“`html

Trí tuệ nhân tạo đang biến đổi các thử nghiệm lâm sàng nhưng thách thức vẫn còn rất lớn

Trí tuệ nhân tạo dần khẳng định vị trí của mình trong lĩnh vực thử nghiệm lâm sàng, hứa hẹn sẽ đẩy nhanh nghiên cứu y học, giảm chi phí và nâng cao hiệu quả của các phương pháp điều trị. Tuy nhiên, việc tích hợp nó đặt ra những câu hỏi phức tạp vượt xa những lời hứa hẹn công nghệ đơn thuần.

Trong việc thiết kế các giao thức, trí tuệ nhân tạo hiện cho phép tự động tạo ra các tài liệu phức tạp từ những bản tóm tắt đơn giản do các nhà nghiên cứu cung cấp. Điều này giúp giảm đáng kể thời gian cần thiết để soạn thảo các giao thức chi tiết, một nhiệm vụ trước đây tốn nhiều thời gian và công sức. Tuy nhiên, tốc độ này đi kèm với những rủi ro, đặc biệt là rủi ro tiết lộ thông tin nhạy cảm về thuốc hoặc thiết kế đổi mới khi những dữ liệu này được nhập vào các hệ thống bên ngoài. Các mô hình dự đoán, mặt khác, phân tích các cơ sở dữ liệu lịch sử để dự báo các kết quả hoạt động quan trọng, chẳng hạn như khả năng đạt được mục tiêu tuyển dụng hoặc xác định các tiêu chí bao gồm tối ưu. Những công cụ này giúp tránh những thất bại tốn kém, nhưng hiệu quả của chúng phụ thuộc rất nhiều vào chất lượng và tính đại diện của dữ liệu được sử dụng.

Việc tuyển dụng bệnh nhân, thường là nguồn gây chậm trễ trong các thử nghiệm, cũng được hưởng lợi từ trí tuệ nhân tạo. Các hệ thống tiên tiến phân tích hàng triệu tài liệu y tế trong thời gian kỷ lục để xác định các ứng viên đủ điều kiện. Ví dụ, một nền tảng đã xử lý hơn 83 triệu tài liệu trong vòng chưa đầy hai tuần, tạo ra hàng tỷ thuật ngữ y tế tiêu chuẩn hóa. Những công nghệ này giúp giảm một nửa thời gian sàng lọc thủ công, từ đó giải phóng thời gian cho các đội ngũ y tế. Chúng cũng cho thấy rằng nhiều tiêu chí đủ điều kiện đã loại trừ không cần thiết các bệnh nhân mà không ảnh hưởng đến kết quả điều trị. Bằng cách nới lỏng những quy tắc này, các thử nghiệm có thể bao gồm gấp đôi số lượng người tham gia trong khi vẫn đảm bảo an toàn.

Tuy nhiên, hiệu suất của các hệ thống này có sự khác biệt. Một số đạt được tỷ lệ thu hồi cao, xác định được đa số bệnh nhân đủ điều kiện, nhưng với độ chính xác đôi khi thấp, nghĩa là chúng cũng bao gồm cả những ứng viên không đủ điều kiện. Ngược lại, một hệ thống có độ chính xác cao sẽ giảm bớt khối lượng công việc cho các nhà xem xét con người, nhưng có nguy cơ loại trừ những bệnh nhân hợp lệ. Những tiến bộ gần đây, chẳng hạn như các mô hình kết hợp thu thập và tạo dữ liệu, cho thấy những kết quả đầy hứa hẹn với tỷ lệ chính xác vượt quá 97%, thậm chí vượt trội hơn cả các điều phối viên con người trong một số nhiệm vụ.

