặng thường xuyên xảy ra đồng thời.
• Khảo sát Căng thẳng ở Mỹ năm 2023 của Hiệp hội Tâm lý Hoa Kỳ cho thấy nhiều người Mỹ, đặc biệt là những người trong độ tuổi 35-44, coi tiền bạc và nền kinh tế là những yếu tố gây căng thẳng chính.
• Các chuyên gia nhấn mạnh rằng AI có thể là một công cụ hữu ích trong việc cải thiện sức khỏe tâm thần, nhưng không thể thay thế hoàn toàn sự chăm sóc cá nhân hóa và kết nối cảm xúc sâu sắc từ một nhà trị liệu có giấy phép.
📌 ChatGPT đang được sử dụng như một hình thức "chữa lành" với 200 triệu người dùng hàng tháng. Mặc dù có ưu điểm về chi phí và khả năng tiếp cận, các chuyên gia cảnh báo AI không thể thay thế hoàn toàn trị liệu truyền thống. Với 6,8 triệu người Mỹ bị ảnh hưởng bởi GAD, việc cân nhắc giữa công nghệ và chăm sóc cá nhân hóa trở nên quan trọng hơn bao giờ hết.
https://www.newsweek.com/chatgpt-therapy-mental-health-crisis-ai-1939858
• Google đã giới thiệu mô hình nền tảng âm thanh sinh học Health Acoustic Representations (HeAR) để giúp các nhà nghiên cứu xây dựng các mô hình có thể lắng nghe âm thanh của con người và phát hiện dấu hiệu sớm của bệnh.
• HeAR được đào tạo trên 300 triệu dữ liệu âm thanh, trong đó có khoảng 100 triệu âm thanh ho. Mô hình học cách phân biệt các mẫu trong âm thanh liên quan đến sức khỏe.
• Mô hình này có hiệu suất cao hơn các mô hình khác trong nhiều tác vụ và khả năng tổng quát hóa trên các microphone khác nhau. Nó cũng đạt hiệu suất cao với ít dữ liệu đào tạo hơn.
• HeAR hiện đã được cung cấp cho các nhà nghiên cứu để đẩy nhanh việc phát triển các mô hình âm thanh sinh học tùy chỉnh với ít dữ liệu, thiết lập và tính toán hơn.
• Salcit Technologies, một công ty chăm sóc sức khỏe hô hấp tại Ấn Độ, đang sử dụng HeAR để nghiên cứu và nâng cao khả năng phát hiện sớm bệnh lao dựa trên âm thanh ho trong sản phẩm Swaasa® của họ.
• Bệnh lao là một bệnh có thể điều trị được, nhưng hàng năm có hàng triệu ca không được chẩn đoán do người dân không tiếp cận được dịch vụ y tế. AI có thể đóng vai trò quan trọng trong việc cải thiện phát hiện và giúp chăm sóc dễ tiếp cận và giá cả phải chăng hơn.
• Swaasa® có lịch sử sử dụng machine learning để phát hiện bệnh sớm, cung cấp đánh giá sức khỏe hô hấp không phụ thuộc vào địa điểm và không cần thiết bị. Với HeAR, họ thấy cơ hội mở rộng sàng lọc lao rộng rãi hơn trên khắp Ấn Độ.
• Tổ chức StopTB Partnership của Liên Hợp Quốc ủng hộ cách tiếp cận này, cho rằng các giải pháp như HeAR sẽ cho phép phân tích âm thanh bằng AI mở ra bước đột phá mới trong sàng lọc và phát hiện bệnh lao.
• HeAR đại diện cho một bước tiến quan trọng trong nghiên cứu sức khỏe âm thanh. Google hy vọng thúc đẩy phát triển các công cụ chẩn đoán và giải pháp theo dõi trong tương lai cho bệnh lao, ngực, phổi và các bệnh khác.
📌 Mô hình AI HeAR của Google phân tích 300 triệu dữ liệu âm thanh để phát hiện bệnh qua tiếng ho. Công nghệ này đang được ứng dụng tại Ấn Độ để sàng lọc bệnh lao, với tiềm năng cải thiện chẩn đoán sớm và tiếp cận chăm sóc y tế cho hàng triệu người.
https://blog.google/technology/health/ai-model-cough-disease-detection/
• Các nhà nghiên cứu y tế đang phát triển một thuật toán AI mới có thể phát hiện chính xác các vấn đề sức khỏe chỉ bằng cách nhìn vào lưỡi của bệnh nhân.
• Hệ thống này tự động hóa phương pháp chẩn đoán lưỡi cổ xưa với sự hỗ trợ của machine learning hiện đại.
• Nghiên cứu được công bố trên tạp chí Technologies, sử dụng 60 bức ảnh lưỡi từ các bệnh viện giảng dạy ở Trung Đông, bao gồm các bệnh nhân mắc nhiều bệnh khác nhau từ vấn đề tiêu hóa đến COVID-19.
• AI có thể phát hiện chính xác tình trạng của mỗi bệnh nhân trong hơn 98% trường hợp chỉ dựa trên màu sắc của lưỡi.
• Để tạo ra hệ thống này, các nhà nghiên cứu đã đưa hơn 5.200 ảnh lưỡi và chẩn đoán tương ứng vào 6 thuật toán ML riêng biệt.
• Hệ thống kém chính xác nhất (phương pháp naïve Bayes) vẫn có tỷ lệ chính xác hơn 91%, trong khi framework nguồn mở XGBoost đạt độ chính xác 98,71%.
• Tác giả chính Ali Al-Naji cho biết họ được truyền cảm hứng từ phương pháp y học cổ truyền Trung Quốc 2.000 năm tuổi, vẫn còn hiệu quả cho đến ngày nay.
• Màu sắc, hình dạng và độ dày của lưỡi có thể tiết lộ nhiều tình trạng sức khỏe khác nhau.
• Nhóm nghiên cứu quốc tế dự định tạo ra một ứng dụng smartphone sử dụng thuật toán này để mọi người có thể chẩn đoán dự đoán tại nhà.
• Giáo sư Javaan Chahl, đồng tác giả nghiên cứu, khẳng định phương pháp "phân tích lưỡi bằng máy tính" này không chỉ an toàn và hiệu quả mà còn kết hợp các phương pháp hiện đại với một phương pháp cổ xưa.
• Trong tương lai, việc khám lưỡi tại phòng khám có thể được thực hiện bởi AI thay vì bác sĩ.
📌 AI mới có thể chẩn đoán chính xác 98% các vấn đề sức khỏe chỉ bằng cách phân tích ảnh lưỡi. Dựa trên y học cổ truyền Trung Quốc 2.000 năm tuổi, công nghệ này có thể sớm được tích hợp vào ứng dụng smartphone để chẩn đoán tại nhà.
https://futurism.com/neoscope/ai-detects-illness-tongue
- AI chăm sóc sức khỏe đang phát triển nhanh chóng, với các mô hình ngôn ngữ lớn (LLM) nổi lên như những công cụ mạnh mẽ để biến đổi các khía cạnh của thực hành lâm sàng
- Một thách thức lớn trong việc triển khai AI trong chăm sóc sức khỏe là hầu hết các mô hình ngôn ngữ chung cần thêm độ sâu về hiểu biết để thực sự hiệu quả trong các tình huống lâm sàng
- Các nhà nghiên cứu từ M42 Abu Dhabi, UAE, đã giới thiệu bộ sưu tập các mô hình ngôn ngữ lớn lâm sàng Med42-v2, được xây dựng trên kiến trúc Llama3 tiên tiến
- Quá trình phát triển Med42-v2 bao gồm hai giai đoạn huấn luyện nhằm tối ưu hóa các mô hình cho việc sử dụng lâm sàng
- Hiệu suất của các mô hình Med42-v2 đã được kiểm tra nghiêm ngặt trên nhiều tiêu chuẩn y tế, cho thấy sự vượt trội của chúng so với các tiền nhiệm Llama3 và các mô hình hàng đầu khác như GPT-4
📌Med42-v2 cung cấp một giải pháp phù hợp với nhu cầu chăm sóc sức khỏe bằng cách vượt qua các hạn chế của các mô hình chung. Hiệu suất vượt trội của nó trên nhiều tiêu chuẩn cho thấy tiềm năng của nó trong việc cách mạng hóa việc ra quyết định lâm sàng, chăm sóc bệnh nhân và nghiên cứu y tế.
https://www.marktechpost.com/2024/08/13/med42-v2-released-a-groundbreaking-suite-of-clinical-large-language-models-built-on-llama3-architecture-achieving-up-to-94-5-accuracy-on-medical-benchmarks/
- Nghiên cứu từ Đại học Massachusetts Amherst cho thấy mô hình ngôn ngữ lớn (LLMs) thường xuyên phát sinh thông tin sai lệch khi tạo ra tóm tắt y tế.
- Ngành y tế đã bắt đầu sử dụng LLMs để giảm bớt căng thẳng cho nhân viên y tế, nhưng vẫn còn lo ngại về các hiện tượng "hallucination" (sai lệch thông tin).
- Nhóm nghiên cứu đã thu thập 100 tóm tắt y tế từ hai mô hình LLM nổi bật: GPT-4o của OpenAI và Llama-3 của Meta.
- Kết quả cho thấy hầu hết các tóm tắt đều có sai lệch thông tin, với 327 trường hợp sai lệch sự kiện y tế, 114 trường hợp lý luận sai và 3 trường hợp sai lệch thời gian trong 50 tóm tắt từ GPT-4o.
- Đối với Llama-3, nhóm nghiên cứu phát hiện 271 trường hợp sai lệch sự kiện y tế, 53 trường hợp lý luận sai và 1 trường hợp sai lệch thời gian, nhưng các tóm tắt này ngắn hơn và kém toàn diện hơn so với GPT-4o.
- Các sai lệch phổ biến nhất liên quan đến triệu chứng, chẩn đoán và hướng dẫn sử dụng thuốc, cho thấy kiến thức y tế vẫn là thách thức lớn đối với các mô hình ngôn ngữ hiện đại.
- Mặc dù LLMs có khả năng tạo ra câu văn trôi chảy và hợp lý, nhưng những tóm tắt mà chúng tạo ra có thể gây nguy hiểm nếu không trung thực với hồ sơ y tế nguồn.
- Ví dụ, nếu một hồ sơ y tế ghi nhận bệnh nhân bị nghẹt mũi và đau họng do Covid-19, nhưng mô hình lại phát sinh thông tin sai rằng bệnh nhân bị nhiễm trùng họng, điều này có thể dẫn đến việc bác sĩ kê đơn thuốc sai.
- Ngoài ra, mô hình có thể bỏ qua dị ứng thuốc được ghi nhận trong hồ sơ bệnh nhân, dẫn đến việc bác sĩ kê đơn thuốc có thể gây ra phản ứng dị ứng nghiêm trọng.
- Nghiên cứu đề xuất ngành y tế cần một khuôn khổ tốt hơn để phát hiện và phân loại các hiện tượng sai lệch của AI, nhằm cải thiện độ tin cậy của AI trong các bối cảnh lâm sàng.
📌 Nghiên cứu cho thấy LLMs như GPT-4o và Llama-3 thường xuyên phát sinh sai lệch thông tin trong tóm tắt y tế, với hàng trăm trường hợp sai lệch được ghi nhận. Ngành y tế cần cải thiện khả năng phát hiện và phân loại các sai lệch này để nâng cao độ tin cậy của AI trong chăm sóc sức khỏe.
https://medcitynews.com/2024/08/ai-healthcare-llm/
- Các bang đang tự xây dựng quy định cho AI trong lĩnh vực chăm sóc sức khỏe do thiếu sự giám sát từ liên bang.
- Colorado đã ban hành một trong những luật AI toàn diện đầu tiên vào tháng 5, nhằm hạn chế các nhà phát triển và triển khai hệ thống AI trong việc đưa ra "quyết định quan trọng", bao gồm cả trong chăm sóc sức khỏe.
- Đại diện bang Colorado, Brianna Titone, nhấn mạnh rằng chính phủ liên bang đang hoạt động chậm chạp và các bang cần phải hành động để đảm bảo việc sử dụng AI một cách có đạo đức và có trách nhiệm.
- Văn phòng AI của Utah đang làm việc để điều chỉnh các chatbot hỗ trợ sức khỏe tâm thần, yêu cầu nhân viên y tế phải công bố khi sử dụng AI tạo sinh trong tương tác với bệnh nhân.
- Các hội đồng y tế và xương khớp của bang cũng đã thông qua các khuyến nghị về thực tiễn tốt nhất trong việc quản lý sử dụng AI trong chăm sóc lâm sàng.
- Tuy nhiên, số lượng đề xuất về AI trong lĩnh vực y tế tại các bang nhiều hơn nhiều so với các chính sách đã được thông qua, theo Valerie Rogers từ Healthcare Information and Management Systems Society.
- Một số bang đang cố gắng hạn chế việc sử dụng AI của các công ty bảo hiểm y tế trong việc đánh giá chi phí chăm sóc.
- Tại California, một dự luật đang được xem xét, nhưng có thể bị trì hoãn do chi phí bổ sung cho quỹ chăm sóc quản lý của bang.
- Chính sách về AI trong y tế có thể gia tăng vào năm 2025, khi các bang cảm thấy áp lực trong việc đảm bảo quyền riêng tư và an ninh, cũng như hạn chế sự thiên lệch trong việc sử dụng AI.
- Việc điều chỉnh AI theo từng bang có thể tạo ra một hệ thống phức tạp khó khăn cho người dùng và nhà phát triển, theo Jennifer Geetter từ McDermott Will and Emery.
- Các bang đang nỗ lực hợp tác trong việc xây dựng chính sách AI, nhưng việc sao chép luật từ bang này sang bang khác không phải lúc nào cũng hiệu quả.
- Chính phủ liên bang đang tiến tới việc xây dựng quy định quốc gia về AI trong lĩnh vực y tế, với FDA cam kết sẽ cung cấp các quy tắc minh bạch cho việc sử dụng AI trong phát triển thuốc.
📌 Các bang đang chủ động xây dựng quy định cho AI trong chăm sóc sức khỏe, với Colorado và Utah đi đầu trong việc thiết lập các chính sách. Tuy nhiên, sự thiếu đồng bộ giữa các bang có thể tạo ra thách thức cho việc triển khai AI một cách hiệu quả và an toàn.
https://www.axios.com/2024/08/12/states-regulate-ai-health-care
• Một nghiên cứu mới được công bố trên Tạp chí Tâm lý và Tổ chức Nghề nghiệp cho thấy các hồ sơ LinkedIn có thể cung cấp những cái nhìn sâu sắc về các đặc điểm cá nhân như chứng rối loạn nhân cách tự kỷ và trí thông minh.
• Các nhà nghiên cứu đã phát triển một tập hợp 64 dấu hiệu hồ sơ LinkedIn, dựa trên lý thuyết và nghiên cứu thực nghiệm, có thể tiềm ẩn chứng rối loạn nhân cách tự kỷ và trí thông minh. Các dấu hiệu này bao gồm thông tin khách quan như số kỹ năng được liệt kê, cũng như các yếu tố mang tính chủ quan hơn như sự hiện diện của ảnh hồ sơ cười hoặc việc sử dụng ảnh nền.
• Các thuật toán học máy, cụ thể là các mạng đàn hồi, đã được sử dụng để phân tích mối quan hệ giữa các dấu hiệu LinkedIn này và điểm số chứng rối loạn nhân cách tự kỷ và trí thông minh của người tham gia. Các thuật toán này đã được đào tạo để xác định các dấu hiệu LinkedIn nào dự đoán tốt nhất về chứng rối loạn nhân cách tự kỷ và trí thông minh.
• Các thuật toán học máy đã chứng minh độ chính xác trung bình đến mạnh mẽ trong việc dự đoán chứng rối loạn nhân cách tự kỷ và trí thông minh dựa trên hồ sơ LinkedIn, với hệ số tương quan lần lượt là 0,35 và 0,41. Điều này gợi ý rằng các thuật toán có thể xác định được những cá nhân có mức độ chứng rối loạn nhân cách tự kỷ hoặc trí thông minh trên mức trung bình khoảng 67,5% đến 70,5% số lần - mức độ chính xác tương đương với những nghiên cứu trước đây sử dụng dữ liệu từ các nền tảng mạng xã hội như Facebook.
• Phân tích đã xác định một số dấu hiệu LinkedIn đặc biệt dự đoán tốt các đặc điểm này. Đối với chứng rối loạn nhân cách tự kỷ, các chỉ số quan trọng bao gồm có ảnh nền, liệt kê kỹ năng thuyết trình công cộng và hiển thị ít nụ cười hơn trong ảnh hồ sơ. Đối với trí thông minh, các dấu hiệu quan trọng bao gồm liệt kê các trường học có nhiều người theo dõi, có mô tả chi tiết về kinh nghiệm giáo dục và nghề nghiệp, và đăng các thành tựu liên quan đến danh hiệu và giải thưởng.
📌 Nghiên cứu này cho thấy các thuật toán học máy có thể dự đoán chính xác các đặc điểm như chứng rối loạn nhân cách tự kỷ và trí thông minh dựa trên hồ sơ LinkedIn, thậm chí còn chính xác hơn cả các đồng nghiệp và nhà tuyển dụng. Tuy nhiên, các hồ sơ LinkedIn chỉ cung cấp một phần nhỏ về bản sắc nghề nghiệp của một cá nhân, vì vậy cần phải cẩn trọng khi sử dụng công nghệ này trong tuyển dụng và các bối cảnh nghề nghiệp khác.
https://www.psypost.org/ai-is-surprisingly-good-at-predicting-narcissism-based-on-linkedin-profiles/
- Sự phát triển của AI đã tạo ra khả năng thu thập tới 1 triệu điểm dữ liệu mỗi ngày, mở ra cơ hội cho các tổ chức.
- AI không chỉ giúp phân tích dữ liệu mà còn phát hiện các mẫu và xu hướng, từ đó cải thiện quy trình làm việc.
- Để thực hiện chuyển đổi AI thành công, hiểu biết về con người là yếu tố quan trọng hơn cả việc hiểu công nghệ.
- Ví dụ điển hình là Dr. Teodor Grantcharov tại Stanford, người đã phát triển "hộp đen phòng phẫu thuật" để giảm thiểu sai sót trong phẫu thuật.
- Hộp đen này thu thập dữ liệu từ 20 phòng phẫu thuật, bao gồm cả thông tin sinh lý của đội ngũ phẫu thuật.
- Các nghiên cứu cho thấy có tới 250.000 ca tử vong hàng năm ở Mỹ do lỗi y tế, trong đó một phần lớn xảy ra trong phòng phẫu thuật.
- Dữ liệu thu thập được cho thấy mối liên hệ giữa căng thẳng của bác sĩ phẫu thuật và tỷ lệ mắc lỗi, với 66% khả năng cao hơn khi họ bị căng thẳng.
- Các yếu tố gây phân tâm như tiếng cửa mở hay cuộc trò chuyện không liên quan cũng là nguyên nhân chính dẫn đến sai sót nghiêm trọng.
- Tinh thần làm việc nhóm và văn hóa giao tiếp trong phòng phẫu thuật có ảnh hưởng lớn đến kết quả phẫu thuật.
- Việc thay đổi văn hóa tổ chức yêu cầu thiết lập các ưu tiên, thói quen và hệ thống mới để cải thiện kết quả.
- Các bệnh viện cần khuyến khích thói quen giao tiếp và giảm thiểu phân tâm trong quá trình phẫu thuật.
- AI có thể được áp dụng trong nhiều lĩnh vực khác nhau, không chỉ trong y tế, để cải thiện hiệu suất và văn hóa tổ chức.
- Sự chuyển đổi này không chỉ dựa vào công nghệ mà còn phụ thuộc vào cách con người tương tác và xử lý thông tin.
📌 Việc áp dụng AI trong phòng phẫu thuật đã giảm thiểu sai sót, với 66% bác sĩ phẫu thuật căng thẳng có nguy cơ mắc lỗi cao hơn. Chuyển đổi văn hóa tổ chức và thói quen giao tiếp là chìa khóa để nâng cao hiệu quả và an toàn trong y tế.
https://venturebeat.com/ai/from-data-to-insight-to-action-the-very-human-challenges-of-ai-transformation/
• Nghiên cứu mới được công bố trên tạp chí Nature Medicine đã đánh giá việc sử dụng dữ liệu nhân khẩu học trong các mô hình AI y tế và tác động của nó đến tính công bằng của kết quả.
• Các mô hình học sâu trong chẩn đoán hình ảnh y tế đã đạt được thành công đáng kể, nhưng thường kế thừa các thiên lệch từ dữ liệu đào tạo, dẫn đến sự chênh lệch về hiệu suất giữa các nhóm dân số khác nhau.
• Nghiên cứu tập trung vào các tác vụ phân loại nhị phân liên quan đến hình ảnh X-quang ngực, bao gồm các danh mục như "Không có phát hiện", "Tràn dịch", "Tràn khí màng phổi" và "Bệnh tim to", sử dụng các bộ dữ liệu như MIMIC-CXR và CheXpert.
• Các tác vụ về da liễu sử dụng bộ dữ liệu ISIC cho phân loại "Không có phát hiện", trong khi các tác vụ về nhãn khoa được đánh giá bằng bộ dữ liệu ODIR, tập trung vào "Bệnh võng mạc".
• Các chỉ số đánh giá tính công bằng bao gồm tỷ lệ dương tính giả (FPR) và tỷ lệ âm tính giả (FNR), nhấn mạnh việc cân bằng odds để đo lường sự chênh lệch hiệu suất giữa các nhóm nhân khẩu học.
• Nghiên cứu phát hiện ra rằng việc mã hóa thông tin nhân khẩu học có thể hoạt động như "lối tắt" và ảnh hưởng đáng kể đến tính công bằng, đặc biệt là trong các tình huống phân phối thay đổi.
• Loại bỏ các "lối tắt" này có thể cải thiện tính công bằng trong phân phối (ID) nhưng không nhất thiết dẫn đến tính công bằng tốt hơn ngoài phân phối (OOD).
• Có sự đánh đổi giữa tính công bằng và các chỉ số có ý nghĩa lâm sàng khác. Tính công bằng đạt được trong môi trường ID có thể không duy trì trong các tình huống OOD.
• Nghiên cứu nhấn mạnh sự cần thiết của việc giám sát liên tục các mô hình AI trong môi trường lâm sàng để giải quyết vấn đề suy giảm tính công bằng.
• Các tác giả thảo luận về sự phức tạp của việc đưa các đặc điểm nhân khẩu học vào mô hình, nhấn mạnh rằng một số có thể là yếu tố nguyên nhân của một số bệnh, trong khi những yếu tố khác có thể là đại diện gián tiếp.
• Nghiên cứu cũng chỉ ra những hạn chế của các định nghĩa công bằng hiện tại và khuyến khích các nhà thực hành chọn các chỉ số công bằng phù hợp với trường hợp sử dụng cụ thể của họ.
📌 Nghiên cứu nhấn mạnh sự cần thiết của các chiến lược debiasing hiệu quả, giám sát liên tục và lựa chọn mô hình cẩn thận để đảm bảo hệ thống AI y tế đáng tin cậy và công bằng. Cần có cách tiếp cận tinh vi về tính công bằng, phát triển các mô hình không chỉ tốt về mặt kỹ thuật mà còn đúng đắn về mặt đạo đức và phù hợp với môi trường lâm sàng thực tế.
https://www.marktechpost.com/2024/08/08/ai-in-medical-imaging-balancing-performance-and-fairness-across-populations/
• Blue Cross Blue Shield of Michigan (BCBSM) đã chuyển đổi từ công ty sử dụng công nghệ kém hiệu quả nhất thành hiệu quả nhất trong hệ thống Blue Cross, đo lường theo chi phí công nghệ trên mỗi nhân viên.
• BCBSM là công ty bảo hiểm y tế trị giá 36 tỷ USD với hơn 5 triệu thành viên và mạng lưới hơn 37.000 nhà cung cấp dịch vụ.
• 7 năm trước, ban lãnh đạo BCBSM nhận ra cần phải cải tổ cơ sở hạ tầng công nghệ cứng nhắc, lỗi thời để đối phó với sự phức tạp ngày càng tăng mà không làm tăng chi phí.
• Thách thức lớn là BCBSM hoạt động với biên lợi nhuận chỉ 1-1,5% so với 4% của các công ty vì lợi nhuận. Điều này đòi hỏi các cập nhật phải diễn ra từng bước và mang lại giá trị kinh doanh rõ ràng.
• BCBSM đã áp dụng 7 nguyên tắc chính để triển khai AI có trách nhiệm:
1. Đưa hội đồng quản trị vào cuộc: Cung cấp các buổi đào tạo thường xuyên về AI cho HĐQT, liên kết kết quả dự án với mục tiêu kinh doanh tổng thể.
2. Thiết lập hợp tác đa chức năng thực sự và thường xuyên: Nhóm gồm đại diện từ các bộ phận tuân thủ, phân tích, IT, pháp lý, kinh doanh và an ninh mạng họp hàng tuần để giám sát các sáng kiến AI.
3. Đảm bảo truy cập an toàn, có thể mở rộng: Phát triển SecureGPT để kiểm soát truy cập dựa trên vai trò, cung cấp hướng dẫn và ghi lại tất cả tương tác với mô hình ngôn ngữ lớn.
4. Nhận ra tầm quan trọng của kiến trúc: Tạo ra giải pháp dữ liệu đám mây linh hoạt tích hợp dữ liệu từ các đơn vị kinh doanh khác nhau thông qua API.
5. Cung cấp đào tạo liên tục cho nhân viên: Tổ chức các buổi đào tạo thường xuyên về thực hành AI có trách nhiệm.
6. Chống lại sự thiên vị: Phát triển thuật toán kiểm tra thiên vị mô hình và quy trình dữ liệu đào tạo phù hợp.
7. Cung cấp môi trường an toàn cho đổi mới: Sử dụng công ty con NASCO để đầu tư vào công nghệ đổi mới và thử nghiệm mô hình trên tập dữ liệu nhỏ hơn.
• BCBSM đã triển khai thành công hai ứng dụng AI tạo sinh trong các lĩnh vực kinh doanh cốt lõi: BenefitsGPT và ContractsGPT.
📌 BCBSM đã chuyển đổi từ công ty kém hiệu quả nhất thành dẫn đầu về sử dụng AI sáng tạo trong ngành bảo hiểm y tế. Bằng cách ưu tiên an ninh, tuân thủ, kiến trúc hợp lý và quản trị chủ động, họ đã triển khai AI tạo sinh thành công trong môi trường được quản lý chặt chẽ, mở ra tương lai dịch vụ và kết quả tốt hơn cho bệnh nhân.
https://hbr.org/2024/08/how-one-major-healthcare-firm-became-the-leader-in-innovative-ai-use
#HBR
• Writer đã phát triển hai mô hình AI chuyên biệt mới là Palmyra-Med cho lĩnh vực y tế và Palmyra-Fin cho lĩnh vực tài chính, nhằm đáp ứng nhu cầu ngày càng tăng về các mô hình AI chuyên ngành.
• Palmyra-Med-70B đạt điểm trung bình 85,9% trong các bài kiểm tra y khoa, vượt trội so với các đối thủ như Med-PaLM-2. Mô hình này đặc biệt mạnh trong kiến thức lâm sàng (90,9%), giải phẫu học (83,7%), di truyền học (94%) và nghiên cứu y sinh (80%).
• Chi phí sử dụng Palmyra-Med chỉ 10 USD/triệu token đầu ra, thấp hơn nhiều so với 60 USD của GPT-4.
• Palmyra-Fin-70B vượt trội trong lĩnh vực tài chính, đạt 73% trong kỳ thi CFA cấp độ III, cao hơn hẳn so với 33% của GPT-4.
• Trong bài kiểm tra long-fin-eval, Palmyra-Fin-70B cũng vượt qua Claude 3.5 Sonnet và Mixtral-8x7b.
• Palmyra-Fin-70B xuất sắc trong phân tích xu hướng tài chính, đánh giá đầu tư và đánh giá rủi ro. Mô hình đạt độ chính xác 100% trong các tác vụ tìm kiếm thông tin chính xác từ tài liệu tài chính dài.
• Cả hai mô hình đều sử dụng các kỹ thuật tiên tiến như tối ưu hóa ưu tiên trực tiếp (DPO) và bộ dữ liệu chuyên biệt để nâng cao hiệu suất.
• Các mô hình này giải quyết những hạn chế của các mô hình đa năng như GPT-4 trong việc xử lý các tác vụ chuyên sâu về y tế và tài chính.
• Palmyra-Med và Palmyra-Fin đáp ứng nhu cầu ngày càng tăng về độ chính xác cao và tuân thủ quy định trong các lĩnh vực phức tạp như y tế và tài chính.
• Sự ra đời của các mô hình này đánh dấu một bước tiến quan trọng trong việc phát triển AI chuyên biệt, mang lại công cụ hiệu quả và tiết kiệm chi phí cho các chuyên gia y tế và tài chính.
📌 Writer phát triển Palmyra-Med và Palmyra-Fin, vượt trội GPT-4 trong y tế và tài chính. Palmyra-Med đạt 85,9% trong kiểm tra y khoa, chi phí chỉ 10 USD/triệu token. Palmyra-Fin đạt 73% trong CFA cấp III, vượt xa 33% của GPT-4. Các mô hình này mở ra tiềm năng mới cho AI chuyên ngành.
https://www.marktechpost.com/2024/08/06/writer-releases-palmyra-med-and-palmyra-fin-models-outperforming-other-comparable-models-like-gpt-4-med-palm-2-and-claude-3-5-sonnet/
• AI như ChatGPT hoạt động dựa trên mô hình ngôn ngữ được đào tạo từ nhiều văn bản trên internet. Tuy có thể đưa ra câu trả lời liên quan, nhưng AI không hoàn toàn chính xác do lỗi trong dữ liệu đào tạo và không phân biệt được thông tin đúng sai.
• Một hạn chế lớn của AI trong y tế là thiếu sự chăm sóc cá nhân hóa. AI phân tích dữ liệu lớn để tìm mẫu, nhưng không có khả năng hiểu chi tiết về tiền sử và tình trạng cụ thể của từng bệnh nhân.
