TRÍ TUỆ NHÂN TẠO VÀ DỮ LIỆU LỚN TRONG BỆNH NHIỄM TRÙNG: BỐI CẢNH TOÀN CẦU, THÁCH THỨC VÀ TRIỂN VỌNG TẠI VIỆT NAM
Nội dung chính của bài viết
Tóm tắt
Trí tuệ nhân tạo (AI) và dữ liệu lớn đang chuyển đổi y học hiện đại, đặc biệt trong lĩnh vực bệnh nhiễm trùng. Công nghệ AI ngày càng được ứng dụng nhiều hơn trong chẩn đoán hình ảnh y tế, phát hiện nhiễm trùng huyết sớm, dự đoán bùng phát, tối ưu hóa điều trị và quản lý kháng sinh. Song song đó, sự mở rộng nhanh chóng của hồ sơ sức khỏe điện tử, cơ sở dữ liệu phòng thí nghiệm, hệ thống hình ảnh, thông tin bộ gen và giám sát dịch tễ học đã tạo ra các bộ dữ liệu chăm sóc sức khỏe quy mô lớn phù hợp với các ứng dụng học máy và học sâu.
Trên toàn cầu, AI đã chứng minh hiệu suất đầy hứa hẹn trong việc phát hiện bệnh lao phổi và viêm phổi, dự đoán mức độ nghiêm trọng của sốt xuất huyết, hỗ trợ giám sát COVID-19 và đẩy nhanh quá trình phát triển thuốc và vắc-xin. Tại Việt Nam, một số bệnh viện đã bắt đầu triển khai hệ thống X quang hỗ trợ AI, công cụ theo dõi chăm sóc đặc biệt và các chương trình quản lý kháng sinh điện tử. Các sáng kiến sức khỏe số quốc gia và hệ thống giám sát bệnh truyền nhiễm cũng đang dần tạo nền tảng cho việc tích hợp AI trong tương lai.
Tuy nhiên, vẫn còn những thách thức đáng kể, bao gồm tiêu chuẩn hóa dữ liệu hạn chế, hệ thống thông tin y tế bị phân mảnh, thiếu khả năng tương tác, lo ngại về tính minh bạch của mô hình và thiếu chuyên môn liên ngành. Các vấn đề đạo đức và pháp lý liên quan đến quyền riêng tư của bệnh nhân và bảo mật dữ liệu cũng là những rào cản lớn đối với việc triển khai quy mô lớn.
Đánh giá này tóm tắt các ứng dụng chính của AI và Dữ liệu lớn trong các bệnh nhiễm trùng, đánh giá thực trạng triển khai tại Việt Nam và thảo luận về các cơ hội và thách thức trong tương lai đối với việc tích hợp AI vào hệ thống quản lý bệnh nhiễm trùng và y tế công cộng.
Từ khóa
Trí tuệ nhân tạo, Dữ liệu lớn, Bệnh nhiễm trùng, Học máy, Học sâu
Chi tiết bài viết
Tài liệu tham khảo
2. Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A guide to deep learning in healthcare. Nat Med. 2019;25(1):24-29. doi:10.1038/s41591-018-0316-z.
3. Obermeyer Z, Emanuel EJ. Predicting the future—big data, machine learning, and clinical medicine. N Engl J Med. 2016;375(13):1216-1219. doi:10.1056/NEJMp1606181.
4. Ardila D, Kiraly AP, Bharadwaj S, Reicher JJ, Peng L, Tse D, et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med. 2019;25(6):954-961. doi:10.1038/s41591-019-0447-x.
5. Henry KE, Hager DN, Pronovost PJ, Saria S. A targeted real-time early warning score for sepsis. Sci Transl Med. 2015;7(299):299ra122. doi:10.1126/scitranslmed.aab3719.
6. Budd J, Miller BS, Manning EM, Lampos V, Zhuang M, Edelstein M, et al. Digital technologies in the public-health response to COVID-19. Nat Med. 2020;26(8):1183-1192. doi:10.1038/s41591-020-1011-4.
7. Senior AW, Evans R, Jumper J, Kirkpatrick J, Sifre L, Green T, et al. Improved protein structure prediction using deep learning. Nature. 2020;577(7792):706-710. doi:10.1038/s41586-019-1923-7.
8. De Corte T, Van Hoecke S, De Waele J. Artificial intelligence in infection management in the ICU. Crit Care. 2022;26(1):79. doi:10.1186/s13054-022-03916-2.
9. World Health Organization. Global Antimicrobial Resistance and Use Surveillance System (GLASS) Report 2022. Geneva: WHO; 2022.
10. Dharshini DM. Artificial intelligence in infectious diseases: current applications, challenges, and future directions. Int J Pharm Sci. 2025;3(9):1950-1952. doi:10.5281/zenodo.17149600.
11. Cesaro A, Hoffman SC, Das P, de la Fuente-Nunez C. Challenges and applications of artificial intelligence in infectious diseases and antimicrobial resistance. npj Antimicrob Resist. 2025;3:2. doi:10.1038/s44259-024-00068-x.
12. Lakhani P, Sundaram B. Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology. 2017;284(2):574-582. doi:10.1148/radiol.2017162326.
13. Arabi YM, Alsaawi A, Alzahrani M, Al Khathaami AM, AlHazme RH, Al Mutrafy A, et al. Electronic Sepsis Screening Among Patients Admitted to Hospital Wards: A Stepped-Wedge Cluster Randomized Trial. JAMA. 2025;333(9):763-773. doi:10.1001/jama.2024.25982.
14. Hau NV, Tuyet-Hanh TT, Mulhall J, Minh HV, Duong TQ, Chien NV, et al. Deep learning models for forecasting dengue fever based on climate data in Vietnam. PLoS Negl Trop Dis. 2022;16(6):e0010509. doi:10.1371/journal.pntd.0010509.
15. Nguyen TT, Ngo PTM, Vo LT. Predicting the risk of mortality in children with dengue-induced hepatitis admitted to the paediatric intensive care unit. World J Crit Care Med. 2024;13(4):98862. doi:10.5492/wjccm.v13.i4.98862.
16. Rawson TM, Moore LSP, Hernandez B, Charani E, Castro-Sanchez E, Herrero P, et al. Using digital health technologies to optimise antimicrobial use globally. Lancet Digit Health. 2024;6(2):e119-e130. doi:10.1016/S2589-7500(23)00252-0.
17. Sufi F. Generative AI in microbial evolution and resistance: toward robust, explainable, and equitable predictions. Front Microbiol. 2025;16:1705320. doi:10.3389/fmicb.2025.1705320.
18. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7.
19. Patel MR, Balu S, Pencina MJ. Translating AI for the clinician. JAMA. 2024;332(20):1701-1702. doi:10.1001/jama.2024.21772.
20. Lee P, Goldberg C, Kohane I. The AI Revolution in Medicine: GPT-4 and Beyond. 1st ed. Boston: Pearson; 2023. ISBN: 978-0-13-820013-8.
21. Eraslan G, Avsec Z, Gagneur J, Theis FJ. Deep learning: new computational modelling techniques for genomics. Nat Rev Genet. 2019;20(7):389-403. doi:10.1038/s41576-019-0122-6.
22. Fitzpatrick F, Doherty A, Lacey G. Using artificial intelligence in infection prevention. Curr Treat Options Infect Dis. 2020;12:135-144. doi:10.1007/s40506-020-00216-8.