Tại hội thảo AIOC 2026 (GP225), các chuyên gia đã thảo luận về việc chuyển dịch từ các mô hình AI chỉ tập trung vào phát hiện bệnh sang các hệ thống dự đoán, cá thể hóa trong nhãn khoa. Việc tích hợp dữ liệu đa phương thức (multimodal imaging) bao gồm OCT, ảnh đáy mắt, thị trường và dữ liệu EMR đang mở ra hướng đi mới trong quản lý bệnh lý võng mạc và glaucoma.
Tích hợp AI đa phương thức trong thực hành lâm sàng
Việc sử dụng AI đa phương thức giúp giải quyết tình trạng dữ liệu bị phân mảnh (data silo) trong các phòng khám bận rộn. Hệ thống tích hợp các dữ liệu từ OCT, ảnh đáy mắt và thị trường vào một đầu ra duy nhất (fusion), cho phép bác sĩ đánh giá nhanh chóng mối tương quan cấu trúc - chức năng. Các hệ thống hiện nay như Zeiss Forum hoặc Optopol hỗ trợ bác sĩ trong việc đưa ra quyết định lâm sàng, đặc biệt là trong chẩn đoán và theo dõi tiến triển glaucoma. Một điểm quan trọng là các hệ thống này yêu cầu chất lượng hình ảnh (signal strength) từ 7 trở lên để đưa vào phân tích tự động.
Bình luận: Thông tin theo AIOC 2026; đối chiếu guideline hiện hành khi áp dụng lâm sàng. Việc phụ thuộc vào các hệ thống đóng (vendor-locked) là một rào cản lớn cho khả năng tương tác dữ liệu. Các bác sĩ cần lưu ý rằng AI chỉ đóng vai trò hỗ trợ ra quyết định, không thay thế đánh giá lâm sàng toàn diện.
AI trong dự đoán và cá thể hóa điều trị
Trí tuệ nhân tạo dự đoán (predictive intelligence) không chỉ dừng lại ở phân loại hình ảnh mà còn dự báo nguy cơ tiến triển bệnh và đáp ứng điều trị. Trong bệnh võng mạc đái tháo đường, các mô hình như iPAX có thể phát hiện các đặc điểm hình ảnh tinh vi mà mắt người khó nhận ra để dự báo mức độ nghiêm trọng. Đối với thoái hóa hoàng điểm tuổi già (ARMD), AI phân tích hình thái drusen và các mẫu độ dày võng mạc để dự đoán nguy cơ chuyển từ thể khô sang thể ướt. Trong glaucoma, AI giúp dự báo tốc độ mỏng lớp sợi thần kinh võng mạc (RNFL) và thời gian dẫn đến suy giảm chức năng thị giác, từ đó hỗ trợ bác sĩ đưa ra quyết định can thiệp phẫu thuật kịp thời.
| Chỉ số/Kết cục | Kết quả theo tài liệu |
|---|---|
| Ngưỡng chất lượng hình ảnh (signal strength) | 7 trở lên |
| Tốc độ mỏng RNFL do lão hóa (superior quadrant) | 1.35 microns/năm |
| Tỷ lệ tuân thủ quét OCT tại nhà | 6.3 scans/tuần |
| Thời gian trung bình mỗi lần quét OCT tại nhà | 47 giây |
| Tỷ lệ quét OCT đạt yêu cầu định lượng dịch | 86.5% |
| Tỷ lệ attrition rate (bệnh nhân không quay lại điều trị) | 18-24% (median 25%) |
Thách thức và hướng đi tương lai
Các thách thức chính bao gồm vấn đề đạo luật bảo vệ dữ liệu (như DPDP Act), hiện tượng "hộp đen" (black box phenomenon) khiến việc giải thích kết quả AI trở nên khó khăn, và sự thiên kiến dữ liệu (data bias) do thiếu đại diện sắc tộc. Các chuyên gia nhấn mạnh tầm quan trọng của việc duy trì "con người trong vòng lặp" (human in the loop - HITL) để đảm bảo tính trách nhiệm pháp lý và lâm sàng. Hướng đi tương lai bao gồm việc phát triển các mô hình nền tảng (foundation models) có khả năng tổng quát hóa tốt hơn, tích hợp AI vào hệ thống EMR, và phát triển các công cụ giám sát tại nhà (home-based monitoring) để chuyển dịch từ chăm sóc phản ứng sang chăm sóc chủ động.
- Ưu tiên sử dụng các hệ thống AI có khả năng giải thích (explainable AI) để hiểu rõ cơ sở của các chẩn đoán.
- Luôn thực hiện kiểm tra chéo thủ công (manual cross-checking) đối với các kết quả do AI cung cấp.
- Tuân thủ nghiêm ngặt các quy định về bảo mật dữ liệu bệnh nhân (PII) khi sử dụng các công cụ AI.
- Tận dụng AI như một công cụ hỗ trợ tóm tắt dữ liệu lâm sàng để giảm tải gánh nặng nhận thức (cognitive overload).
Tài liệu tham khảo:
AIOC 2026, 2026, AI in Ophthalmology 2026 Beyond Detection — Toward Predictive, Personalized Eye, GP225, 01:37:25.