• Hiệu quả của AI phụ thuộc nhiều vào chất lượng dữ liệu đào tạo. Nếu dữ liệu có thiên lệch hoặc sai sót, kết quả của AI có thể gây hiểu nhầm. Ví dụ, nếu mô hình AI chủ yếu được đào tạo trên dữ liệu của một nhóm dân tộc, độ chính xác có thể giảm khi áp dụng cho các nhóm khác.
• Việc dễ dàng tiếp cận AI để tư vấn y tế có thể dẫn đến hiểu sai hoặc lạm dụng thông tin. Những câu trả lời nhanh từ AI có thể bị hiểu sai bối cảnh hoặc áp dụng không đúng bởi người không có chuyên môn y tế.
• Sử dụng AI trong chăm sóc sức khỏe thường yêu cầu nhập thông tin cá nhân nhạy cảm, gây lo ngại về quyền riêng tư và bảo mật dữ liệu. Rò rỉ dữ liệu có thể khiến thông tin người dùng bị truy cập trái phép hoặc lạm dụng.
• Việc tích hợp AI vào y tế đặt ra nhiều thách thức về quy định và đạo đức. Còn nhiều khoảng trống trong quy định ứng dụng AI, dẫn đến không rõ trách nhiệm khi AI đưa ra lời khuyên sai hoặc gây hại.
• Mặc dù AI có tiềm năng lớn trong nhiều lĩnh vực, nhưng những hạn chế và rủi ro khi cung cấp lời khuyên y tế khiến nó trở thành nguồn thông tin không đáng tin cậy để đưa ra quyết định chăm sóc sức khỏe.
📌 AI có nhiều hạn chế khi tư vấn y tế như thiếu cá nhân hóa, dữ liệu thiên lệch và rủi ro bảo mật. Người dùng nên tham khảo ý kiến bác sĩ thay vì chỉ dựa vào AI để đưa ra quyết định y tế quan trọng.
https://www.thequeenzone.com/why-asking-ai-for-medical-advice-can-be-dangerous-a-cautionary-tale/
• OpenAI vừa công bố SearchGPT, phiên bản nâng cấp của ChatGPT với khả năng cung cấp nguồn và trích dẫn rõ ràng cho kết quả tìm kiếm, đồng thời vẫn duy trì tính năng trò chuyện.
• SearchGPT có thể giúp người dùng tương tác với thông tin y tế nhanh hơn, dễ dàng hơn và phù hợp hơn. Người dùng có thể tra cứu nguồn thông tin thay vì chỉ nhận câu trả lời như ChatGPT trước đây.
• Hệ thống này được thiết kế để phát triển cuộc trò chuyện, trả lời các câu hỏi sâu hơn dựa trên ngữ cảnh các câu hỏi trước đó. Ví dụ, sau khi hỏi về triệu chứng của một bệnh, người dùng có thể tiếp tục hỏi về thời gian khởi phát và kéo dài của các triệu chứng đó.
• Tuy nhiên, công nghệ AI tạo sinh vẫn còn khá mới. Người dùng cần thận trọng vì thông tin từ SearchGPT có thể không luôn chính xác, phụ thuộc vào mô hình và dữ liệu dùng để huấn luyện nền tảng này.
• Việc tin tưởng và hành động dựa trên lời khuyên y tế từ SearchGPT có thể nguy hiểm, đặc biệt khi hiện tượng "ảo giác" (AI tự tin đưa ra câu trả lời không chính xác) vẫn phổ biến trong các hệ thống AI.
• Cạnh tranh trong lĩnh vực này đang gia tăng nhanh chóng. Google với nền tảng Gemini AI đang tiến bộ đáng kể về khả năng tìm kiếm và trò chuyện AI. Lợi thế của Google là đã có hơn 20 năm kinh nghiệm trong lĩnh vực tìm kiếm.
• Mark Zuckerberg của Meta cũng vừa công bố tầm nhìn về AI nguồn mở, nhằm đảm bảo nhiều người hơn được tiếp cận lợi ích của AI và công nghệ này được triển khai đồng đều, an toàn hơn trong xã hội.
• Đối với y tế, SearchGPT mở ra nhiều ứng dụng tiềm năng như tích hợp với hệ thống hồ sơ y tế điện tử, tạo khả năng tương tác giữa các cơ sở dữ liệu, cơ hội khai thác dữ liệu để đưa ra quyết định y tế tốt hơn và cải thiện kết quả chăm sóc sức khỏe.
• Tuy nhiên, vẫn cần nhiều nỗ lực để làm cho công nghệ này không còn lỗi, an toàn hoàn toàn cho bệnh nhân sử dụng và có thể mở rộng quy mô một cách đáng tin cậy.
📌 SearchGPT của OpenAI có tiềm năng thay đổi cách tiếp cận tìm kiếm thông tin y tế, nhưng vẫn còn nhiều thách thức về độ chính xác và an toàn. Cạnh tranh từ Google và Meta đang gia tăng, hứa hẹn thúc đẩy đổi mới trong lĩnh vực AI y tế.
https://www.forbes.com/sites/saibala/2024/07/29/searchgpt-blessing-or-burden-for-healthcare/
• Các nhà nghiên cứu tại Đại học Florida đã phát triển một kỹ thuật xử lý video đột phá sử dụng AI để giúp bác sĩ thần kinh theo dõi tốt hơn sự tiến triển của bệnh Parkinson.
• Hệ thống sử dụng học máy để phân tích video bệnh nhân thực hiện bài kiểm tra gõ ngón tay - một bài kiểm tra tiêu chuẩn cho bệnh Parkinson.
• Bài kiểm tra gõ ngón tay yêu cầu bệnh nhân gõ nhanh ngón cái và ngón trỏ với nhau 10 lần.
• Công nghệ này có thể phát hiện những thay đổi nhỏ nhất trong chuyển động tay đặc trưng của bệnh Parkinson mà bác sĩ khó nhận ra bằng mắt thường.
• Bệnh nhân có thể tự quay video thực hiện bài kiểm tra, phần mềm sẽ phân tích và thông báo cho bác sĩ về cách bệnh nhân di chuyển.
• Hệ thống tự động đã tiết lộ các chi tiết chuyển động trước đây chưa được chú ý, như tốc độ mở hoặc đóng ngón tay của bệnh nhân.
• Nghiên cứu cho thấy ở bệnh nhân Parkinson, chuyển động mở ngón tay bị chậm hơn so với người khỏe mạnh.
• Nhóm nghiên cứu đã sử dụng HiPerGator, một trong những siêu máy tính AI lớn nhất thế giới, để huấn luyện một số mô hình.
• HiPerGator giúp phát triển mô hình học máy đơn giản hóa dữ liệu video thành điểm số chuyển động.
• Các nhà nghiên cứu đang hợp tác phát triển ứng dụng di động để người dùng có thể tự đánh giá bệnh tại nhà.
• Công nghệ này có thể mang tính đột phá cho các thử nghiệm lâm sàng và chăm sóc bệnh Parkinson.
📌 Kỹ thuật xử lý video mới sử dụng AI hứa hẹn cách mạng hóa việc theo dõi và điều trị bệnh Parkinson. Hệ thống có thể phát hiện những thay đổi nhỏ nhất trong chuyển động tay, cung cấp thông tin chi tiết hơn so với các phương pháp truyền thống. Ứng dụng di động đang được phát triển để bệnh nhân có thể tự đánh giá tại nhà.
https://www.thebrighterside.news/post/new-video-test-uses-ai-to-revolutionize-parkinsons-disease-treatment/
• Một nghiên cứu mới từ UCLA cho thấy công cụ AI có thể phát hiện ung thư tuyến tiền liệt với độ chính xác 84%, so với 67% của các bác sĩ.
• Phần mềm Unfold AI do Avenda Health (California) phát triển, sử dụng thuật toán AI để trực quan hóa khả năng ung thư dựa trên nhiều loại dữ liệu lâm sàng.
• Trong nghiên cứu, 7 bác sĩ tiết niệu và 3 bác sĩ X-quang phân tích 50 ca loại bỏ khối u, tìm kiếm dấu hiệu ung thư còn sót lại. Vài tháng sau, phần mềm AI thực hiện phân tích tương tự.
• Tỷ lệ "âm tính biên" (không có tế bào ung thư xung quanh mô đã loại bỏ) cao hơn 45 lần ở các ca do AI phát hiện, giảm đáng kể khả năng còn sót lại ung thư.
• Bác sĩ Ali Kasraeian sử dụng Unfold AI trong tư vấn với bệnh nhân về quản lý ung thư tuyến tiền liệp. AI tạo bản đồ ước tính ung thư 3D từ thông tin bệnh lý, hình ảnh và kết quả sinh thiết.
• Kết quả từ Unfold AI giúp xác định liệu bệnh nhân phù hợp với liệu pháp tập trung hay triệt để hơn như cắt bỏ tuyến tiền liệt hoàn toàn hoặc xạ trị.
• Joshua Trachenberg, giáo sư tại UCLA và cũng là bệnh nhân ung thư tuyến tiền liệt, đã sử dụng Unfold AI để tránh phẫu thuật cắt bỏ toàn bộ tuyến. Bản đồ 3D từ AI giúp xác định chính xác ranh giới và nhắm mục tiêu vùng ung thư.
• Trachenberg hiện đã hết ung thư và tránh được phẫu thuật cắt bỏ tuyến tiền liệt triệt để.
• Bác sĩ Harvey Castro cảnh báo về nguy cơ phụ thuộc quá mức vào AI và nhấn mạnh AI nên bổ sung chứ không thay thế đánh giá lâm sàng của chuyên gia y tế.
• Các vấn đề cần xem xét khi sử dụng công nghệ này bao gồm chất lượng dữ liệu đào tạo AI, bảo mật thông tin bệnh nhân và chi phí triển khai.
📌 AI phát hiện ung thư tuyến tiền liệt chính xác hơn 17% so với bác sĩ trong nghiên cứu của UCLA. Công nghệ Unfold AI tạo bản đồ ung thư 3D, giúp chẩn đoán và điều trị mục tiêu hiệu quả hơn, giảm tác dụng phụ. Tuy nhiên vẫn cần cân nhắc các vấn đề về dữ liệu, quyền riêng tư và chi phí khi áp dụng AI.
https://www.foxnews.com/health/artificial-intelligence-detects-cancer-17-more-accuracy-than-doctors-ucla-study
• Startup Pháp Bioptimus vừa ra mắt mô hình AI có tên H-optimus-0, được đào tạo trên hàng trăm triệu hình ảnh để hỗ trợ nghiên cứu và chẩn đoán bệnh.
• H-optimus-0 có khả năng thực hiện các tác vụ phức tạp như nhận diện tế bào ung thư và phát hiện bất thường di truyền trong khối u.
• Bioptimus mô tả đây là mô hình lớn nhất trong lĩnh vực bệnh lý học được phát hành dưới dạng nguồn mở và dễ tiếp cận rộng rãi.
• Startup này là một trong số nhiều công ty đang cố gắng tận dụng AI cho các bước đột phá y học. Gần đây, DeepMind của Google đã phát hành phiên bản mới của AlphaFold - hệ thống AI dự đoán cấu trúc protein. K Health, một startup Mỹ phát triển chatbot tương tác với bệnh nhân trước khi gặp bác sĩ, đã huy động được 50 triệu USD với định giá khoảng 900 triệu USD.
• Giám đốc công nghệ của Bioptimus, Rodolphe Jenatton, cho biết công ty chọn mô hình nguồn mở để tạo ra tính minh bạch và thúc đẩy tiến bộ trong lĩnh vực này.
• Bioptimus hy vọng các phát triển tiếp theo sẽ cho phép mô hình hoạt động ở các cấp độ khác nhau của sinh học con người. Hiện tại, mô hình chỉ tập trung vào mô.
• Tuy nhiên, vẫn còn nhiều lo ngại về việc sử dụng AI trong chẩn đoán y tế. Một cuộc khảo sát năm 2023 của Pew Research Center cho thấy 60% bệnh nhân cảm thấy không thoải mái khi bác sĩ dựa vào AI để chăm sóc sức khỏe cho họ.
• Các chuyên gia gần đây kêu gọi Dịch vụ Y tế Quốc gia Anh (NHS) tập trung vào chăm sóc ung thư cơ bản thay vì các "viên đạn thần kỳ" AI.
• Một nghiên cứu năm 2021 trên Nature Medicine phát hiện các thuật toán AI áp dụng cho X-quang ngực chẩn đoán thiếu cho phụ nữ, bệnh nhân da đen và gốc Hispanic cũng như những người sử dụng Medicaid.
• Bioptimus được thành lập vào tháng 2 với sự hỗ trợ và đầu tư của công ty công nghệ sinh học Pháp Owkin Inc. Startup này đã nhận được 35 triệu USD vốn hạt giống từ các nhà đầu tư bao gồm ngân hàng đầu tư nhà nước Bpifrance và tỷ phú viễn thông Xavier Niel.
📌 Startup Pháp Bioptimus ra mắt mô hình AI nguồn mở H-optimus-0 để hỗ trợ chẩn đoán bệnh, được đào tạo trên hàng trăm triệu hình ảnh. Mặc dù có tiềm năng, vẫn còn nhiều lo ngại về việc sử dụng AI trong y tế, với 60% bệnh nhân cảm thấy không thoải mái và các nghiên cứu chỉ ra sự thiên vị trong chẩn đoán.
https://www.bloomberg.com/news/articles/2024-07-10/french-startup-bioptimus-releases-ai-model-for-disease-diagnosis
• M42, công ty con chuyên về chăm sóc sức khỏe của tập đoàn AI G42 có trụ sở tại Abu Dhabi, vừa công bố hai phiên bản truy cập mở mới của mô hình ngôn ngữ lớn Med42.
• Hai mô hình mới của Med42 được phát triển dựa trên kiến trúc LlaMA-3 của Meta.
• Med42 là một mô hình ngôn ngữ lớn (LLM) chuyên biệt cho lĩnh vực y tế, được đào tạo trên một lượng lớn dữ liệu y khoa.
• Việc ra mắt Med42 đánh dấu bước tiến quan trọng trong việc ứng dụng AI vào lĩnh vực chăm sóc sức khỏe, mở ra nhiều khả năng mới trong chẩn đoán, điều trị và nghiên cứu y học.
• G42 là một tập đoàn công nghệ AI hàng đầu có trụ sở tại Abu Dhabi, Các Tiểu vương quốc Ả Rập Thống nhất (UAE).
• M42 là công ty con chuyên về lĩnh vực chăm sóc sức khỏe của G42, tập trung vào việc phát triển và ứng dụng các giải pháp AI trong y tế.
• Việc phát hành Med42 dưới dạng truy cập mở cho phép cộng đồng nghiên cứu và phát triển có thể tiếp cận, sử dụng và cải tiến mô hình này.
• LlaMA-3 là kiến trúc mô hình ngôn ngữ lớn mới nhất được phát triển bởi Meta (công ty mẹ của Facebook), được đánh giá là một trong những kiến trúc LLM tiên tiến nhất hiện nay.
• Bằng cách sử dụng kiến trúc LlaMA-3, Med42 có thể tận dụng được những tiến bộ mới nhất trong lĩnh vực xử lý ngôn ngữ tự nhiên và học sâu.
• Med42 có tiềm năng ứng dụng rộng rãi trong nhiều khía cạnh của y tế, bao gồm hỗ trợ chẩn đoán, phân tích hồ sơ bệnh án, tổng hợp nghiên cứu y khoa, và thậm chí là tương tác với bệnh nhân.
• Việc ra mắt Med42 cũng đặt ra nhiều câu hỏi về đạo đức và quyền riêng tư trong việc sử dụng AI trong y tế, đặc biệt là khi xử lý thông tin nhạy cảm của bệnh nhân.
• Sự kiện này cho thấy xu hướng ngày càng tăng của việc phát triển các mô hình AI chuyên biệt cho từng lĩnh vực, thay vì các mô hình đa năng.
• Việc G42, một công ty có trụ sở tại UAE, dẫn đầu trong lĩnh vực này cũng cho thấy sự phát triển mạnh mẽ của ngành công nghệ AI tại Trung Đông.
📌 G42 ra mắt hai phiên bản mới của Med42 LLM dựa trên kiến trúc LlaMA-3 của Meta, mở ra tiềm năng ứng dụng AI trong y tế. Med42 là mô hình ngôn ngữ lớn chuyên biệt cho lĩnh vực y tế, có khả năng hỗ trợ chẩn đoán, phân tích hồ sơ bệnh án và tương tác với bệnh nhân.
https://analyticsindiamag.com/g42-spearheads-through-medical-domain-with-med42-llm-launch/
• Các nhà nghiên cứu đã phát triển một hệ thống AI mới có khả năng phát hiện 13 loại ung thư nguy hiểm từ các mẫu mô với độ chính xác lên tới 98%.
• Theo các nhà nghiên cứu từ Đại học Cambridge, ung thư vẫn là một trong những bệnh khó chữa nhất của con người, với hơn 19 triệu ca mắc và 10 triệu ca tử vong được báo cáo hàng năm.
• Họ đã phát triển các mô hình học máy nhị phân và đa lớp để nhận diện nhiều loại ung thư từ các mẫu mô không ung thư. Nghiên cứu đã quan sát thấy những thay đổi trong các dấu hiệu DNA ở giai đoạn đầu phát triển ung thư.
• Kalyan Sivasailam, đồng sáng lập và CEO của 5C Network, cho rằng việc tích hợp công nghệ AI tiên tiến vào chẩn đoán ung thư có tiềm năng to lớn trong việc cải thiện độ chính xác chẩn đoán, cá nhân hóa kế hoạch điều trị và nâng cao kết quả điều trị cho bệnh nhân.
• Hệ thống AI sử dụng deep learning, đặc biệt là mạng nơ-ron tích chập (CNN), rất hiệu quả trong nhận dạng hình ảnh. Các mạng này có thể học các mẫu và đặc điểm phức tạp từ các bộ dữ liệu lớn của hình ảnh y tế được gán nhãn.
• Việc sử dụng các mô hình được đào tạo trước và tinh chỉnh với các bộ dữ liệu ung thư cụ thể cho phép tăng độ chính xác. Vision Transformers (ViTs) tích hợp hình ảnh với dữ liệu bổ sung như nhân khẩu học và hồ sơ sức khỏe trước đó của bệnh nhân.
• Công nghệ này có thể dẫn đến chẩn đoán sớm hơn, cải thiện tiên lượng và tỷ lệ sống sót. AI có thể xác định các phân loại ung thư cụ thể và các dấu hiệu di truyền, cho phép lập kế hoạch điều trị cá nhân hóa.
• Báo cáo do AI tạo ra có thể cung cấp thông tin chi tiết về mức độ và bản chất của ung thư, hỗ trợ các bác sĩ ung thư phát triển kế hoạch điều trị chính xác. AI cũng có thể được sử dụng để theo dõi đáp ứng điều trị.
• Việc tích hợp công cụ AI vào quy trình làm việc lâm sàng hiện có có thể thực hiện bằng cách kết hợp phân tích AI vào quá trình quét và đánh giá thường quy. Các bác sĩ X quang có thể sử dụng AI như một công cụ hỗ trợ ra quyết định.
• Một số thách thức tiềm ẩn bao gồm: xác thực và tiêu chuẩn hóa các mô hình AI trên các quần thể và môi trường lâm sàng khác nhau, tích hợp với hệ thống hồ sơ sức khỏe điện tử (EHR), đào tạo và áp dụng cho các bác sĩ lâm sàng và X quang.
📌 Hệ thống AI mới phát hiện 13 loại ung thư với độ chính xác 98%, mở ra tiềm năng cách mạng hóa chẩn đoán và điều trị ung thư. Công nghệ này có thể dẫn đến chẩn đoán sớm hơn, cải thiện tiên lượng và tỷ lệ sống sót, đồng thời cho phép lập kế hoạch điều trị cá nhân hóa dựa trên phân tích chi tiết của AI.
https://indianexpress.com/article/lifestyle/life-style/artificial-intelligence-ai-health-cancer-disease-detection-tissue-tumour-9411827/
- PathChat 2, một mô hình ngôn ngữ lớn (LLM) chuyên biệt cho giải phẫu bệnh, đã được phát triển bởi Mahmood Lab tại Bệnh viện Brigham and Women.
- Mô hình này có thể đóng vai trò như một chuyên gia tư vấn, giúp các bác sĩ giải phẫu bệnh xác định, đánh giá và chẩn đoán khối u cũng như các tình trạng nghiêm trọng khác.
- Trong các bài kiểm tra, PathChat 2 đạt độ chính xác 78% khi chỉ dựa vào hình ảnh và 89.5% khi có thêm thông tin lâm sàng. Mô hình này vượt trội hơn đáng kể so với ChatGPT-4, LLaVA và LLaVA-Med.
- PathChat 2 có thể tóm tắt, phân loại, chú thích hình ảnh, mô tả các chi tiết hình thái đáng chú ý và trả lời các câu hỏi đòi hỏi kiến thức nền về giải phẫu bệnh và y sinh học nói chung.
- Trong thực tế, PathChat 2 có thể hỗ trợ chẩn đoán có sự tham gia của con người. Đánh giá ban đầu được hỗ trợ bởi AI, sau đó bác sĩ cung cấp thêm thông tin về ca bệnh và yêu cầu chẩn đoán phân biệt.
- Mô hình này đặc biệt hữu ích trong các trường hợp có quy trình chẩn đoán phức tạp, kéo dài như ung thư nguyên phát không rõ hoặc ở những nơi thiếu bác sĩ giải phẫu bệnh có kinh nghiệm.
- Trong nghiên cứu, PathChat 2 có thể tóm tắt đặc điểm của các nhóm hình ảnh lớn, hỗ trợ định lượng và giải thích tự động các dấu ấn hình thái trong các tập dữ liệu lớn.
- Tuy nhiên, vẫn còn vấn đề về các câu trả lời không chính xác (hallucinations), cần cải thiện thông qua học tăng cường từ phản hồi của con người (RLHF) và đào tạo liên tục với kiến thức cập nhật.
- Trong tương lai, các mô hình như PathChat 2 có thể được tích hợp với trình xem slide kỹ thuật số hoặc hồ sơ sức khỏe điện tử, mở rộng sang các chuyên khoa hình ảnh y tế khác và các phương thức dữ liệu như genomics và proteomics.
📌 PathChat 2 đại diện cho bước tiến quan trọng trong lĩnh vực giải phẫu bệnh tính toán với khả năng hỗ trợ tương tác, đa phương thức cho các bác sĩ và nhà nghiên cứu. Mô hình đạt độ chính xác cao (89.5%) khi được cung cấp thông tin lâm sàng, vượt trội hơn nhiều so với các mô hình tiên tiến khác. Tuy nhiên, vẫn cần cải thiện và mở rộng hơn nữa để có thể ứng dụng rộng rãi trong thực tế.
https://venturebeat.com/ai/new-medical-llm-pathchat-2-can-talk-to-pathologists-about-tumors-offer-diagnoses/
- Salesforce công bố ra mắt Life Sciences Cloud, nền tảng dành cho các tổ chức dược phẩm và công nghệ y tế, giúp cá nhân hóa tương tác với bệnh nhân và chuyên gia y tế (HCP), đồng thời tối ưu hóa quy trình lâm sàng bằng dữ liệu, tự động hóa và AI đáng tin cậy.
- Nền tảng này giúp các công ty dược phẩm và công nghệ y tế tối ưu hóa hoạt động, cải thiện chăm sóc bệnh nhân và đẩy nhanh phát triển các phương pháp điều trị cứu sống.
- Thách thức lớn: Quá trình tuyển dụng người tham gia thử nghiệm lâm sàng thường chiếm đến một phần ba thời gian của nghiên cứu. 80% thử nghiệm không tuyển đủ bệnh nhân, dẫn đến trì hoãn và tăng chi phí. Sau khi thuốc ra thị trường, việc tuân thủ điều trị của bệnh nhân vẫn là một vấn đề lớn, với gần 40% bệnh nhân bỏ thuốc trong năm đầu tiên.
- Life Sciences Cloud giải quyết các thách thức này bằng cách cải thiện hiệu quả, tăng cường hỗ trợ bệnh nhân và củng cố mối quan hệ với HCPs.
- Nền tảng sử dụng Einstein 1 Platform để cung cấp giải pháp AI toàn diện, bao gồm:
- Tuyển dụng và ghi danh người tham gia: Giúp các tổ chức nghiên cứu hợp đồng (CROs), các địa điểm thử nghiệm lâm sàng và nhà tài trợ xác định các ứng viên đủ điều kiện và đa dạng. AI tạo sinh giúp điều phối viên nghiên cứu khớp bệnh nhân với các thử nghiệm phù hợp, giảm thiểu sàng lọc thủ công và tiết kiệm thời gian.
- Xác minh lợi ích bệnh nhân: Đơn giản hóa quá trình xác định chi phí tự trả và các tùy chọn hỗ trợ tài chính cho bệnh nhân. Các tính năng bao gồm phân tích bảo hiểm, cảnh báo chủ động cho các thỏa thuận dịch vụ sắp hết hạn và bảng điều khiển tập trung.
- Quản lý kết quả chương trình bệnh nhân: Hỗ trợ các đội ngũ dịch vụ bệnh nhân trong việc thu thập và phân tích tác động của các chương trình giáo dục và hỗ trợ, giúp cải thiện tuân thủ điều trị và giảm tỷ lệ bỏ điều trị.
- Life Sciences Cloud for Customer Engagement tối ưu hóa tương tác với HCPs, cung cấp cái nhìn toàn diện cho các đội ngũ marketing, bán hàng và liên lạc khoa học y tế. Dữ liệu thời gian thực, phân tích và lịch sử tương tác có sẵn trong quy trình làm việc, giúp đại diện bán hàng tại chỗ cung cấp các bài thuyết trình động và theo dõi các chỉ số tương tác từ thiết bị di động.
- Nền tảng Dữ liệu Hợp nhất, xây dựng trên Salesforce Data Cloud và MuleSoft for Life Sciences, cung cấp cái nhìn toàn diện về mỗi bệnh nhân và HCP. Dữ liệu từ nhiều nguồn được tích hợp vào mô hình dữ liệu hợp nhất, giúp xây dựng hồ sơ bệnh nhân toàn diện và cá nhân hóa tương tác.
- Lộ trình triển khai:
- Hiện có: Các tính năng Tuyển dụng và Ghi danh người tham gia với sàng lọc, e-consent và phân ngẫu nhiên đơn giản. Xác minh Lợi ích Dược phẩm. Nền tảng Dữ liệu Hợp nhất.
- Cuối năm 2024: Cải tiến AI cho việc khớp tuyển dụng bệnh nhân.
- Tháng 10/2024: Quản lý Kết quả Chương trình Bệnh nhân.
- Tháng 9/2025: Life Sciences Cloud for Customer Engagement.
📌 Salesforce ra mắt Life Sciences Cloud, nền tảng AI cho ngành dược phẩm và công nghệ y tế, giúp tối ưu hóa quy trình lâm sàng và tương tác bệnh nhân. Nền tảng này giải quyết các thách thức lớn trong tuyển dụng thử nghiệm lâm sàng và tuân thủ điều trị, cung cấp các tính năng như tuyển dụng người tham gia, xác minh lợi ích bệnh nhân và quản lý kết quả chương trình.
https://hitconsultant.net/2024/06/18/salesforce-launches-ai-powered-life-sciences-cloud-for-pharma-and-medtech/
- FDA đã công bố các thực hành tốt nhất về tính minh bạch trong các thiết bị y tế có sử dụng máy học, và Troy Tazbaz, giám đốc Trung tâm Xuất sắc về Sức khỏe Số của CDRH, đã chia sẻ chi tiết về cách cơ quan này đang suy nghĩ về phát triển và đảm bảo chất lượng cho trí tuệ nhân tạo.
- Tazbaz nhấn mạnh rằng việc thiết lập các thực hành đảm bảo chất lượng để đảm bảo các mô hình AI chính xác, đáng tin cậy, đạo đức và công bằng nên là ưu tiên hàng đầu.
- Các giải pháp bao gồm giám sát liên tục trước, trong và sau khi triển khai các mô hình AI, và xác định chất lượng dữ liệu và các vấn đề khác trước khi hiệu suất của mô hình trở nên không đạt yêu cầu.
- FDA đã làm rõ suy nghĩ của mình thông qua các tài liệu hướng dẫn và tiêu chuẩn khi điều chỉnh số lượng ngày càng tăng của các thiết bị y tế có thành phần AI hoặc máy học.
- Năm 2021, FDA đã hợp tác với Health Canada và Cơ quan Quản lý Sản phẩm Y tế của Vương quốc Anh để đưa ra các nguyên tắc hướng dẫn về thực hành máy học tốt.
- Tuần trước, các cơ quan này đã chia sẻ các nguyên tắc hướng dẫn về tính minh bạch, chẳng hạn như cung cấp cho người dùng thông tin về cách một mô hình AI đưa ra kết quả.
- Năm 2022, FDA đã làm rõ những công cụ hỗ trợ quyết định lâm sàng nào phải được cơ quan này điều chỉnh như các thiết bị y tế, lưu ý rằng các công cụ dự đoán nguy cơ nhiễm trùng huyết hoặc đột quỵ nên thuộc phạm vi quản lý của mình.
- Năm ngoái, cơ quan này đã ban hành hướng dẫn dự thảo về các kế hoạch kiểm soát thay đổi được xác định trước, cho phép các nhà phát triển thực hiện thay đổi đối với mô hình AI sau khi nó được tiếp thị, trong phạm vi đã được thỏa thuận trước với FDA.
- FDA cũng đang đồng dẫn đầu một nhóm làm việc với Diễn đàn Quốc tế về Quản lý Thiết bị Y tế về các thiết bị y tế có AI/ML.
- AI có tiềm năng cải thiện đáng kể chăm sóc bệnh nhân và sự hài lòng của các chuyên gia y tế, thúc đẩy nghiên cứu trong phát triển thiết bị y tế và cho phép điều trị cá nhân hóa.
