Single Crystal Technology

 

Why sonographers should not lose sleep over AI?

 Why sonographers should not lose sleep over AI?

Ahmad J. Abdulsalam Department of Physical Medicine and Rehabilitation, Mubarak Alkabeer Hospital, Kuwait

 

The question echoing through musculoskeletal (MSK) ultrasound departments worldwide is no longer “if” artificial intelligence will impact o ur field, but “how much” and “should we be worried?” After examining the current landscape of AI development in musculoskeletal ultrasound, I believe the answer is clear: we should be excited, not anxious (fig 1). Unlike other imaging modalities, ultrasound presents distinct challenges that make complete AI automation particularly difficult [1]. The operator-dependent nature of our examinations – requiring real-time decisions about probe positioning, patient interaction, and dynamic assessment – creates a complexity that current AI systems struggle to overcome [2]. When we perform MSK ultrasound, we are not simply capturing static images; we are conducting a dynamic, real-time investigation that integrates clinical context, patient response, and anatomical variability. This inherent complexity, often viewed as a limitation, may actually be our greatest asset in the age of AI. The interactive component of ultrasound examinations, where sonographers must adapt techniques based on patient anatomy, pathology, and cooperation, represents a form of clinical artistry that remains uniquely human. Present AI applications in MSK ultrasound focus primarily on augmentation rather than autonomous operation [3]. These include automated measurement and quantification of anatomical structures, image optimization and quality assessment, pattern recognition for specific pathologies, guidance systems for probe positioning, and enhanced visualization through advanced processing algorithms. These tools represent what AI does best – handling repetitive tasks with consistency while freeing practitioners to focus on higher-level clinical reasoning. Rather than replacing the sonographer’s expertise, AI serves as an intelligent assistant that can reduce examination time, improve measurement reproducibility, and potentially enhance diagnostic confidence. Contrary to widespread concerns about job displacement, recent evidence suggests a different narrative. The 2025 Global AI Jobs Barometer reveals that AI-exposed industries, including healthcare, are experiencing wage growth rather than job losses [4]. Workers who develop AI-complementary skills are becoming more valuable, not obsolete. This trend is particularly relevant given the ongoing shortage of trained ultrasound providers [5]. Rather than eliminating positions, AI-guided systems may help address workforce gaps by enabling less experienced operators to perform basic examinations under remote supervision, while expert MSK sonographers focus on complex cases requiring advanced interpretation skills [6]. The future MSK ultrasound practitioner will likely need to master several key competencies: AI tool integration and understanding how to effectively incorporate AI assistance into clinical workflows, quality assurance by overseeing and validating AI-generated results, complex case interpretation for challenging cases that require human expertise and clinical correlation, patient interaction by maintaining the human connection that AI cannot replicate, and system oversight through understanding AI limitations and troubleshooting when systems fail. These skills represent an evolution, not a revolution, building upon the foundation of clinical expertise that defines excellent MSK ultrasound practice. The evidence suggests that MSK ultrasound practitioners should approach AI as a powerful ally rather than an existential threat [7,8]. The field’s inherent complexity, combined with the ongoing need for clinical judgment, patient interaction, and real-time decision-making, positions skilled practitioners as essential partners in an AI-enhanced future. Rather than fearing obsolescence, we should focus on adaptation and growth. This means staying informed about AI developments, seeking training opportunities, and actively participating in shaping how AI tools are integrated into our practice. The question facing MSK ultrasound is not whether AI will change our field – it already is. The real question is whether we will embrace this change to benefit both practitioners and patients. The evidence strongly suggests that the future belongs to those who can effectively partner with AI, combining human expertise with artificial intelligence capabilities. So, should we worry about AI taking our jobs? The answer is a resounding no. Should we prepare to evolve our practice? Absolutely. The future of MSK ultrasound looks bright – with AI as our partner in delivering better patient care.