Phân tích dữ liệu là một lĩnh vực khác mà trí tuệ nhân tạo ghi điểm. Nó cho phép xử lý các bộ dữ liệu phức tạp, chẳng hạn như những dữ liệu từ các thiết bị kết nối hoặc hình ảnh y tế, mang lại sự giàu có về thông tin chưa từng có. Tuy nhiên, vẫn tồn tại một cuộc tranh luận giữa các phương pháp thống kê truyền thống và các mô hình hiện đại. Các phương pháp cổ điển, chẳng hạn như hồi quy logistic, cung cấp tính minh bạch vô song, cho phép hiểu rõ ảnh hưởng của từng biến. Các mô hình trí tuệ nhân tạo, mặc dù thường chính xác hơn, hoạt động như những “hộp đen”, khiến cho lý luận nội bộ của chúng khó được giải mã. Sự mờ đục này đặt ra một thách thức lớn đối với việc áp dụng lâm sàng, bởi các bác sĩ do dự khi tuân theo những khuyến nghị mà họ không hiểu, đặc biệt là trong các tình huống quan trọng.

Thiên kiến thuật toán là một trở ngại lớn khác. Các hệ thống có thể duy trì, thậm chí khuếch đại, những bất bình đẳng hiện có nếu dữ liệu được sử dụng để huấn luyện phản ánh những chênh lệch lịch sử. Ví dụ, một thuật toán được sử dụng rộng rãi ở Hoa Kỳ để đánh giá nhu cầu chăm sóc đặc biệt đã ưu tiên bệnh nhân da trắng hơn bệnh nhân da đen, bởi nó sử dụng chi phí chăm sóc sức khỏe trong quá khứ như một chỉ số cho nhu cầu trong tương lai, một tiêu chí bị ảnh hưởng bởi những bất bình đẳng cấu trúc. Tương tự, các công cụ chẩn đoán tim mạch được huấn luyện chủ yếu trên dữ liệu của nam giới cho thấy độ chính xác thấp hơn đối với nữ giới, những người có triệu chứng thường khác biệt. Những thiên kiến này nhấn mạnh tầm quan trọng của việc đa dạng hóa các đội ngũ phát triển và các bộ dữ liệu để đảm bảo kết quả công bằng.

Tính minh bạch của các mô hình cũng là một vấn đề quan trọng. Các bác sĩ lâm sàng và bệnh nhân cần có thể hiểu được cách một quyết định được đưa ra, đặc biệt là khi quyết định đó có tác động trực tiếp đến cuộc sống. Các phương pháp giải thích sau này, chẳng hạn như LIME hoặc SHAP, cố gắng làm cho các mô hình dễ hiểu hơn bằng cách xác định các yếu tố có ảnh hưởng nhất đối với một dự đoán nhất định. Tuy nhiên, những giải thích này vẫn chỉ là gần đúng và có thể chính chúng cũng gây hiểu lầm. Một số mô hình, được thiết kế để có thể giải thích được, chẳng hạn như cây quyết định, cung cấp một giải pháp thay thế, mặc dù độ chính xác của chúng có thể thấp hơn so với các mô hình phức tạp.

Những thách thức không chỉ là kỹ thuật. Việc tích hợp trí tuệ nhân tạo vào các thử nghiệm lâm sàng đặt ra những câu hỏi về đạo đức và pháp lý chưa được giải quyết. Ai là người chịu trách nhiệm trong trường hợp có lỗi y khoa liên quan đến một hệ thống trí tuệ nhân tạo? Nhà phát triển, cơ sở y tế, bác sĩ lâm sàng hay bệnh nhân? Sự phân tán trách nhiệm này, thường được gọi là “vấn đề của nhiều bàn tay”, làm phức tạp hóa việc xác định lỗi lầm và có thể để bệnh nhân không có biện pháp khắc phục rõ ràng. Một số người đề xuất trách nhiệm tập thể, nơi tất cả các bên liên quan sẽ chia sẻ trách nhiệm, nhưng cách tiếp cận này vẫn còn đang được phát triển.