- Tazbaz viết rằng tại FDA, họ biết rằng việc tích hợp AI phù hợp trong hệ sinh thái chăm sóc sức khỏe sẽ rất quan trọng để đạt được tiềm năng của nó trong khi giảm thiểu rủi ro và thách thức.
- Trung tâm Xuất sắc về Sức khỏe Số của FDA muốn đảm bảo rằng các công nghệ AI, khi được sử dụng như các thiết bị y tế, là an toàn và hiệu quả, và thúc đẩy một cách tiếp cận hợp tác xung quanh AI trong chăm sóc sức khỏe.
- Một cách để giảm rủi ro là áp dụng các tiêu chuẩn và thực hành tốt nhất cho vòng đời phát triển AI, bao gồm đảm bảo tính phù hợp, thu thập và chất lượng dữ liệu phù hợp với mục đích và hồ sơ rủi ro của mô hình AI đang được đào tạo.
- Cộng đồng chăm sóc sức khỏe cũng có thể đồng ý về các phương pháp chung để cung cấp thông tin cho người dùng - bao gồm cả bệnh nhân - về cách một mô hình được đào tạo, triển khai và quản lý.
- Tazbaz cũng nêu rõ cách FDA đang suy nghĩ về đảm bảo chất lượng cho AI trong các thiết bị y tế, thêm rằng cơ quan này dự định sẽ phát hành các ấn phẩm trong tương lai để bổ sung vào cuộc thảo luận. Những tài liệu này sẽ đề cập đến các tiêu chuẩn và thực hành tốt nhất, phòng thí nghiệm đảm bảo chất lượng, tính minh bạch và trách nhiệm giải trình, và quản lý rủi ro.
📌 FDA nhấn mạnh tầm quan trọng của việc phát triển các thực hành đảm bảo chất lượng cho các mô hình AI trong thiết bị y tế, bao gồm giám sát liên tục và xác định chất lượng dữ liệu. Các tiêu chuẩn và thực hành tốt nhất sẽ được áp dụng để đảm bảo tính an toàn và hiệu quả của các công nghệ AI trong chăm sóc sức khỏe.
https://www.medtechdive.com/news/fda-ai-medical-devices-quality-assurance/719324/
- AI và các mô hình ngôn ngữ lớn (LLMs) có tiềm năng cách mạng hóa tài liệu lâm sàng và mã hóa bằng cách trích xuất chính xác các khái niệm lâm sàng từ ghi chú và cuộc trò chuyện của bệnh nhân.
- AI có thể đề xuất điều tra các tình trạng liên quan dựa trên triệu chứng của bệnh nhân, hỗ trợ bác sĩ lâm sàng trong tài liệu chăm sóc toàn diện. Tuy nhiên, một nghiên cứu gần đây cho thấy LLMs chưa phù hợp để mã hóa y tế chính xác.
- Quy tắc cuối cùng HTI-1 đưa ra các yêu cầu minh bạch đột phá đối với AI và các thuật toán dự đoán trong CNTT y tế được chứng nhận, yêu cầu các nhà cung cấp EHR/EMR cung cấp cho người dùng lâm sàng thông tin cơ bản nhất quán về các thuật toán được sử dụng trong quá trình ra quyết định.
- Các nhà cung cấp phải chứng minh tính công bằng của thuật toán, truyền đạt rõ ràng các trường hợp sử dụng dự định và giới hạn, cung cấp bằng chứng về hiệu quả trong thế giới thực trong việc cải thiện kết quả của bệnh nhân và ra quyết định lâm sàng.
- Các thách thức đối với việc ra quyết định lâm sàng dựa trên AI bao gồm thiếu dữ liệu đại diện, sự phức tạp của ngôn ngữ y tế và tính phân mảnh của hồ sơ bệnh nhân.
- Để nhận ra tiềm năng đầy đủ của AI trong chăm sóc sức khỏe, điều quan trọng là phải ưu tiên chất lượng dữ liệu, phát triển các khung giải thích mạnh mẽ cho hỗ trợ ra quyết định dựa trên AI và tích hợp các công cụ này vào quy trình lâm sàng hiện có.
- Sự hợp tác giữa các nhà cung cấp dịch vụ chăm sóc sức khỏe, nhà phát triển AI và nhà hoạch định chính sách sẽ rất quan trọng để thiết lập các thực hành tốt nhất, giải quyết các thách thức tiềm ẩn và đảm bảo tính minh bạch của thuật toán.
📌AI và LLMs có tiềm năng đáng kể trong việc cải thiện chất lượng dữ liệu, giảm gánh nặng cho bác sĩ lâm sàng và nâng cao chăm sóc bệnh nhân. Tuy nhiên, vẫn còn nhiều thách thức cần vượt qua như thiếu dữ liệu đại diện và sự phức tạp của ngôn ngữ y tế. Sự hợp tác giữa các bên liên quan và tuân thủ các quy định như HTI-1 Final Rule sẽ là chìa khóa để triển khai AI một cách có trách nhiệm và công bằng trong ngành chăm sóc sức khỏe.
https://hitconsultant.net/2024/06/19/ai-in-healthcare-enhancing-data-quality-reducing-clinician-burden/
- Phân tích cấu trúc dữ liệu: Đảm bảo dữ liệu nhất quán, tổ chức tốt và sẵn sàng cho các thuật toán AI.
- Độ nhất quán và toàn vẹn dữ liệu: Xác định và khắc phục các vấn đề như giá trị thiếu, bản sao, lỗi.
- Chuẩn hóa: Đánh giá tổ chức dữ liệu, loại, định dạng và giảm thiểu dư thừa.
- Phân tích mối quan hệ dữ liệu giữa các bảng: Hiểu các kết nối dữ liệu qua các cơ sở dữ liệu.
- Tuân thủ các tiêu chuẩn định trước: Tạo các quy ước đặt tên và thiết kế schema thống nhất.
- Định nghĩa schema cho sử dụng báo cáo: Thiết kế cấu trúc dữ liệu cho cả phân tích AI và tạo báo cáo.
- Đảm bảo độ chính xác dữ liệu: Đảm bảo tất cả dữ liệu huấn luyện chính xác để có những hiểu biết AI đáng tin cậy.
- Phản ánh các thuộc tính thực tế: Đánh giá xem dữ liệu có phản ánh chính xác các đối tượng thực tế không.
- Chuẩn hóa dữ liệu: Áp dụng các nguyên tắc và quy ước nhất quán cho chuẩn hóa dữ liệu.
- Lỗi chính tả trong dữ liệu: Xác định và khắc phục lỗi chính tả và lỗi nhập liệu.
- Dị thường trong dữ liệu: Phát hiện và xử lý các điểm dữ liệu bất thường.
- Dữ liệu thiếu: Phân tích và quản lý các giá trị thiếu.
- Kiểm tra tính duy nhất của dữ liệu: Ngăn chặn các điểm dữ liệu trùng lặp để tránh kích thước mẫu bị thổi phồng và những hiểu biết sai lệch từ AI.
- Xác định bản sao: Thiết lập tiêu chí để xác định các đối tượng dữ liệu trùng lặp.
- Phân tích nguồn gốc bản sao: Điều tra nguyên nhân gốc rễ của các bản sao.
- Chiến lược xử lý bản sao: Xác định cách tiếp cận phù hợp nhất để xử lý các bản sao.
- Ngăn chặn bản sao trong tương lai: Đảm bảo không có bản sao xảy ra trong tương lai.
- Kiểm tra sự tồn tại của dữ liệu: Đảm bảo có dữ liệu đầy đủ qua thời gian, địa điểm và ngữ cảnh người dùng để tránh các mô hình thiên lệch và kết quả không chính xác.
- Kiểm tra dữ liệu theo thời gian: Xác minh sự hiện diện của các điểm dữ liệu đầy đủ trong khung thời gian liên quan.
- Kiểm tra dữ liệu theo địa điểm: Xác minh thông tin địa lý.
- Kiểm tra dữ liệu theo người dùng: Kiểm tra xem dữ liệu liên quan đến các nhà sưu tập hoặc người dùng cụ thể có đầy đủ không.
- Tăng cường dữ liệu: Chống lại sự khan hiếm dữ liệu, có thể cản trở đáng kể nghiên cứu và hiệu quả của các mô hình.
- Tăng cường dữ liệu: Thao tác dữ liệu hiện có để tạo ra các biến thể.
- Tạo dữ liệu tổng hợp: Tạo ra các điểm dữ liệu hoàn toàn mới và thực tế.
📌 Chuẩn bị dữ liệu dược phẩm cho AI bao gồm các giai đoạn quan trọng như phân tích cấu trúc, đảm bảo độ chính xác, kiểm tra tính duy nhất và tồn tại, và tăng cường dữ liệu. Các bước này giúp đảm bảo dữ liệu nhất quán, chính xác và đầy đủ, từ đó cải thiện hiệu quả của các mô hình AI trong ngành dược phẩm.
https://www.pharmavoice.com/spons/how-can-you-prepare-pharmaceutical-data-for-ai-consumption/718829/
- Microsoft đã công bố tại hội nghị HLTH Europe rằng họ sẽ mở rộng Mạng lưới AI Đáng tin cậy & Trách nhiệm (TRAIN) sang châu Âu, với vai trò là đối tác công nghệ chính.
- TRAIN ban đầu được ra mắt tại Mỹ vào tháng 3 năm 2024, nhằm thúc đẩy các nguyên tắc AI có trách nhiệm và đạo đức, để công nghệ này phục vụ cộng đồng một cách an toàn và đáng tin cậy.
- Các tổ chức y tế hàng đầu đã ký kết tham gia TRAIN tại Mỹ, bao gồm nhiều tổ chức có quy mô và tầm ảnh hưởng khác nhau.
- Mục tiêu của sáng kiến này là chia sẻ các thực tiễn tốt nhất giữa các tổ chức thành viên, đăng ký các hệ thống và thuật toán AI, phát triển các công cụ và tiêu chuẩn để đo lường kết quả liên quan đến AI, và thúc đẩy một cơ sở dữ liệu quốc gia về kết quả AI.
- Sarah Harmon, Chủ tịch của Foundation 29, nhấn mạnh tầm quan trọng của việc sử dụng dữ liệu bệnh nhân một cách có trách nhiệm để phát triển AI trong y tế.
- Dr. Michel van Genderen từ Trung tâm Y tế Erasmus cho rằng hợp tác quốc tế là yếu tố then chốt để "chuyển đổi y tế bằng AI."
- Sáng kiến này phản ánh xu hướng ngày càng tăng trong việc phát triển các khung pháp lý và hướng dẫn cho việc sử dụng AI có trách nhiệm, đặc biệt khi các chính phủ đang xây dựng các quy định cho công nghệ này.
- Một ví dụ khác về sáng kiến tương tự là Liên minh AI Y tế (CHAI), với các đối tác chính bao gồm Microsoft, Amazon, Google, Stanford Medicine và Bệnh viện Mass General.
- CHAI đặt mục tiêu phát triển "hướng dẫn và bảo vệ" để thúc đẩy việc áp dụng các hệ thống AI y tế đáng tin cậy, công bằng và minh bạch.
- Các tổ chức này hy vọng sẽ dẫn dắt sự phát triển và triển khai công nghệ AI, đặc biệt trong bối cảnh các cơ quan quản lý không thể theo kịp tốc độ phát triển nhanh chóng của AI.
- Trong lĩnh vực y tế, việc có các hướng dẫn và bảo vệ là cực kỳ quan trọng, vì nhiều công nghệ này có thể được sử dụng trong môi trường lâm sàng và chăm sóc bệnh nhân.
📌 Microsoft mở rộng sáng kiến TRAIN sang châu Âu nhằm thúc đẩy AI có trách nhiệm và đạo đức trong y tế. Sáng kiến này sẽ chia sẻ thực tiễn tốt nhất, đăng ký hệ thống AI và phát triển công cụ đo lường kết quả. Hợp tác quốc tế là yếu tố then chốt để chuyển đổi y tế bằng AI.
https://www.forbes.com/sites/saibala/2024/06/17/microsoft-partners-to-launch-responsible-ai-initiative-in-europe/
- Nghiên cứu mới của Google giới thiệu Personal Health Large Language Model (PH-LLM), một phiên bản của Gemini Ultra 1.0 được tinh chỉnh để thực hiện các tác vụ liên quan đến thiết lập và đạt được các mục tiêu sức khỏe cá nhân cụ thể.
- PH-LLM có thể chuyển đổi dữ liệu từ thiết bị đeo thành các insights cụ thể, lý do tiềm ẩn cho các hành vi quan sát được và đề xuất cải thiện tập thể dục và vệ sinh giấc ngủ.
- PH-LLM thể hiện sự cải thiện đáng kể trong việc sử dụng kiến thức chuyên ngành và tùy chỉnh dữ liệu người dùng phù hợp cho các insights về giấc ngủ.
- Nghiên cứu chứng minh PH-LLM có thể trả lời chính xác các câu hỏi trắc nghiệm kỹ thuật trong lĩnh vực giấc ngủ và thể dục.
- Nhóm nghiên cứu sử dụng 857 case studies từ người tham gia để đánh giá sự sẵn sàng tập thể dục và chất lượng giấc ngủ, kết hợp với các tiêu chí đánh giá nghiêm ngặt.
- Tất cả chuyên gia, Gemini Ultra 1.0 và PH-LLM đạt hiệu suất trung bình rất cao trên tất cả các phản hồi case study, cho thấy khả năng lập luận và kiến thức mạnh mẽ của dòng mô hình Gemini.
- Các công cụ đánh giá case study tự động được tạo ra để tối ưu hóa mô hình và có thể thay thế các chuyên gia con người trong việc đánh giá hiệu suất LLM.
- PH-LLM kết hợp hiệu quả các tính năng cảm biến chuỗi thời gian dọc để giải mã trải nghiệm chủ quan của người dùng.
- Mặc dù có một số hạn chế, nghiên cứu cho thấy các mô hình Gemini có nhiều kiến thức về sức khỏe và hiệu suất của Gemini Ultra 1.0 có thể được cải thiện thông qua việc tinh chỉnh.
- Kết quả nghiên cứu mở đường cho LLMs hỗ trợ mọi người đạt được mục tiêu sức khỏe bằng cách cung cấp thông tin và đề xuất được cá nhân hóa.
📌 PH-LLM của Google, được tinh chỉnh từ Gemini Ultra 1.0, thể hiện khả năng chuyển đổi dữ liệu từ thiết bị đeo thành các insights và đề xuất cụ thể để cải thiện sức khỏe cá nhân. Mô hình đạt hiệu suất cao trong các tác vụ liên quan đến giấc ngủ và thể dục, mở ra tiềm năng ứng dụng LLMs trong việc hỗ trợ mọi người đạt được mục tiêu sức khỏe thông qua thông tin được cá nhân hóa.
https://www.marktechpost.com/2024/06/15/a-new-google-study-presents-personal-health-large-language-model-ph-llm-a-version-of-gemini-fine-tuned-for-text-understanding-numerical-time-series-personal-health-data/
- Cognizant ra mắt bộ giải pháp LLM đầu tiên trong lĩnh vực chăm sóc sức khỏe trên nền tảng GenAI của Google Cloud, bao gồm Vertex AI và mô hình Gemini.
- Mục tiêu là tái thiết kế quy trình hành chính y tế và cải thiện trải nghiệm. Google Cloud trao giải "Đối tác Dịch vụ Giải pháp Ngành 2024 - Chăm sóc sức khỏe và Khoa học Đời sống" cho Cognizant.
- Bộ giải pháp LLM giải quyết 4 quy trình tốn kém: vận hành marketing, vận hành tổng đài (bao gồm kháng cáo và khiếu nại), quản lý nhà cung cấp và hợp đồng.
- Trợ lý Giải quyết Kháng cáo tự động hóa việc truy xuất, phân tích và diễn giải dữ liệu, cải thiện năng suất, tính nhất quán và độ chính xác.
- Giải pháp Quản lý Hợp đồng tối ưu hóa vòng đời hợp đồng y tế bằng cách tự động hóa quy trình đánh giá, tạo và cấu hình, giảm thiểu sai sót và tăng năng suất.
- Trợ lý Nội dung Marketing tự động tạo nội dung hấp dẫn cho các chủ đề như ra mắt sản phẩm, sáng kiến doanh nghiệp, tư duy lãnh đạo và quan hệ đối tác chiến lược.
- Công cụ Mua sắm Chương trình Sức khỏe hỗ trợ thành viên đưa ra lựa chọn sáng suốt bằng cách kết hợp sở thích cá nhân, hồ sơ lâm sàng và dữ liệu của bên chi trả.
- Cognizant và Google Cloud cam kết bảo mật và an toàn dữ liệu thông qua các nguyên tắc AI có trách nhiệm, tiếp cận AI có trách nhiệm, quản trị dữ liệu và tiêu chuẩn quyền riêng tư.
📌 Kết hợp chuyên môn của Cognizant trong lĩnh vực y tế với công nghệ đột phá của Google Cloud, quan hệ đối tác này hứa hẹn sẽ mang đến những bước tiến vượt bậc trong việc tái định hình quy trình hành chính, nâng cao chất lượng chăm sóc và cải thiện trải nghiệm cho các thành viên với sự hỗ trợ của AI tạo sinh.
https://hitconsultant.net/2024/06/13/cognizant-unveils-healthcare-large-language-models-llms-on-google-clouds-genai-platform/
- Báo cáo của Deloitte cho thấy việc sử dụng AI tạo sinh của người tiêu dùng cho các mục đích y tế đã giảm nhẹ từ 40% năm 2023 xuống 37% năm 2024. Nguyên nhân chính là do sự không tin tưởng ngày càng tăng vào thông tin mà AI tạo sinh cung cấp.
- Bệnh viện nên đào tạo các mô hình AI tạo sinh trên dữ liệu bệnh nhân của riêng họ, sử dụng dữ liệu tổng hợp hoặc dữ liệu từ các nhà cung cấp dịch vụ chăm sóc sức khỏe tương tự để lấp đầy các khoảng trống.
- 80% người tiêu dùng muốn được thông báo về cách nhà cung cấp dịch vụ chăm sóc sức khỏe của họ sử dụng AI tạo sinh để ảnh hưởng đến các quyết định chăm sóc và xác định các lựa chọn điều trị.
- Bác sĩ cần giải thích rõ ràng về lợi ích mà AI tạo sinh có thể mang lại, chẳng hạn như giảm thời gian dành cho các công việc thủ công, cho phép họ dành nhiều thời gian hơn cho bệnh nhân.
- Mối quan hệ bác sĩ-bệnh nhân mạnh mẽ là chìa khóa để xây dựng niềm tin trong thế giới chăm sóc sức khỏe. Bệnh nhân có nhiều khả năng hiểu và chấp nhận lợi ích của các công cụ AI tạo sinh khi chúng được giải thích bởi một bác sĩ mà họ biết và cảm thấy thoải mái.
- Bệnh viện cần minh bạch về dữ liệu mà các mô hình AI tạo sinh được đào tạo. Việc phát triển công cụ riêng sử dụng dữ liệu cụ thể cho quần thể bệnh nhân sẽ khiến mọi người cảm thấy thoải mái hơn.
- Một số trường hợp sử dụng AI tạo sinh như công cụ ghi chép tự động trong cuộc thăm khám bác sĩ-bệnh nhân có thể yêu cầu sự đồng ý rõ ràng từ bệnh nhân trước khi triển khai.
📌 Để xây dựng niềm tin của bệnh nhân vào AI tạo sinh, bệnh viện cần đào tạo mô hình trên dữ liệu nội bộ, minh bạch về cách sử dụng công nghệ, giải thích rõ lợi ích, duy trì mối quan hệ chặt chẽ giữa bác sĩ và bệnh nhân, đồng thời xin sự đồng ý khi cần thiết. Tuy nhiên, ngành y tế vẫn cần hợp tác để thiết lập các tiêu chuẩn giáo dục bệnh nhân xung quanh việc sử dụng AI tạo sinh.
https://medcitynews.com/2024/06/generative-ai-trust-healthcare/
- Alipay, dịch vụ thanh toán di động phổ biến của Trung Quốc do Ant Group vận hành, đã bổ sung tính năng kiểm tra rụng tóc sử dụng trí tuệ nhân tạo (AI)
- Tính năng này giúp mọi người tự kiểm tra tình trạng hói đầu bằng cách tải lên 4 hình ảnh bao gồm mặt trước, trên và hai bên đầu. Nó cũng đưa ra gợi ý về việc có nên tìm kiếm tư vấn y tế hay không.
- Nền tảng này được hỗ trợ bởi mô hình đa phương thức AntBrayer của Ant, bao gồm cả nhận dạng ngôn ngữ và hình ảnh. Nó được huấn luyện trên dữ liệu của hàng nghìn trường hợp thực tế.
- Alipay là một trong hai giải pháp thanh toán di động hàng đầu của Trung Quốc, cùng với WeChat Pay của Tencent chiếm hơn 90% thị trường.
- Trong khi WeChat Pay được xây dựng dựa trên sự phổ biến của siêu ứng dụng WeChat, Alipay đang tìm cách làm cho ứng dụng của mình hấp dẫn hơn bằng cách bổ sung các chức năng mới bao gồm nhiều lĩnh vực như tài chính, lối sống, chăm sóc sức khỏe và một số chức năng xã hội.
- Theo khảo sát của Ủy ban Y tế Quốc gia Trung Quốc năm 2020, gần 1/6 dân số Trung Quốc, tức hơn 250 triệu người, đã gặp phải các vấn đề liên quan đến rụng tóc. Ngày càng nhiều người trẻ Trung Quốc bắt đầu chú ý đến các vấn đề liên quan đến tóc do mức độ căng thẳng, ô nhiễm và lối sống không lành mạnh gia tăng.
- Công cụ này được phát triển chung bởi các bác sĩ từ một phòng khám chuyên về rụng tóc tại một bệnh viện ở Hàng Châu, nơi Ant đặt trụ sở.
- Kể từ tháng 4, Alipay đã cung cấp các dịch vụ y tế AI, bao gồm "trợ lý y tế AI" có thể hướng dẫn bệnh nhân qua các quy trình y tế. Dịch vụ này đã được sử dụng tại hơn 92 bệnh viện trên khắp tỉnh Chiết Giang.
- Alipay cũng quảng cáo một trợ lý AI khác trên trang chủ vào tháng 4, cung cấp hơn 30 dịch vụ khác nhau, bao gồm du lịch, chăm sóc sức khỏe và dịch vụ chính phủ.
📌 Alipay đang tích cực mở rộng sự hiện diện trong cuộc sống người dùng bằng cách triển khai các tính năng AI mới như công cụ kiểm tra rụng tóc. Với hơn 250 triệu người Trung Quốc gặp vấn đề rụng tóc, tính năng này hứa hẹn sẽ hữu ích cho nhiều người. Alipay cũng đang cung cấp các dịch vụ y tế AI khác tại hơn 92 bệnh viện, thể hiện nỗ lực của họ trong việc tích hợp sâu hơn vào cuộc sống hàng ngày của người tiêu dùng.
https://www.scmp.com/tech/tech-trends/article/3265951/alipay-deploys-ai-test-hair-loss-payment-app-pushes-further-users-lives
- Nhóm nghiên cứu từ Đại học Trung Văn Hồng Kông phát triển ứng dụng di động giúp người dùng đánh giá trầm cảm thông qua phân tích AI về biểu cảm khuôn mặt, giọng nói và ngôn ngữ, với độ chính xác trên 80%.
- Công cụ kỹ thuật số mới này được chứng minh là hiệu quả trong chẩn đoán trầm cảm, giúp nâng cao nhận thức của công chúng về rối loạn tâm thần.
- Các khó khăn chính trong đánh giá lâm sàng trầm cảm là do thiếu hiểu biết về rối loạn tâm thần, sự kỳ thị và khó tiếp cận dịch vụ y tế kịp thời.
- Việc sử dụng digital phenotyping cho phép người dùng được đánh giá tình trạng tâm thần mà không cần tư vấn trực tiếp, khuyến khích nhiều người tìm kiếm sự trợ giúp chuyên nghiệp.
- Nghiên cứu được thực hiện từ tháng 6/2021 đến tháng 3/2023, với 101 người mắc rối loạn trầm cảm nặng và 82 người không mắc rối loạn tâm thần tham gia.
- Người tham gia sử dụng ứng dụng để đánh giá tâm trạng, ghi lại biểu cảm khuôn mặt và giọng nói 4 lần/ngày trong 1 tuần. Họ cũng được trang bị thiết bị theo dõi chu kỳ hoạt động và nghỉ ngơi.
- Kết quả cho thấy những người mắc trầm cảm có nhiều cử động nhíu mày và ít kéo góc miệng hơn, tốc độ phát âm chậm hơn, tăng biến thiên trong thời gian tạm dừng, ít vận động hơn và rối loạn giấc ngủ.
- Độ chính xác của phép đo trong chẩn đoán trầm cảm đạt 0.81 trên thang điểm từ 0 đến 1.
- Nhóm nghiên cứu dự kiến phát triển hệ thống AI tự động để phát hiện và theo dõi trầm cảm, cần thêm ít nhất 1 năm trước khi ứng dụng được phát hành cho công chúng sử dụng.
- Khảo sát của Hiệp hội Sức khỏe Tâm thần Hồng Kông cho thấy 11.1% trong số hơn 2,900 người được hỏi cần điều trị và tư vấn chuyên nghiệp về trầm cảm, tăng từ 8.4% năm 2020.
📌 Ứng dụng di động sử dụng AI do các nhà nghiên cứu Đại học Trung Văn Hồng Kông phát triển có thể chẩn đoán trầm cảm với độ chính xác trên 80% thông qua phân tích biểu cảm khuôn mặt, giọng nói và ngôn ngữ. Công cụ này hứa hẹn giúp phát hiện sớm trầm cảm, một rối loạn tâm thần ngày càng phổ biến với 11.1% người được khảo sát cần điều trị chuyên nghiệp.
https://www.scmp.com/news/hong-kong/health-environment/article/3265903/chinese-university-hong-kong-researchers-develop-ai-powered-app-diagnose-depression
- JiviAI, một công ty khởi nghiệp AI y tế có trụ sở tại Ấn Độ, tuyên bố mô hình ngôn ngữ lớn (LLM) dựa trên AI của họ trong lĩnh vực chăm sóc sức khỏe vượt trội hơn các mô hình của Google và OpenAI.
-LLM của JiviAI đạt điểm số cao hơn 10% so với c ác mô hình của Google và OpenAI trên bộ dữ liệu chuẩn MedQA.
- Mô hình của JiviAI được huấn luyện trên 500 GB dữ liệu y tế, bao gồm sách giáo khoa, hướng dẫn lâm sàng, bài báo khoa học và dữ liệu bệnh nhân.
- JiviAI hướng tới việc hỗ trợ bác sĩ trong chẩn đoán, điều trị, giải thích kết quả xét nghiệm và tư vấn cho bệnh nhân.
- Công ty đã huy động được 5,5 triệu USD từ các nhà đầu tư như Peak XV Partners, Manish Singhal (Pi Ventures), Binny Bansal (Flipkart) và Kunal Shah (CRED).
- JiviAI đang thử nghiệm sản phẩm với hơn 50 bác sĩ và bệnh viện, dự kiến ra mắt chính thức vào tháng 7/2024.
- Công ty cũng đang phát triển các tính năng mới như tạo hình ảnh y tế và phân tích dữ liệu bệnh nhân.
📌 JiviAI, một công ty khởi nghiệp AI y tế của Ấn Độ, tuyên bố LLM của họ vượt trội hơn 10% so với Google và OpenAI trên bộ dữ liệu MedQA. Với 5,5 triệu USD đầu tư và thử nghiệm với 50 bác sĩ, JiviAI hướng tới hỗ trợ chẩn đoán, điều trị và tư vấn cho bệnh nhân, dự kiến ra mắt vào tháng 7/2024.
Citations:
[1] https://cio.economictimes.indiatimes.com/news/artificial-intelligence/jiviai-says-its-ai-based-healthcare-llm-outperforms-those-of-google-openai/110609532
- Các nhà nghiên cứu Trung Quốc đang tiên phong trong lĩnh vực trí tuệ nhân tạo (AI) và chăm sóc sức khỏe với việc ra mắt bệnh viện AI ấn tượng mang tên "Agent Hospital".
- Tuy nhiên, Agent Hospital hiện mới chỉ là một môi trường hoàn toàn ảo, chưa thể tiếp cận bệnh nhân thực trong thời gian tới.
- Agent Hospital có thể được coi như một chương trình đào tạo cho các bác sĩ AI và là cách để các nhà nghiên cứu xem các bot AI sẽ hoạt động như thế nào trong môi trường bệnh viện với bệnh nhân, trách nhiệm ảo, v.v.
- Tất cả bác sĩ, y tá và bệnh nhân trong Agent Hospital đều được điều khiển bởi các mô hình ngôn ngữ lớn (LLM) để cho phép họ tương tác tự động.
- Về lý thuyết, một bệnh nhân AI có thể mô tả vấn đề với bác sĩ AI và bác sĩ có thể đưa ra chẩn đoán. Tuy nhiên, LLM chưa phải là AI đầy đủ mà dựa vào dự đoán văn bản.
- Agent Hospital cũng có thể được sử dụng để giúp đào tạo các bác sĩ tập sự bằng cách cho phép họ kiểm tra công việc chẩn đoán trên bệnh nhân AI.
- Trưởng nhóm nghiên cứu Liu Yang cho biết Agent Hospital đang hướng tới việc đi vào hoạt động vào cuối năm 2024, nhưng chưa rõ liệu bệnh nhân thực sẽ được lọc qua nó hay chương trình đào tạo sẽ được đưa vào thực tiễn.
- Liu Yang thừa nhận rằng chăm sóc sức khỏe AI vẫn đang ở giai đoạn rất sớm và cần nỗ lực để đảm bảo tuân thủ các hướng dẫn an toàn.
