- Với một bệnh nhân điều trị bệnh kéo dài tại Hàn Quốc, hồ sơ bệnh án đã được thay mặt bệnh nhân xin cấp từ các bệnh viện trên toàn quốc, từ Jeju đến Seoul; sau đó hàng chục nghìn trang giấy được quét, OCR, cấu trúc hóa rồi phân tích bằng AI.
- Trong quá trình đó, AI đã gợi ý khả năng OIH (tăng cảm đau do opioid), và giáo sư phụ trách thừa nhận mình đã bỏ sót, nói rằng đây là một "ca cả đời chỉ gặp một lần", nhờ vậy ca phẫu thuật đặt máy kích thích tủy sống được đẩy sớm hơn.
Điểm khởi đầu: hồ sơ phân tán, bệnh nhân không thể tự đọc hết
- Bệnh nhân điều trị lâu năm thường không thể xem toàn bộ hồ sơ y tế của mình trong một hệ thống thống nhất. Hồ sơ nằm rải rác ở từng bệnh viện, và mỗi lần chuyển viện lại chỉ luân chuyển bằng cách sao chụp hồ sơ giấy để nộp.
- Bệnh nhân trong trường hợp này bị bệnh lý tủy sống do cốt hóa dây chằng dọc sau (OPLL), đã được phẫu thuật giải ép và hàn xương, nhưng sau mổ xuất hiện FBSS (hội chứng đau sau phẫu thuật cột sống), khiến cơn đau nặng hơn.
- Các bệnh viện đã đi qua gồm Haeundae Paik Hospital → Seoul National University Hospital → Busan St. Mary's Hospital, và cả Jeju National University Hospital nơi vị giáo sư chuyển đến làm việc. Chỉ riêng bản sao giấy từ Seoul National University Hospital đã lên tới hơn một nghìn trang.
Việc chúng tôi đã làm: xin cấp trên toàn quốc → dữ liệu hóa
- Thay mặt bệnh nhân, chúng tôi trực tiếp xin cấp hồ sơ bệnh án từ 4 bệnh viện phân tán ở Busan, Seoul và Jeju. Tổng quy mô là hàng chục nghìn trang giấy.
- Trong đó lẫn lộn ghi chú khám chữa bệnh của bác sĩ, diễn biến kết quả xét nghiệm qua nhiều năm, hồ sơ phẫu thuật, thuốc men và giấy tờ hành chính. Con người gần như không thể đọc hàng chục nghìn trang rồi sắp xếp lại theo chuỗi thời gian.
Pipeline: quét → OCR → cấu trúc hóa → tích hợp theo chuỗi thời gian
- Tài liệu được số hóa bằng quét, dùng OCR để trích xuất văn bản từ ghi chú khám bệnh viết tay và phiếu xét nghiệm in sẵn, rồi chuẩn hóa ngày tháng, bệnh viện, hạng mục xét nghiệm, chỉ số, thuốc và sự kiện phẫu thuật vào một schema tiêu chuẩn.
- Hồ sơ từ 4 bệnh viện được hợp nhất thành một timeline duy nhất, tạo thành longitudinal EMR trong 5 năm. Nền tảng dữ liệu này hoàn toàn khác với việc chỉ nhập vài dòng vào một LLM đơn lẻ.
Khoảnh khắc phát hiện: nghịch lý của thuốc giảm đau gây nghiện
- Bệnh nhân dùng thuốc giảm đau gây nghiện vì đau, nhưng dù tăng liều thì cơn đau vẫn không được kiểm soát mà còn trở nên nặng hơn, cho thấy một phản ứng bất thường.
- Khi tiếp tục đặt câu hỏi cho AI cùng với hồ sơ và trải nghiệm không điển hình này, AI đã gợi ý OIH (Opioid-Induced Hyperalgesia, tăng cảm đau do opioid). Trước đó bệnh nhân hoàn toàn không biết khái niệm này tồn tại.
Kết quả: điều giáo sư bỏ sót, và ca phẫu thuật được đẩy sớm
- Trong lần tái khám tiếp theo, khi trao đổi với giáo sư, ông nói rằng đây là một "ca mà cả đời tôi cũng chỉ gặp một lần" và thừa nhận mình đã bỏ sót.
- Khi cách diễn giải theo hướng OIH được thiết lập, nhóm điều trị đã giảm thuốc giảm đau gây nghiện, có thêm cơ sở chắc chắn về sự cần thiết của việc cấy máy kích thích tủy sống (SCS), và quyết định tiến hành dứt khoát ca phẫu thuật vốn trước đó mới chỉ được cân nhắc mơ hồ. Không dừng ở việc cung cấp thông tin, nó đã dẫn tới thay đổi hành động thực tế.
Ý nghĩa của điều này
- Đây không phải là vì mô hình thông minh hơn, mà là vì nền tảng dữ liệu đã khác. Phần khó nhất không nằm ở suy luận, mà là biến hàng chục nghìn trang giấy phân tán từ Jeju đến Seoul thành một khối dữ liệu duy nhất mà máy có thể đọc được.
Trường hợp này đã được tái cấu trúc sau khi loại bỏ thông tin nhận dạng cá nhân với sự đồng ý của bệnh nhân. Mọi quyết định y khoa bắt buộc phải được trao đổi với đội ngũ y tế điều trị phụ trách.
1 bình luận
Gemini hiện tại chỉ cần nhập rằng "bệnh nhân đã dùng thuốc giảm đau opioid vì đau, nhưng ngay cả khi tăng liều thì cơn đau không những không được kiểm soát mà còn trở nên nặng hơn, cho thấy một phản ứng bất thường" là đã ưu tiên gợi ý AIH rồi...
Nhưng điều khiến tôi ngạc nhiên hơn là chuyện có cả "ghi chú khám bệnh viết tay". Bệnh viện Đại học Quốc gia Seoul đưa EMR vào từ năm 2004, nên chắc đây là dữ liệu từ trước đó. Nếu vậy thì việc vượt qua được nét chữ bác sĩ vốn nổi tiếng khó đọc quả thật rất đáng kinh ngạc.