Luồng hỏi đáp AI

Khi bác sĩ đặt câu hỏi, hệ thống xử lý theo các bước:

1. Kiểm tra quyền truy cập bệnh nhân
2. Phân loại intent của câu hỏi, ví dụ: hỏi thuốc, dị ứng, xét nghiệm, lần khám, bệnh nền
3. Truy xuất dữ liệu có cấu trúc từ PostgreSQL
4. Tìm thêm ngữ cảnh bằng Hybrid Search/RAG nếu cần
5. Tạo câu trả lời bằng LLM dựa trên bằng chứng đã truy xuất
6. Gắn evidence chip/citation để người dùng kiểm tra nguồn
7. Lưu lịch sử hỏi đáp và audit log

Luồng Patient Brief

Patient Brief giúp bác sĩ nắm nhanh tình trạng bệnh nhân trước khi khám. Hệ thống tổng hợp các thông tin quan trọng như bệnh nền, thuốc, dị ứng, lần khám gần nhất, lab/vitals và các điểm cần chú ý.

Luồng xử lý:

1. Trích xuất các claim quan trọng từ hồ sơ bệnh nhân
2. Xây dựng ngữ cảnh theo dòng thời gian
3. Tạo bản tóm tắt bằng AI
4. Kiểm tra lại chất lượng tóm tắt bằng cơ chế verify-and-refine
5. Lưu kết quả để hiển thị trên dashboard

Luồng upload và trích xuất bệnh án

Người dùng có thể upload hoặc nhập văn bản lâm sàng. AI sẽ trích xuất thông tin như bệnh nhân, lần khám, thuốc, dị ứng, bệnh lý và chỉ số xét nghiệm thành bản nháp. Dữ liệu này không được ghi thẳng vào hồ sơ bệnh án mà cần người dùng review trước khi lưu.

4. Chỉ số đánh giá

Hiệu năng & Chi phí API

Độ chính xác

• Pass Rate tổng thể: 18/20 (90%)
• Faithfulness: 0.9667
• Context Recall: 0.7000
• Medication Status Accuracy: 1.0000
• Abstention Accuracy: 1.0000
• Temporal / Latest-value Accuracy: 1.0000
• Patient Leakage Rate: 0.0000

Kết quả cho thấy hệ thống có khả năng trả lời trung thực theo dữ liệu, biết từ chối khi không có bằng chứng, lấy đúng thông tin mới nhất và không truy xuất nhầm dữ liệu giữa các bệnh nhân.

5. Guardrails và an toàn hệ thống

Hệ thống có các cơ chế kiểm soát nhằm giảm rủi ro khi dùng AI trong bối cảnh y tế:

• Grounded Answer: AI chỉ trả lời dựa trên dữ liệu đã truy xuất từ hồ sơ bệnh án.
• Abstention: Nếu không có thông tin trong hồ sơ, hệ thống trả lời không tìm thấy bằng chứng thay vì tự suy đoán.
• Evidence Chip/Citation: Mỗi câu trả lời quan trọng có nguồn dữ liệu để kiểm tra lại.
• Patient Privacy: Dữ liệu được truy xuất theo từng patient_id, tránh lấy nhầm thông tin giữa các bệnh nhân.
• Role-based Access: Người dùng phải có quyền mới được xem hồ sơ bệnh nhân.
• Upload Safety: Dữ liệu trích xuất từ văn bản upload chỉ là draft và cần review trước khi lưu.
• Audit Log: Các thao tác quan trọng được ghi log để phục vụ kiểm tra và truy vết.
• Giới hạn phạm vi AI: AI chỉ hỗ trợ tra cứu và tóm tắt hồ sơ, không chẩn đoán, không kê đơn và không thay thế quyết định lâm sàng.

6. Tính khả thi

Dự án có tính khả thi cao vì phạm vi được giới hạn rõ ràng: hệ thống tập trung vào tra cứu, tóm tắt và hỗ trợ đọc hồ sơ bệnh án, không cố gắng thay thế bác sĩ hoặc đưa ra quyết định điều trị.