📌 Bệnh viện AI đầu tiên trên thế giới "Agent Hospital" của Trung Quốc hiện mới chỉ là một môi trường ảo để đào tạo bác sĩ AI, chưa thể điều trị bệnh nhân thực. Tuy nhiên, nó đang hướng tới hoạt động vào cuối 2024 với nhiều thách thức về an toàn và hiệu quả cần giải quyết trong lĩnh vực chăm sóc sức khỏe AI còn non trẻ này.
https://www.uniladtech.com/news/china-debuts-first-ai-hospital-621477-20240531
- Startup Profluent ở Berkeley đã huấn luyện AI tưởng tượng ra các protein CRISPR chưa từng thấy, mở ra khả năng chỉnh sửa gen vượt xa tự nhiên.
- Họ cũng công khai mã nguồn một hệ thống CRISPR mới, cho phép các nhà khoa học sử dụng công cụ chỉnh sửa gen do AI thiết kế.
- Trong tự nhiên, vi khuẩn tiến hóa CRISPR để chống lại virus. Trong phòng thí nghiệm, ta có thể lập trình CRISPR để chỉnh sửa chính xác bất kỳ gen nào, mang lại lợi ích to lớn trong y học, nông nghiệp, v.v.
- Mỗi hệ thống CRISPR gồm 2 phần: sợi RNA khớp với đích và protein thực hiện chỉnh sửa. Protein phổ biến nhất là Cas9, nhưng các nhà khoa học đã phát hiện CRISPR với protein khác cho khả năng độc đáo.
- Các công cụ chỉnh sửa gen CRISPR hiện tại chưa hoàn hảo, có thể sửa sai chỗ hoặc sửa quá ít tế bào. Các nhà nghiên cứu liên tục tìm kiếm hệ thống CRISPR mới.
- Profluent đã dùng AI tương tự ChatGPT để phát triển nền tảng AI có thể tạo hàng triệu protein giống CRISPR.
- Họ thông báo đã dùng thành công một hệ thống CRISPR do AI thiết kế là OpenCRISPR-1 để chỉnh sửa DNA người.
- Profluent chọn công khai mã nguồn hệ thống với protein CRISPR này vì nó rất khác Cas9 nhưng nghiên cứu cho thấy hiệu quả tương đương.
📌 Startup Profluent đã đạt bước đột phá khi dùng AI tạo ra protein CRISPR mới chưa từng thấy trong tự nhiên, chỉnh sửa thành công DNA người với hệ thống OpenCRISPR-1. Việc công khai mã nguồn hệ thống này hứa hẹn mở ra tương lai AI có thể thiết kế các liệu pháp và phương pháp chữa bệnh đặc hiệu.
Citations:
[1] https://www.freethink.com/robots-ai/ai-designed-crispr
- Startup Conceivable Life Sciences ở Guadalajara, Mexico đang tự động hóa toàn bộ quy trình IVF từ đầu đến cuối bằng robot và AI, thay vì quy trình thủ công truyền thống.
- Quá trình bắt đầu khi ống nghiệm chứa trứng của bệnh nhân được chuyển cho robot tại cửa sổ phòng thí nghiệm. Robot sử dụng một chiếc vợt tennis siêu nhỏ để bất động tinh trùng bằng tia laser, hút chúng vào kim, chèn vào trứng và sau khi ủ, chuyển phôi vào lọ nitơ lỏng để đông lạnh.
- Robot của Conceivable đã đạt được một số bước đột phá: lần đầu tiên thực hiện ICSI bằng robot, quy trình tỉ mỉ đưa tinh trùng vào trứng. Tháng 12/2021, giám đốc khoa học Jacques Cohen đã hướng dẫn robot từ xa thực hiện ICSI. Phôi được chuyển vào ngày 23/2/2022, dẫn đến việc mang thai.
- Robot hiện có thể tự thực hiện ICSI, một "đầu tiên trên thế giới" khác theo đồng CEO Joshua Abram.
- 11 phụ nữ đã mang thai nhờ sự trợ giúp của robot Conceivable.
- Công ty hình dung các phòng thí nghiệm IVF trên toàn thế giới, mỗi phòng chứa hàng dãy hộp trắng bóng làm việc hài hòa.
- Hiện tại, công việc của họ chỉ giới hạn ở các nghiên cứu nhỏ và nguyên mẫu robot.
- Bác sĩ Alejandro Chávez-Badiola, chuyên gia nội tiết sinh sản và vô sinh, đã thất vọng với những hạn chế trong công việc và muốn thay đổi.
📌 Conceivable Life Sciences đang cách mạng hóa lĩnh vực thụ tinh ống nghiệm bằng cách tự động hóa toàn bộ quy trình IVF từ đầu đến cuối với robot và AI. Họ đã đạt được những bước đột phá như thực hiện ICSI bằng robot lần đầu tiên và giúp 11 phụ nữ mang thai. Mặc dù hiện tại còn giới hạn ở quy mô nhỏ, công ty đang hướng tới tương lai với các phòng thí nghiệm IVF tự động trên toàn cầu.
Citations:
[1] https://www.businessinsider.com/conceivable-automating-ivf-fertility-robots-ai-startup-2024-5
- Các mô hình ngôn ngữ lớn (LLMs) đang ngày càng trở nên quan trọng trong công nghệ y tế, giúp tiêu hóa và giải thích lượng lớn văn bản y tế, mang lại cái nhìn sâu sắc mà trước đây cần đến chuyên môn con người.
- Một thách thức lớn trong lĩnh vực này là thiếu các mô hình nguồn mở có thể cạnh tranh với các hệ thống độc quyền. Mô hình nguồn mở trong y tế rất quan trọng vì chúng thúc đẩy sự minh bạch và khả năng tiếp cận đổi mới, là yếu tố cần thiết cho sự tiến bộ công bằng trong công nghệ y tế.
- Các nhà nghiên cứu từ Trung tâm Siêu tính toán Barcelona (BSC) và Đại học Kỹ thuật Công nghệ Barcelona (UPC) đã phát triển các mô hình Aloe, một loạt các mô hình LLM mới trong lĩnh vực y tế.
- Các mô hình Aloe sử dụng các chiến lược đổi mới như kết hợp mô hình và tinh chỉnh hướng dẫn, tận dụng các tính năng tốt nhất của các mô hình hiện có và cải thiện chúng thông qua các chế độ đào tạo phức tạp trên cả dữ liệu công cộng và dữ liệu tổng hợp độc quyền.
- Các mô hình được đào tạo sử dụng một bộ dữ liệu mới bao gồm sự pha trộn giữa các nguồn dữ liệu công cộng và dữ liệu tổng hợp được tạo ra thông qua các kỹ thuật Chuỗi Suy nghĩ (CoT) tiên tiến.
- Các mô hình Aloe đã đạt được các tiêu chuẩn hàng đầu so với các mô hình mở khác, vượt trội hơn đáng kể trong độ chính xác trả lời câu hỏi y tế và sự phù hợp đạo đức. Ví dụ, trong các đánh giá liên quan đến các chuẩn mực y tế như MedQA và PubmedQA, các mô hình Aloe đã cải thiện độ chính xác hơn 7% so với các mô hình mở trước đó.
📌 Các mô hình Aloe đánh dấu một bước đột phá trong việc áp dụng LLMs trong ngành y tế, kết hợp công nghệ tiên tiến và các xem xét đạo đức để nâng cao độ chính xác và độ tin cậy của quá trình xử lý dữ liệu y tế, đảm bảo rằng tiến bộ trong công nghệ y tế có lợi và tiếp cận được với tất cả mọi người.
https://www.marktechpost.com/2024/05/11/aloe-a-family-of-fine-tuned-open-healthcare-llms-that-achieves-state-of-the-art-results-through-model-merging-and-prompting-strategies/
- Các nghiên cứu gần đây nghi ngờ khả năng của AI tạo sinh trong việc giảm bớt sự kiệt sức của bác sĩ. Trước đó, nghiên cứu chỉ ra hệ thống hồ sơ sức khỏe điện tử (EHR) và công việc hành chính góp phần gây mệt mỏi cho bác sĩ.
- Một nghiên cứu quan sát năm 2023 tại Bệnh viện Brigham and Women's ở Boston đánh giá tác động của AI đối với tin nhắn điện tử của bệnh nhân. Nghiên cứu so sánh đầu ra của mô hình ngôn ngữ lớn (LLM) với phản hồi từ 6 bác sĩ ung thư xạ trị. Kết quả cho thấy bản nháp LLM có nguy cơ gây tổn hại nghiêm trọng trong 11/156 khảo sát.
- Một nghiên cứu khác đánh giá các phản hồi do AI soạn thảo cho tin nhắn của bệnh nhân và thời gian bác sĩ chỉnh sửa. Kết quả cho thấy các phản hồi do AI soạn thảo làm tăng thời gian đọc, không thay đổi thời gian phản hồi, tăng độ dài phản hồi và chỉ mang lại một số lợi ích.
- Tiến sĩ David Atashroo, giám đốc y tế của Qventus, nhấn mạnh tiềm năng của AI trong việc tự động hóa các nhiệm vụ rủi ro thấp nhưng có thể tự động hóa cao trong chăm sóc sức khỏe. Tuy nhiên, ông cũng nhấn mạnh tầm quan trọng của việc đặt ra kỳ vọng thực tế và đảm bảo an toàn, hiệu quả của AI.
📌 Các nghiên cứu gần đây cho thấy AI tạo sinh chưa chắc đã giúp giảm đáng kể tình trạng kiệt sức của bác sĩ. Mặc dù AI có tiềm năng tự động hóa nhiều nhiệm vụ, nhưng vẫn cần thêm các thử nghiệm thực nghiệm chặt chẽ để đánh giá hiệu suất, đảm bảo an toàn và hiệu quả trước khi triển khai rộng rãi trong y tế.
Citations:
[1] https://www.foxnews.com/health/artificial-intelligence-not-always-helpful-reducing-doctor-burnout-studies-suggest
- Một nhóm nghiên cứu từ Boston Consulting Group (BCG) đã công bố trong một bài báo được bình duyệt trên Drug Discovery Today rằng các phân tử do AI tìm ra có tỷ lệ thành công ấn tượng từ 80% đến 90% trong các thử nghiệm lâm sàng giai đoạn 1.
- Các phát hiện này dựa trên dữ liệu từ hơn 100 công ty công nghệ sinh học tập trung vào AI và các đối tác dược phẩm của họ.
- Đến năm 2023, các công ty này đã đưa 75 phân tử vào thử nghiệm lâm sàng, với 67 trong số đó đang trong quá trình thử nghiệm tích cực.
- Các công ty dược phẩm hàng đầu đã thể hiện sự quan tâm ngày càng tăng đối với việc khám phá dược phẩm dẫn đầu bởi AI, dẫn đến mức tăng trưởng hàng năm hợp chất trên 60% trong thập kỷ qua.
- Lĩnh vực ung thư là khu vực điều trị hàng đầu cho các phân tử được phát triển từ AI trong các thử nghiệm giai đoạn I và II, chiếm khoảng 50% tổng số.
- Trong các thử nghiệm giai đoạn 1, các phân tử do AI tạo ra đã cho thấy tỷ lệ thành công từ 80% đến 90%, cao hơn mức trung bình lịch sử, điều này được các nhà nghiên cứu cho là do hiệu ứng thuật toán và mục tiêu sinh học được xác nhận giúp giảm thiểu rủi ro độc tính.
- Kết hợp tỷ lệ thành công này với tỷ lệ thành công giai đoạn III lịch sử sẽ dẫn đến tỷ lệ thành công lâm sàng tổng thể khoảng 9% đến 18% khi sử dụng AI, so với mức 5% đến 10% trước đây.
- Cải thiện này sẽ gấp đôi năng suất R&D của ngành dược, cho phép các công ty đạt được cùng một sản lượng với ít nguồn lực và chi phí hơn hoặc ra mắt nhiều thuốc mới hơn trong cùng ngân sách.
📌 Các phân tử do AI tìm ra đã cho thấy tỷ lệ thành công từ 80% đến 90% trong thử nghiệm lâm sàng giai đoạn 1, với dữ liệu từ hơn 100 công ty công nghệ sinh học tập trung vào AI. Sự cải thiện này có thể gấp đôi năng suất R&D của ngành dược, mở ra khả năng đạt được nhiều kết quả hơn với nguồn lực tương tự hoặc thậm chí ít hơn.
Citations:
[1] https://seekingalpha.com/news/4104786-ai-discovered-drugs-have-an-8090-success-rate-study
- Google DeepMind đã phát triển Med-Gemini, một AI y tế có khả năng tự học và vượt trội hơn bác sĩ thực tế với độ chính xác 91.1%.
- Med-Gemini được xây dựng dựa trên mô hình Gemini của Google, nhưng được tối ưu hóa cho lĩnh vực y tế với khả năng tự học từ tìm kiếm web.
- Mặc dù có một số lo ngại về việc sử dụng tìm kiếm web do sự xuất hiện của thông tin không chính xác, Google tin rằng Med-Gemini có thể tự điều chỉnh thông qua vòng lặp tinh chỉnh.
- Med-Gemini đã được kiểm tra trên 14 tiêu chuẩn y tế khác nhau và thiết lập một chuẩn mực mới với hiệu suất vượt trội so với các mô hình GPT-4 trong mọi bài kiểm tra có thể so sánh.
- Điều đáng chú ý là Med-Gemini không chỉ vượt qua các mô hình AI y tế trước đó của Google như Med-PaLM 2 mà còn vượt qua cả bác sĩ thực tế trong các bài kiểm tra, với độ chính xác lên tới 91.1%.
- Mặc dù có tiềm năng lớn, việc sử dụng AI như Med-Gemini trong thực tế y tế vẫn còn là một câu hỏi mở, cũng như phản ứng của công chúng đối với việc này.
- Google nhấn mạnh rằng mục tiêu của Med-Gemini không phải là thay thế bác sĩ mà là hỗ trợ họ, giúp họ tập trung vào những bệnh nhân cần sự chăm sóc nhiều nhất.
📌 AI y tế Med-Gemini của Google, với khả năng tự học và độ chính xác 91.1%, không chỉ mở ra hướng tiếp cận mới trong việc hỗ trợ công việc hàng ngày của bác sĩ mà còn thiết lập một chuẩn mực mới trong lĩnh vực AI y tế, vượt trội so với cả bác sĩ thực tế và các mô hình AI trước đó.
https://bgr.com/tech/google-built-medical-ai-that-can-train-itself-and-outperform-real-doctors/
- BioMedRAG là một mô hình ngôn ngữ lớn sử dụng kỹ thuật tạo sinh được tăng cường bởi truy xuất dữ liệu ngoài để phân tích dữ liệu y sinh.
- Mô hình được huấn luyện trên tập dữ liệu y sinh khổng lồ bao gồm 5,4 triệu bài báo khoa học, 5,7 triệu bản tóm tắt lâm sàng và hơn 2,7 triệu bản ghi nhớ bệnh nhân.
- BioMedRAG có khả năng truy xuất thông tin y tế chính xác từ cơ sở dữ liệu rộng lớn và tổng hợp kiến thức để đưa ra câu trả lời đáng tin cậy cho các câu hỏi y sinh phức tạp.
- Mô hình đạt được kết quả vượt trội so với các phương pháp truyền thống và mô hình ngôn ngữ lớn khác trong nhiều tác vụ như trả lời câu hỏi y sinh, tóm tắt văn bản y tế và hỗ trợ chẩn đoán lâm sàng.
- BioMedRAG có thể hỗ trợ các chuyên gia y tế trong việc đưa ra quyết định lâm sàng, giảm thiểu sai sót và nâng cao chất lượng chăm sóc bệnh nhân.
- Mô hình cũng có tiềm năng ứng dụng trong nghiên cứu y sinh, giúp tăng tốc quá trình phát hiện tri thức mới và thúc đẩy đổi mới trong y học.
- Tuy nhiên, việc triển khai BioMedRAG trong thực tế vẫn cần thêm nhiều nghiên cứu và thử nghiệm để đảm bảo tính an toàn, hiệu quả và tuân thủ các quy định về bảo mật dữ liệu y tế.
📌 BioMedRAG đánh dấu bước tiến quan trọng trong ứng dụng AI vào y sinh, với khả năng truy xuất và tổng hợp thông tin y tế chính xác từ 5,4 triệu bài báo, 5,7 triệu bản tóm tắt lâm sàng và 2,7 triệu bản ghi nhớ bệnh nhân, hứa hẹn cải thiện đáng kể chất lượng chăm sóc sức khỏe và thúc đẩy nghiên cứu y học.
Citations:
[1] https://www.marktechpost.com/2024/05/07/biomedrag-elevating-biomedical-data-analysis-with-retrieval-augmented-generation-in-large-language-models/
- Google giới thiệu mô hình AI đột phá Med-Gemini, được thiết kế đặc biệt để hỗ trợ bác sĩ và nhân viên y tế.
- Med-Gemini được xây dựng dựa trên mô hình Gemini hiện có của Google, được tinh chỉnh và tăng cường khả năng phù hợp với chẩn đoán và ứng dụng y tế.
- Mô hình kết hợp lập luận tiên tiến, hiểu biết đa phương thức và xử lý ngữ cảnh rộng, giúp nó phù hợp để giải quyết các thách thức phức tạp của dữ liệu y tế.
- Các tính năng sáng tạo cho phép Med-Gemini xử lý và phân tích hiệu quả một lượng lớn thông tin y tế, dẫn đến các khuyến nghị chẩn đoán chính xác hơn và hỗ trợ các chuyên gia y tế đưa ra quyết định đúng đắn.
- Khả năng xử lý dữ liệu ngữ cảnh dài và tích hợp kiến thức y tế toàn diện khiến Med-Gemini trở thành tài sản vô giá cho các chuyên gia chăm sóc sức khỏe.
- Nó cung cấp phân tích chi tiết về dữ liệu bệnh nhân, dẫn đến các quyết định y tế chính xác và kịp thời hơn, cuối cùng cải thiện chẩn đoán và lập kế hoạch điều trị.
- Sự phát triển của Med-Gemini thể hiện bước tiến đáng kể trong việc tận dụng khả năng của AI để thay đổi ngành công nghiệp chăm sóc sức khỏe.
- Nó thể hiện cam kết của Google trong việc đẩy ranh giới của công nghệ AI để cải thiện kết quả của bệnh nhân và hỗ trợ các chuyên gia chăm sóc sức khỏe trong thực hành hàng ngày.
📌 Med-Gemini của Google đánh dấu bước đột phá trong AI y tế, hứa hẹn nâng cao đáng kể độ chính xác chẩn đoán, hỗ trợ hiệu quả các bác sĩ, cải thiện kết quả điều trị và giảm chi phí chăm sóc sức khỏe. Tuy nhiên, cần đánh giá kỹ lưỡng trước khi triển khai thực tế trong lĩnh vực quan trọng này.
Citations:
[1] https://www.geeky-gadgets.com/medical-ai-google-med-gemini/
- Một nhóm các nhà nghiên cứu đã giới thiệu các mô hình OpenBioLLM-Llama3-70B và 8B, là những mô hình ngôn ngữ lớn (LLM) tiên tiến nhất trong lĩnh vực y tế.
- Các mô hình này có tiềm năng cách mạng hóa hoàn toàn xử lý ngôn ngữ tự nhiên (NLP) y tế bằng cách thiết lập các tiêu chuẩn mới về chức năng và hiệu suất.
- OpenBioLLM-Llama3-70B và 8B vượt trội hơn các mô hình như GPT-4, Gemini, Meditron-70B, Med-PaLM-1 và Med-PaLM-2 trong các tác vụ sinh y, thể hiện sự vượt trội và đột phá đáng kể về khả năng sử dụng và hiệu quả của các mô hình ngôn ngữ y tế.
- OpenBioLLM-70B đã chứng minh hiệu suất tốt nhất, thể hiện khả năng vượt trội so với kích thước của nó, vượt qua GPT-3.5, Gemini và Meditron-70B.
- Quá trình phát triển bao gồm tối ưu hóa ưu tiên trực tiếp (DPO) và tinh chỉnh cẩn thận sử dụng các mô hình LLama-3 70B và 8B làm nền tảng, đảm bảo OpenBioLLM-Llama3-70B và 8B được tối ưu hóa cho các ứng dụng y tế thực tế.
- Việc phát hành OpenBioLLM-Llama3-70B và 8B đánh dấu kỷ nguyên mới trong NLP y tế với hiệu suất, khả năng tiếp cận và tính thực tiễn được cải thiện trong các bối cảnh chăm sóc sức khỏe.
- Các mô hình này có tiềm năng cách mạng hóa hoàn toàn AI y tế và mở ra cánh cửa cho các giải pháp chăm sóc sức khỏe hiệu quả, chính xác và đạo đức hơn.
📌 OpenBioLLM-Llama3-70B và 8B đánh dấu bước đột phá trong công nghệ LLM y tế với khả năng vượt trội so với GPT-4, Gemini và các mô hình khác. Chúng hứa hẹn cách mạng hóa NLP y tế, mở ra tiềm năng to lớn cho AI y tế và các giải pháp chăm sóc sức khỏe hiệu quả, chính xác và đạo đức hơn trong tương lai.
Citations:
[1] https://www.marktechpost.com/2024/04/29/llama-3-based-openbiollm-llama3-70b-and-8b-outperforming-gpt-4-gemini-meditron-70b-med-palm-1-and-med-palm-2-in-medical-domain/
- Med-Gemini, một họ các mô hình AI đa phương thức chuyên biệt cho y tế, được phát triển bởi các nhà nghiên cứu từ Google và DeepMind.
- Mô hình kế thừa các khả năng nền tảng của Gemini trong ngôn ngữ, đối thoại, hiểu biết đa phương thức và lập luận ngữ cảnh dài.
- Med-Gemini mang đến khả năng hỗ trợ các thách thức chẩn đoán phức tạp, tham gia đối thoại y tế đa phương thức và xử lý hồ sơ sức khỏe điện tử dài.
- Các kỹ thuật như tự đào tạo tích hợp tìm kiếm web, tinh chỉnh đa phương thức và bộ mã hóa tùy chỉnh được sử dụng để chuyên môn hóa mô hình Gemini cho y tế.
- Trên bộ 25 tác vụ qua 14 tiêu chuẩn y tế, Med-Gemini thiết lập hiệu suất tốt nhất mới trên 10 tiêu chuẩn.
- Với tiêu chuẩn MedQA đánh giá khả năng trả lời câu hỏi y tế, Med-Gemini đạt độ chính xác 91.1%, vượt trội hơn kỷ lục trước đó 4.6%.
- Trong các tác vụ đa phương thức, Med-Gemini vượt trội hơn GPT-4 trung bình 44.5%.
- Mô hình thể hiện tiềm năng ứng dụng thực tế, vượt trội hơn chuyên gia trong tóm tắt văn bản y tế và tạo thư giới thiệu.
- Med-Gemini thể hiện khả năng xử lý ngữ cảnh dài ấn tượng trong các tác vụ thách thức như truy xuất dữ liệu kim trong đống rơm từ hồ sơ sức khỏe đồ sộ.
- Khả năng đa phương thức cho phép Med-Gemini xử lý và phân tích nhiều loại dữ liệu y tế như văn bản, hình ảnh, video và thậm chí dữ liệu cảm biến thô như điện tâm đồ (ECG).
📌 Med-Gemini, mô hình AI đa phương thức chuyên biệt cho y tế của Google và DeepMind, đạt độ chính xác 91,1% trong trả lời câu hỏi y tế, vượt trội 44,5% so với GPT-4 trong các tác vụ đa phương thức. Mô hình thể hiện khả năng xử lý ngữ cảnh dài, tóm tắt văn bản và tạo thư giới thiệu vượt trội hơn chuyên gia, hứa hẹn tiềm năng ứng dụng thực tế đột phá trong lĩnh vực y tế.
Citations:
[1] https://analyticsindiamag.com/googles-med-gemini-model-achieves-91-1-accuracy-in-medical-diagnostics/
- Hơn 2/3 ca tử vong ở Mỹ do 5 bệnh mãn tính chính gây ra: tim mạch, ung thư, đột quỵ, bệnh phổi tắc nghẽn mãn tính và tiểu đường
- Từ đại dịch Covid, hơn 400.000 nhân viên y tế đã nghỉ việc, gây áp lực lớn lên lực lượng còn lại
- AI có thể giúp chẩn đoán bệnh chính xác và nhanh hơn con người, giảm sai sót y khoa
- Theo ước tính, sai sót y khoa ảnh hưởng hơn 12 triệu người Mỹ mỗi năm, dẫn đến điều trị sai và chi phí vượt 100 tỷ USD
- AI đã chẩn đoán thành công một số bệnh hiếm mà bác sĩ không phát hiện được như bệnh bạch cầu hiếm gặp
- Các mô hình học máy vượt trội hơn bác sĩ da liễu trong phát hiện sớm ung thư da
- Tuy nhiên, việc áp dụng rộng rãi AI trong chẩn đoán y tế vẫn gặp nhiều rào cản
📌 Theo ước tính, sai sót y khoa ảnh hưởng hơn 12 triệu người Mỹ mỗi năm, dẫn đến điều trị sai và chi phí vượt 100 tỷ USD. AI đã chẩn đoán thành công một số bệnh hiếm mà bác sĩ không phát hiện được như bệnh bạch cầu hiếm gặp. Các mô hình học máy vượt trội hơn bác sĩ da liễu trong phát hiện sớm ung thư da. Sự kết hợp giữa AI và thị giác máy tính hứa hẹn cách mạng hóa y tế, giúp chẩn đoán chính xác và sớm hơn, cứu sống bệnh nhân và giảm chi phí điều trị.
Citations:
[1] https://www.forbes.com/sites/shashankagarwal/2024/04/28/how-ai-driven-diagnostics-can-save-lives-when-humans-cant/?sh=689e06ea6904
- Người dùng ngày càng tìm đến chatbot AI để hỗ trợ sức khỏe tâm thần do khó khăn về mặt thể chất và tài chính trong việc tiếp cận các dịch vụ chăm sóc sức khỏe truyền thống.
- Các chatbot này chưa được cấp phép như thiết bị y tế bởi Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) hay Health Canada, nhưng lại được quảng cáo rộng rãi nhờ khả năng hỗ trợ cá nhân hóa và sự sẵn có liên tục.
- Chatbot AI thường được quảng cáo có khả năng hỗ trợ liệu pháp hành vi nhận thức, tuy nhiên, người dùng có thể quá lạc quan về lợi ích và không nhận thức đủ về hạn chế của công nghệ này, dẫn đến tình trạng sức khỏe tâm thần tồi tệ hơn.
- Hiểu lầm chữa bệnh xảy ra chủ yếu qua hai phương diện: thực tiễn của công ty và thiết kế công nghệ AI. Các công ty thường có chiến lược tiếp thị sai lệch, khiến người dùng tin rằng họ đang nhận được sự hỗ trợ sức khỏe tâm thần thực sự.
- Người dùng có kiến thức hạn chế về các định kiến có thể có trong thuật toán AI, đặc biệt là những người thuộc nhóm dễ bị tổn thương, có thể nhận được phản hồi thiên vị và không phù hợp.
- Các chatbot AI hứa hẹn khả năng tự lực trong việc quản lý sức khỏe tâm thần, tạo ra một hiểu lầm chữa bệnh khiến cá nhân tin rằng họ đang tự mình thực hiện các bước tích cực để cải thiện sức khỏe tâm thần của mình.
- Để giảm thiểu hiểu lầm chữa bệnh, cần có sự tham gia tích cực của bệnh nhân trong quá trình thiết kế và phát triển các chatbot này, cũng như sự tham khảo ý kiến từ nhiều chuyên gia về các nguyên tắc đạo đức.
📌 Người dùng ngày càng dựa vào chatbot AI để hỗ trợ sức khỏe tâm thần, nhưng các sản phẩm này chưa được cấp phép như thiết bị y tế và thường gây hiểu lầm về lợi ích thực sự. Hiểu lầm chữa bệnh xảy ra do chiến lược tiếp thị sai lệch và thiếu kiến thức về định kiến trong thuật toán AI, đặc biệt là đối với nhóm người dễ bị tổn thương.
Citations:
[1] https://theconversation.com/your-ai-therapist-is-not-your-therapist-the-dangers-of-relying-on-ai-mental-health-chatbots-225411
- Công ty Profluent Bio tại California đã phát triển một hệ thống AI có khả năng tạo ra các phân tử mới không tồn tại trong tự nhiên, nhằm mục đích chỉnh sửa gen người.
- Hệ thống này đã được thử nghiệm trên các tế bào người sống, cho thấy khả năng hoạt động cao mà không chỉnh sửa nhầm các vị trí gen không mong muốn.
- AI được huấn luyện trên cơ sở dữ liệu gồm 5,1 triệu protein liên quan đến CRISPR (Cas), từ đó tạo ra các phân tử tiềm năng có thể được sử dụng trong chỉnh sửa gen.
- Quá trình nghiên cứu đã thu hẹp kết quả xuống còn 4 triệu trình tự, giúp xác định được chất chỉnh sửa gen mà nhóm nghiên cứu đặt tên là OpenCRISPR-1.
- Thí nghiệm cho thấy OpenCRISPR-1 hoạt động hiệu quả ngang bằng với protein Cas, nhưng lại giảm ảnh hưởng đến các vị trí ngoài mục tiêu lên đến 95%.
- Ali Madani, CEO của Profluent Bio, mô tả việc cố gắng chỉnh sửa ADN người bằng hệ thống sinh học được thiết kế bởi AI là một bước tiến vĩ đại trong khoa học.
- Công nghệ này không giống như các công nghệ chỉnh sửa gen trước đây như CRISPR, vốn dựa trên các 'chất chỉnh sửa gen' được tìm thấy trong vi khuẩn.
- Tầm nhìn của Profluent Bio là đưa sinh học ra khỏi những hạn chế của tự nhiên, sử dụng AI để thiết kế các giải pháp y tế tùy chỉnh.
📌 Profluent Bio đã phát triển một hệ thống AI có thể tạo ra các phân tử mới để chỉnh sửa gen người, với khả năng giảm thiểu tác động ngoài mục tiêu lên đến 95%. Hệ thống này mở ra khả năng chữa trị các bệnh hiếm gặp bằng cách sử dụng công nghệ không tồn tại trong tự nhiên, đánh dấu một bước tiến quan trọng trong công nghệ sinh học và y học.