VÌ SAO KHÔNG CẦN MẤT NGỦ VÌ A I

Câu hỏi vang khắp các khoa siêu âm cơ xương khớp (MSK) trên toàn thế giới không còn là “liệu” trí tuệ nhân tạo có ảnh hưởng đến lĩnh vực của chúng ta hay không, mà là “bao nhiêu” và “chúng ta có nên lo lắng không?” Sau khi xem xét bối cảnh hiện tại của sự phát triển AI trong siêu âm cơ xương khớp, tôi tin rằng câu trả lời là rõ ràng: chúng ta nên hào hứng, không phải lo lắng (hình 1). Không giống như các phương thức hình ảnh khác, siêu âm đặt ra những thách thức riêng khiến việc tự động hóa hoàn toàn bằng AI đặc biệt khó khăn [1]. Bản chất phụ thuộc vào người vận hành của các kỳ thăm khám của chúng ta – yêu cầu quyết định ngay lập tức về vị trí đầu dò, tương tác với bệnh nhân và đánh giá động – tạo ra một sự phức tạp mà các hệ thống AI hiện tại gặp khó khăn trong việc vượt qua [2]. Khi chúng ta thực hiện siêu âm MSK, chúng ta không chỉ đơn thuần ghi lại các hình ảnh tĩnh; chúng ta đang tiến hành một cuộc điều tra động, thời gian thực tích hợp bối cảnh lâm sàng, phản ứng của bệnh nhân và sự biến đổi giải phẫu. Sự phức tạp vốn có này, thường được coi là một hạn chế, thực ra có thể là lợi thế lớn của chúng ta. Sự phức tạp vốn có này, thường được coi là một hạn chế, thực ra có thể là tài sản lớn nhất của chúng ta trong kỷ nguyên AI. Thành phần tương tác của các cuộc kiểm tra siêu âm, nơi các kỹ thuật viên siêu âm phải điều chỉnh kỹ thuật dựa trên giải phẫu, bệnh lý và sự hợp tác của bệnh nhân, đại diện cho một hình thức nghệ thuật lâm sàng vẫn mang tính con người độc đáo. Ứng dụng AI hiện tại trong siêu âm cơ xương chủ yếu tập trung vào việc hỗ trợ thay vì hoạt động tự chủ [3]. Điều này bao gồm đo lường và định lượng tự động các cấu trúc giải phẫu, tối ưu hóa hình ảnh và đánh giá chất lượng, nhận diện mẫu cho các bệnh lý cụ thể, hệ thống hướng dẫn định vị đầu dò, và trực quan hóa nâng cao thông qua các thuật toán xử lý tiên tiến. Những công cụ này đại diện cho những gì AI làm tốt nhất – xử lý các công việc lặp đi lặp lại một cách nhất quán trong khi giải phóng các bác sĩ để tập trung vào lý luận lâm sàng cấp cao hơn. Thay vì thay thế chuyên môn của kỹ thuật viên siêu âm, AI đóng vai trò như một trợ lý thông minh có thể giảm thời gian khám, cải thiện khả năng lặp lại của các phép đo và tiềm năng nâng cao sự tự tin trong chẩn đoán. Trái ngược với mối lo ngại phổ biến về sự mất việc, bằng chứng gần đây cho thấy một câu chuyện khác. Chỉ số việc làm AI toàn cầu 2025 tiết lộ rằng các ngành công nghiệp tiếp xúc với AI, bao gồm cả y tế, đang trải qua sự tăng trưởng lương thay vì mất việc làm [4]. Những người lao động phát triển các kỹ năng bổ trợ AI đang trở nên có giá trị hơn, không bị lỗi thời. Xu hướng này đặc biệt có ý nghĩa trong bối cảnh thiếu hụt các nhà cung cấp dịch vụ siêu âm được đào tạo [5]. Thay vì loại bỏ các vị trí, các hệ thống hướng dẫn bởi AI có thể giúp giải quyết khoảng trống nguồn nhân lực bằng cách cho phép các nhân viên ít kinh nghiệm thực hiện các cuộc khám cơ bản dưới sự giám sát từ xa, trong khi các kỹ thuật viên siêu âm MSK chuyên gia tập trung vào các ca phức tạp đòi hỏi kỹ năng diễn giải nâng cao [6]. Các bác sĩ siêu âm MSK trong tương lai có khả năng sẽ cần thành thạo một số năng lực chính: tích hợp công cụ AI và hiểu cách kết hợp hỗ trợ AI một cách hiệu quả vào quy trình lâm sàng, đảm bảo chất lượng bằng cách giám sát và xác nhận các kết quả do AI tạo ra, giải thích các ca phức tạp cho những trường hợp khó đòi hỏi chuyên môn con người và sự liên hệ lâm sàng, tương tác với bệnh nhân bằng cách duy trì kết nối con người mà AI không thể sao chép, và giám sát hệ thống thông qua việc hiểu các giới hạn của AI và xử lý sự cố khi các hệ thống thất bại. Những kỹ năng này đại diện cho một sự tiến hóa, không phải một cuộc cách mạng, dựa trên nền tảng chuyên môn lâm sàng đã xác định thực hành siêu âm MSK xuất sắc. Bằng chứng gợi ý rằng các bác sĩ siêu âm MSK nên tiếp cận AI như một đồng minh mạnh mẽ thay vì một mối đe dọa tồn tại [7,8]. Sự phức tạp vốn có của lĩnh vực này, kết hợp với nhu cầu liên tục về phán đoán lâm sàng, tương tác với bệnh nhân và ra quyết định theo thời gian thực, đặt các chuyên gia có kỹ năng vào vị trí đối tác thiết yếu trong tương lai được nâng cao bởi AI. Thay vì lo sợ bị lỗi thời, chúng ta nên tập trung vào việc thích nghi và phát triển. Điều này có nghĩa là luôn cập nhật thông tin về các tiến bộ AI, tìm kiếm cơ hội đào tạo và tích cực tham gia vào việc định hình cách các công cụ AI được tích hợp vào thực hành của chúng ta. Câu hỏi đặt ra đối với siêu âm MSK không phải là AI có thay đổi lĩnh vực của chúng ta hay không – mà AI đã đang thay đổi. Câu hỏi thực sự là liệu chúng ta có đón nhận sự thay đổi này để mang lại lợi ích cho cả người thực hành và bệnh nhân hay không. Bằng chứng cho thấy mạnh mẽ rằng tương lai thuộc về những người có thể hợp tác hiệu quả với AI, kết hợp chuyên môn con người với khả năng trí tuệ nhân tạo. Vậy, chúng ta có nên lo lắng về việc AI sẽ chiếm công việc của chúng ta không? Câu trả lời chắc chắn là không. Chúng ta có nên chuẩn bị để phát triển thực hành của mình không? Chắc chắn rồi. Tương lai của siêu âm MSK có vẻ tươi sáng – – với AI là đối tác của chúng ta trong việc cung cấp chăm sóc bệnh nhân tốt hơn.

 

CHÚC MỪNG NĂM MỚI

 

SYNCHRONOUS GASTRIC and COLON CANCER

 

CASE 804 MEDICVN

LUS in ICU for Etiological Diagnosis of Pneumonia

 

 This infographic explores the Bedside Lung Ultrasound in Emergency (BLUE) Protocol including findings that are indicative of pulmonary edema, pulmonary embolism, pneumonia, COPD and asthma, pneumothorax, and pleural effusion.

CHIKUNGUNYA OUTBREAK

 

Differentiatizing of Breast Cyst from Solid Masses : New Ultrasound Technology

 

Siêu âm qui ước của mô vú (trên) so sánh với phương pháp mới (dưới). Siêu âm qui ước dựa vào biên độ tín hiệu mà hiển thị thành  đen, trắng hay xám. Phương pháp mới là coherence 

-based nghĩa là hình siêu âm dựa vào mức độ tín hiệu tương đồng giữa các tín hiệu âm thanh.

-------

Bell và cộng sự đã cải thiện cách xử lý tín hiệu siêu âm bằng tiếp cận coherence-based [dựa trên sự gắn kết]. Nghĩa là hình ảnh phụ thuộc vào độ tương đồng giữa các tín hiệu âm thanh, để tính điểm cho mỗi khối lượng, giúp dễ tìm các khối nghi ngờ nhất là ở mô vú đặc. Họ tập trung vào tỷ lệ tương phản trên nhiễu tổng quát (generalized contrast-to-noise ratio) áp dụng cho hình ảnh kết hợp không gian độ trễ ngắn (short-lag spatial coherence images) với vùng quan tâm đã chọn.  Dựa trên hiêu biết về hình ảnh kết hợp và  [tỷ lệ tương phản trên nhiễu tổng quát], thì có kết quả hợp lý, ”Bell nói. "Chỉ cẩn thay đổi cách xử lý tín hiệu, là đạt được kết quả với số liệu theo đó. Thêm nữa, đang "tìm cách kết hợp kỹ thuật này với laser để tạo ra hình ảnh quang âm (photoacoustic images) giúp phân biệt rõ một khối đặc là lành tính hay ác tính."

coherence-based : dựa vào sự gắn kết

generalized contrast-to-noise ratio : tỷ lệ tương phản trên nhiễu tổng quát

short-lag spatial coherence images (SLSC): hình ảnh kết hợp không gian có độ trễ ngắn

Là phương pháp tạo hình siêu âm kết hợp không gian  có độ trễ ngắn (SLSC) của tán xạ ngược (backscattered echoes).

So với hình B-mode,  hình ảnh SLSC hiển thị trội hơn và tỷ lệ tương phản trên nhiễu (contrast-to-noise ratio) được cải thiện giúp quan sát được các điểm bị hạn chế trong các mục tiêu nhiễu đốm.

