Ứng dụng Trí tuệ nhân tạo và Thống kê y học trong nghiên cứu lâm sàng

Bs Ngô Hữu Thế
31.10.26
Last Updated

Tại hội thảo AIOC2026, phiên IC108, Dr. Sunil Morekar đã trình bày về việc giải mã các công cụ thống kê và phân tích dữ liệu trong nghiên cứu y khoa. Bài giảng nhấn mạnh tầm quan trọng của việc hiểu rõ thiết kế nghiên cứu và vai trò ngày càng tăng của trí tuệ nhân tạo (AI) trong việc xử lý dữ liệu lâm sàng.

Vai trò của AI trong phân tích dữ liệu

AI đang thay đổi cách thức thực hiện thống kê y học bằng khả năng xử lý hàng triệu dữ liệu ẩn danh trong thời gian rất ngắn, ví dụ như 0,4 giây để xác định phương pháp thống kê phù hợp. AI hỗ trợ khai thác dữ liệu (data mining) từ các báo cáo ca bệnh hoặc hồ sơ bệnh án, giúp phát hiện các biến số quan trọng mà con người có thể bỏ sót. Một ví dụ được nêu là việc phân tích dữ liệu bệnh nhân tiểu đường, nơi AI phát hiện ra rằng nhóm dùng metformin có chỉ số glycosylated hemoglobin (HbA1c) tốt hơn nhưng không được báo cáo trong các hồ sơ gốc. Tuy nhiên, tác giả nhấn mạnh nguyên tắc "garbage in, garbage out": nếu dữ liệu đầu vào không chính xác hoặc câu hỏi nghiên cứu không đúng, AI sẽ đưa ra kết quả sai lệch. Yếu tố con người vẫn đóng vai trò then chốt trong việc đặt câu hỏi và kiểm chứng kết quả.

Thiết kế nghiên cứu và lựa chọn phương pháp thống kê

Việc lựa chọn thiết kế nghiên cứu phải dựa trên câu hỏi lâm sàng cụ thể. Các phương pháp nghiên cứu phổ biến bao gồm: Randomized Controlled Trial (RCT) để đánh giá hiệu quả điều trị, nghiên cứu cắt ngang (cross-sectional study) để đánh giá tính hợp lệ của xét nghiệm chẩn đoán hoặc sàng lọc, và nghiên cứu thuần tập (longitudinal cohort) để đánh giá tiên lượng. Đối với các nghiên cứu so sánh, thiết kế song song (parallel group comparison) hoặc thiết kế bắt chéo (crossover trial) được sử dụng tùy thuộc vào số lượng đối tượng và mục tiêu nghiên cứu. Tác giả cũng lưu ý về tầm quan trọng của dữ liệu mô tả (descriptive data) ban đầu để đảm bảo tính tương đồng giữa các nhóm trước khi can thiệp. Ngoài ra, các báo cáo ca bệnh (case report) và loạt ca bệnh (case series) vẫn giữ giá trị lịch sử và lâm sàng quan trọng, ví dụ như việc phát hiện tác dụng phụ của thalidomide gây phocomelia.

Chỉ số/Kết cụcKết quả theo tài liệu
Thời gian xử lý thống kê bằng AI0,4 giây
Số lượng dữ liệu AI có thể xử lýhàng triệu dữ liệu ẩn danh
Số năm kinh nghiệm của tác giả với Cochranetừ năm 2006
Loại thiết kế nghiên cứu cho điều trịRandomized Controlled Trial (RCT)
Loại thiết kế nghiên cứu cho chẩn đoánCross-sectional study
Bình luận: Bài giảng cung cấp cái nhìn tổng quan về sự giao thoa giữa thống kê truyền thống và AI. Cần lưu ý rằng các ví dụ về AI trong bài mang tính chất minh họa về tiềm năng khai thác dữ liệu lớn. Thông tin theo AIOC2026, 2026; đối chiếu guideline hiện hành khi áp dụng lâm sàng.
  • Luôn bắt đầu bằng việc thu thập và trình bày dữ liệu mô tả (descriptive data) đầy đủ để đảm bảo tính so sánh giữa các nhóm.
  • Lựa chọn thiết kế nghiên cứu (RCT, cohort, cross-sectional) dựa trên câu hỏi lâm sàng cụ thể thay vì áp dụng một công thức chung.
  • Không đánh giá thấp giá trị của các báo cáo ca bệnh (case report) trong việc phát hiện các tín hiệu an toàn hoặc tác dụng phụ hiếm gặp.
  • Khi sử dụng AI trong phân tích, cần kiểm soát chặt chẽ chất lượng dữ liệu đầu vào để tránh sai lệch kết quả.
  • Cân nhắc sử dụng thiết kế bắt chéo (crossover trial) trong các nghiên cứu có cỡ mẫu nhỏ để tăng hiệu quả so sánh trong cùng một đối tượng.

Tài liệu tham khảo:

Sunil Morekar, 2026, Demystifying Medical Statistics/ AI, AIOS Editor Proceedings 2, Video ID: U6DoFNS4fnc.

Xem thêm