Citations:
[1] https://www.dailymail.co.uk/sciencetech/article-13344731/New-AI-creates-molecules-not-nature-CHANGE-human-genes-cure-rarest-diseases.html
- Một nhóm các nhà nghiên cứu Trung Quốc đã phát triển một hệ thống trí tuệ nhân tạo (AI) nhằm hỗ trợ bác sĩ phát hiện ung thư thực quản giai đoạn sớm trong quá trình nội soi.
- Công nghệ sáng tạo này được cho là tăng gấp đôi tỷ lệ phát hiện so với đánh giá bằng mắt thường của bác sĩ.
- Ung thư thực quản đứng thứ 7 trong số các loại ung thư phổ biến nhất trên toàn cầu và là nguyên nhân gây tử vong do ung thư đứng thứ 6, với tỷ lệ mắc cao hơn ở châu Á.
- Phát hiện sớm rất quan trọng vì bệnh có tỷ lệ sống sót sau 5 năm trên 90% nếu được điều trị bằng nội soi hoặc phẫu thuật trước khi xuất hiện triệu chứng.
- Hầu hết bệnh nhân được chẩn đoán ở giai đoạn tiến triển của bệnh khi đã có triệu chứng.
- Nhóm nghiên cứu đã sử dụng công nghệ học sâu, một hệ thống AI tiên tiến giỏi trích xuất các đặc điểm thị giác nhỏ và phân loại hình ảnh.
- AI được huấn luyện với hơn 190.000 hình ảnh thực quản thu thập từ các phòng khám của Trung Quốc, giúp nó xác định chính xác tổn thương và dự đoán mức độ rủi ro.
- Mao Xinli, tác giả chính và bác sĩ trưởng khoa tiêu hóa của Bệnh viện Taizhou, nhấn mạnh tầm quan trọng của chẩn đoán sớm và vai trò của công nghệ này trong việc nâng cao khả năng phát hiện ung thư thực quản giai đoạn sớm của bác sĩ.
📌 Hệ thống AI mới do các nhà khoa học Trung Quốc phát triển có thể tăng gấp đôi tỷ lệ phát hiện tổn thương ung thư thực quản so với đánh giá bằng mắt thường trong quá trình nội soi. Công nghệ tiên tiến này hứa hẹn cải thiện đáng kể khả năng chẩn đoán sớm, giúp tăng tỷ lệ sống sót lên trên 90% cho bệnh nhân ung thư thực quản.
Citations:
[1] https://www.scmp.com/news/china/science/article/3260496/chinese-ai-innovation-identifies-oesophageal-cancer-lesions-double-rate-doctors-assessment-eye-paper
- Assaf Mischari, Đối tác Quản lý của Team8 Health, cho rằng ngành chăm sóc sức khỏe đang đối mặt với nhiều thách thức tương tự như các ngành khác trước sự xuất hiện của các công nghệ mới như GenAI, nhưng có những khác biệt tinh tế cần được xem xét và giải quyết.
- Sự khác biệt giữa thông tin nhận dạng cá nhân (PII) và thông tin sức khỏe cá nhân (PHI) là một ví dụ. PII có phạm vi rộng hơn, ít được quản lý hơn, được xử lý bởi nhiều tổ chức hơn và dễ kiếm tiền hơn. Tuy nhiên, PHI lại giàu nội dung hơn và có thể được sử dụng hiệu quả hơn cho các cuộc tấn công lừa đảo và gian lận y tế.
- GenAI sẽ có tác động sâu sắc đến các chuyên gia chăm sóc sức khỏe. Gánh nặng hành chính thường ngăn cản các chuyên gia y tế làm việc hiệu quả sẽ được giảm bớt nhờ áp dụng các công cụ này.
- Ngành chăm sóc sức khỏe đã có một bước tiến lớn, nhưng không phải là lần đầu tiên. Trước đây, ngành đã trải qua một bước nhảy vọt tương tự khi giới thiệu các thử nghiệm lâm sàng cho thiết bị và thuốc men.
- Chúng ta có thể cần một cơ sở hạ tầng mạnh mẽ hơn cho các "địa điểm thử nghiệm lâm sàng ML" tiêu chuẩn, không phụ thuộc vào dữ liệu do các nhà cung cấp thu thập.
- Các tổ chức chăm sóc sức khỏe cần minh bạch về việc sử dụng GenAI và các tác động khác nhau mà việc áp dụng công nghệ này có thể có đối với bệnh nhân. Ưu tiên an toàn và quyền riêng tư của bệnh nhân là rất quan trọng.
📌 AI tạo sinh đang mang đến những đổi mới đáng kể trong ngành chăm sóc sức khỏe, giúp giảm bớt gánh nặng hành chính cho các chuyên gia y tế. Tuy nhiên, các tổ chức cần minh bạch về việc sử dụng AI tạo sinh, ưu tiên an toàn và quyền riêng tư của bệnh nhân, đồng thời xây dựng cơ sở hạ tầng mạnh mẽ hơn cho các thử nghiệm lâm sàng học máy.
Citations:
[1] https://www.helpnetsecurity.com/2024/04/25/asaf-mischari-team8-health-genai-healthcare-risks/
- Một loạt nghiên cứu gần đây của các bệnh viện học thuật đã chỉ ra những hạn chế đáng kể của các mô hình ngôn ngữ lớn (LLM) trong môi trường y tế.
- Kết quả này đi ngược lại quan điểm phổ biến trong ngành rằng LLM sẽ tiết kiệm thời gian, chi phí và sớm giải phóng bác sĩ khỏi công việc tài liệu.
- Một nghiên cứu tại Đại học California, San Diego phát hiện việc sử dụng LLM để trả lời tin nhắn của bệnh nhân không giúp tiết kiệm thời gian cho bác sĩ.
- Nghiên cứu khác tại Mount Sinai chỉ ra rằng các LLM phổ biến kém hiệu quả trong việc ánh xạ bệnh của bệnh nhân với mã chẩn đoán.
- Nghiên cứu tại Mass General Brigham phát hiện LLM mắc lỗi an toàn khi trả lời các câu hỏi mô phỏng từ bệnh nhân ung thư, trong đó một câu trả lời có khả năng gây tử vong.
📌 Các nghiên cứu gần đây từ các bệnh viện học thuật đã làm giảm sự kỳ vọng quá mức về AI tạo sinh trong y tế. Kết quả cho thấy LLM có nhiều hạn chế đáng kể, đi ngược lại quan điểm chúng sẽ tiết kiệm thời gian, chi phí và giải phóng bác sĩ khỏi công việc tài liệu. Một số lỗi nghiêm trọng được phát hiện, cho thấy LLM cần được đào tạo thêm trước khi triển khai rộng rãi.
Citations:
[1] https://www.statnews.com/2024/04/25/health-ai-large-language-models-clinical-documentation/
- Moderna sẽ công bố mối quan hệ hợp tác đột phá với OpenAI, một công ty hàng đầu về trí tuệ nhân tạo, vào thứ Tư.
- Liên minh chiến lược này nhằm tự động hóa phần lớn hoạt động kinh doanh của Moderna và mở rộng ảnh hưởng của OpenAI trong lĩnh vực doanh nghiệp.
- Khoảng 3.000 nhân viên Moderna dự kiến sẽ được tiếp cận ChatGPT Enterprise, dựa trên mô hình ngôn ngữ tiên tiến nhất GPT-4 của OpenAI, vào cuối tuần này.
- Việc tích hợp AI vào nhiều quy trình hơn của Moderna có thể đẩy nhanh đáng kể mục tiêu đầy tham vọng của công ty là ra mắt 15 sản phẩm mới trong 5 năm tới.
- Công ty có trụ sở tại Cambridge, Massachusetts này đang nỗ lực vượt xa tiến độ ra mắt sản phẩm đề ra.
📌 Hãng dược Moderna hợp tác với OpenAI, trang bị ChatGPT Enterprise dựa trên GPT 4 cho 3.000 nhân viên, nhằm tự động hóa quy trình và đẩy nhanh mục tiêu ra mắt 15 sản phẩm mới trong 5 năm tới, thể hiện tham vọng lớn của công ty dược phẩm này.
Citations:
[1] https://www.wsj.com/articles/at-moderna-openais-gpts-are-changing-almost-everything-6ff4c4a5
- Công nghệ AI đang được phát triển để quản lý phản ứng của bệnh nhân đối với các phương pháp điều trị ung thư, theo GS.TS Marc Siegel từ Trung tâm Y tế NYU Langone.
- Một công cụ AI mới do GE HealthCare và Trung tâm Y tế Đại học Vanderbilt (VUMC) phát triển có thể tối ưu hóa việc áp dụng liệu pháp miễn dịch, một phương pháp thay thế hứa hẹn cho hóa trị.
- Liệu pháp miễn dịch, được phê duyệt lần đầu vào năm 2011, đã cho thấy kết quả cứu sống cho khoảng 15% đến 20% bệnh nhân, mặc dù một số bệnh nhân có thể gặp phải tác dụng phụ nghiêm trọng.
- Mô hình AI này đã được huấn luyện trên hàng ngàn hồ sơ sức khỏe điện tử của bệnh nhân trong suốt 5 năm qua để nhận dạng các mẫu phản ứng của bệnh nhân với liệu pháp miễn dịch, tập trung vào an toàn và hiệu quả.
- Mô hình dự đoán khả năng phản ứng của bệnh nhân với liệu pháp miễn dịch với độ chính xác từ 70% đến 80%, theo một bài báo được công bố trên Tạp chí Clinical Oncology Clinical Cancer Informatics.
- Các mô hình AI như thế này không chỉ giúp tăng cường các lựa chọn điều trị mà còn có thể dự đoán kết quả điều trị một cách chính xác hơn.
- GS.TS Marc Siegel nhấn mạnh rằng các mô hình AI đại diện cho tương lai thiết yếu của y học cá nhân hóa, nơi mỗi bệnh nhân được tiếp cận một cách khác biệt và căn bệnh của họ được phân tích một cách kỹ lưỡng.
📌 Công nghệ AI đang thay đổi cách tiếp cận điều trị ung thư, với mô hình mới từ GE HealthCare và VUMC cho phép dự đoán phản ứng của bệnh nhân với liệu pháp miễn dịch với độ chính xác 70-80%. Điều này mở ra hướng đi mới trong việc cá nhân hóa điều trị, giúp tăng cường hiệu quả và an toàn cho bệnh nhân.
Citations:
[1] https://www.foxnews.com/health/ai-could-predict-whether-cancer-treatments-will-work-experts-exciting-time-medicine
- Profluent, một công ty khởi nghiệp tại California, đã công bố nghiên cứu về việc sử dụng AI để tạo ra các cơ chế sinh học có khả năng chỉnh sửa DNA của con người.
- Công nghệ của Profluent tạo ra các công cụ chỉnh sửa gene mới sau khi phân tích một lượng lớn dữ liệu sinh học, bao gồm các cơ chế vi mô mà các nhà khoa học đã sử dụng để chỉnh sửa DNA người.
- Ali Madani, người sáng lập và CEO của Profluent, thông báo về việc chỉnh sửa thành công DNA trong tế bào người với các công cụ chỉnh sửa gene được thiết kế hoàn toàn bằng AI.
- Các nhà nghiên cứu cũng đã mở mã nguồn các phân tử này trong sáng kiến OpenCRISPR của ProfluentBio.
- Các công cụ chỉnh sửa gene này dựa trên phương pháp đoạt giải Nobel liên quan đến cơ chế sinh học CRISPR.
- Công nghệ dựa trên CRISPR đang thay đổi cách các nhà khoa học nghiên cứu và chống lại bệnh tật, cung cấp một cách thức thay đổi các gene gây ra các tình trạng di truyền như bệnh thiếu máu hồng cầu hình liềm và mù lòa.
- Profluent cũng cho biết họ đã sử dụng một trong những công cụ chỉnh sửa gene do AI tạo ra này để chỉnh sửa DNA người và "mở mã nguồn" công cụ này, gọi là OpenCRISPR-1, cho phép các cá nhân, phòng thí nghiệm học thuật và các công ty thử nghiệm công nghệ miễn phí.
- Dự án này là một phần của nỗ lực rộng lớn hơn nhằm xây dựng các công nghệ AI có thể cải thiện chăm sóc y tế.
- Các nhà khoa học tại Đại học Washington đang sử dụng các phương pháp đằng sau chatbot như ChatGPT của OpenAI và các bộ tạo ảnh như Midjourney để tạo ra các protein hoàn toàn mới - các phân tử vi mô điều khiển mọi sự sống của con người - khi họ làm việc để đẩy nhanh việc phát triển vắc-xin và thuốc mới.
📌 Profluent đã công bố nghiên cứu đột phá về việc sử dụng AI để tạo ra các công cụ chỉnh sửa gene có thể thay đổi DNA người. Công ty cũng đã mở mã nguồn một công cụ chỉnh sửa gene do AI tạo ra, gọi là OpenCRISPR-1. Công nghệ này hứa hẹn cách mạng hóa việc nghiên cứu và điều trị các bệnh di truyền.
Citations:
[1] https://analyticsindiamag.com/ai-can-now-edit-dna-of-human-cells/
- Tổ chức Y tế Thế giới (WHO) giới thiệu nguyên mẫu chatbot mới có tên S.A.R.A.H., viết tắt của Smart AI Resource Assistant for Health.
- S.A.R.A.H. được đào tạo trên nền tảng ChatGPT 3.5 của OpenAI, hoạt động như một nhân viên y tế ảo, cung cấp thông tin về sức khỏe tâm thần, chế độ ăn uống và nhiều vấn đề khác.
- Chatbot này hỗ trợ người dùng bằng tám ngôn ngữ khác nhau nhưng vẫn chưa thể giải quyết hoàn toàn các vấn đề sức khỏe toàn cầu do đôi khi thông tin không chính xác.
- Alain Labrique, giám đốc sáng tạo và y tế số của WHO, nhấn mạnh rằng công nghệ này chưa thể thay thế việc tương tác với chuyên gia y tế hoặc nhận lời khuyên từ nhân viên y tế được đào tạo chính quy.
- S.A.R.A.H. là một phần trong chiến dịch của WHO nhằm phát triển công nghệ hỗ trợ giải quyết tình trạng thiếu hụt nhân viên y tế trên toàn cầu.
- WHO khuyến khích các nhà nghiên cứu sử dụng S.A.R.A.H. trong các nghiên cứu của họ và cảnh báo rằng chatbot này không luôn cung cấp thông tin chính xác.
- Trên trang web của mình, WHO cho biết S.A.R.A.H. sử dụng AI tạo sinh để cung cấp thông điệp sức khỏe dựa trên dữ liệu có sẵn, nhưng câu trả lời có thể không luôn chính xác do dựa vào mô hình và xác suất từ dữ liệu.
- WHO không chịu trách nhiệm về nội dung cuộc trò chuyện do AI tạo sinh tạo ra và khẳng định rằng nội dung đó không phản ánh quan điểm hoặc niềm tin của WHO.
- WHO cũng không bảo đảm tính chính xác của bất kỳ nội dung cuộc trò chuyện nào và khuyến cáo người dùng không nên dựa hoàn toàn vào các câu trả lời được tạo ra như là nguồn thông tin duy nhất hoặc thay thế cho lời khuyên chuyên nghiệp.
📌 S.A.R.A.H., chatbot mới của WHO, được đào tạo trên ChatGPT 3.5, hỗ trợ thông tin sức khỏe đa ngôn ngữ nhưng chưa thể thay thế tương tác chuyên nghiệp. WHO khuyến khích sử dụng trong nghiên cứu và cảnh báo về độ chính xác của thông tin từ AI tạo sinh, khẳng định không chịu trách nhiệm về nội dung cuộc trò chuyện và không đảm bảo tính chính xác của thông tin.
Citations:
[1] https://www.ajc.com/pulse/meet-sarah-the-world-health-organizations-new-ai-chatbot/QJDCNXC5BNHFVPN4AOMKRFGTCA/
- Trong một khảo sát trực tuyến với 100 bác sĩ đang hành nghề tại các bệnh viện lớn hoặc hệ thống y tế ở Mỹ, 81% số người tham gia đồng ý rằng AI tạo sinh có thể cải thiện mối quan hệ giữa đội ngũ chăm sóc sức khỏe và bệnh nhân.
- Các bác sĩ được khảo sát bởi Wolter Kluwer cũng đặt ra tiêu chuẩn cao khi lựa chọn công cụ AI tạo sinh, với 89% yêu cầu nhà cung cấp phải đáp ứng các tiêu chuẩn nghiêm ngặt.
- Công cụ hỗ trợ quyết định lâm sàng là một phần quan trọng trong quá trình chăm sóc bệnh nhân, và việc tích hợp AI tạo sinh vào các công cụ này được kỳ vọng sẽ nâng cao hiệu quả điều trị.
- Bác sĩ tham gia khảo sát cho biết họ sử dụng AI tạo sinh để phân tích dữ liệu y tế lớn, giúp đưa ra các quyết định chính xác hơn và cá nhân hóa điều trị cho từng bệnh nhân.
- Mặc dù có sự đồng thuận cao về lợi ích của AI tạo sinh, các bác sĩ cũng bày tỏ sự cần thiết của việc đảm bảo tính minh bạch và an toàn trong quá trình sử dụng các công cụ này để tránh các rủi ro tiềm ẩn.
📌 Khảo sát trực tuyến với 100 bác sĩ đang hành nghề tại các bệnh viện lớn hoặc hệ thống y tế ở Mỹ, cho thấy 81% tin rằng AI tạo sinh cải thiện tương tác bệnh nhân - đội ngũ y tế. 89% yêu cầu tiêu chuẩn cao từ nhà cung cấp công cụ AI, nhấn mạnh tầm quan trọng của việc cá nhân hóa điều trị và đảm bảo an toàn, minh bạch trong sử dụng công nghệ.
Citations:
[1] https://www.healthcareitnews.com/news/doctors-are-getting-board-genai-survey-shows
- Tổ chức Y tế Thế giới (WHO) đang ứng dụng trí tuệ nhân tạo (AI) để cung cấp thông tin y tế cơ bản thông qua chatbot có tên SARAH.
- SARAH có thể truy cập 24/7 bằng 8 ngôn ngữ, đề cập các chủ đề như sức khỏe tâm thần, sử dụng thuốc lá, dinh dưỡng lành mạnh.
- SARAH là một phần trong sứ mệnh của WHO nhằm tận dụng công nghệ cho giáo dục và giải quyết tình trạng thiếu nhân lực y tế toàn cầu.
- Tuy nhiên, WHO cảnh báo trên website rằng SARAH, ra mắt ngày 2/4, có thể đưa ra những phản hồi không chính xác do dữ liệu huấn luyện lỗi thời và đôi khi tạo ra câu trả lời không phù hợp (hallucination), có thể lan truyền thông tin sai lệch về y tế công cộng.
- SARAH không có tính năng chẩn đoán như WebMD hay Google, mà chỉ tuân thủ nghiêm ngặt phạm vi của WHO, từ chối thảo luận về các loại thuốc cụ thể hoặc các vấn đề ngoài phạm vi.
- Giám đốc sức khỏe số và đổi mới của WHO cho rằng công nghệ này chưa thể thay thế tương tác con người hay tư vấn y tế chuyên nghiệp.
- SARAH được huấn luyện trên ChatGPT 3.5 của OpenAI, sử dụng dữ liệu đến tháng 9/2021, khiến phản hồi của cô lỗi thời về một số khuyến cáo y tế và tin tức.
- Trong một số trường hợp, SARAH không thể đưa ra câu trả lời, ví dụ khi được hỏi về địa điểm chụp X-quang vú ở Washington, DC.
- Một nghiên cứu năm ngoái của Trung tâm Y tế Đại học Vanderbilt cho thấy ChatGPT trả lời đúng hầu hết các câu hỏi y tế nhưng sai trong nhiều trường hợp.
- Khác với chatbot y tế Florence trước đây có hình ảnh phụ nữ trẻ da màu, SARAH có vẻ ngoài da trắng. WHO cho biết có thể thay đổi diện mạo của SARAH và người dùng có thể chọn avatar trong tương lai.
📌 Tổ chức Y tế Thế giới ra mắt chatbot SARAH để cung cấp thông tin y tế cơ bản bằng AI, tuy nhiên cô đang đưa ra nhiều câu trả lời y tế sai lệch do dữ liệu huấn luyện lỗi thời. Điều này gây lo ngại về việc lan truyền thông tin sai lệch liên quan đến sức khỏe cộng đồng. Tổ chức Y tế Thế giới khẳng định công nghệ này chưa thể thay thế tư vấn y tế chuyên nghiệp.
Citations:
[1] https://fortune.com/2024/04/18/who-new-ai-powered-chatbot-sarah-basic-health-information-giving-wrong-medical-answers/
- Nghiên cứu phân tích 200 báo cáo X-quang, trong đó 100 báo cáo có lỗi cố ý và 100 báo cáo chính xác. Sáu bác sĩ X-quang và GPT-4 đánh giá các báo cáo này để tìm lỗi.
- Không có sự khác biệt đáng kể về tỷ lệ phát hiện lỗi trung bình giữa GPT-4 và bác sĩ X-quang, ngoại trừ một số trường hợp cụ thể như nhầm lẫn bên trái/phải.
- GPT-4 chỉ mất 0.19 giờ để xem xét tất cả 200 báo cáo, so với 1.4 đến 5.74 giờ của bác sĩ X-quang. GPT-4 đọc mỗi báo cáo trong 3.5 giây, trong khi bác sĩ nhanh nhất mất trung bình 25.1 giây.
- Tổng chi phí trung bình để 6 bác sĩ kiểm tra 200 báo cáo là 190.17 đô la, trong khi GPT-4 chỉ tốn 5.78 đô la. Chi phí mỗi báo cáo với GPT-4 là 0.03 đô la, so với 0.96 đô la của bác sĩ.
📌 GPT-4 thể hiện khả năng phát hiện lỗi trong báo cáo X-quang tương đương với bác sĩ, đồng thời tiết kiệm đáng kể về thời gian (0,19 giờ so với 1,4 đến 5,74 giờ) và chi phí (0,03 đô la/báo cáo so với 0,96 đô la). Tuy nhiên, sự giám sát của con người vẫn cần thiết vì các vấn đề pháp lý và độ chính xác.
Citations:
[1] https://www.news-medical.net/news/20240417/GPT-4-matches-radiologist-accuracy-in-spotting-errors-cuts-time-and-costs-dramatically.aspx
- Nghiên cứu từ Trường Y Lâm sàng, Đại học Cambridge cho thấy GPT-4 của OpenAI đạt kết quả gần bằng các chuyên gia nhãn khoa trong một bài đánh giá.
- GPT-4 đạt điểm cao hơn các bác sĩ trẻ chưa chuyên môn hóa và bác sĩ đang được đào tạo chuyên nhãn khoa
- Trong nghiên cứu được công bố trên PLOS Digital Health, các nhà nghiên cứu kiểm tra GPT-4, GPT-3.5, PaLM 2 của Google và LLaMA của Meta với 87 câu hỏi trắc nghiệm.
- 5 bác sĩ nhãn khoa chuyên gia, 3 bác sĩ đang đào tạo chuyên nhãn khoa và 2 bác sĩ trẻ chưa chuyên môn hóa cũng làm bài kiểm tra tương tự.
- Các câu hỏi lấy từ sách giáo khoa dùng để kiểm tra bác sĩ đang đào tạo, từ độ nhạy sáng đến tổn thương.
- ChatGPT với GPT-4 hoặc GPT-3.5 được cho 3 cơ hội trả lời dứt khoát, nếu không câu trả lời được đánh dấu là null.
- GPT-4 đạt 60/87 điểm, cao hơn đáng kể so với trung bình 37 điểm của bác sĩ trẻ và hơn một chút so với 59.7 điểm của bác sĩ đang đào tạo.
- Trung bình 5 bác sĩ chuyên khoa nhãn đạt 66.4 điểm, vượt qua GPT-4. PaLM 2 đạt 49 điểm, GPT-3.5 đạt 42 điểm và LLaMA đạt 28 điểm, thấp hơn bác sĩ trẻ.
- Thử nghiệm diễn ra giữa năm 2023, kết quả mang lại tiềm năng nhưng cũng có rủi ro và lo ngại.
- Nghiên cứu có số lượng câu hỏi hạn chế nên kết quả thực tế có thể khác. LLM cũng có xu hướng "ảo giác".
📌 GPT-4 đạt 60/87 điểm trong bài đánh giá nhãn khoa, cao hơn bác sĩ trẻ (37 điểm) và ngang ngửa bác sĩ đang đào tạo (59.7 điểm), nhưng vẫn thua bác sĩ chuyên khoa (66.4 điểm). Kết quả cho thấy tiềm năng của AI trong y học, song vẫn tồn tại rủi ro do số câu hỏi hạn chế và xu hướng "ảo giác" của LLM.
Citations:
[1] https://www.engadget.com/gpt-4-performed-close-to-the-level-of-expert-doctors-in-eye-assessments-131517436.html?guccounter=1
- Nvidia và Hippocratic AI hợp tác phát triển các "tác nhân" AI tạo sinh trong y tế, vượt trội hơn y tá trong việc xác định tác động của thuốc lên các chỉ số xét nghiệm, phát hiện liều lượng độc hại và tương tác bất lợi đặc hiệu bệnh lý của thuốc không kê đơn (OTC).
- Chi phí của bot AI chỉ 9 USD/giờ, bằng 1/4 mức lương trung bình 39.05 USD/giờ của y tá Mỹ.
- Các bot AI y tá được thiết kế để đưa ra chẩn đoán mới, quản lý bệnh mãn tính và giải thích rõ ràng, chi tiết lời khuyên của bác sĩ cho bệnh nhân.
- AI tạo sinh trong y tế đang phát triển nhanh chóng hơn tưởng tượng. Nó tích hợp thông tin từ các nguồn đa dạng như tạp chí y khoa, sách giáo khoa, cơ sở dữ liệu y tế toàn cầu, thử nghiệm lâm sàng đang diễn ra, hội nghị y khoa, phản hồi liên tục từ kết quả thực tế của bệnh nhân và đầu vào của bác sĩ.
- AI tạo sinh vẫn cần thêm vài thế hệ nữa trước khi có thể sử dụng rộng rãi mà không cần giám sát trực tiếp của bác sĩ. Tuy nhiên, việc Nvidia gia nhập lĩnh vực y tế cho thấy các công ty công nghệ đã sẵn sàng vượt qua các rào cản pháp lý và quy định của ngành y tế.
📌 Nvidia và Hippocratic AI đã hợp tác phát triển các bot AI y tế có khả năng vượt trội hơn y tá trong chẩn đoán, quản lý bệnh mãn tính và giải thích lời khuyên của bác sĩ, với chi phí chỉ bằng 1/4. Mặc dù vẫn cần hoàn thiện thêm, nhưng AI tạo sinh đang phát triển nhanh chóng và hứa hẹn một cuộc cách mạng công nghệ trong y tế.
Citations:
[1] Nvidia's AI Bot Outperforms Nurses: Here's What It Means For You https://www.forbes.com/sites/robertpearl/2024/04/17/nvidias-ai-bot-outperforms-nurses-heres-what-it-means-for-you/
- Heartfelt Technologies, một công ty khởi nghiệp ở Cambridge, đã phát triển hệ thống giám sát từ xa sử dụng AI để phát hiện suy tim bằng cách theo dõi sự thay đổi thể tích bàn chân của bệnh nhân sau khi xuất viện.
- Không giống các phương pháp truyền thống, hệ thống này sử dụng đo thể tích bàn chân để theo dõi tình trạng sức khỏe của bệnh nhân tim từ xa.
- Việc tuân thủ chế độ điều trị có thể khó khăn đối với nhiều bệnh nhân, dẫn đến tái nhập viện không cần thiết. Giải pháp giám sát từ xa của Heartfelt Technologies nhằm giải quyết vấn đề này bằng cách cung cấp giám sát thuận tiện và nhất quán.
- Thiết bị được lắp đặt tại nhà bệnh nhân và dễ dàng theo dõi thể tích bàn chân khi bệnh nhân đi qua. Sưng bàn chân là triệu chứng chính liên quan đến khởi phát suy tim.
- Dữ liệu được truyền đến đám mây để phân tích, phát hiện những thay đổi đáng kể về thể tích bàn chân và cảnh báo cho người chăm sóc và chuyên gia y tế để có hành động kịp thời.
- Ban đầu, nhóm phát triển thiết bị Microsoft Kinect gặp phải sự hoài nghi do lo ngại về độ nhạy, nhưng đã cải thiện công nghệ 3D để đạt được độ chính xác cao hơn.
📌 Heartfelt Technologies ở Cambridge đã giới thiệu hệ thống giám sát từ xa sử dụng AI để phát hiện suy tim thông qua việc theo dõi sự thay đổi thể tích bàn chân của bệnh nhân sau xuất viện. Công nghệ này nhằm giảm tỷ lệ tái nhập viện lên đến 75% bằng cách tạo điều kiện cho việc dùng thuốc kịp thời. Thiết bị được lắp đặt tại nhà, truyền dữ liệu đến đám mây để phân tích và cảnh báo cho người chăm sóc khi phát hiện thay đổi đáng kể.
Citations:
[1] Cambridge's Heartfelt Technologies Introduces AI Telemonitor for Heart Failure Detection Through Foot Volume https://www.techtimes.com/articles/303570/20240414/cambridges-heartfelt-technologies-introduces-ai-telemonitor-heart-failure-detection-foot-volume.htm
- Sergio Muriel, chuyên gia sức khỏe tâm thần, cho rằng trí tuệ nhân tạo không nên thay thế hoàn toàn vai trò của nhà trị liệu con người.
- Sự phát triển của AI trong những năm gần đây đã tạo ra các nền tảng "nhà trị liệu bỏ túi", nhưng vẫn còn nghi ngờ về khả năng hỗ trợ và đồng cảm của phần mềm so với con người.