Các yếu tố chứng minh tính khả thi:

• Dữ liệu có cấu trúc rõ ràng: Hồ sơ bệnh án gồm các bảng như bệnh nhân, lần khám, thuốc, dị ứng, xét nghiệm, bệnh nền.
• Kiến trúc phù hợp MVP: Kết hợp PostgreSQL cho dữ liệu chính và Qdrant/Hybrid Search cho tìm kiếm ngữ nghĩa.
• Chi phí API thấp: Ước tính khoảng 7.100 VND / user / tháng cho các tác vụ phổ biến.
• Thời gian phản hồi chấp nhận được: Chat phản hồi khoảng 4–5 giây, phù hợp cho demo và thử nghiệm nội bộ.
• Có guardrails cơ bản: Hệ thống đã có citation, kiểm soát dữ liệu bệnh nhân, từ chối khi thiếu bằng chứng và audit log.
• Có thể mở rộng: Kiến trúc tách frontend, backend, database, vector search và model provider nên có thể nâng cấp từng phần.

7. Báo cáo chi phí

Dựa trên số liệu đánh giá, chi phí cho mỗi request dao động từ 7,4 VND đến 26,2 VND tùy vào tác vụ.

Giả sử một bác sĩ sử dụng trung bình mỗi ngày:

• 5 lần tạo tóm tắt
• 5 lần trích xuất thông tin
• 15 lần hỏi đáp chat

Tính cho 20 ngày làm việc mỗi tháng:

• Tóm tắt: 5 x ~20 VND x 20 ngày = 2.000 VND
• Trích xuất: 5 x ~24 VND x 20 ngày = 2.400 VND
• Hỏi đáp Chat: 15 x ~9 VND x 20 ngày = 2.700 VND

=> Tổng ước tính chi phí API: ~7.100 VND / user / tháng

Lưu ý: Chi phí trên chỉ tính API model, chưa bao gồm server, database, vector database, domain và hạ tầng triển khai.

8. Hướng phát triển

Trong giai đoạn tiếp theo, hệ thống sẽ được nâng cấp theo các hướng:

1. Tăng độ tin cậy của câu trả lời

• Bổ sung claim-level citation, tức mỗi ý quan trọng trong câu trả lời đều có nguồn riêng.
• Thêm bộ kiểm chứng deterministic để kiểm tra citation, patient_id, thuốc active/stopped và giá trị xét nghiệm mới nhất.
• Cải thiện khả năng phát hiện khi dữ liệu bị thiếu hoặc mâu thuẫn.

2. Tăng an toàn y tế

• Bổ sung Clinical Safety Router để phân biệt câu hỏi tra cứu hồ sơ với câu hỏi yêu cầu chẩn đoán hoặc điều trị.
• Từ chối hoặc chuyển sang chế độ tóm tắt bằng chứng với các câu hỏi như “có nên dùng thuốc này không?” hoặc “nên điều trị thế nào?”.
• Tách rõ trạng thái AI-checked và clinician-verified.

3. Cải thiện trải nghiệm bác sĩ

• Tối ưu giao diện timeline, lab/vitals và medication view.
• Cho phép bác sĩ review, chỉnh sửa và xác nhận Patient Brief.
• Hiển thị rõ hơn evidence chip/citation để dễ kiểm tra nguồn.

4. Mở rộng dữ liệu và đánh giá

• Mở rộng bộ test lâm sàng gồm các case về dị ứng, thuốc, xét nghiệm, no-evidence, temporal reasoning và patient leakage.
• Bổ sung metric như citation accuracy, unsafe answer rate, active medication accuracy và latest lab accuracy.
• Kiểm thử với nhiều dạng hồ sơ bệnh án dài và phức tạp hơn.

9. Kết luận

VinEMR Copilot giải quyết bài toán bác sĩ mất nhiều thời gian đọc và tra cứu hồ sơ bệnh án điện tử. Hệ thống hỗ trợ xem nhanh thông tin bệnh nhân, tạo Patient Brief, hỏi đáp trên EMR có citation và trích xuất thông tin từ bệnh án upload.

Kết quả đánh giá cho thấy hệ thống đạt độ trung thực cao, không rò rỉ dữ liệu giữa bệnh nhân, biết từ chối khi thiếu bằng chứng và có chi phí API thấp. Với các hướng phát triển tiếp theo như claim-level citation, clinical safety router và quy trình bác sĩ review, hệ thống có tiềm năng trở thành một công cụ hỗ trợ đọc hồ sơ bệnh án hữu ích trong môi trường y tế.