Hình siêu âm được hình thành bằng cách tạo chùm âm trễ và tổng (beamformer delay-and-sum) tán xạ ngược nhận được bởi đầu dò. Mặc dù beamformer delay-and-sum thích hợp để tạo hình siêu âm, nhưng hình siêu âm bị nhiễu đốm (speckle noise) và xáo trộn âm (acoustic clutter) cũng như lạc pha (phase aberration). Do vậy có cách tạo hình siêu âm thay thế gọi là kết hợp không gian độ trễ ngắn (SLSC) cho tán xạ ngược.

Trong siêu âm, kết hợp không gian là cách làm cho tương đồng tán xạ ngược nhận được (do các biến tử đầu dò tách biệt) tại một thời điểm nhất định.

Hình ảnh kết hợp không gian có độ trễ ngắn (SLSC), giúp giảm thiểu tác động của nhiễu.  Hình ảnh SLSC khảo sát một thuộc tính khác biệt cơ bản của sóng âm so với hình ảnh B-mode. Hình ảnh B-mode là hình hiển thị độ lớn của sóng âm, trong khi hình ảnh SLSC là hình ảnh trực tiếp về sự tương đồng của sóng âm trên khoảng cách không gian nhỏ, hoặc mức độ kết hợp không gian ở độ trễ ngắn. Hình ảnh SLSC đã có cải tiến đáng kể về tỷ lệ tương phản trên nhiễu (CNR) và SNR đốm so với B-mode trong các thí nghiệm mô phỏng cũng như các nghiên cứu về tuyến giáp, gan, tim và động mạch cảnh trong cơ thể sống.

CHRONIC APPENDICITIS and ULTRASOUND

 

Conclusion

Chronic appendicitis has often been misdiagnosed due to atypical symptoms at the time of presentation which mimics other pathologies of the gastrointestinal and genitourinary tract. 

Radiological imaging modalities are used in the evaluation of patients with high degree of clinical suspicion. This article has demonstrated the superiority of ultrasonography over CT scan for imaging of chronic appendicitis due to its advantages such as similar efficacy rates, higher spatial resolution, cost‑effectiveness, easy availability, and lack of ionizing radiation. Limitations of ultrasonography such as operator dependability, interobserver variations, and inability to visualize the appendix in excessively obese patients warrant the use of CT scan. However, the demonstration of evidence of chronic inflammation in the appendectomy specimen at histopathology provides definitive diagnosis.

Trí tuệ nhân tạo trong Giáo dục y khoa

Trí tuệ nhân tạo trong Giáo dục y khoa

Mir MM et al.

J Adv Med Educ Prof. Tháng 7 năm 2023; Tập 11 Số 3 135

Tóm tắt

Giới thiệu

Trí tuệ nhân tạo (AI) là một lĩnh vực nghiên cứu mới xuất hiện vào giữa thế kỷ 20. Đây là một công nghệ chủ yếu sử dụng các hệ thống máy tính để mô phỏng các quá trình tư duy của con người. AI chủ yếu liên quan đến học máy, nhưng nó cũng bao gồm ngôn ngữ, tâm lý học, triết học, toán học và các lĩnh vực khác.

Kể từ khi phát minh ra AI vào năm 1955, các ứng dụng của nó đã phát triển trong hệ sinh thái kỹ thuật số đang thay đổi nhanh chóng, nơi mà kỳ vọng của công chúng gia tăng và được thúc đẩy bởi mạng xã hội, các nhà lãnh đạo công nghiệp và các bác sĩ. Trí tuệ nhân tạo đã giải quyết nhiều vấn đề trong giáo dục trong thập kỷ qua, bao gồm xử lý ngôn ngữ, lý luận, lập kế hoạch và mô hình hóa nhận thức (1). Cuộc tìm kiếm đầu tiên trong Web of Science về AI trong giáo dục y khoa đã tiết lộ sự quan tâm ngày càng tăng đối với chủ đề này- gia tăng tổng số ấn phẩm và số lần trích dẫn các bài báo.

Trong hai thập kỷ qua, gần đây ứng dụng AI trong nghiên cứu và phát triển trong giáo dục y khoa gia tăng (2) theo các cách sau: hệ thống điều tra ảo, học tập từ xa và quản lý y khoa, và ghi lại video giảng dạy trong các trường y (1). Giáo dục y khoa là một quá trình học tập suốt đời kéo dài từ đại học đến sau đại học và đào tạo chuyên ngành và cho nhiều chuyên gia chăm sóc sức khỏe, bao gồm bác sĩ, y tá và các chuyên gia có liên quan khác. Do đó, điều quan trọng phải thừa nhận rằng các công trình mới phải được xây dựng trên các tài liệu hiện có, để tiến bộ trong chủ đề AI giáo dục y khoa trong thời kỳ công nghệ phát triển nhanh hiện nay (2). AI có thể nâng cao giá trị của các khía cạnh nhân văn không phân tích của y học. Từ một loạt các khả năng, một chuyên gia chăm sóc sức khỏe phải trừu tượng hóa và hiểu thông tin trong khi đưa ra phán đoán y khoa trong thời kỳ mà kiến thức y học đang phát triển theo cấp số nhân. Những nỗ lực của bác sĩ trong việc hiểu dữ liệu số sẽ được giảm bớt bởi trí tuệ nhân tạo, cải thiện khả năng chẩn đoán và giải quyết vấn đề của họ (3).

Người học trong thời đại số khác với các thế hệ trước, lớn lên trong thế giới số và coi trọng các kết nối xã hội. Thế hệ này thích làm việc theo nhóm và chia sẻ chi tiết về hoạt động của họ với các bạn học bằng cách sử dụng các ứng dụng phần mềm khác nhau. Họ đánh giá cao phản hồi tích cực về những thành tựu của mình và cần sự hỗ trợ trí tuệ một đối một. Các nhà giáo dục phải khám phá và sử dụng các chiến thuật giảng dạy phù hợp để thu hút và giữ sự chú ý và tham gia của người học. Ví dụ, Viện Y học (Mỹ) đã tổ chức một hội nghị đa ngành để tích hợp một bộ năng lực cốt lõi vào giáo dục chuyên gia y khoa và đề xuất một sự kết hợp các phương pháp liên quan đến quy trình giám sát, môi trường đào tạo, nghiên cứu, báo cáo công khai và lãnh đạo (4). “Đào tạo các bác sĩ của ngày mai” đã minh họa các vấn đề đối mặt với sứ mệnh giáo dục và đưa ra các đề xuất cho các cơ sở y khoa, các cơ quan cấp chứng nhận và các cơ sở tương tự khác, cũng như chính sách công (5). Trong thế giới kết nối cao, đào tạo y khoa phải phát triển để thích ứng với các kịch bản chăm sóc sức khỏe đang thay đổi, bao gồm số hóa và một thế hệ sinh viên mới trong lĩnh vực chăm sóc sức khỏe (3).

