AI Triage ESI — Hỗ trợ Phân loại & Điều phối Bệnh nhân Cấp cứu (AI20K-093)

1. Bài toán

Tại khoa cấp cứu, phân loại ưu tiên (triage) quyết định thứ tự khám và mức độ khẩn. Việc này phụ thuộc kinh nghiệm điều dưỡng, mang tính chủ quan và dễ sai khi quá tải — đặc biệt under-triage (đánh giá nhẹ ca nặng) có thể nguy hiểm tính mạng.

Thách thức dữ liệu: ca nguy kịch rất hiếm (ESI-3 ~55% vs ESI-1 ~1.6%, tỉ lệ ≈34:1) → mô hình dễ "bỏ qua" lớp hiếm nếu chỉ tối ưu accuracy.

Mục tiêu: một trợ lý AI gợi ý ESI 1–5 + cờ Nguy cơ cao (CRITICAL) ngay lúc tiếp nhận, giải thích được, an toàn, và luôn có người duyệt.

2. Giải pháp kỹ thuật

• 2 model XGBoost (không ensemble): Yale (chính, học trên nhãn ESI thật) + NHAMCS (phụ, kiểm chứng chéo). Mỗi model 2 đầu ra: ESI ordinal (Frank-Hall, giữ tính thứ tự) + CRITICAL (nhị phân, calibrate isotonic).
• NEWS2 — lưới luật dựa sinh hiệu, chạy độc lập model: recommended_esi = min(esi, 2) nếu CRITICAL/NEWS2 cảnh báo.
• Agent LLM (provider-agnostic, deploy Gemini Flash): Intake bóc field từ mô tả tiếng Việt (form/text/giọng nói qua STT Speechmatics) → Explanation viết ghi chú. LLM không chấm độ nặng.
• Lớp QA (9 luật): bắt sinh hiệu vô lý, thiếu field, nghe nhầm STT… để điều dưỡng xác nhận.
• Human-in-the-loop 2 cổng: điều dưỡng duyệt field → bác sĩ duyệt kết quả.
• Kiến trúc: Next.js · FastAPI (nhúng ml/ chạy in-process) · PostgreSQL · Cloud Run (fallback) · CI/CD k3s. Không RAG/LangGraph/vector store — chọn đúng công cụ cho bài toán bảng số + luật.

3. Tính khả thi

• Đã chạy được end-to-end: full-stack local (Docker) + agent eval thật trên 5 ca lâm sàng.
• Chất lượng model (test): Critical PR-AUC 0.842 · recall 0.853 @0.30; ESI QWK 0.707 · macro-F1 0.579; calibration ECE 0.004 (đo bằng recall/PR-AUC/QWK — không dùng accuracy).
• Chống rò rỉ: split-first, loại ~846 cột sinh sau khám → phản ánh đúng điều kiện "lúc tiếp nhận".
• Suy giảm êm: LLM lỗi vẫn trả output model; form thủ công thay giọng nói; predict local lỗi → fallback Cloud Run.
• Triển khai thật: CI/CD GitHub Actions → Docker Hub → k3s staging/production + Cloudflare Tunnel.

4. Hướng phát triển

• Fine-tune dữ liệu Việt Nam (hiện train trên dữ liệu Mỹ NHAMCS/Yale, chưa nội địa hoá).
• Thu âm thật tiếng Việt cho STT y khoa (thay vì test TTS) + mở rộng từ vựng.
• Thẩm định lâm sàng + tinh chỉnh ngưỡng & ma trận chi phí under/over-triage cùng bác sĩ.
• Đưa bệnh nền ngoài 22 cờ (thai kỳ, kháng đông, suy giảm miễn dịch…) vào lớp luật.
• Tối ưu độ trễ STT (streaming) và dashboard audit AI (so ESI thật ↔ AI).