- Việc mã hóa sự tinh tế trong giao tiếp và đồng cảm của con người vào thuật toán là một thách thức lớn đối với AI.
- Tuy nhiên, AI có thể mang lại lợi ích như hỗ trợ nhanh chóng, ẩn danh cho những người ngại tìm kiếm trị liệu truyền thống.
- Điều quan trọng là phải đảm bảo công nghệ AI được sử dụng một cách có trách nhiệm và bổ sung, chứ không thay thế hoàn toàn sự chăm sóc của con người.
- AI có thể mang lại những hiểu biết mới về sức khỏe tâm thần thông qua phân tích dữ liệu và mở rộng dịch vụ đến các khu vực thiếu phục vụ.
📌 Mặc dù AI đang phát triển mạnh mẽ trong lĩnh vực trị liệu tâm lý với hơn 500 triệu cuộc trò chuyện trên 95 quốc gia, chuyên gia Sergio Muriel cảnh báo rằng công nghệ này không nên thay thế hoàn toàn vai trò của nhà trị liệu con người. AI có thể bổ sung nhưng khó lòng sao chép được sự đồng cảm và kết nối cảm xúc tinh tế mà chỉ con người mới có thể mang lại.
Citations:
[1] AI therapist warning as mental health expert says robots can’t ‘replace’ humans https://www.mirror.co.uk/news/health/ai-therapist-warning-replace-human-32556288
- Google Cloud hợp tác với Highmark Health phát triển công cụ tiếp nhận bệnh nhân cá nhân hóa sử dụng AI tạo sinh.
- Amazon AWS đang hợp tác với các khách hàng chưa được tiết lộ để phân tích cơ sở dữ liệu y tế về "các yếu tố xã hội quyết định sức khỏe" bằng AI tạo sinh.
- Microsoft Azure đang hỗ trợ Providence xây dựng hệ thống AI để tự động phân loại tin nhắn từ bệnh nhân đến nhà cung cấp dịch vụ chăm sóc.
- Các startup nổi bật về AI tạo sinh trong lĩnh vực chăm sóc sức khỏe bao gồm Ambience Healthcare (tạo ứng dụng AI cho bác sĩ lâm sàng), Nabla (trợ lý AI cho bác sĩ), Abridge (tạo công cụ phân tích tài liệu y tế).
- Các startup AI tạo sinh tập trung vào chăm sóc sức khỏe đã huy động được hàng chục triệu đô la vốn đầu tư mạo hiểm. Đa số nhà đầu tư y tế thừa nhận AI tạo sinh đã ảnh hưởng đáng kể đến chiến lược đầu tư của họ.
- Chỉ 53% người tiêu dùng Mỹ tin rằng AI tạo sinh có thể cải thiện chăm sóc sức khỏe và ít hơn một nửa kỳ vọng nó sẽ làm cho dịch vụ y tế rẻ hơn (theo khảo sát của Deloitte).
- WHO đã đưa ra hướng dẫn ủng hộ giám sát của con người đối với AI tạo sinh trong chăm sóc sức khỏe, cũng như việc kiểm toán, minh bạch và đánh giá tác động bởi các bên thứ ba độc lập.
📌 Generative AI đang tạo ra làn sóng lớn trong ngành y tế với sự tham gia của các ông lớn công nghệ và startup, huy động hàng chục triệu USD vốn đầu tư. Tuy nhiên, chỉ 53% người Mỹ tin AI có thể cải thiện y tế. WHO kêu gọi giám sát của con người, kiểm toán và đánh giá tác động bởi bên thứ ba để đảm bảo an toàn.
Citations:
[1] Generative AI is coming for healthcare, and not everyone's thrilled https://techcrunch.com/2024/04/14/generative-ai-is-coming-for-healthcare-and-not-everyones-thrilled/
- Nghiên cứu sử dụng chụp cộng hưởng từ chức năng (fMRI) và thuật toán học máy để dự đoán cảm xúc chủ quan khi đọc câu chuyện hoặc suy nghĩ tự do.
- Các vùng não quan trọng như vỏ não trước đảo và vỏ não giữa đóng vai trò then chốt trong việc dự đoán mức độ liên quan cá nhân và sắc thái cảm xúc.
- Nhóm nghiên cứu đã tạo ra các câu chuyện cá nhân hóa mà 49 người tham gia đọc trong khi hoạt động não của họ được theo dõi bằng fMRI.
- Dữ liệu fMRI được kết hợp với học máy để huấn luyện các mô hình dự đoán, giải mã "các khía cạnh cảm xúc" của suy nghĩ trong thời gian thực.
- Các kỹ thuật như phân tích tổn thương ảo và cô lập ảo ở cấp độ vùng và mạng lưới não được sử dụng để diễn giải biểu diễn não của các mô hình dự đoán.
- Não liên tục hoạt động và suy nghĩ tự phát xảy ra ngay cả khi nghỉ ngơi hoặc ngủ, dao động từ ký ức quá khứ đến khát vọng tương lai, thường đan xen với cảm xúc và mối quan tâm cá nhân.
- Nghiên cứu cho thấy tiềm năng ứng dụng trong việc hiểu trải nghiệm cảm xúc cá nhân và cải thiện đánh giá sức khỏe tâm thần.
📌 Nghiên cứu đột phá này sử dụng fMRI và học máy để dự đoán cảm xúc trong suy nghĩ tự phát, xác định các vùng não quan trọng như vỏ não trước đảo và vỏ não giữa. Với 49 người tham gia đọc các câu chuyện cá nhân hóa, nhóm nghiên cứu đã giải mã khía cạnh cảm xúc của những giấc mơ ban ngày, mở ra tiềm năng ứng dụng trong hiểu biết trải nghiệm cảm xúc cá nhân và cải thiện đánh giá sức khỏe tâm thần.
Citations:
[1] AI Can Now Read Your Daydreams - Neuroscience News https://neurosciencenews.com/ai-emotion-daydreams-25901/
- Ứng dụng Calmara của công ty HeHealth kêu gọi phụ nữ chụp ảnh bộ phận sinh dục của bạn tình và tải lên để AI quét tìm dấu hiệu STI, đưa ra kết quả trong vài giây.
- Chuyên gia cảnh báo về vấn đề quyền riêng tư, không thể xác minh sự đồng thuận của người được chụp hoặc độ tuổi trên 18.
- Độ chính xác của Calmara dao động từ 65% đến 96% tùy tình trạng, ánh sáng và màu da. Chuyên gia cho rằng công nghệ cần cải thiện nhiều.
- Ứng dụng yêu cầu người dùng phải có sự đồng ý rõ ràng từ đối tượng được chụp, nhưng không có cách nào để kiểm chứng điều này.
- Điều khoản sử dụng nêu rõ HeHealth không có phương tiện xác minh độ tuổi người dùng từ 18 tuổi trở lên.
- Chuyên gia lo ngại về bảo mật dữ liệu. Calmara hứa giữ dữ liệu an toàn tại Mỹ, không thu thập thông tin nhận dạng hoặc lưu trữ ảnh.
- Giám đốc điều hành Thorne Harbour Health cho rằng sự cố gần đây cho thấy thông tin sức khỏe riêng tư dễ bị hack và phát tán nếu công nghệ thu thập không có giao thức bảo mật nghiêm ngặt.
- Nếu công nghệ thu hút người chưa từng quan tâm sức khỏe tình dục, đó là bước đi đúng hướng, nhưng không thể thay thế xét nghiệm STI thường xuyên.
📌 Ứng dụng AI Calmara gây tranh cãi khi kêu gọi phụ nữ tải ảnh nhạy cảm của bạn tình để kiểm tra bệnh tình dục chỉ sau vài giây. Chuyên gia cảnh báo về độ chính xác dao động từ 65-96%, không thể xác minh sự đồng thuận và độ tuổi. Bảo mật dữ liệu cũng là mối lo lớn. Mặc dù có thể thu hút người chưa quan tâm sức khỏe tình dục, ứng dụng không thể thay thế xét nghiệm thường xuyên.
https://www.dailymail.co.uk/news/article-13272995/new-AI-app-encourages-women-upload-photos-partners-GENITALS-consent.html
- CDC đang thử nghiệm 15 dự án thí điểm sử dụng khả năng AI tạo sinh, chủ yếu thông qua dịch vụ Azure Open AI của Microsoft được cấu hình cho CDC.
- Công cụ này có cả chatbot để nhân viên sử dụng và khả năng cho nhân viên kỹ thuật phát triển ứng dụng kết nối với dịch vụ thông qua API.
- Các dự án thí điểm đa dạng về ứng dụng và chủ đề, bao gồm HIV, kiểm soát bệnh bại liệt, truyền thông, phân tích ý kiến công chúng và thiết kế khảo sát.
- Nhân viên truyền thông đang sử dụng AI để hỗ trợ cập nhật các trang web của CDC, giúp đẩy nhanh công việc tẻ nhạt và thủ công.
- CDC cũng đang tìm cách sử dụng AI để theo dõi việc đóng cửa trường học thông qua mạng xã hội, thay vì theo dõi thủ công như trong đại dịch COVID-19.
- CDC đã phát triển hướng dẫn về AI tạo sinh, đi sâu vào chi tiết về việc tận dụng công cụ AI tạo sinh một cách có trách nhiệm, an toàn và công bằng.
- Cơ quan đã chia sẻ hướng dẫn này với Hội đồng Giám đốc Trí tuệ Nhân tạo và nhiều cơ quan liên bang khác.
- Mặc dù triển khai công cụ AI trong cơ sở hạ tầng đám mây của CDC mang lại nhiều bảo mật hơn, nhưng vẫn luôn có những lo ngại.
- CDC muốn chủ động tiếp cận AI và machine learning để chuẩn bị cho phản ứng bùng phát dịch bệnh tiếp theo và trao quyền cho các đối tác địa phương tận dụng dữ liệu của họ để đạt được hiệu quả.
📌 CDC Mỹ đang thử nghiệm 15 dự án sử dụng AI tạo sinh, tập trung vào việc hiện đại hóa trang web, theo dõi đóng cửa trường học và nhiều lĩnh vực khác. Cơ quan này cũng đã phát triển hướng dẫn về AI tạo sinh và chia sẻ với các đối tác liên bang, nhằm chủ động ứng phó với đại dịch trong tương lai và giúp các đối tác địa phương tận dụng dữ liệu hiệu quả hơn.
https://fedscoop.com/cdc-generative-ai-pilots-school-closure-tracking-website-updates/
Tóm tắt nội dung từ bài phỏng vấn với Tiến sĩ Brian Hasselfeld, Giám đốc y tế cấp cao về sức khỏe và đổi mới kỹ thuật số tại Johns Hopkins Medicine:
- Trí tuệ nhân tạo (AI) có tiềm năng to lớn trong việc giải quyết vấn đề cung/cầu trong chăm sóc sức khỏe. Mục tiêu là chăm sóc nhiều bệnh nhân hơn với lực lượng lao động lâm sàng hiện tại.
- AI có thể giúp đưa bệnh nhân đến đúng loại hình chăm sóc vào đúng thời điểm, nhanh hơn. Nó có thể đưa ra thông tin chi tiết về những gì nên đến trước và tiếp theo trong hành trình của bệnh nhân.
- Mô hình chăm sóc hiện tại với 1 lần khám cho 1 bệnh nhân trong 15 phút là không khả thi. Cần có hệ thống thông minh hơn để chăm sóc nhiều bệnh nhân hơn dựa trên dữ liệu và kế hoạch điều trị.
- Các ứng dụng kỹ thuật số, thiết bị đeo, cảm biến tại nhà đã hứa hẹn là tương lai của theo dõi sức khỏe cá nhân. Tuy nhiên, chúng ít được sử dụng rộng rãi trong mối quan hệ bác sĩ-bệnh nhân.
- Thách thức là làm thế nào để xử lý khối lượng lớn dữ liệu từ xa và biến nó thành thông tin lâm sàng có ý nghĩa, phù hợp với bối cảnh của từng bệnh nhân.
- AI thế hệ mới có thể tạo ra một lớp thông minh xung quanh dữ liệu tại nhà, giúp lực lượng lao động lâm sàng không bị quá tải trong việc đo lường dữ liệu tại nhà của hàng nghìn bệnh nhân.
📌 Giám đốc y tế cấp cao về sức khỏe và đổi mới kỹ thuật số tại Johns Hopkins Medicine cho biết: AI có tiềm năng lớn trong việc cân bằng cung cầu chăm sóc sức khỏe bằng cách tăng năng suất, đưa bệnh nhân đến đúng dịch vụ đúng lúc và biến 1.500-2.000 điểm dữ liệu sức khỏe thu thập từ ác ứng dụng kỹ thuật số, thiết bị đeo, cảm biến tại nhà mỗi ngày của mỗi bệnh nhân thành thông tin lâm sàng có ý nghĩa mà không làm quá tải đội ngũ y tế.
Citations:
[1] https://www.healthcareitnews.com/news/ai-can-unlock-supply-meet-demand-says-johns-hopkins-physician-it-leader
- Các công ty NVIDIA và Hippocratic AI đang phát triển các "trợ lý y tế" AI có khả năng trò chuyện từ xa với bệnh nhân, trông và nói giống như người thật.
- Các trợ lý AI này sẽ giúp bệnh nhân giải quyết các câu hỏi thường gặp, kiểm tra sức khỏe trước và sau phẫu thuật.
- Mục tiêu là giúp giải quyết tình trạng thiếu hụt hàng triệu việc làm trong lĩnh vực chăm sóc sức khỏe dự kiến đến năm 2030.
- Hippocratic AI liệt kê 12 trợ lý y tế AI khác nhau trên website, như "Keisha" - một phụ nữ da màu trong trang phục y tá, "Diane" - chuyên kiểm tra bệnh nhân mắc bệnh thận mãn tính, "Roger" - hỗ trợ bệnh nhân điền bảng câu hỏi đánh giá rủi ro sức khỏe.
- Thử nghiệm cho thấy trợ lý AI "Keisha" được đánh giá cao hơn các y tá người thật về thái độ chăm sóc, giáo dục, thiên vị, an toàn và sự hài lòng.
- Hiện tại, các trợ lý y tế AI chỉ giới hạn trong các cuộc trò chuyện qua điện thoại hoặc video để hỗ trợ bệnh nhân.
- Chi phí thuê trợ lý y tế AI rẻ hơn nhiều so với y tá người thật, khoảng 9 USD/giờ so với 43 USD/giờ.
📌 Các công ty công nghệ đang phát triển trợ lý y tế AI có khả năng tương tác giống người thật để hỗ trợ bệnh nhân từ xa, giúp giải quyết tình trạng thiếu hụt nhân lực trầm trọng trong ngành y tế toàn cầu. Thử nghiệm cho thấy trợ lý AI được đánh giá cao hơn y tá thật, với chi phí chỉ bằng 1/5.
https://www.newsnationnow.com/business/tech/ai/ai-healthcare-agents/
- Theo khảo sát của Deloitte, 75% các công ty chăm sóc sức khỏe hàng đầu đang thử nghiệm hoặc mở rộng quy mô AI tạo sinh, 82% có kế hoạch triển khai cơ cấu quản trị và giám sát công nghệ này.
- Các ý tưởng ứng dụng ban đầu bao gồm giảm gánh nặng tài liệu, xử lý quy trình trước phẫu thuật và đơn giản hóa yêu cầu bảo hiểm.
- Jeremy Huval, CIO của HITRUST, cho biết AI tạo sinh có những rủi ro cụ thể khác với CNTT truyền thống mà ông phải cân nhắc.
- Trong lĩnh vực hành chính y tế, AI tạo sinh có thể hỗ trợ thiết lập website, viết nội dung tiếp thị, thiết kế logo và quảng cáo.
- Trong không gian lâm sàng, bác sĩ có thể sử dụng AI tạo sinh để chuyển ghi chú và tương tác bằng giọng nói thành dữ liệu trong hồ sơ bệnh án điện tử (EMR), thay vì phải gõ thủ công.
- Tuy nhiên, đối với các quyết định rủi ro cao ảnh hưởng đến sức khỏe và chất lượng cuộc sống của bệnh nhân, vẫn cần sự tham gia của con người, chưa thể hoàn toàn tin tưởng vào đầu ra của AI tạo sinh.
- Khi công nghệ đám mây ra đời, các công ty y tế từng e ngại đưa thông tin sức khỏe được bảo vệ lên đám mây vì lo ngại về bảo mật và tuân thủ HIPAA. Nhưng với AI tạo sinh, sự hào hứng áp dụng lại cao hơn, dẫn đến rủi ro khi mọi người chuyển đổi quá nhanh và đặt quá nhiều niềm tin vào hệ thống mà chưa có đảm bảo an ninh thích hợp.
📌 Mặc dù 75% công ty y tế hàng đầu đang thử nghiệm AI tạo sinh và 82% lên kế hoạch quản lý công nghệ này, CIO Jeremy Huval của HITRUST cảnh báo về những rủi ro đặc thù cần cân nhắc. Các ứng dụng tiềm năng bao gồm tự động hóa công việc hành chính, hỗ trợ bác sĩ ghi chép, nhưng các quyết định rủi ro cao vẫn đòi hỏi sự tham gia của con người. Sự hào hứng áp dụng AI tạo sinh trong y tế cao hơn so với đám mây trước đây, song cần thận trọng để đảm bảo an ninh thông tin đầy đủ.
https://www.itbrew.com/stories/2024/03/28/why-cio-jeremy-huval-has-to-think-about-generative-ai
- Nghiên cứu được công bố trên tạp chí British Medical Journal đã phân tích hiệu quả của các biện pháp bảo vệ hiện tại và tính minh bạch của các nhà phát triển AI trong việc ngăn chặn việc tạo ra thông tin sai lệch về sức khỏe từ các mô hình ngôn ngữ lớn (LLMs).
- Kết quả cho thấy các biện pháp bảo vệ khả thi nhưng được triển khai không nhất quán, và tính minh bạch của các nhà phát triển AI về giảm thiểu rủi ro là không đầy đủ.
- Nghiên cứu đánh giá các LLMs nổi bật như GPT-4, PaLM 2, Claude 2 và Llama 2 về khả năng tạo ra thông tin sai lệch liên quan đến kem chống nắng gây ung thư da và chế độ ăn kiềm chữa khỏi ung thư.
- Kết quả cho thấy sự khác biệt trong phản hồi và hiệu quả của các biện pháp bảo vệ giữa các LLMs. Mặc dù một số công cụ thêm tuyên bố miễn trừ trách nhiệm, nhưng vẫn có nguy cơ lan truyền thông tin sai lệch về sức khỏe trên diện rộng.
- Các trang web của nhà phát triển AI có cơ chế báo cáo vấn đề tiềm ẩn, nhưng không có sổ đăng ký công khai, chi tiết về vá lỗ hổng hay công cụ phát hiện văn bản được tạo ra.
- Phân tích độ nhạy cho thấy khả năng khác nhau giữa các LLMs trong việc tạo ra thông tin sai lệch về các chủ đề đa dạng, với GPT-4 thể hiện tính linh hoạt và Claude 2 duy trì tính nhất quán trong việc từ chối.
- Nghiên cứu bị hạn chế bởi những thách thức trong việc đánh giá đầy đủ tính an toàn của AI do sự thiếu minh bạch và đáp ứng của các nhà phát triển.
📌 Nghiên cứu nhấn mạnh sự không nhất quán trong việc triển khai các biện pháp bảo vệ chống lại việc tạo ra thông tin sai lệch về sức khỏe bởi các LLMs và sự thiếu minh bạch từ các nhà phát triển AI. Kết quả kêu gọi hành động khẩn cấp từ các cơ quan y tế công cộng để giải quyết những thách thức này và phát triển các chiến lược giảm thiểu rủi ro mạnh mẽ trong AI, ưu tiên tính minh bạch, kiểm toán, giám sát và vá lỗi cụ thể cho lĩnh vực sức khỏe.
https://www.news-medical.net/news/20240324/AIs-health-misinformation-challenge-Study-calls-for-stronger-safeguards-and-transparency.aspx
- Tại hội nghị GTC AI 2024, Nvidia ra mắt khoảng 2 chục công cụ mới sử dụng AI trong y tế, đồng thời ký kết hợp tác với Johnson & Johnson và GE Healthcare về ứng dụng AI trong phẫu thuật và chẩn đoán hình ảnh.
- Đây là nỗ lực phát triển trong 1 thập kỷ của Nvidia trong lĩnh vực y tế, với tiềm năng doanh thu đáng kể.
- AI đang được ứng dụng nhanh chóng vào quá trình phát triển thuốc, vốn tốn 12 năm và hàng tỷ USD.
- Nvidia đã xây dựng chuyên môn sâu rộng trong lĩnh vực y tế với nền tảng NVIDIA Clara và dịch vụ AI tạo sinh NVIDIA BioNeMo.
- Các đối tác ngoài lĩnh vực công nghệ như Recursion Pharmaceuticals, Genentech đang sử dụng cơ sở hạ tầng AI của Nvidia để mở rộng nghiên cứu y sinh.
- Ngoài tăng tốc phát triển thuốc, AI còn giúp giảm chi phí vận hành của các công ty dược phẩm.
- Tuy nhiên, để tận dụng tối đa lợi ích của AI, các nhà lãnh đạo cần có sự ủng hộ từ lực lượng lao động. Khảo sát cho thấy trên 2/3 nhân viên ngành y tế còn lo ngại về việc sử dụng AI.
📌Tại hội nghị GTC AI 2024, Nvidia ra mắt khoảng 2 chục công cụ mới sử dụng AI trong y tế, đồng thời ký kết hợp tác với Johnson & Johnson và GE Healthcare về ứng dụng AI trong phẫu thuật và chẩn đoán hình ảnh. Nvidia đã xây dựng chuyên môn sâu rộng trong lĩnh vực y tế với nền tảng NVIDIA Clara và dịch vụ AI tạo sinh NVIDIA BioNeMo.
https://www.cnbc.com/2024/03/24/nvidias-ai-ambitions-in-medicine-and-health-care-are-becoming-clear.html
- 3 chuyên gia hàng đầu về AI là Mustafa Suleyman, Aidan Gomez và Yann LeCun dự đoán AI sẽ có tác động sâu sắc đến xã hội.
- Mustafa Suleyman cho rằng AI sẽ là khoảnh khắc chuyển đổi lớn nhất không chỉ trong công nghệ mà cả trong văn hóa và chính trị.
- Aidan Gomez ấn tượng với khả năng tạo ra một bài báo giả tưởng về một ban nhạc punk Nhật Bản của AI. Ông kỳ vọng AI sẽ mang lại lợi ích năng suất cho nhiều ngành nghề, đặc biệt là y tế.
- Theo báo cáo của Deloitte, ứng dụng AI có thể tiết kiệm 1.8 tỷ giờ mỗi năm cho hệ thống y tế châu Âu, tương đương với việc có thêm 500,000 chuyên gia y tế toàn thời gian.
- Mustafa Suleyman cho rằng bài kiểm tra Turing cần được cập nhật để đánh giá khả năng của AI trong việc hành động như một doanh nhân, quản lý dự án và phát minh sản phẩm mới.
- Yann LeCun lập luận rằng hầu hết kiến thức của chúng ta đến từ tương tác với thế giới vật chất. Ông cho rằng AI cần được dạy không chỉ từ dữ liệu văn bản trên internet mà còn từ tương tác với thế giới thực.
📌 Các chuyên gia hàng đầu về AI dự đoán công nghệ này sẽ mang lại những tác động sâu rộng đến xã hội trong thập kỷ tới. Họ kỳ vọng AI sẽ cải thiện năng suất trong nhiều lĩnh vực như y tế, đồng thời cho rằng bài kiểm tra Turing cần được cập nhật và AI cần học hỏi từ tương tác với thế giới thực để phát triển đầy đủ. Theo báo cáo của Deloitte, ứng dụng AI có thể tiết kiệm 1.8 tỷ giờ mỗi năm cho hệ thống y tế châu Âu, tương đương với việc có thêm 500,000 chuyên gia y tế toàn thời gian.
https://www.weforum.org/agenda/2024/03/ai-pioneers-breakthroughs-whats-next/
#WEF
• Nvidia hợp tác với Hippocratic AI để cung cấp dịch vụ y tá ảo AI với chi phí chỉ 9 đô la/giờ, rẻ hơn nhiều so với y tá thực 90 đô la/giờ.
• Y tá ảo AI có thể tư vấn bệnh nhân qua cuộc gọi video thời gian thực, hướng dẫn sử dụng thuốc và báo cáo lại cho bác sĩ.
• Các y tá ảo AI chuyên về nhiều lĩnh vực như sàng lọc ung thư đại trực tràng, quản lý điều trị ung thư vú,...
• Hippocratic quảng cáo rằng y tá ảo AI có thái độ phục vụ, năng lực giáo dục tốt hơn y tá thực.
• Sự ra đời của y tá ảo AI diễn ra trong bối cảnh ngành y tá đang thiếu hụt nhân lực trầm trọng.
• Hơn 32.000 y tá đã đình công vào năm 2023, chiếm 1/4 số vụ đình công lớn tại Mỹ.
• Hippocratic cho biết công nghệ của họ đã được kiểm tra bởi hàng nghìn y tá và hàng trăm bác sĩ.
• Hơn 40 nhà cung cấp dịch vụ y tế đang thử nghiệm công nghệ y tá ảo AI này.
• Hippocratic tuyên bố chi phí chăm sóc sức khỏe sẽ tiến tới 0 nhờ AI tạo sinh.
• Công ty khẳng định y tá ảo AI không đủ năng lực chẩn đoán, chỉ tư vấn và chuyển giao cho bác sĩ thực khi cần thiết.
📌 Nvidia ra mắt y tá ảo AI chỉ 9 đô la/giờ, rẻ hơn nhiều so với y tá thực hiện đang là 90 đô la/giờ, đe dọa nghề nghiệp truyền thống trong bối cảnh ngành y tế thiếu hụt nhân lực trầm trọng.
https://gizmodo.com/nvidia-wants-replace-nurses-with-ai-1851347917
Dưới đây là tóm tắt nội dung bài viết về các trường hợp sử dụng tốt nhất của AI tạo sinh trong lĩnh vực chăm sóc sức khỏe trong tương lai gần:
Meta description: Bài viết phân tích các trường hợp sử dụng tốt nhất của AI tạo sinh trong lĩnh vực chăm sóc sức khỏe trong tương lai gần, bao gồm hỗ trợ chuyên gia nội bộ, tối ưu hóa hóa đơn bệnh viện, hỗ trợ công ty bảo hiểm và giảm tái nhập viện.
Meta keywords: ai tạo sinh, chăm sóc sức khỏe, hóa đơn bệnh viện, công ty bảo hiểm, giảm tái nhập viện, chatbot thông minh
SEO title: Ứng dụng AI tạo sinh trong y tế: cơ hội trong tương lai gần
Tóm tắt chi tiết:
- Cơ hội mạnh mẽ nhất của các công cụ mô hình ngôn ngữ lớn (LLM) như ChatGPT hay Bard trong tương lai gần là giúp các chuyên gia nội bộ đẩy nhanh công việc, đảm bảo độ chính xác cao hơn cho bệnh nhân, tạo ra giá trị và giảm chi phí.
- LLM có thể giúp các nhà phân tích dữ liệu nội bộ trong bệnh viện tìm cách tối ưu hóa doanh thu và đảm bảo tuân thủ bằng cách cung cấp quyền truy cập nhanh chóng và dễ dàng vào lượng lớn thông tin liên quan đến hóa đơn bệnh viện.
- Các mô hình này cũng có thể phân tích nhanh chóng dữ liệu hóa đơn phức tạp, giúp xác định các mẫu, bất thường hoặc các lĩnh vực tiềm năng cần cải thiện. Điều này có thể hỗ trợ tối ưu hóa quy trình lập hóa đơn, xác định sự không nhất quán hoặc đề xuất chiến lược giảm chi phí.
- AI tạo sinh có thể đưa ra các gợi ý và khuyến nghị theo thời gian thực cho nhân viên mã hóa trong quá trình mã hóa, giúp giảm lỗi hóa đơn (chiếm tới 80% hóa đơn y tế và gây thất thoát 68 tỷ USD chi tiêu chăm sóc sức khỏe).
- Đối với các công ty bảo hiểm, AI tạo sinh có thể hỗ trợ người mã hóa hóa đơn bằng cách đưa ra gợi ý hoặc khuyến nghị theo thời gian thực, phân tích dữ liệu hóa đơn hoặc yêu cầu bồi thường để xác định các lỗi hoặc sự không nhất quán tiềm ẩn, đồng thời xác thực hóa đơn dựa trên các quy tắc và tiêu chí xác định trước.
- AI tạo sinh có tiềm năng giúp bác sĩ lâm sàng dự đoán tốt hơn những bệnh nhân có nguy cơ tái nhập viện, từ đó điều chỉnh kế hoạch chăm sóc và cải thiện khả năng tuân thủ.
- Cả bệnh viện và công ty bảo hiểm đều có thể triển khai chatbot AI tạo sinh để nâng cao trải nghiệm của bệnh nhân bằng cách trả lời các câu hỏi về hóa đơn và các câu hỏi thường gặp khác.
📌 AI tạo sinh đòi hỏi sự can thiệp của con người để đánh giá đầu ra và thực hiện các điều chỉnh cần thiết. Cơ hội tốt nhất cho AI tạo sinh trong chăm sóc sức khỏe nằm ở việc hỗ trợ các chuyên gia nội bộ làm việc hiệu quả hơn và đạt được những hiểu biết quan trọng sớm hơn, từ đó cải thiện trải nghiệm tổng thể và mở đường cho khả năng tiếp cận rộng rãi hơn, tăng cường tuân thủ và kết quả tốt hơn.
https://www.medicaleconomics.com/view/the-best-use-cases-for-generative-ai-in-health-care-look-near-term
- Trung tâm Trí tuệ Nhân tạo và Rô-bốt (CAIR) thuộc Viện Hàn lâm Khoa học Trung Quốc (CAS) đã phát triển chatbot CARES Copilot 1.0 dựa trên mô hình ngôn ngữ lớn Llama 2 của Meta.