Phát triển và phân tích chương trình giảng dạy, học tập và đánh giá là những lĩnh vực mà AI  sử dụng trong giáo dục y khoa. AI giảm thiểu thời gian cần thiết để xem xét các chương trình giảng dạy khác nhau, giải quyết các vấn đề đa chiều, cải thiện độ chính xác phân loại và chỉ ra mối quan hệ giữa các tham số trong đánh giá chương trình giảng dạy. Ví dụ, AI có thể đánh giá “hiệu quả của chương trình giảng dạy” và “sự hài lòng tổng thể” của sinh viên y khoa với chương trình giảng dạy khóa học, điều này rất quan trọng trong việc chuẩn bị cho các bác sĩ tương lai. Trong quá trình học tập, AI có thể hỗ trợ sinh viên nhận được nội dung giảng dạy thích ứng và được cá nhân hóa, được nâng cao bởi phản hồi của sinh viên, cho phép sinh viên phát hiện các khoảng trống kiến thức của họ và phản ứng một cách phù hợp. Hơn nữa, AI có thể làm cho quá trình đánh giá chính xác hơn, nhanh chóng và tiết kiệm chi phí, và cung cấp phản hồi chi tiết, tùy chỉnh một cách hiệu quả (6).

Wartman et al. tin rằng việc nhấn mạnh giao tiếp, làm việc nhóm, quản lý rủi ro và an toàn bệnh nhân để cải cách hệ thống giáo dục y khoa là cần thiết nhưng không đủ. Họ kết luận rằng để dạy cho sinh viên “thực hành y khoa” trong một thế giới được cách mạng hóa bởi AI, các thay đổi sau đây là cần thiết (7).

● Các cơ quan cần nhấn mạnh sự sáng tạo và nghiên cứu bên cạnh chiến lược truyền thống dựa trên ghi nhớ thông tin và thực tập lâm sàng.

● Cơ sở giáo dục phải nhấn mạnh các kỹ năng như chuyên môn thống kê và lòng nhân ái.

● Một sinh viên y khoa trong tương lai cần phải thích ứng với một phương pháp giáo dục mới dựa trên các công nghệ đang phát triển nhanh chóng như AI và học máy.

● Sinh viên y khoa sẽ cần chuyển đổi sang một hệ thống thanh toán dựa trên giá trị trong tương lai, nơi người mua dịch vụ chăm sóc sức khỏe có thể yêu cầu hệ thống chăm sóc sức khỏe chịu trách nhiệm về cả chất lượng và chi phí.

Bài viết này nhằm mục đích làm nổi bật sự cần thiết phải tích hợp công nghệ AI trong giáo dục y khoa  để đáp ứng các kỳ vọng đang thay đổi của người học và hệ sinh thái số đang mở rộng. Thêm vào đó, nó nhấn mạnh những lợi ích mà AI có thể mang lại cho giáo dục y khoa, bao gồm việc củng cố kỹ năng chẩn đoán và giải quyết vấn đề, cải thiện phát triển và phân tích chương trình giảng dạy, cho phép học tập cá nhân hóa, và tăng tốc quy trình đánh giá. Bài viết cũng nhấn mạnh sự cần thiết phải nghiên cứu, các kỹ năng vượt ra ngoài việc ghi nhớ, và cách tiếp cận dựa trên giá trị đối với thực hành y khoa, cũng như tầm quan trọng của việc trang bị cho các nhân viên chăm sóc sức khỏe tương lai để thích ứng với những đột phá trong AI và học máy. Mục tiêu của bài đánh giá này là thúc đẩy việc tích hợp AI trong giáo dục y khoa như một cách để đáp ứng các cơ hội và thách thức của thời đại số và đảm bảo cung cấp dịch vụ chăm sóc sức khỏe chất lượng cao.

Phương pháp

Mục tiêu của bài viết tổng quan này là trình bày những tác động của AI trong giáo dục y khoa  trong hai mươi năm qua, tình hình hiện tại và các ứng dụng trong tương lai. Do đó, dữ liệu chất lượng cao đáp ứng các mục tiêu nghiên cứu đã được đưa vào. Ngoài ra, các cuộc điều tra toàn diện về các bài viết có sẵn trong các cơ sở dữ liệu uy tín như PubMed, ResearchGate, PubMed Central, Web of Science và Google Scholar đã được xem xét cho việc tổng quan tài liệu.

Các từ khóa hoặc cụm từ chính được sử dụng trong quá trình tìm kiếm tài liệu là trí tuệ nhân tạo, chăm sóc sức khỏe và AI, trí tuệ nhân tạo và giáo dục y khoa, AI trong học y khoa,  bác sĩ và AI, các chiều hướng mới trong giáo dục y khoa, bác sĩ y khoa, các khóa học y khoa sau đại học, và AI.

Tiêu chí bao gồm là các bài viết y học đề cập  đến các mục tiêu nghiên cứu và được viết bằng tiếng Anh. Tiêu chí loại trừ là các nghiên cứu được công bố bằng các ngôn ngữ khác ngoài tiếng Anh, tài liệu không đề cập đến ứng dụng của AI trong giáo dục y khoa, và tài liệu in trước năm 2002.

Trí tuệ nhân tạo trong giáo dục y khoa trong tình hình hiện tại

Tại hội nghị thường niên vào năm 2018, Hiệp hội Y  Hoa Kỳ (AMA) đã thông qua chính sách đầu tiên về trí tuệ tăng cường. Nó hỗ trợ các nghiên cứu làm nổi bật cách mà AI nên được thực hiện trong giáo dục y khoa. Các sinh viên y khoa tại Viện Đổi mới Sức khỏe Duke làm việc với các chuyên gia dữ liệu để xây dựng các công nghệ nâng cao chăm sóc cho bác sĩ. Tương tự, Trung tâm AI trong Y học và Hình ảnh của Đại học Stanford thu hút sinh viên tốt nghiệp và sau đại học sử dụng học máy để giải quyết các vấn đề chăm sóc sức khỏe. Các cư dân của chẩn đoán hình ảnh của Đại học Florida đã hợp tác với một công ty công nghệ để phát triển phát hiện hỗ trợ máy tính cho chụp nhũ ảnh. Trường Y Carle Illinois cung cấp một khóa học do một nhà  y học, nhà lâm sàng và kỹ sư giảng dạy để tìm hiểu về các công nghệ mới. Ngoài ra, Viện Trí tuệ và Đổi mới Y khoa Sharon Lund cung cấp một khóa học về công nghệ chăm sóc sức khỏe mới nhất, mở cho sinh viên y khoa. Trung tâm Kỹ thuật trong Y học của Đại học Virginia đặt sinh viên y khoa vào các phòng thí nghiệm kỹ thuật để phát triển các đổi mới chăm sóc sức khỏe (8). AI có thể cung cấp kiến thức cho các bác sĩ khi các vấn đề lâm sàng phát sinh, tiết kiệm thời gian dành cho việc xem lại những gì họ đã biết hoặc lướt qua những thứ không liên quan đến thực hành của họ. Tương tự, tại Trường Y khoa Johns Hopkins, thông tin được điều chỉnh theo những gì và cách mà sinh viên được dạy (9).