Quyền sở hữu dữ liệu và sự đồng thuận của bệnh nhân cũng đặt ra vấn đề. Trong một thử nghiệm truyền thống, bệnh nhân đồng ý cho sử dụng dữ liệu của mình cho một mục đích cụ thể và giới hạn trong thời gian. Với trí tuệ nhân tạo, dữ liệu thường được sử dụng lại vô thời hạn để huấn luyện và cải thiện các mô hình, điều này đặt ra câu hỏi về quyền sở hữu và kiểm soát dữ liệu. Các mô hình chủ quyền dữ liệu, nơi bệnh nhân giữ quyền kiểm soát chi tiết đối với thông tin của mình, đang nổi lên như một giải pháp khả thi, nhưng việc triển khai chúng trên quy mô lớn vẫn còn phức tạp.

Các hệ thống phi tập trung, chẳng hạn như học liên bang và blockchain, cung cấp những hướng đi để vượt qua các trở ngại liên quan đến quyền riêng tư và truy cập dữ liệu. Học liên bang cho phép huấn luyện các mô hình trên dữ liệu phân tán ở nhiều cơ sở mà không bao giờ tập trung hóa thông tin nhạy cảm. Tuy nhiên, cách tiếp cận này vẫn gặp phải những thách thức thực tiễn, chẳng hạn như sự không đồng nhất của dữ liệu giữa các địa điểm, điều có thể làm giảm hiệu suất của mô hình toàn cầu. Blockchain, mặt khác, có thể đảm bảo tính toàn vẹn và khả năng truy xuất nguồn gốc của dữ liệu, nhưng việc áp dụng nó vẫn gặp phải các vấn đề về khả năng mở rộng, tiêu thụ năng lượng và tuân thủ các quy định về bảo vệ dữ liệu, chẳng hạn như quyền được xóa bỏ.

Chi phí và hiệu quả được trí tuệ nhân tạo quảng bá thường được nhấn mạnh. Các nghiên cứu cho thấy rằng tuyển dụng trực tuyến giảm chi phí trên mỗi bệnh nhân từ 199 xuống 72 đô la và đẩy nhanh đáng kể quá trình. Các báo cáo khác chỉ ra sự giảm 10 đến 15% thời gian đăng ký trong các thử nghiệm thí điểm. Tuy nhiên, những con số này thường đến từ các nghiên cứu được ngành công nghiệp tài trợ hoặc các báo cáo nội bộ, có thể bị thiên vị hoặc thiếu sự xác minh độc lập. Các phân tích kinh tế nghiêm ngặt vẫn còn hiếm, và các kết quả có sẵn cho thấy những thiếu sót quan trọng về phương pháp luận.

Cuối cùng, tác động của trí tuệ nhân tạo đối với khối lượng công việc của các bác sĩ lâm sàng và trải nghiệm của bệnh nhân là lưỡng lự. Mặc dù một số công cụ tự động hóa các nhiệm vụ hành chính tốn thời gian, giải phóng thời gian cho chăm sóc trực tiếp, nhưng những công cụ khác có thể làm tăng gánh nặng bằng cách yêu cầu kiểm tra liên tục các kết quả được tạo ra. Bệnh nhân, mặt khác, dao động giữa hy vọng về chẩn đoán chính xác hơn và điều trị cá nhân hóa, và nỗi lo mất quyền riêng tư hoặc giảm tương tác con người. Một cuộc khảo sát gần đây cho thấy 60% người Mỹ sẽ không thoải mái nếu nhà cung cấp dịch vụ chăm sóc sức khỏe của họ dựa vào trí tuệ nhân tạo để đưa ra các quyết định y tế.

“`

Documentation et sources

Document de référence

DOI : https://doi.org/10.1007/s10791-026-10205-x

Titre : The transformative and turbulent integration of artificial intelligence in clinical trials: a critical review

Revue : Discover Computing

Éditeur : Springer Science and Business Media LLC

Auteurs : Ying Xuan Lim; Long Chiau Ming; Nancy Choon-Si Ng; Serena Leow; Rahul G. Ingle