Trí tuệ nhân tạo và đổi mới trong nhãn khoa: Ứng dụng lâm sàng và tương lai

Bs Ngô Hữu Thế
30.10.26
Last Updated

Tại hội thảo AIOC 2026 IC204 về trí tuệ nhân tạo (Artificial Intelligence - AI) và đổi mới trong nhãn khoa, các chuyên gia đã thảo luận về nhu cầu cấp thiết trong việc tích hợp công nghệ vào thực hành lâm sàng nhằm giải quyết gánh nặng bệnh tật ngày càng tăng. Với sự phát triển của hệ sinh thái công nghệ bao gồm hình ảnh độ phân giải cao, kết nối đám mây và các nền tảng kỹ thuật số, AI không chỉ là một công cụ hỗ trợ mà còn là một lớp năng lực (layer of capability) có thể áp dụng tại nhiều điểm trong lộ trình chăm sóc bệnh nhân.

Cơ sở lý thuyết và các cấp độ tự chủ của AI

AI được định nghĩa là các hệ thống tính toán có khả năng mô phỏng các chức năng nhận thức của con người như học tập và nhận dạng mẫu (pattern recognition). Trong nhãn khoa, Machine Learning (học máy) sử dụng dữ liệu lâm sàng có cấu trúc để dự đoán tiến triển bệnh và phân tầng nguy cơ. Deep Learning (học sâu) là một tập hợp con tiên tiến hơn, sử dụng mạng thần kinh (neural networks) đặc biệt mạnh mẽ trong diễn giải hình ảnh. Các mô hình nền tảng (foundation models) và đa phương thức (multimodal models) mới nhất hiện nay hướng tới việc tích hợp hình ảnh, văn bản và các nguồn dữ liệu khác để hỗ trợ các nhiệm vụ lâm sàng rộng hơn. Các cấp độ tự chủ của AI bao gồm: AI hỗ trợ (Assistive AI) đóng vai trò công cụ hỗ trợ không thay thế phán đoán của bác sĩ; AI tăng cường (Augmented AI) tích hợp nhiều luồng dữ liệu để cải thiện độ chính xác chẩn đoán và lập kế hoạch điều trị; và AI tự chủ (Autonomous AI) thực hiện độc lập các quyết định sàng lọc hoặc phân loại.

Ứng dụng AI trong quản lý Glaucoma

Glaucoma là một bệnh lý thường không có triệu chứng cho đến giai đoạn muộn, với tổn thương cấu trúc thường xuất hiện trước khi có tổn thương thị trường. AI đóng vai trò quan trọng trong việc phát hiện sớm tổn thương cấu trúc, theo dõi tiến triển dọc (longitudinal progression) và phân tầng nguy cơ. Các tiến bộ gần đây bao gồm việc sử dụng Vision Transformers (tự giám sát) trên OCT để cải thiện phát hiện tiến triển, kết hợp với dữ liệu OCTA (OCT Angiography) để phát hiện thay đổi vi mạch. Ngoài ra, các thiết bị theo dõi tại nhà như IARE (tự đo nhãn áp) giúp ghi nhận các đỉnh nhãn áp ban đêm thường bị bỏ sót tại phòng khám. Việc tích hợp dữ liệu từ OCT, OCTA, thị trường và nhãn áp vào một mô hình dự báo rủi ro duy nhất là xu hướng tương lai, giúp cá nhân hóa mục tiêu nhãn áp và tối ưu hóa kế hoạch điều trị.

AI trong chẩn đoán và phẫu thuật giác mạc

Giác mạc là một chuyên khoa giàu hình ảnh (image-rich specialty) với nhiều công cụ như confocal microscopy, slit lamp digital imaging và tomography. AI hỗ trợ chẩn đoán các bệnh lý như viêm giác mạc nhiễm trùng (bacterial, fungal, Acanthamoeba keratitis) với độ chính xác cao, gần tương đương với phẫu thuật viên giác mạc. Trong quản lý Keratoconus, AI giúp phân biệt Keratoconus cận lâm sàng với giác mạc bình thường bằng cách sàng lọc hàng chục bản đồ và chỉ số trong vài giây. Đối với phẫu thuật nội mô, AI hỗ trợ lập kế hoạch phẫu thuật, dự đoán loại phẫu thuật tối ưu (DSEK hoặc DMEK) và dự đoán mất tế bào nội mô sau phẫu thuật. Các công cụ như mô hình mô phỏng phần tử hữu hạn (finite element simulation model) giúp đánh giá nguy cơ giãn lồi giác mạc (ectasia) sau phẫu thuật khúc xạ, cho phép bác sĩ thay đổi quy trình hoặc từ chối phẫu thuật nếu nguy cơ cao.

Chỉ số/Kết cụcKết quả theo tài liệu
Gánh nặng Glaucoma toàn cầu64,3 triệu người (dự kiến 111 triệu trong 6-7 năm tới)
Độ chính xác chẩn đoán Keratoconus bằng AI99,4% - 99,6%
Độ chính xác chẩn đoán Keratoconus bằng phương pháp truyền thống90% - 93%
Tỷ lệ đạt mục tiêu khúc xạ (Wavel)98% trong vòng 5 diopters
Tỷ lệ đạt mục tiêu khúc xạ (Topogalic)82%
Độ chính xác chẩn đoán bệnh lý giác mạc (MEO score)90%
Độ chính xác phát hiện bong mảnh ghép DMEC96%
Bình luận: Thông tin theo [AIOC 2026, 2026]; đối chiếu guideline hiện hành khi áp dụng lâm sàng. Các số liệu về độ chính xác của AI trong tài liệu này rất ấn tượng, tuy nhiên cần lưu ý rằng đây là các kết quả từ các nghiên cứu hoặc thử nghiệm cụ thể. Việc áp dụng vào thực tế lâm sàng cần thận trọng, đặc biệt là vấn đề về tính tổng quát hóa (generalizability) của mô hình trên các quần thể bệnh nhân khác nhau và các vấn đề pháp lý liên quan đến trách nhiệm khi AI đưa ra chẩn đoán sai.
  • Áp dụng tư duy dự báo (forecasting mindset) thay vì chỉ đánh giá giai đoạn bệnh hiện tại.
  • Tích hợp các công cụ theo dõi tại nhà (nhãn áp, thị trường) cho các bệnh nhân phù hợp để giảm số lần thăm khám.
  • Luôn kiểm chứng kết quả đầu ra của AI, giải thích sự không chắc chắn và bảo vệ bệnh nhân trước các sai lệch (bias) của thuật toán.
  • Sử dụng AI như một công cụ hỗ trợ (assistive tool) để tăng cường phán đoán lâm sàng, không thay thế hoàn toàn vai trò của bác sĩ.
  • Ưu tiên sử dụng các mô hình AI đã được kiểm chứng qua các nghiên cứu đa trung tâm.

Tài liệu tham khảo:

AIOC 2026, 2026, IC204 Innovision Artificial intelligence & the new age of Ophthalmology, aioseditorproceedings, Video ID: jsPBWgIvDw4.

Xem thêm