Một ví dụ khác về một hệ thống chăm sóc sức khỏe được hỗ trợ bởi AI là “Dự án Chẩn đoán Con người,” hay “Human Dx,” như nó được gọi tắt. “Human Dx” nhằm cung cấp sự chăm sóc tốt hơn, chính xác, chi phí thấp và dễ tiếp cận cho mọi người bằng cách kết hợp trí tuệ tập thể của các bác sĩ với học máy. Việc sử dụng nó trong quyết định lâm sàng hiện đang được nghiên cứu hợp tác với một số cơ sở y khoa hàng đầu thế giới, bao gồm Harvard, Stanford, Yale và các bên liên quan khác (10, 11). Tương tự, các đổi mới như công nghệ MedAware hợp tác với Đại học Harvard bằng cách phân tích dữ liệu hồ sơ y khoa điện tử quy mô lớn (EMRs) sử dụng phân tích dữ liệu lớn và các thuật toán học máy để hiểu cách mà các bác sĩ quản lý bệnh nhân trong các tình huống thực. Khi một đơn thuốc từ bác sĩ không phù hợp với kế hoạch điều trị chuẩn, nó được báo cáo như một lỗi xảy ra, khiến bác sĩ phải kiểm tra lại lỗi nào bất kỳ (12). Các nhà nghiên cứu MIT đã tạo ra một nguyên mẫu cho MedEye, sẽ loại bỏ lỗi thuốc. Nó sử dụng camera để quét và xác định các loại thuốc khác. MedEye xác nhận độ chính xác của thuốc bằng cách so sánh với hệ thống thông tin bệnh viện và sử dụng nhận diện hình ảnh và học máy để xác minh (13).

PerceptiMed, một công ty phát triển thuốc an toàn, đã hợp tác với Đại học Missouri để phát triển và thử nghiệm một hệ thống thuốc an toàn và cá nhân hóa cho các cơ sở chăm sóc dài hạn gọi là MedPassTM. Đây là một công nghệ phân phối thuốc cá nhân hóa xác minh từng viên thuốc và ngăn ngừa lỗi thuốc (14). Trường Y khoa Homer Stryker M.D. tại Đại học Western Michigan đã xây dựng một trung tâm mô phỏng tiên tiến. Trường y khoa đang thử nghiệm một công cụ mô phỏng các cuộc gặp gỡ bệnh nhân sử dụng robot trò chuyện với trí tuệ nhân tạo được phát triển bởi công ty khởi nghiệp “Resource Medical” có trụ sở tại Vương quốc Anh để giúp sinh viên năm hai thực hành kỹ năng lâm sàng. Ngoài ra, người dùng có thể giao tiếp với robot để tái hiện một cuộc thăm khám bệnh nhân, chẳng hạn như hỏi tại sao robot cần sự chăm sóc y khoa và tìm hiểu về triệu chứng và lịch sử y khoa của robot (15). Mặc dù có nhiều ứng dụng mô phỏng phẫu thuật như Buckingham Virtual Tympanum, Touch Surgery tồn tại, trong đó sinh viên có thể tìm hiểu về các chi tiết giải phẫu của các quy trình phẫu thuật, nhưng không thể so sánh với việc đào tạo với các đối tượng thực (16, 17). Giáo dục từ xa là một loại hình giảng dạy không bị ràng buộc bởi thời gian hay không gian, cho phép. giáo dục trực tuyến và ngoại tuyến theo thời gian thực. Trung Quốc đã thực hiện một "hệ thống phê duyệt kép" cho các tổ chức và sáng kiến trong giáo dục y khoa liên tục. Kể từ năm 1996, Bộ Y tế đã phê duyệt Shuang Wei net, Haoyisheng net, China Stomatology net, Bệnh viện Trung Sơn Thượng Hải, Trung tâm Y khoa Tây Trung Quốc, và Mạng lưới Y khoa Đại học Bắc Kinh để tiến hành giáo dục y khoa từ xa. Từ năm 2000 đến 2010, khoảng 3 triệu chứng chỉ đã được cấp thông qua các viện học trực tuyến, gấp bốn lần so với phương pháp giáo dục truyền thống trong cùng khoảng thời gian. Năm 2005, báo cáo trực tuyến, đánh giá trực tuyến và công bố trực tuyến các dự án quốc gia giáo dục y khoa liên tục đã được bắt đầu (18). Các trung tâm dữ liệu, thư viện tài nguyên giảng dạy và nền tảng đám mây đang được xây dựng với công nghệ mới nhất cho việc tuyển sinh, quản lý quy trình đào tạo và đánh giá, nâng cao chất lượng tổng thể của việc quản lý các chương trình này. DxR Clinician (một Hệ thống Điều tra Ảo) là một hệ thống bệnh nhân ảo cho các bệnh viện giảng dạy, các tổ chức y khoa và cư dân, tận dụng công nghệ trí tuệ nhân tạo. Phương pháp này thường được sử dụng trong việc giảng dạy sinh viên y khoa và đánh giá tư duy lâm sàng. Phần mềm tổng hợp hàng trăm dữ liệu bệnh nhân thực vào các trường hợp cá nhân, sau đó được nghiên cứu với sự trợ giúp của AI. Những dữ liệu này liên quan đến nhiều vấn đề lâm sàng khác nhau. Do đó, sinh viên y khoa xây dựng kế hoạch chẩn đoán và điều trị cho bệnh nhân ảo bằng cách sử dụng điều tra, khám lâm sàng mô phỏng và các xét nghiệm bổ sung (1).