- CARES Copilot 1.0 được huấn luyện bằng 100 GPU từ Huawei và Nvidia, có khả năng xử lý đa dạng dữ liệu như hình ảnh, văn bản, giọng nói, video, MRI, CT và siêu âm.
- Với hàng triệu bản ghi bao gồm tài liệu giảng dạy, hướng dẫn chuyên gia và tài liệu y khoa, CARES có thể truy xuất thông tin "trong vài giây" với độ chính xác lên đến 95%.
- CARES được trang bị cửa sổ ngữ cảnh 100K, có thể trích xuất thông tin từ hơn 3.000 trang tài liệu phẫu thuật.
- Dựa trên thử nghiệm nội bộ, CARES hỗ trợ các chức năng như nhận dạng giai đoạn phẫu thuật, phân đoạn dụng cụ và cấu trúc giải phẫu, phát hiện và đếm dụng cụ, tạo ảnh MRI độ phân giải cao.
- Công cụ AI hỗ trợ này có thể tích hợp với các thiết bị y tế và đang được tối ưu hóa liên tục tại 7 bệnh viện ở Bắc Kinh.
- Trung Quốc đang đuổi kịp các nhà đổi mới toàn cầu trong phát triển công nghệ AI bằng cách tài trợ cho các sáng kiến địa phương. Phát triển AI mới nhất của CAIR là một trong những dự án được đồng tài trợ bởi chương trình nghiên cứu InnoHK của chính phủ Hồng Kông.
- Giáo sư Ming Feng, Trưởng khoa Phẫu thuật Thần kinh, Bệnh viện Peking Union Medical College, nhận xét rằng sự kết hợp của LLM và định hướng phẫu thuật có thể cung cấp thông tin định vị giải phẫu thời gian thực cho các bác sĩ phẫu thuật, nâng cao an toàn phẫu thuật.
📌 Chatbot y tế CARES Copilot 1.0 của Trung Quốc, được xây dựng dựa trên mô hình Llama 2 của Meta, có khả năng xử lý đa dạng dữ liệu y tế và trả lời câu hỏi của bác sĩ với độ chính xác 95%. Công cụ AI này đang được tối ưu hóa tại 7 bệnh viện ở Bắc Kinh, hứa hẹn hỗ trợ đắc lực cho đội ngũ y tế và nâng cao an toàn phẫu thuật.
https://www.healthcareitnews.com/news/asia/china-unveils-chatgpt-medical-chatbot-service
- Tại hội nghị HIMSS ở Orlando, Florida với hơn 30.000 chuyên gia y tế và công nghệ tham dự, công nghệ ghi chép lâm sàng môi trường (ambient clinical documentation) đang là tâm điểm chú ý. Công nghệ này cho phép bác sĩ ghi âm cuộc trò chuyện với bệnh nhân, sau đó tự động chuyển thành ghi chú và tóm tắt lâm sàng bằng AI.
- Các công ty như Nuance Communications của Microsoft, Abridge và Suki đang phát triển các giải pháp này, với kỳ vọng giúp giảm tải công việc hành chính cho bác sĩ và ưu tiên kết nối với bệnh nhân. Khảo sát của Athenahealth cho thấy hơn 90% bác sĩ cảm thấy kiệt sức thường xuyên, chủ yếu do khối lượng giấy tờ họ phải hoàn thành.
- Microsoft Nuance đã ra mắt công cụ ghi chép lâm sàng môi trường DAX Copilot vào tháng 9/2023, hiện có hơn 200 tổ chức sử dụng. Công nghệ này giúp bác sĩ tiết kiệm vài phút mỗi lần khám. Stanford Health Care đang triển khai DAX Copilot trên toàn hệ thống.
- Abridge tích hợp công nghệ ghi chép lâm sàng môi trường trực tiếp vào hồ sơ sức khỏe điện tử Epic. Công ty này giúp bác sĩ tiết kiệm tới 3 giờ mỗi ngày và tự động hóa hơn 92% công việc hành chính. Abridge vừa huy động 150 triệu USD vòng gọi vốn Series C vào tháng 2/2024.
- Suki đang được sử dụng bởi hơn 30 chuyên khoa tại khoảng 250 tổ chức y tế trên toàn quốc. Công nghệ của Suki có thể giảm 72% thời gian bác sĩ dành cho việc ghi chép. Công ty huy động 55 triệu USD vòng gọi vốn năm 2021.
📌 Công nghệ ghi chép lâm sàng môi trường sử dụng AI đang bùng nổ, giúp giảm đáng kể gánh nặng hành chính cho bác sĩ, tiết kiệm tới 3 giờ mỗi ngày. Các công ty như Nuance, Abridge, Suki đang triển khai giải pháp tại hàng trăm cơ sở y tế. Thị trường này được dự báo sẽ tăng trưởng nhanh trong 2-3 năm tới.
Citations:
[1] https://www.cnbc.com/2024/03/16/himss-2024-ambient-clinical-documentation-steals-the-show.html
- Tại hội nghị HIMSS năm nay, công nghệ ghi chép lâm sàng môi trường sử dụng AI để ghi lại cuộc trò chuyện giữa bác sĩ và bệnh nhân đã được giới thiệu.
- Công nghệ này do các công ty như Nuance Communications của Microsoft, Abridge và Suki phát triển, tự động chuyển đổi cuộc trò chuyện thành ghi chú và tóm tắt lâm sàng, giúp bác sĩ tập trung vào bệnh nhân.
- Theo Tiến sĩ Shiv Rao, CEO của Abridge, công nghệ cho phép bác sĩ chuyển sự chú ý trở lại bệnh nhân, chỉ cần bấm nút bắt đầu, trò chuyện và dừng lại, ghi chú sẽ xuất hiện trong vài giây.
- Nhu cầu về công nghệ này xuất phát từ vấn đề kiệt sức ngày càng tăng của bác sĩ. Khảo sát của Athenahealth cho thấy hơn 90% bác sĩ cảm thấy kiệt sức thường xuyên do khối lượng công việc hành chính.
- Các giải pháp AI như DAX Copilot của Microsoft Nuance nhằm tự động hóa các tác vụ hành chính như ghi chép, giúp bác sĩ tiết kiệm thời gian quý báu để chăm sóc bệnh nhân tốt hơn.
- Stanford Health Care gần đây đã triển khai DAX Copilot trên toàn doanh nghiệp sau khi nhận được phản hồi tích cực từ bác sĩ, với 96% bác sĩ thấy dễ dàng kết hợp vào quy trình làm việc.
- Nghiên cứu gần đây về công nghệ ghi chép môi trường AI cũng cho thấy tiềm năng giảm gánh nặng ghi chép và cải thiện tương tác bác sĩ-bệnh nhân.
- The Permanente Medical Group (TPMG) đã triển khai công nghệ AI môi trường cho 10.000 bác sĩ và nhân viên, ghi lại hơn 303.000 lượt khám bệnh nhân trong 10 tuần. Bác sĩ báo cáo cải thiện tương tác với bệnh nhân và giảm công việc hành chính ngoài giờ.
📌 Công nghệ ghi chép lâm sàng môi trường sử dụng AI hứa hẹn cải thiện đáng kể việc chăm sóc bệnh nhân bằng cách giảm bớt gánh nặng hành chính cho bác sĩ. Các nghiên cứu cho thấy công nghệ này giúp tiết kiệm thời gian, cải thiện tương tác bác sĩ-bệnh nhân và giảm tình trạng kiệt sức của bác sĩ. Với hơn 303.000 lượt khám được ghi lại và phản hồi tích cực từ 96% bác sĩ, tương lai của AI trong y tế rất đáng mong đợi.
https://www.techtimes.com/articles/302642/20240317/generative-ai-promises-patient-focused-care-record-doctor-patient-conversations-alleviate-physician-burnout.htm
- NYU Langone Health đã thử nghiệm khả năng của AI tạo sinh (generative AI) trong việc chuyển đổi ghi chú xuất viện của bệnh nhân thành ngôn ngữ dễ hiểu.
- Nghiên cứu sử dụng GPT-4, công cụ mới nhất từ OpenAI, để chuyển đổi 50 ghi chú xuất viện của bệnh nhân.
- Việc sử dụng AI tạo sinh đã giảm mức độ đọc hiểu ghi chú xuất viện từ lớp 11 xuống lớp 6, tiêu chuẩn vàng cho tài liệu giáo dục bệnh nhân.
- Điểm số PEMAT (Patient Education Materials Assessment Tool) về khả năng hiểu được tăng từ 13% lên 81% sau khi được GPT-4 chuyển ngữ.
- 54% ghi chú xuất viện do AI tạo ra đạt xếp hạng chính xác cao nhất và 56% ghi chú hoàn toàn đầy đủ theo đánh giá của bác sĩ.
- Các công cụ AI tạo sinh nhạy cảm và đòi hỏi kỹ năng "tạo lời nhắc" (prompt engineering) từ bác sĩ và y tá để đạt được kết quả mong muốn.
- Trong vài tuần tới, nhóm nghiên cứu sẽ triển khai chương trình hỏi ý kiến bệnh nhân về tính rõ ràng và hữu ích của báo cáo do AI tạo ra sau khi được bác sĩ xem xét.
- Vào mùa hè, dự kiến sẽ triển khai chương trình thí điểm cung cấp cho bệnh nhân các bản tóm tắt xuất viện bằng ngôn ngữ thông thường được GPT-4 tạo ra và bác sĩ xem xét trên quy mô lớn hơn.
📌 Nghiên cứu cho thấy AI tạo sinh có thể chuyển đổi ghi chú xuất viện của bác sĩ thành ngôn ngữ thông thường với độ chính xác cao, giúp giảm bớt lo lắng cho bệnh nhân. Hơn 50% báo cáo do AI tạo ra không cần chỉnh sửa. NYU Langone Health dự kiến sẽ triển khai thí điểm cung cấp bản tóm tắt xuất viện do AI tạo ra cho bệnh nhân vào mùa hè này.
https://www.news-medical.net/news/20240313/AI-tool-can-convert-doctorse28099-notes-into-accurate-lay-language.aspx
- Trung Quốc đang thử nghiệm chatbot AI có tên CARES Copilot 1.0 nhằm hỗ trợ các bác sĩ phẫu thuật thần kinh trong các quyết định quan trọng.
- Mô hình AI được phát triển bởi một cơ quan ở Hồng Kông, lấy cảm hứng từ Llama 2.0 của Meta Platforms Inc.
- AI được huấn luyện bằng hơn 1 triệu tài liệu học thuật, sử dụng khoảng 100 GPU từ Nvidia Corp. và Huawei Technologies Co.
- Chatbot AI có khả năng xử lý nhiều loại dữ liệu như MRI, siêu âm, CT scan, hình ảnh, văn bản và âm thanh.
- CARES Copilot 1.0 dự kiến sẽ cung cấp thông tin chẩn đoán, đưa ra khuyến nghị và cảnh báo về các thủ thuật nguy hiểm.
- Thử nghiệm đang được tiến hành tại 7 bệnh viện ở Bắc Kinh và các thành phố khác.
- Việc tiếp cận hạn chế với chip cao cấp của Nvidia đang là một thách thức đối với sự phát triển của công nghệ này tại Trung Quốc.
📌 Việc Trung Quốc thử nghiệm chatbot AI CARES Copilot 1.0 cho phẫu thuật thần kinh cho thấy cam kết của nước này trong việc thúc đẩy khả năng AI bản địa. Mặc dù còn nhiều thách thức, nỗ lực tận dụng AI trong y tế nhấn mạnh cam kết thúc đẩy các giải pháp lấy bệnh nhân làm trung tâm và thúc đẩy đổi mới trong lĩnh vực y tế.
https://www.cryptopolitan.com/china-unveils-ai-chatbot-for-brain-surgeons/
- Hàn Quốc mở rộng hệ thống sàng lọc dựa trên AI có tên SAFE-i24 để kiểm soát thực phẩm chế biến nhập khẩu, nhằm duy trì các tiêu chuẩn nghiêm ngặt và đảm bảo an toàn, chất lượng thực phẩm.
- Mục tiêu chính là giảm thiểu nguy cơ nhiễm bẩn hoặc hàng kém chất lượng xâm nhập vào thị trường, thể hiện cam kết bảo vệ sức khỏe cộng đồng và lợi ích người tiêu dùng của Hàn Quốc.
- Quyết định này phản ánh xu hướng và hiểu biết toàn cầu rộng lớn hơn về ngành công nghiệp thực phẩm, như nhu cầu ngày càng tăng đối với thực phẩm an toàn, chất lượng cao và tầm quan trọng của cơ chế sàng lọc mạnh mẽ.
- Trong nước, điều này sẽ tạo niềm tin lớn hơn cho người tiêu dùng và khuyến khích các nhà nhập khẩu tuân thủ các biện pháp kiểm soát chất lượng nghiêm ngặt. Quốc tế, đây có thể là một hình mẫu cho các quốc gia khác đang đối mặt với thách thức tương tự.
- Tương lai, việc mở rộng hệ thống sàng lọc dựa trên AI của Hàn Quốc báo hiệu cách tiếp cận chủ động để giải quyết các thách thức đang phát triển trong đảm bảo an toàn và chất lượng thực phẩm.
📌 Việc Hàn Quốc mở rộng hệ thống sàng lọc thực phẩm dựa trên AI thể hiện bước đi chủ động nhằm tăng cường an toàn thực phẩm và đảm bảo chất lượng. Bằng cách tận dụng công nghệ tiên tiến và nắm bắt xu hướng toàn cầu, Hàn Quốc khẳng định cam kết bảo vệ sức khỏe cộng đồng, tạo tiền đề cho hợp tác quốc tế và đổi mới trong thực hành an toàn thực phẩm.
https://www.cryptopolitan.com/s-korea-food-safety-with-ai-screening/
- Khảo sát của Salesforce với hơn 1.400 người lớn ở Mỹ cho thấy 69% không thoải mái với việc sử dụng AI để chẩn đoán bệnh.
- 70% người được hỏi tin tưởng vào thông tin chăm sóc sức khỏe từ bác sĩ của họ, cao hơn nhiều so với các nguồn khác.
- Chỉ 2% tìm kiếm thông tin chăm sóc sức khỏe từ AI tạo sinh như ChatGPT.
- Gen Z có xu hướng tìm kiếm thông tin qua nhiều kênh hơn, bao gồm mạng xã hội và ứng dụng sức khỏe, nhưng điều này cũng tăng nguy cơ tiếp xúc với thông tin sai lệch.
- Chỉ 10% người Mỹ cảm thấy hiểu rõ vai trò của AI trong chăm sóc sức khỏe, và 47% tin rằng AI sẽ có ảnh hưởng lớn đến hệ thống chăm sóc sức khỏe trong 5 năm tới.
- 68% lo ngại AI có thể làm suy yếu mối quan hệ giữa bệnh nhân và nhà cung cấp dịch vụ.
- 63% lo sợ AI có thể gây ra rủi ro về an ninh và thông tin không chính xác.
- 69% thoải mái với việc AI thực hiện các nhiệm vụ không liên quan đến lâm sàng như lên lịch hẹn.
📌 Khảo sát từ Salesforce cho thấy sự không thoải mái đáng kể từ phía bệnh nhân Mỹ đối với việc sử dụng AI trong chẩn đoán bệnh, với 69% người được hỏi bày tỏ quan điểm này. Mặc dù có sự lo ngại về việc AI có thể làm suy yếu mối quan hệ bác sĩ-bệnh nhân và gây ra rủi ro về an ninh, bệnh nhân lại thoải mái hơn với việc AI thực hiện các nhiệm vụ không liên quan đến lâm sàng. Sự tin tưởng vào bác sĩ vẫn là yếu tố quan trọng nhất khi tìm kiếm thông tin chăm sóc sức khỏe, đặc biệt là trong bối cảnh thông tin sai lệch ngày càng tăng.
https://hitconsultant.net/2024/03/11/bot-docs-69-of-patients-uncomfortable-with-ai-diagnosing-them/
- Các nhà nghiên cứu tại Stanford đã huấn luyện máy tính tự học sinh học từ dữ liệu thô về hàng triệu tế bào và thành phần hóa học, di truyền của chúng.
- Chỉ trong 6 tuần, máy tính đã tự khám phá ra tế bào Norn - loại tế bào hiếm gặp trong thận tạo ra hormone erythropoietin khi oxy xuống thấp. Con người mất 134 năm để phát hiện ra tế bào này.
- Các mô hình nền tảng AI mới đang hướng tới những nguyên lý cơ bản của sinh học, khám phá cách gen hoạt động và tế bào phát triển.
- Mô hình GeneFormer dự đoán việc tắt gen TEAD4 trong tế bào tim sẽ làm suy yếu nhịp đập. Thử nghiệm trên tế bào thực cho kết quả tương tự.
- Mô hình Universal Cell Embedding (U.C.E.) của Stanford học cách phân loại hơn 1.000 loại tế bào dựa trên hoạt động gen và khám phá lại sinh học phát triển.
- Các mô hình nền tảng đôi khi mắc lỗi và cần nhiều dữ liệu hơn để cải thiện. Các nhà khoa học hy vọng tạo ra mô hình toán học hoàn chỉnh của tế bào.
- Việc ánh xạ những gì khả thi và không khả thi để duy trì sự sống có thể giúp tạo ra các tế bào mới với khả năng đặc biệt.
- Các rủi ro mới nảy sinh như vũ khí sinh học và vi phạm quyền riêng tư cần được kiểm soát.
📌 Các mô hình AI nền tảng đang tự khám phá ra những hiểu biết sâu sắc về sinh học chỉ từ dữ liệu thô, như phát hiện tế bào Norn trong 6 tuần, dự đoán tác động của việc tắt gen lên tế bào tim. Chúng hứa hẹn tạo ra bản đồ toàn diện về tế bào, thậm chí tạo ra tế bào mới với khả năng đặc biệt, nhưng cũng đặt ra những rủi ro cần kiểm soát.
Citations:
[1] https://www.nytimes.com/2024/03/10/science/ai-learning-biology.html
- Các công cụ AI có khả năng tạo ra protein hoàn toàn mới đã trở thành hiện thực ngày nay. Các nhà khoa học như David Baker đang sử dụng AI để thiết kế protein cho các chức năng cụ thể như kháng bệnh, phân phối thuốc có mục tiêu.
- Tuy nhiên, các rủi ro tiềm ẩn cũng rất đáng lo ngại. Để giải quyết vấn đề này, Baker và các nhà nghiên cứu khác đã khởi xướng một sáng kiến nhằm thúc đẩy việc sử dụng có trách nhiệm AI trong thiết kế protein.
- Các chuyên gia trên toàn cầu đang hợp tác để đảm bảo rằng các tiến bộ do AI thúc đẩy trong công nghệ sinh học được áp dụng các biện pháp bảo vệ. Tuy nhiên, một số người tin rằng cần có các biện pháp cụ thể hơn như sự can thiệp của chính phủ.
- Các báo cáo gần đây đã khám phá các rủi ro tiềm ẩn của AI trong chiến tranh sinh học. Công cụ như AlphaFold có thể vô tình tạo điều kiện cho việc tạo ra các mầm bệnh hoặc độc tố nguy hiểm.
- Baker hy vọng rằng quy định của chính phủ sẽ không xuất hiện trong tương lai vì nó có thể hạn chế sự phát triển của thuốc, vắc-xin và vật liệu mà protein được thiết kế bởi AI có thể mang lại.
📌 Các công cụ AI có khả năng tạo ra protein hoàn toàn mới đã trở thành hiện thực ngày nay. Các chuyên gia trên toàn cầu đang hợp tác để đảm bảo rằng các tiến bộ do AI thúc đẩy trong công nghệ sinh học được áp dụng các biện pháp bảo vệ. Tổng thống Mỹ Joe Biden đã ký một sắc lệnh yêu cầu đánh giá toàn diện các rủi ro do AI gây ra.
https://interestingengineering.com/science/ai-proteins-safe-use
- IMDRF là diễn đàn hợp tác quốc tế về hướng dẫn thiết bị y tế, với sự tham gia của EU, Nhật Bản, Canada, Úc và Mỹ.
- IMDRF đã phát triển các tài liệu hướng dẫn và thảo luận về các chủ đề từ định nghĩa thiết bị y tế đến cách quản lý các công nghệ mới như AI.
- FDA đang ưu tiên tăng cường sự tham gia của các quốc gia vào IMDRF, đặc biệt là các quốc gia có hệ thống quản lý thiết bị mới hơn.
- Nhóm công tác AI của IMDRF đang xây dựng dựa trên công việc trước đó về thực hành học máy tốt (GMLPs) để tạo ra một tài liệu chi tiết hơn.
- Các quốc gia đang gặp khó khăn trong việc giám sát AI do sự phức tạp, thiếu nhân lực và tốc độ phát triển nhanh của công nghệ.
- IMDRF đang tương tác với các nhóm công nghiệp để lắng nghe ý kiến về việc phát triển và sử dụng AI trong thiết bị y tế.
- Thách thức lớn nhất đối với IMDRF là tạo ra các tài liệu hài hòa quốc tế trong các lĩnh vực phát triển nhanh như AI và phần mềm như một thiết bị y tế.
📌 IMDRF đóng vai trò quan trọng trong việc phát triển các tiêu chuẩn chung cho các cơ quan quản lý thiết bị y tế trên toàn thế giới. Tuy nhiên, việc giám sát các công nghệ đang phát triển nhanh như AI và phần mềm như một thiết bị y tế là thách thức lớn. IMDRF đang nỗ lực tăng cường sự tham gia của các quốc gia và tương tác với ngành công nghiệp để đối phó với những thách thức này.
https://www.medtechdive.com/news/ai-oversight-fda-imdrf/709757/
- Một ứng dụng AI mới đang được phát triển có khả năng sàng lọc bệnh tiểu đường loại 2 chỉ với một đoạn ghi âm giọng nói ngắn từ 6-10 giây.
- Ứng dụng sử dụng công nghệ phân tích giọng nói, một phương pháp mới trong việc phát hiện bệnh, có thể hoạt động trên hầu hết các điện thoại thông minh hiện nay.
- Phương pháp này hứa hẹn sẽ giảm đáng kể chi phí và thời gian chờ đợi kết quả xét nghiệm, với kết quả có ngay lập tức.
- Các ứng dụng phát hiện bệnh dựa trên giọng nói đang bắt đầu cung cấp cách thức mới để phát hiện bệnh mà không cần đến các phương pháp truyền thống.
📌 Với việc phát triển ứng dụng AI có thể phân tích giọng nói chỉ trong 6 đến 10 giây để sàng lọc tiểu đường loại 2, chúng ta đang chứng kiến một bước tiến đáng kể trong việc tiếp cận và quản lý sức khỏe. Phương pháp này không chỉ tiết kiệm chi phí mà còn giúp người dùng có thể nhận kết quả nhanh chóng, ngay lập tức. Điều này không chỉ cải thiện khả năng tiếp cận dịch vụ y tế mà còn góp phần vào việc phát hiện sớm bệnh tiểu đường, từ đó có những biện pháp can thiệp kịp thời.
Citations:
[1] https://www.zdnet.com/article/this-ai-app-will-soon-screen-for-type-2-diabetes-using-just-a-6-10-second-voice-clip/
- Nghiên cứu được công bố trên JAMA Ophthalmology cho thấy GPT-4 của OpenAI có khả năng sánh ngang và đôi khi vượt trội so với các bác sĩ chuyên khoa mắt trong chẩn đoán và điều trị bệnh nhân mắc bệnh glaucoma và bệnh lý võng mạc.
- Công cụ AI dựa trên mô hình ngôn ngữ lớn (LLM), được huấn luyện trên lượng lớn dữ liệu, văn bản và hình ảnh, có thể hỗ trợ quyết định cho các bác sĩ chuyên khoa mắt trong chẩn đoán và quản lý các trường hợp liên quan đến glaucoma và rối loạn võng mạc, ảnh hưởng đến hàng triệu bệnh nhân.
- Andy Huang, bác sĩ chuyên khoa mắt tại Bệnh viện Mắt và Tai New York của Bệnh viện Mount Sinai, Mỹ, nhận xét về hiệu suất của GPT-4 trong nghiên cứu là rất ấn tượng.
- Các nhà nghiên cứu đã so sánh kiến thức của GPT-4 với 12 bác sĩ chuyên khoa và ba bác sĩ tập sự cấp cao từ Khoa Mắt tại Trường Y Icahn tại Mount Sinai.
- Một bộ 20 câu hỏi cơ bản (10 câu cho glaucoma và 10 câu cho bệnh lý võng mạc) từ danh sách các câu hỏi thường gặp của Học viện Mắt Mỹ đã được chọn ngẫu nhiên, cùng với 20 trường hợp bệnh nhân được ẩn danh từ các phòng khám mắt liên kết với Mount Sinai.
- Kết quả cho thấy AI sánh ngang hoặc vượt trội so với các chuyên gia về độ chính xác và đầy đủ của lời khuyên và đánh giá y tế của mình.
📌Nghiên cứu được công bố trên JAMA Ophthalmology cho thấy GPT-4 của OpenAI có khả năng sánh ngang và đôi khi vượt trội so với các bác sĩ chuyên khoa mắt trong chẩn đoán và điều trị bệnh nhân mắc bệnh glaucoma và bệnh lý võng mạc. Điều này không chỉ giúp cải thiện chất lượng chăm sóc bệnh nhân mà còn có thể giảm bớt gánh nặng cho các bác sĩ chuyên khoa, đặc biệt trong bối cảnh nguồn lực y tế có hạn.
Citations:
[1] https://www.socialnews.xyz/2024/02/24/gpt-4-better-than-eye-specialists-in-retina-glaucoma-management-study/
- Bệnh viện Đại học Y Dược Trung Quốc (CMUH) đã ký kết hợp tác chính thức với Google Cloud vào tháng 12 năm trước để sử dụng MedLM.
- MedLM là AI tạo sinh chuyên ngành y tế dựa trên mô hình ngôn ngữ lớn Med-PaLM 2.
- MedLM đã chứng minh được trí tuệ tương đương với bác sĩ có giấy phép khi đạt 85% điểm trong kỳ thi MedQA-USMLE.
- CMUH sử dụng MedLM như một nền tảng cho hệ thống hỗ trợ bác sĩ AI của họ trong việc chẩn đoán bệnh, lập kế hoạch điều trị, giáo dục bệnh nhân và nghiên cứu y khoa.
- Mục tiêu của sự hợp tác là giới thiệu các công cụ hỗ trợ để hỗ trợ bác sĩ trong việc điều trị ung thư chính xác.
- Đến nay, họ đã phát triển hai công cụ dựa trên AI tạo sinh giúp phát triển các kế hoạch điều trị ung thư, cung cấp phác đồ điều trị cá nhân hóa.
📌 Bệnh viện Đại học Y Dược Trung Quốc đang tiên phong trong việc áp dụng công nghệ AI tạo sinh vào lĩnh vực chăm sóc sức khỏe, cụ thể là trong điều trị ung thư. Sự hợp tác với Google Cloud và việc sử dụng MedLM không chỉ cho thấy tiềm năng của AI trong việc hỗ trợ quyết định y khoa mà còn mở ra hướng tiếp cận mới trong việc cá nhân hóa điều trị cho bệnh nhân. Với kết quả ấn tượng từ MedLM, đạt 85% điểm trong kỳ thi MedQA-USMLE, Bệnh viện Đại học Y Dược Trung Quốc đang đặt nền móng vững chắc cho việc tích hợp AI tạo sinh vào hệ thống chăm sóc sức khỏe, đặc biệt là trong việc lập kế hoạch và thực hiện các phác đồ điều trị ung thư cá nhân hóa
https://www.healthcareitnews.com/news/asia/china-medical-university-hospital-leverages-googles-genai-cancer-care
- Nhóm nghiên cứu Trung Quốc đã phát triển một mô hình dự đoán nguy cơ mắc bệnh sa sút trí tuệ trước tới 15 năm dựa trên phân tích mẫu máu.
- Các nhà khoa học đã sử dụng cơ sở dữ liệu hơn 50.000 người để xác định các protein liên quan đến nguy cơ phát triển các loại sa sút trí tuệ khác nhau.
- Với sự hỗ trợ của AI, nhóm nghiên cứu đã tạo ra một mô hình dự đoán để đánh giá nguy cơ mắc bệnh.
- AI được xem là "một trong những yếu tố then chốt cho thành công của nghiên cứu này," theo GS. Yu Jintai, tác giả nghiên cứu và giáo sư thần kinh học tại Bệnh viện Huashan liên kết với Đại học Fudan.
- Nhóm nghiên cứu đã "định danh sáng tạo các biomarker huyết tương quan trọng cho việc dự đoán sa sút trí tuệ trong tương lai," theo bài báo được công bố trên tạp chí Nature Ageing.
- Mô hình dự đoán kết hợp cuối cùng cho thấy khả năng cung cấp "dự đoán chính xác về sa sút trí tuệ trong tương lai, thậm chí hơn 10 năm trước khi chẩn đoán."
- Phương pháp này cũng có thể "cung cấp lợi ích về chi phí đáng kể" so với việc sử dụng quét hình ảnh hoặc chọc dò tủy sống để sàng lọc nguy cơ mắc bệnh.
📌 Kết quả nghiên cứu của nhóm các nhà khoa học Trung Quốc đã mở ra một hướng tiếp cận mới trong việc dự đoán sớm nguy cơ mắc bệnh sa sút trí tuệ, với khả năng dự báo trước tới 15 năm trước khi các triệu chứng xuất hiện. Sử dụng cơ sở dữ liệu lớn và trí tuệ nhân tạo, họ đã xác định được các biomarker huyết tương quan trọng, qua đó phát triển một mô hình dự đoán chính xác và tiết kiệm chi phí so với các phương pháp sàng lọc truyền thống quét hình ảnh hoặc chọc dò tủy sống để sàng lọc nguy cơ mắc bệnh
Citations:
[1] https://www.scmp.com/news/china/science/article/3252183/chinese-scientists-use-massive-databank-and-ai-effort-predict-dementia-15-years-symptoms-start
- Bryan Johnson, người bán startup thanh toán trực tuyến của mình cho PayPal với giá 800 triệu đô la, là người ủng hộ mạnh mẽ cho việc sử dụng MRI toàn thân như một công cụ đo lường "chuẩn vàng".