 AI Giáo dục y khoa: Tương lai và thách thức

Một bài đánh giá hệ thống của Han et al. thảo luận về các xu hướng tương lai của giáo dục y khoa (3). Bài viết đánh giá khuyến khích sinh viên y khoa phát triển quan điểm nhân văn hơn bằng cách làm việc cùng với các chuyên gia chăm sóc sức khỏe khác. Nó cũng nhấn mạnh việc cung cấp cho sinh viên một môi trường chăm sóc sức khỏe tập trung vào bệnh nhân ngay từ đầu, học tập trong một bối cảnh khác ngoài giới hạn của bệnh viện, và hỗ trợ sinh viên với công nghệ tiên tiến cho việc học. Sử dụng công nghệ tiên tiến, sinh viên y khoa  được cung cấp các công cụ học tập với công nghệ hiện đại để khuyến khích việc học cá nhân hóa, tiếp xúc với bạn bè và giảng viên, và truy cập vào một kho thông tin phong phú. Các mô phỏng bệnh nhân ảo và thực tăng cường có thể cung cấp các tình huống lâm sàng thực y khoa mà không làm nguy hiểm đến bệnh nhân và giúp sinh viên y khoa học tập và tham gia hiệu quả hơn. Sử dụng công nghệ phổ biến, học tập di động và trực tuyến có thể bổ sung kiến thức của sinh viên và thúc đẩy giao diện giữa sinh viên với sinh viên hoặc giữa sinh viên với giảng viên (3).

Chăm sóc sức khỏe chỉ là một trong nhiều ngành mà trí tuệ nhân tạo (AI) có tiềm năng ảnh hưởng hoàn toàn. AI có tiềm năng to lớn để cải thiện giáo dục y khoa, tăng độ chính xác chẩn đoán và ảnh hưởng đến tương lai của các nghề chăm sóc sức khỏe. Có nhiều quan điểm và khó khăn cần được xem xét khi nhìn về phía trước (19). Khả năng của AI để thay đổi và cá nhân hóa quy trình học tập là một trong những khả năng tương lai quan trọng nhất trong giáo dục y khoa. AI có thể hỗ trợ đáp ứng các nhu cầu cụ thể của những người học kỹ thuật số ngày nay, những người có sở thích và phong cách học tập khác nhau. Trí tuệ nhân tạo (AI) có thể cung cấp nội dung giảng dạy thích hợp với các khoảng trống kiến thức và tốc độ học tập của từng sinh viên bằng cách phân tích một lượng lớn dữ liệu và sử dụng các thuật toán học máy. Cách tiếp cận cá nhân hóa này khuyến khích sự hiểu biết sâu sắc hơn về các khái niệm y khoa phức tạp và tăng cường sự tham gia (20).

Mặc dù có tiềm năng to lớn, vẫn có những trở ngại cần phải vượt qua nếu AI muốn được tích hợp thành công vào giáo dục y khoa. Việc áp dụng AI một cách đạo đức là một trong những vấn đề này, khi AI lan rộng, những lo ngại về thiên lệch thuật toán, an ninh và quyền riêng tư dữ liệu nổi lên. Việc xây dựng các khung đạo đức vững chắc rất quan trọng để đảm bảo các thuật toán AI minh bạch, công bằng và không thiên lệch trong quy trình ra quyết định. Thách thức khác là nhu cầu giáo dục và các chuyên gia chăm sóc sức khỏe nâng cao kỹ năng và có được đào tạo cần thiết. Để áp dụng AI trong giáo dục y khoa hiệu quả, giáo viên phải được đào tạo với kiến thức và kỹ năng để sử dụng AI trong giảng dạy và đánh giá. Các chuyên gia chăm sóc sức khỏe cũng phải nhận thức được tiềm năng và giới hạn của các hệ thống AI để sử dụng chúng hiệu quả trong thực hành lâm sàng (21).

Để AI được sử dụng trong giáo dục y khoa, nhiều cơ sở hạ tầng và hỗ trợ công nghệ là cần thiết. Các tổ chức giáo dục và tổ chức chăm sóc sức khỏe phải đầu tư vào phần cứng máy tính tiên tiến, lưu trữ dữ liệu và mạng an toàn nếu họ muốn tận dụng tối đa AI. Việc thiết lập các tiêu chuẩn, khung và hướng dẫn đồng nhất yêu cầu sự hợp tác giữa các học giả, doanh nghiệp và các cơ quan quản lý nếu AI muốn được sử dụng đúng cách và thành công trong giáo dục y khoa. AI cung cấp một tương lai hứa hẹn cho giáo dục y khoa với những trải nghiệm học tập cá nhân hóa, khả năng chẩn đoán nâng cao. và việc tạo/triển khai chương trình giảng dạy dễ dàng hơn. Việc giải quyết các vấn đề về đạo đức, đào tạo và cơ sở hạ tầng là rất quan trọng để thực sự nhận ra tiềm năng của AI trong giáo dục y khoa. Bằng cách tích hợp hiệu quả công nghệ AI, giáo dục y khoa có thể theo kịp bối cảnh chăm sóc sức khỏe đang phát triển nhanh chóng và cung cấp cho các chuyên gia y khoa tương lai kiến thức và kỹ năng cần thiết để cung cấp dịch vụ chăm sóc bệnh nhân chất lượng cao (22).

Ứng dụng của AI trong công nghệ giáo dục và những hạn chế 

Giáo viên có thể sử dụng một hệ thống điều tra ảo như “DxR Clinician” như một công cụ phân tích hữu ích để hỗ trợ họ trong việc hiểu hành vi của học viên và điều chỉnh khóa học dựa trên kết quả đánh giá. Học viên có thể nhanh chóng có được kỹ năng giải quyết các vấn đề lâm sàng. Họ có thể học được nhiều điều về chẩn đoán bệnh nghiêm trọng bằng cách tương tác với các ví dụ. Đồng thời, hệ thống có thể phát hiện lỗi do học viên mắc phải trong quá trình nghiên cứu trường hợp, thực hiện học sâu và phân tích, và hỗ trợ học viên trong việc giải quyết những vấn đề này. “Hệ thống gia sư thông minh”, tương tự như DxR Clinician, cũng có thể theo dõi “quá trình tâm lý” của người học trong việc giải quyết vấn đề để chẩn đoán những quan niệm sai lầm. Nó cũng đánh giá mức độ hiểu biết của người học. Nó cũng có thể cung cấp hỗ trợ, lời khuyên và giải thích kịp thời cho người học và khuyến khích họ tham gia vào tự điều chỉnh, tự giám sát và tự giải thích (1).

Mặc dù có nhiều lợi thế kỹ thuật trong việc học tập kỹ thuật số sử dụng công nghệ cải tiến, việc học dựa trên máy tính và các thuật toán trí tuệ nhân tạo có thể bị dạy để thiên lệch chống lại các nhóm cụ thể hoặc hướng tới bất kỳ mục tiêu nào. Do đó, chúng ta phải cẩn thận giải quyết các vấn đề đạo đức và đạo lý. Trên hết, các bác sĩ tương lai nên tiếp cận nhân văn để đối phó với sự phức tạp sinh học - tâm lý - xã hội của bệnh nhân, điều này không dễ dàng tiếp cận với máy móc. Do đó, việc lên lịch các thời gian thuận tiện cho sự tham gia là rất quan trọng, đặc biệt trong học tập từ xa. Mặc dù người học ở những vị trí khác nhau so với giáo viên và các học viên khác, việc hướng dẫn đồng đẳng trực tuyến là hiệu quả khi họ cảm thấy liên kết và thuộc về người khác, tức là, sự gắn bó cảm xúc và khuyến khích. Tuy nhiên, điều này không chỉ đơn thuần là chuyển đổi các bài giảng truyền thống sang học tập hợp tác trực tuyến vì động lực và sự tham gia của học viên bị ảnh hưởng bởi cấu trúc khóa học, mà cấu trúc này nên được thiết kế để khuyến khích họ tham gia vào các cuộc thảo luận và làm việc trên các dự án (3).