- Johnson, người tự nhận là "người được đo lường nhiều nhất trong lịch sử loài người", thường xuyên thực hiện các phép đo từ máu đến phân trong nỗ lực chống lão hóa của mình.
- Anh ta đã thực hiện MRI cho mọi khớp trong cơ thể và sắp tới sẽ thực hiện sáu lần MRI khác, bao gồm cả não bộ, để định lượng cơ bắp và mỡ trong cơ thể.
- Startup Ezra, có trụ sở tại New York, sử dụng trí tuệ nhân tạo để tăng tốc quá trình chụp MRI, với mục tiêu làm cho việc chụp toàn thân trở nên đủ tiếp cận để mọi người có thể thực hiện thường xuyên.
- Kể từ khi thành lập vào năm 2018, đã có 7,000 người thực hiện chụp MRI toàn thân tại Ezra, với chi phí 2,500 đô la cho mỗi lần chụp, không được bảo hiểm chi trả.
- Khoảng một phần ba trong số những người thực hiện chụp là những người giàu có, làm việc trong lĩnh vực công nghệ và quan tâm đến biohacking như Bryan Johnson, còn lại là những người có ý thức về ung thư.
📌startup Ezra đã thu hút sự chú ý khi huy động được 21 triệu đô la và nhận được sự ủng hộ từ Bryan Johnson, một nhân vật nổi tiếng trong cộng đồng biohacking. Với việc áp dụng trí tuệ nhân tạo vào quy trình chụp MRI toàn thân, Ezra không chỉ tăng tốc độ chẩn đoán mà còn mở rộng khả năng tiếp cận của công nghệ này. Dù có những lo ngại về việc chụp MRI toàn thân có thể dẫn đến việc chẩn đoán và điều trị quá mức, nhưng sự quan tâm từ những người như Johnson cho thấy một nhu cầu đáng kể cho việc theo dõi sức khỏe một cách chính xác và chi tiết. Ezra đã phục vụ 7.000 khách hàng kể từ khi thành lập, phản ánh sự tăng trưởng và tiềm năng của họ trong lĩnh vực y tế công nghệ cao.
Citations:
[1] https://www.forbes.com/sites/rashishrivastava/2024/02/10/meet-the-bryan-johnson-approved-ai-full-body-mri-startup-that-just-raised-21-million/
📌 Almanac, một hệ thống sử dụng công nghệ RAG, đã chứng minh khả năng vượt trội trong việc cải thiện độ chính xác, đầy đủ, mức độ ưu tiên và an toàn của các câu trả lời y khoa so với các mô hình ngôn ngữ lớn khác như ChatGPT-4, Bing và Bard. Trong các bài kiểm tra, Almanac đạt điểm cao hơn đáng kể về độ chính xác (67% so với 30-50% của các hệ thống khác), đầy đủ (70% so với 30-50%), mức độ ưu tiên (70% so với 30-50%) và an toàn (100% so với 7-93%). Almanac cũng vượt trội hơn các hệ thống khác trong việc chống lại các câu hỏi đánh lừa, chỉ trả lời sai 7% trong khi ChatGPT-4 trả lời sai tới 93%. Với những kết quả ấn tượng này, Almanac hứa hẹn sẽ trở thành công cụ hỗ trợ đắc lực cho các bác sĩ trong việc chẩn đoán và điều trị hiệu quả hơn.
📌 Bộ xét nghiệm nước bọt tại nhà dựa trên AI này phát hiện ung thư miệng và cổ họng với độ chính xác trên 90%. Sản phẩm được FDA chấp thuận với tư cách là "thiết bị đột phá", giúp phát hiện sớm triệu chứng. Với độ chính xác cao và dễ sử dụng, sản phẩm này có thể cải thiện đáng kể tỷ lệ sống sót bằng cách hỗ trợ chẩn đoán sớm. Việc phổ biến rộng rãi xét nghiệm này có thể tác động lớn đến sức khỏe cộng đồng, đặc biệt là với những người có nguy cơ cao.
📌 Sự phát triển của AI tạo sinh được dự đoán sẽ giúp tiết kiệm đến 100 tỷ USD cho ngành chăm sóc sức khỏe ở Châu Á-Thái Bình Dương vào năm 2025, đồng thời cải thiện đáng kể hiệu quả công việc và trải nghiệm chăm sóc cá nhân hóa cho bệnh nhân.
📌 Prophetic AI đang nỗ lực phát triển Morpheus-1, một hệ thống AI đầu tiên tập trung vào việc kích thích giấc mơ lucid (tức là những giấc mơ mà người mơ có ý thức và có khả năng kiểm soát nội dung của giấc mơ) thông qua sóng siêu âm, cùng sản phẩm Halo, một vòng đeo đầu không xâm lấn. Công ty hướng tới việc mở rộng ý thức con người và cho phép kiểm soát giấc mơ một cách an toàn. Morpheus-1 dự kiến sẽ có sẵn cho người dùng beta vào mùa xuân 2024, và Halo dự kiến sẽ được giao đến tay người dùng vào đầu năm 2025.
📌 Cựu Thủ tướng Tony Blair và Lord William Hague đề xuất bán dữ liệu NHS để thúc đẩy AI và công nghệ sinh học, nhấn mạnh vai trò quan trọng của việc tiên phong trong khoa học và đổi mới đối với tương lai thịnh vượng của Vương quốc Anh. Họ đưa ra hơn 40 khuyến nghị, gồm việc thành lập công ty độc lập quản lý dữ liệu và tăng cường sử dụng AI trong chăm sóc sức khoẻ, nhằm duy trì vị thế dẫn đầu của quốc gia trong lĩnh vực này.
📌 Nghiên cứu hợp tác giữa MIT và Google đã giới thiệu Health-LLM, một framework AI mang tính đột phá trong việc điều chỉnh LLMs cho các nhiệm vụ dự đoán sức khỏe bằng dữ liệu từ cảm biến đeo được. Health-LLM được đánh giá qua 8 LLM hiện đại trên 13 nhiệm vụ và cho thấy Health-Alpaca, một mô hình đã được tinh chỉnh, có kết quả xuất sắc, thậm chí vượt qua cả GPT-3.5 và GPT-4 trong một số nhiệm vụ. Thông qua việc bổ sung thông tin bối cảnh phong phú, mô hình có thể cải thiện hiệu suất lên đến 23.8%. Phát hiện này không chỉ mở ra hướng phát triển mới cho việc áp dụng LLMs vào y tế mà còn chứng minh giá trị của việc tùy chỉnh mô hình để phục vụ các mục đích cụ thể, đặc biệt là trong việc chăm sóc sức khỏe cá nhân hóa dựa trên dữ liệu thời gian thực từ cảm biến đeo được.
📌 AI thích ứng chạy mô hình AI dự đoán được kích hoạt bởi sự kiện thực tế, học hỏi từ tương tác, liên tục cải thiện và phù hợp với nhiều tình huống cụ thể. Trong ngành y tế, AI thích ứng đang thay đổi cách thức hoạt động của hệ thống chăm sóc sức khỏe, từ việc hỗ trợ điều phối viên cuộc gọi đến tự động hóa các quy trình phức tạp và kích hoạt sự tham gia của bệnh nhân. AI thích ứng cải thiện hiệu suất, độ chính xác và tối ưu hóa quyết định, tiết kiệm chi phí và nâng cao trải nghiệm bệnh nhân. Cần lưu ý rằng sự giám sát cẩn thận là cần thiết để tránh rủi ro đạo đức và tăng cường định kiến, đặc biệt là trong quyết định thời gian thực của AI thích ứng.
📌 Với việc áp dụng AI vào nhũ ảnh không được bảo hiểm y tê chi trả đang trở thành một chủ đề nóng bỏng, bệnh nhân và cộng đồng y tế đang phải đối mặt với những quyết định khó khăn liên quan đến cân nhắc giữa sự tiến bộ công nghệ, khả năng tiếp cận và các vấn đề đạo đức. Điều này đặt ra một câu hỏi lớn: Liệu chi phí phân tích AI có được biện minh cho những người tìm kiếm phương pháp phát hiện ung thư vú chính xác hơn hay không? Khi mà những nghiên cứu chỉ ra rằng AI có thể cải thiện kết quả của bác sĩ, việc quyết định có sử dụng công nghệ này hay không đòi hỏi sự suy ngẫm và đánh giá kỹ lưỡng từ mọi phía.
📌 Quitbot là một bước tiến đáng kể trong việc áp dụng AI vào lĩnh vực y tế, đặc biệt là hỗ trợ cai nghiện thuốc lá. Với việc tích hợp chương trình cai thuốc lá đã được kiểm chứng vào một ứng dụng di động dễ sử dụng, nó mở ra cơ hội để người dùng tiếp cận với sự hỗ trợ cần thiết 24/7. Các tiện ích như hướng dẫn bước đi, công cụ quản lý cơn thèm, hỗ trợ động viên và khả năng đặt câu hỏi cá nhân hóa đã biến Quitbot thành một tài nguyên quý giá cho những ai muốn thay đổi lối sống của mình và bỏ các thói quen không lành mạnh.
📌 HOPPR, với sự đầu tư từ AMA, đã tiên phong trong việc phát triển mô hình AI tạo sinh Grace, mở đường cho việc tạo ra các ứng dụng y tế tiên tiến. Grace hứa hẹn giảm áp lực công việc cho bác sĩ chẩn đoán hình ảnh bằng cách giảm thời gian gõ bàn phím và tăng cường tương tác với hình ảnh y tế, qua đó có thể nâng cao chất lượng chẩn đoán và hiệu suất làm việc trong bối cảnh nguồn nhân lực y tế đang khan hiếm.
📌Tổ chức y tế thế giới WHO khuyến nghị sự tham gia của các bên liên quan và trách nhiệm của chính phủ trong việc phát triển và triển khai các mô hình ngôn ngữ lớn LLM, với yêu cầu đầu tư hoặc cung cấp cơ sở hạ tầng phù hợp. Các nhà phát triển LMM cần đảm bảo sự tham gia của các bên liên quan từ giai đoạn đầu phát triển AI, thiết kế quy trình minh bạch, bao trùm, cho phép đặt câu hỏi đạo đức và đóng góp ý kiến. Các khuyến nghị của WHO đánh dấu bước tiến quan trọng trong việc đảm bảo tích hợp AI vào y tế được điều chỉnh bởi nguyên tắc đạo đức, giải quyết rủi ro và thiết lập tiêu chuẩn cho sự tham gia của các bên liên quan và trách nhiệm của chính phủ.
📌 Việc triển khai AI trong lĩnh vực chăm sóc sức khỏe tại Singapore và APAC đã đem lại những bước tiến đáng kể, với các thử nghiệm thành công như công cụ dự đoán ngã của NYP, hợp tác giữa Bệnh viện Đại học Konkuk và Neurophet trong chẩn đoán Alzheimer, cũng như các giải pháp giám sát bệnh nhân từ xa tại các bệnh viện Apollo. Các phương pháp này không chỉ cải thiện việc chăm sóc bệnh nhân mà còn mở ra cơ hội cho việc nghiên cứu và phát triển sâu hơn trong tương lai. Sự kết hợp giữa AI và công nghệ y tế hiện đại hứa hẹn sẽ cải tiến chất lượng và hiệu quả của dịch vụ chăm sóc sức khỏe, đồng thời giảm thiểu chi phí và tăng cường khả năng tiếp cận cho bệnh nhân.
📌 Tích hợp AI tạo sinh trong y tế không chỉ giúp cải thiện sự hiểu biết và quản lý bệnh tật của bệnh nhân mà còn giải quyết thiếu hụt nhân lực trong ngành. Với việc đào tạo mô hình ngôn ngữ lớn dựa trên dữ liệu y tế chất lượng cao, AI tạo sinh có thể trở thành công cụ tiên tiến trong giáo dục sức khỏe, triệu chứng bệnh nhân và quản lý bệnh mãn tính. Tuy nhiên, để đạt được điều này, cần phải xây dựng lòng tin thông qua sự cảm thông và chuyên môn; giảm thiểu thiên vị; giữ vai trò của con người trong quá trình; và lên kế hoạch mở rộng mô hình phù hợp với các ngữ cảnh khác nhau. Các bên liên quan cần phải hợp tác chặt chẽ để vượt qua những rào cản này và tận dụng triệt để tiềm năng của AI tạo sinh cho sức khỏe bệnh nhân.
📌 Sản phẩm AI BrainSee được phát triển bởi công ty Darmiyan đã nhận được sự chấp thuận của FDA dưới dạng phê duyệt De Novo, đánh dấu một bước tiến quan trọng trong lĩnh vực y tế sử dụng trí tuệ nhân tạo. Điểm nổi bật của BrainSee là khả năng dự đoán sự tiến triển của bệnh Alzheimer từ aMCI trong vòng 5 năm dựa trên phân tích MRI não và các bài kiểm tra nhận thức. Công nghệ này không chỉ hứa hẹn mang lại lợi ích về mặt tinh thần cho bệnh nhân và gia đình họ bằng cách giảm bớt lo lắng không cần thiết mà còn có tiềm năng giảm chi phí chăm sóc sức khỏe liên quan đến Alzheimer, giúp tiết kiệm hàng tỷ đô la hàng năm thông qua việc điều trị và quản lý bệnh hiệu quả hơn.
📌 Mặc dù vẫn cần khắc phục một số điểm yếu trước khi sản phẩm thực sự sẵn sàng cho thị trường chính thống, Frenz Brainband đã chứng minh hiệu quả của nó trong việc cải thiện giấc ngủ thông qua việc sử dụng cảm biến và AI để cung cấp âm thanh chất lượng cao và hướng dẫn CBT cá nhân hóa. Với mức giá $520, mức độ thoải mái và kết quả thực tế, sản phẩm có khả năng trở thành một phần không thể thiếu trong cuộc sống hàng ngày của những người đau khổ vì chứng mất ngủ.
📌 NVIDIA không chỉ tiên phong trong việc ứng dụng AI tạo sinh vào nghiên cứu y sinh mà còn tạo cơ hội cho các nhà nghiên cứu sử dụng công nghệ này thông qua việc cung cấp APIs và hợp tác với các công ty dược phẩm. Với sự hợp tác giữa NVIDIA và Genentech, cùng việc Amgen áp dụng AI vào phát hiện thuốc, NVIDIA đang mở rộng ảnh hưởng của mình trong ngành y tế. Các mô hình như Phenom-Beta và MolMIM chứng tỏ tiềm năng trong quá trình phát triển thuốc, cùng với sự tham gia của các đối tác khác, nhấn mạnh sự quan trọng của AI tạo sinh trong tương lai của y học.
📌 Ngành y tế và khoa học sự sống, không chịu ảnh hưởng bởi suy thoái, đang chứng kiến sự đổi mới mạnh mẽ nhờ vào AI tạo sinh và y học chính xác. AI tạo sinh đóng vai trò quan trọng trong việc tăng tốc quy trình phát triển thuốc, làm cho chúng hiệu quả và nhanh chóng hơn. Các hệ thống y tế sử dụng AI tạo sinh để phân tích dữ liệu bệnh nhân, tạo ra hành trình điều trị mới và hiệu quả hơn. Với sự gia tăng đầu tư vào AI tạo sinh, các công ty và đối tác trong ngành đang tập trung vào việc phát triển và hợp tác nhiều hơn. Y học chính xác, cung cấp phương pháp điều trị và chăm sóc tốt nhất cho bệnh nhân phù hợp nhất vào thời điểm thích hợp, đang dần trở thành tương lai của ngành y tế. Với sự kết hợp giữa đổi mới khoa học và nhu cầu y tế sau đại dịch COVID-19, các lĩnh vực như biopharma, chẩn đoán, thiết bị y tế, và hệ thống y tế đang mở ra hướng đi mới cho ngành, tạo ra cơ hội phát triển không chỉ trong thị trường nội địa mà còn trên toàn cầu.
📌Nghiên cứu do nhóm nghiên cứu Mỹ và Kenya thực hiện, sử dụng ghi âm ho từ trung tâm y tế Kenya gồm 33.000 tiếng ho tự nhiên và 1.200 tiếng ho cưỡng bức. ứng dụng có thể trở thành công cụ sàng lọc hữu ích, mặc dù không thay thế hoàn toàn phương pháp chẩn đoán truyền thống. Sự phát triển của AI đã đóng vai trò quan trọng trong việc phân tích lượng lớn dữ liệu âm thanh. Điều này, cùng với sự gia tăng quan tâm đến phân tích ho do đại dịch Covid-19, đã thúc đẩy sự ra đời của 30-40 công ty khởi nghiệp trong lĩnh vực phân tích âm thanh ho. Các công ty như ResApp Health và AudibleHealthAI đã đạt được những tiến bộ đáng chú ý, với ResApp xác định chính xác 92% ca nhiễm Covid-19 chỉ từ âm thanh ho. Ngoài ra, dự án trị giá 14 triệu đô la của NIH nhằm phát triển cơ sở dữ liệu âm thanh giọng nói và hô hấp, mở ra khả năng chẩn đoán một loạt các bệnh từ ung thư đến các rối loạn tâm thần.
📌 Với việc 52% người Mỹ sử dụng AI để đánh giá triệu chứng và 81% tìm thấy kết quả chính xác, sự tin tưởng vào AI trong lĩnh vực y tế đang tăng cao. Dù còn thách thức, sự kết hợp giữa khả năng của AI và chuyên môn của bác sĩ hứa hẹn sẽ nâng cao chất lượng dịch vụ y tế tại Mỹ.
Công cụ AI ChatGPT đã trở thành một phần quan trọng trong việc tự chẩn đoán bệnh và tìm hiểu thông tin y tế trực tuyến. Một ví dụ cụ thể là trường hợp của Katie Sarvela ở Nikiksi, Alaska, người đã sử dụng ChatGPT để mô tả các triệu chứng sớm của bệnh đa xơ cứng. Dù ChatGPT không thể đưa ra chẩn đoán y khoa chính xác, nó đã đề xuất khả năng mắc bệnh đa xơ cứng, một bệnh tự miễn dẫn đến việc tấn công hệ thần kinh trung ương.
ChatGPT là một công cụ chatbot hỗ trợ AI, sử dụng thông tin từ internet để tổ chức và trả lời các câu hỏi một cách ngữ cảnh, giúp người dùng tự tìm hiểu thông tin y tế. Mặc dù có những hạn chế nhất định, như việc thông tin có thể không chính xác (được gọi là "ảo giác" trong ngành AI), ChatGPT vẫn được xem là công cụ hỗ trợ quý giá, đặc biệt trong việc hỗ trợ bác sĩ chẩn đoán.
Các bác sĩ như Dr. Karim Hanna, chủ tịch khoa y gia đình tại Bệnh viện Đại học Tampa General và giám đốc chương trình cư trú y gia đình tại Đại học Nam Florida, đang dạy các học viên của mình cách sử dụng ChatGPT như một công cụ hỗ trợ. ChatGPT không chỉ hỗ trợ trong việc đưa ra các chẩn đoán khác biệt mà còn giúp bác sĩ cập nhật các hướng dẫn điều trị và nghiên cứu mới nhất.
Tuy nhiên, việc sử dụng ChatGPT cần phải cân nhắc kỹ lưỡng. Sử dụng ChatGPT để tự chẩn đoán hoặc tìm hiểu thông tin y tế có thể mang lại lợi ích nhưng cũng có thể dẫn đến hiểu lầm hoặc lo lắng không cần thiết. Ví dụ, việc tìm hiểu thông tin về một triệu chứng nhất định trên internet hoặc thông qua ChatGPT có thể gây ra tình trạng "cyberchondria," hoặc lo lắng không cần thiết về sức khỏe.
Các nghiên cứu đã chỉ ra rằng việc tìm hiểu thông tin y tế trực tuyến trước khi gặp bác sĩ có thể mang lại sự yên tâm và giúp người bệnh chuẩn bị tốt hơn cho cuộc hẹn với bác sĩ. Tuy nhiên, việc lựa chọn thông tin y tế từ các nguồn đáng tin cậy và tránh tin vào thông tin không chính xác là rất quan trọng.
📌 ChatGPT và các công cụ AI khác đang mở ra những cơ hội mới trong việc tìm hiểu và chẩn đoán sức khỏe, nhưng việc sử dụng chúng đòi hỏi sự cẩn trọng và kỹ lưỡng. Mặc dù có những hạn chế nhất định, như việc thông tin có thể không chính xác (được gọi là "ảo giác" trong ngành AI), ChatGPT vẫn được xem là công cụ hỗ trợ quý giá, đặc biệt trong việc hỗ trợ bác sĩ chẩn đoán. Các công cụ này không thể thay thế việc thăm khám và tư vấn trực tiếp từ các chuyên gia y tế, nhưng chúng có thể là nguồn thông tin hữu ích để hỗ trợ quá trình chẩn đoán và điều trị.
📌 Mô hình máy học mới từ Oita University và Eisai Co., Ltd. mở ra hướng tiếp cận không xâm lấn và tiếp cận được trong sàng lọc AD, đánh dấu bước tiến quan trọng trong nghiên cứu và quản lý bệnh Alzheimer. Bằng việc tích hợp dữ liệu từ sensor đeo tay và tư vấn y tế, mô hình này có tiềm năng lớn trong việc phát hiện sớm và can thiệp kịp thời, đặc biệt quan trọng trong bối cảnh dân số già hóa tại Nhật Bản và toàn cầu.
📌 Các nhà nghiên cứu Úc đã phát triển một hệ thống AI không xâm lấn đầu tiên trên thế giới có thể chuyển đổi suy nghĩ im lặng thành văn bản chỉ bằng việc đeo một chiếc mũ. Mặc dù DeWave chỉ đạt được độ chính xác hơn 40% dựa trên một trong hai bộ tiêu chí trong các thí nghiệm, đây là một cải thiện 3% so với tiêu chuẩn trước đây cho việc chuyển đổi suy nghĩ từ ghi chép EEG.
📌 Nghiên cứu này là bước tiến quan trọng trong việc nhận diện nguy cơ tự tử ở giới trẻ. Sự kết hợp giữa AI và phân tích dữ liệu lớn mở ra hướng tiếp cận mới, giúp các nhà nghiên cứu và nhà hoạch định chính sách phát triển chiến lược phòng ngừa tự tử hiệu quả hơn, đồng thời cung cấp cái nhìn sâu sắc hơn về các yếu tố nguy cơ và bảo vệ liên quan đến vấn đề này.
📌 Công trình nghiên cứu này mở ra cả quan điểm tích cực và tiêu cực, đặt ra nhiều câu hỏi về quyền riêng tư và quyền lực con người trong khi các công ty tư nhân có thể đã sử dụng các phương pháp tương tự với dữ liệu của họ. Sự tiến bộ nhanh chóng của AI đòi hỏi phải có cuộc tranh luận công khai về việc chúng ta cho phép dự đoán dựa trên AI trong cả lĩnh vực tư nhân và công cộng. Đây là thời điểm cần thiết để bắt đầu cuộc đối thoại về những dự đoán chi tiết về cuộc sống con người khi hiện tượng này đã và đang diễn ra mà không có sự thảo luận nào.
📌 Năm 2023 đã chứng kiến những bước tiến đáng kể của AI trong lĩnh vực y tế, từ việc giảm tải công việc cho bác sĩ bằng ChatGPT, tăng tốc nghiên cứu ung thư, cải thiện phát hiện bệnh, đến tối ưu hóa quy trình phát hiện thuốc và thử nghiệm lâm sàng, mở ra tương lai sức khỏe được cá nhân hóa, hiệu quả và dễ tiếp cận hơn.
📌 Nghiên cứu cho thấy AI không thiên vị AI không thiên vị giúp cải thiện độ chính xác chẩn đoán từ 73% lên 75,9%, và lên tới 77,5% khi có giải thích từ AI. AI thiên vị giảm độ chính xác xuống 61,7% mà không cần giải thích và chỉ tăng nhẹ khi có giải thích thiên vị.
📌 Phát triển mới trong AI mở ra cánh cửa để hiểu rõ hơn về bộ não người và khả năng tái tạo hình ảnh từ suy nghĩ. Mặc dù cung cấp nhiều cơ hội, việc áp dụng công nghệ này cần phải được tiếp cận một cách thận trọng, với sự cân nhắc kỹ lưỡng về các vấn đề liên quan đến quyền riêng tư và đạo đức.
📌 Máy tính "Doom" sử dụng AI để dự đoán tuổi thọ dựa trên dữ liệu sức khỏe và lối sống, mở ra tranh cãi về độ chính xác và vấn đề đạo đức, cũng như tiềm năng ứng dụng trong lĩnh vực y tế.
📌 Bài viết nhấn mạnh vai trò của AI trong việc cải thiện quá trình phát hiện ung thư, từ việc phân tích hình ảnh y tế nhanh chóng đến việc giảm thiểu các phương pháp chẩn đoán invazive, qua đó nâng cao độ chính xác và hiệu quả của quá trình chẩn đoán.
🔍 Mô hình AI Life2vec mở ra khả năng dự đoán sự kiện trong tương lai của con người dựa trên quá khứ với độ chính xác đáng kinh ngạc, từ đặc điểm tính cách đến tử vong sớm. Các kết quả nghiên cứu tương đồng với các phát hiện xã hội học, đồng thời nhấn mạnh cần thiết có quy định để bảo vệ quyền cá nhân khi áp dụng công nghệ này.
Bài viết từ New Scientist cung cấp cái nhìn sâu sắc về hệ thống AI có khả năng dự đoán nguy cơ tử vong sớm, nhấn mạnh vào sự cần thiết của việc phát triển AI đạo đức và có trách nhiệm, cùng với những thách thức về bảo mật và quyền riêng tư.
Nghiên cứu này là một bước tiến quan trọng trong việc chẩn đoán tự kỷ, với sự hỗ trợ của AI trong việc phân tích hình ảnh võng mạc. Điều này không chỉ cải thiện khả năng chẩn đoán sớm mà còn mở ra hướng tiếp cận mới cho việc nghiên cứu và hiểu biết về tự kỷ.
- Bài viết trên MarkTechPost của Tanya Malhotra ngày 17 tháng 12 năm 2023 phân tích vai trò của các mô hình ngôn ngữ lớn (LLMs) trong y tế, thách thức và ứng dụng của chúng.
- LLMs như GPT, PaLM, LLaMA được sử dụng trong nhiều nhiệm vụ NLP và đang được thử nghiệm trong lĩnh vực y tế với các mô hình như ChatDoctor, MedAlpaca, PMC-LLaMA.
- Các thách thức bao gồm thiếu dữ liệu đánh giá chung và sự tập trung quá mức vào các câu hỏi y khoa mà bỏ qua các nhiệm vụ khác như truy xuất thông tin, tóm tắt văn bản.
- Nghiên cứu đưa ra 5 câu hỏi chính để khám phá việc tạo, đánh giá, sử dụng, vấn đề và cải thiện các mô hình LLMs y tế.
- Đề xuất nghiên cứu nhấn mạnh sự cần thiết của việc phát triển và áp dụng LLMs một cách có trách nhiệm trong ngành y.
Kết luận, nghiên cứu của Tanya Malhotra cung cấp cái nhìn toàn diện về sự tích hợp của AI tạo sinh trong y học, qua đó mở ra hướng tiếp cận mới cho việc cải thiện chăm sóc sức khỏe và hỗ trợ y khoa thông qua việc sử dụng các mô hình ngôn ngữ lớn.
- Google giới thiệu MedLM, bộ mô hình AI mới cho ngành y tế vào thứ Tư, dành cho các nhiệm vụ như nghiên cứu lớn và tóm tắt cuộc hội thoại giữa bác sĩ và bệnh nhân.
- MedLM bao gồm mô hình AI kích thước lớn và vừa, dựa trên Med-PaLM 2, mô hình ngôn ngữ lớn được huấn luyện bằng dữ liệu y tế.
- Mô hình lớn thích hợp cho nhiệm vụ đòi hỏi kiến thức chuyên sâu và năng lực tính toán cao, còn mô hình vừa thích hợp với nhiệm vụ cần độ linh hoạt cao.
- HCA Healthcare đã sử dụng MedLM để tự động hóa việc ghi chép tương tác giữa bác sĩ và bệnh nhân, và phát triển công cụ bàn giao ca cho y tá.
- Dự kiến đến tháng 1, công nghệ của Google có thể tạo ra hơn một nửa bản ghi chép mà không cần sự giúp đỡ từ người cung cấp dịch vụ.
Kết luận: Google đang đẩy mạnh ứng dụng AI trong ngành y tế với MedLM, bộ mô hình AI mới có khả năng tự động hóa các nhiệm vụ phức tạp và cải thiện đáng kể quy trình làm việc của bác sĩ và y tá. Sự hợp tác với HCA Healthcare và việc triển khai các mô hình AI này đã cho thấy tiềm năng lớn trong việc giảm bớt thời gian và công sức cho các nhân viên y tế, mở ra hướng tiến mới cho sự chăm sóc sức khỏe hiện đại
Tóm tắt nội dung chính của bài:
- Meta (Facebook) cập nhật tính năng AI cho kính thông minh Ray-Ban.
- Cho phép truy cập sớm các tính năng AI mới cho người dùng tại Mỹ.
- Sử dụng camera trên kính, AI có thể nhận diện vật thể, cung cấp gợi ý phong cách.
- Kết hợp với Bing của Microsoft để cung cấp thông tin thời gian thực.
- Mang lại trải nghiệm thực tế tăng cường, giúp người dùng tương tác thông minh hơn.
- Đây là bước tiến quan trọng đối với kính thông minh, ứng dụng AI thực tế.
Nhìn chung, việc Meta bổ sung các tính năng AI như nhận dạng vật thể, cung cấp thông tin thời gian thực cho kính thông minh Ray-Ban sẽ mang lại những trải nghiệm thực tế tăng cường cho người dùng. Đây là bước đột phá quan trọng, biến đôi kính thành công cụ hỗ trợ thông minh và hiệu quả trong cuộc sống hàng ngày.