Ứng dụng của robot y khoa và những hạn chế 

Robot phẫu thuật đã cho thấy những kết quả hứa hẹn mặc dù công nghệ vẫn còn ở giai đoạn đầu và chủ yếu được điều khiển bởi con người. Robot phẫu thuật có độ chính xác cao trong việc kiểm soát quỹ đạo, độ sâu và tốc độ hành động, vì vậy ảnh hưởng tích cực trực tiếp đến chăm sóc sức khỏe sẽ rất lớn. Khi xử lý các khu vực nhạy cảm như mắt, các bác sĩ phẫu thuật phải có đôi tay cực kỳ vững vàng. Công nghệ AI để loại bỏ màng từ mắt bệnh nhân hoặc máu dưới võng mạc do thoái hóa điểm vàng liên quan đến tuổi tác đã cho thấy hiệu quả trong các thử nghiệm. Trong một số trường hợp, việc sử dụng thiết bị robot để thực hiện phẫu thuật hiệu quả hơn so với thực hiện các thủ thuật bằng tay (23).

Chúng đặc biệt phù hợp với các ca phẫu thuật yêu cầu các chuyển động lặp đi lặp lại giống nhau vì không bị mệt mỏi. Robot cũng có thể giữ vị trí trong một khoảng thời gian dài và đi đến những nơi mà các công cụ truyền thống không thể. Ví dụ, AI có thể xác định các xu hướng trong các thủ tục phẫu thuật để cải thiện các thực hành tốt nhất và nâng cao độ chính xác của robot phẫu thuật đến độ tinh vi. Robot thông minh là những robot đã được lập trình với phần mềm trí tuệ nhân tạo, và phần mềm này sẽ một ngày nào đó thực hiện phẫu thuật mà không cần đến con người. Những kỹ thuật phẫu thuật này sẽ trở thành tiêu chuẩn trong tương lai gần, và các trường y khoa không dạy phẫu thuật robot sẽ gặp khó khăn (24-26).

Trí tuệ nhân tạo giảm thiểu tính nghiêm trọng trong cuộc sống nghề nghiệp của bệnh nhân, bác sĩ và quản lý bệnh viện. Các công nghệ AI dựa trên dữ liệu chăm sóc sức khỏe như Human Dx, MedAware, MedEye, MedPassTM, v.v. thực hiện các nhiệm vụ chính xác và kinh khoa hơn. Trí tuệ nhân tạo sẽ tiếp tục phục vụ hệ thống chăm sóc sức khỏe hiệu quả hơn bằng công nghệ học máy, vì nó tự động học hỏi và cải thiện từ kinh nghiệm mà không cần được lập trình rõ ràng.

Luôn có hai mặt của một đồng xu. Trong khi có nhiều lợi thế trong việc sử dụng robot để thực hiện các nhiệm vụ trong chăm sóc sức khỏe, cũng có khả năng xảy ra lỗi và sự cố. Luôn có khả năng xảy ra lỗi của con người/sự cố cơ học với những robot mạnh mẽ này. Một sự cố cơ học đơn lẻ có thể dẫn đến tử vong và thậm chí cái chết. Một nhược điểm đáng kể khác là chi phí. Robot phẫu thuật chỉ được sử dụng ở các quốc gia công nghiệp hóa, các viện nghiên cứu và các bệnh viện tiên tiến. Bệnh nhân và một số viện giáo dục cũng thấy rằng phẫu thuật robot nằm ngoài khả năng tài chính của họ. Hơn nữa, nhà cung cấp dịch vụ chăm sóc sức khỏe phải đầu tư đáng kể, tiền và công sức trong việc đào tạo nhân viên để xử lý robot; tuổi thọ của lực lượng lao động đang bị đe dọa. Do đó, khả năng xảy ra lỗi và chi phí cao cho các viện giáo dục có thể cản trở việc sử dụng rộng rãi phẫu thuật robot cho đến khi chi phí công nghệ giảm theo thời gian.

Đào Tạo Tối Ưu cho Ứng Dụng AI trong Giáo Dục Y Khoa:

AI trước tiên phải được dạy một cách đầy đủ và thích hợp để khai thác lợi ích trong hệ thống chăm sóc sức khỏe. Vai trò của bác sĩ và các chuyên gia y khoa khác là rất quan trọng ở đây. Mối đe dọa phổ biến nhất là các hệ thống AI đôi khi không chính xác, dẫn đến tổn hại cho bệnh nhân hoặc các vấn đề chăm sóc sức khỏe khác. Ví dụ, một bệnh nhân có thể bị tổn hại nếu một hệ thống AI kê đơn điều trị sai, không phát hiện khối u trong một xét nghiệm hình ảnh, hoặc phân bổ giường bệnh cho một bệnh nhân thay vì bệnh nhân khác do lỗi của hệ thống AI. Mặc dù nhiều chấn thương xãy ra trong các thiết lập y khoa ngay cả khi không sử dụng AI, có thể lập luận rằng lỗi AI về lý thuyết là khác biệt vì nếu các hệ thống AI được sử dụng rộng rãi hơn, một lỗi trong hệ thống AI có thể dẫn đến hàng ngàn bệnh nhân bị tổn hại, thay vì chỉ một số ít bệnh nhân do lỗi của một nhà cung cấp đơn lẻ. Các bác sĩ cần được đào tạo toàn diện để trích xuất dữ liệu bệnh nhân chính xác và đưa vào các hệ thống AI. Chúng ta đã có những bài học về các hệ thống AI y khoa không thành công do nhiều lý do không lường trước, và một trong số đó là đào tạo không đủ, chẳng hạn như trường hợp của Watson của IBM (27). Đào tạo tốt nhất phải đạt được ứng dụng AI trong giáo dục y khoa đến tiềm năng tối đa của nó. Điều này đòi hỏi việc sử dụng phương pháp đa ngành kết hợp chuyên môn trong các lĩnh vực công nghệ máy tính, y học, giáo dục và đạo đức (27). Các chương trình đào tạo nên nhấn mạnh phát triển khả năng trong phân tích dữ liệu, thuật toán AI và các cân nhắc đạo đức xung quanh việc sử dụng AI. Các nhà giáo dục và chuyên gia y khoa cần được trang bị các kỹ năng cần thiết, để có thể tích hợp công nghệ AI một cách hợp lý vào phát triển chương trình giảng dạy, giao tiếp giảng dạy và quy trình đánh giá. Các trường y có thể tăng cường sự chuẩn bị của giảng viên bằng cách tiến hành các "chương trình phát triển giảng viên" tập trung. Thêm vào đó, việc học tập liên tục và hợp tác giữa học viện, ngành công nghiệp và các cơ quan quản lý là rất cần thiết để theo kịp với bối cảnh thay đổi nhanh chóng của AI trong giáo dục y khoa (8).

Các Vấn Đề Đạo Đức trong Trí Tuệ Nhân Tạo

Các ứng dụng Trí Tuệ Nhân Tạo bao gồm  vật lý với các bộ phận giả robot, hỗ trợ công việc thủ công và các ứng dụng di động tạo điều kiện cho y học trực tuyến. Công nghệ mạnh mẽ này có thể đe dọa sự ưu tiên, an toàn và quyền riêng tư của bệnh nhân. Nó đặt ra một loạt các thách thức đạo đức mới cần được xác định và giải quyết (28). Gerke et al. chỉ ra bốn thách thức đạo đức chính của AI trong chăm sóc sức khỏe, như được giải thích dưới đây (21).

● Sự đồng ý thông tin để sử dụng: Sự tương tác giữa bệnh nhân và bác sĩ sẽ được chuyển đổi bởi các ứng dụng AI y khoa như hình ảnh, chẩn đoán và phẫu thuật. Tuy nhiên, có nhiều thách thức liên quan đến trách nhiệm của các chuyên gia trong việc giáo dục bệnh nhân về những phức tạp của AI. Khi AI sử dụng các phương pháp "hộp đen", các bác sĩ có thể đôi khi thấy khó khăn trong việc hiểu và diễn giải nhiều kỹ thuật học máy, điều này sẽ dẫn đến sự thiếu minh bạch trong một số tình huống. Khu vực này cần được chú ý nhiều hơn để kết quả trở nên ngày càng có thể dự đoán được.

● An toàn và minh bạch: Một trong những thách thức chính đối với AI trong chăm sóc sức khỏe là an toàn. Watson của IBM cho điều trị ung thư là một trường hợp được công bố rộng rãi về một trong những vấn đề chính đối với phân tích chăm sóc sức khỏe. Nó gần đây đã bị chỉ trích vì bị cáo buộc đưa ra các gợi ý "không an toàn và không chính xác" liên quan đến các phương pháp điều trị ung thư. Lĩnh vực này đã nhận được sự chú ý tiêu cực do sự cố thực y khoa này. Nó cũng cho thấy tầm quan trọng của việc các AI phải đáng tin cậy và hiệu quả. Nhưng làm thế nào chúng ta có thể đảm bảo rằng AI giữ lời hứa của nó? Các bên liên quan, đặc biệt là các nhà phát triển AI, phải đảm bảo hai yếu tố quan trọng để tận dụng tối đa tiềm năng của AI: tính hợp lệ và độ tin cậy của các tập dữ liệu, và sự minh bạch.

● Sự công bằng và thiên kiến thuật toán: Dữ liệu được sử dụng để đào tạo bất kỳ hệ thống Học Máy (ML) nào, hoặc một thuật toán được đào tạo bởi con người chỉ đáng tin cậy, hiệu quả và công bằng như dữ liệu được sử dụng để đào tạo nó. Khi chọn các công nghệ/ quy trình ML mà họ muốn sử dụng để đào tạo các thuật toán và các tập dữ liệu (bao gồm việc đánh giá chất lượng và sự đa dạng của chúng) mà họ muốn sử dụng cho lập trình, họ nên chú ý đặc biệt đến nguy cơ thiên kiến. AI cũng dễ bị thiên kiến và, do đó, phân biệt đối xử. Một số trường hợp đã cho thấy rằng các thuật toán có thể bị thiên lệch, dẫn đến phân biệt đối xử dựa trên nguồn gốc dân tộc, màu da hoặc giới tính.

● Quyền riêng tư dữ liệu: Bệnh nhân không được thông báo đầy đủ về việc xử lý dữ liệu xét nghiệm, mà họ đã chia sẻ với «Streams», một ứng dụng nhằm chẩn đoán và xác định tổn thương thận cấp tính để thực hiện các bài kiểm tra an toàn lâm sàng. Ngay cả khi  «Streams» không sử dụng trí tuệ nhân tạo,ví dụ thực tế  y khoa này đã nhấn mạnh rủi ro vi phạm quyền riêng tư khi xây dựng các giải pháp công nghệ (21). 

Kết luận

Sự tham gia của AI trong các cơ sở giáo dục đã tăng kể từ năm 2018. Mặc dù các tổ chức học thuật hợp tác chặt chẽ với các công ty công nghệ thông tin để phát triển các công nghệ tiên tiến như phát hiện lỗi kê đơn, phân phối thuốc cá nhân hóa và học tập cá nhân hóa, nhưng còn rất nhiều điều phải làm để đạt được trí tuệ nhân tạo và học máy hoàn chỉnh, không có lỗi và quy mô lớn.

Tương lai của giáo dục y khoa sẽ chủ yếu dựa vào các công nghệ do AI điều khiển, hỗ trợ giáo viên hiểu rõ hơn học viên của mình và giúp mỗi học viên học theo mô hình học tập của riêng họ, đồng thời giúp các cơ sở giáo dục tập trung hơn vào giảng dạy kỹ năng giao tiếp, đạo đức và đạo lý. Mặc dù rủi ro vẫn tồn tại trong các khung giáo dục dựa trên AI này nhưng các nghiên cứu thêm vấn đề này giúp làm rõ nhằm tiến tới các giải pháp ngày càng hoàn chỉnh hơn.

———-

Y khoa và  Y tế

Khía cạnh	Y Khoa (Medicine)	Y Tế (Healthcare/Health System)
Bản chất	Khoa học và nghệ thuật về bệnh tật và điều trị.	Hệ thống cung cấp dịch vụ chăm sóc sức khỏe.
Phạm vi	Tập trung vào cá nhân người bệnh (chẩn đoán, điều trị).	Tập trung vào cộng đồng và toàn bộ hệ thống(cung cấp, quản lý).
Mục tiêu	Chữa bệnh, phục hồi sức khỏe cá thể.	Cải thiện sức khỏe chung, đảm bảo tiếp cận dịch vụ.
Mối quan hệ	Là một phần cốt lõi của Y tế.	Là khái niệm bao trùm, chứa đựng Y khoa.