Bức tranh khoa học dữ liệu và học máy trong chăm sóc sức khỏe
Khi chăm sóc sức khỏe không ngừng tiến bộ nhờ số hóa và chuyển đổi số, đây đã trở thành một trong những ngành được trang bị tốt nhất để khai thác tối đa khoa học dữ liệu và học máy. Kể từ năm 2015, đầu tư vốn mạo hiểm vào các công ty AI trong lĩnh vực chăm sóc sức khỏe chỉ riêng ở Châu Âu đã tăng gấp 22 lần (McKinsey).
Khoa học dữ liệu và học máy đang chuyển đổi chăm sóc sức khỏe trên nhiều mảng, từ chăm sóc bệnh nhân đến dược phẩm và hơn thế nữa. Tuy nhiên, để mở rộng tác động của khoa học dữ liệu trong chăm sóc sức khỏe cần cân nhắc kỹ nhiều thách thức, gồm tuân thủ, quản trị và giám sát dữ liệu, văn hóa dữ liệu, và khả năng sẵn có của kỹ năng dữ liệu.
Cơ hội cho khoa học dữ liệu và học máy trong chăm sóc sức khỏe
Hiện nay, lĩnh vực chăm sóc sức khỏe đặc biệt phù hợp với học máy và khoa học dữ liệu do khối lượng dữ liệu lớn và nhiều trường hợp sử dụng có thể áp dụng cho kết quả sức khỏe cộng đồng. Theo Statista, lượng dữ liệu tạo ra hằng năm trong ngành chăm sóc sức khỏe toàn cầu vào khoảng 2.314 exabyte (1 exabyte = 1 tỷ gigabyte), đánh dấu mức tăng 15 lần về lượng dữ liệu tạo ra trong lĩnh vực này kể từ năm 2013.
Có vô số lợi ích cho xã hội dưới góc độ cải thiện kết quả sức khỏe dân số. Deloitte ước tính các hiệu quả đạt được nhờ các trường hợp sử dụng khoa học dữ liệu và học máy có thể cứu từ 380.000 đến 403.000 sinh mạng chỉ riêng ở Châu Âu. Khoa học dữ liệu và học máy có thể được tích hợp xuyên suốt hành trình của bệnh nhân, từ phòng ngừa và phát hiện sớm, đến chẩn đoán, điều trị và quản lý chăm sóc.
Chẳng hạn, mỗi người có thể tận dụng thiết bị đeo và ứng dụng cá nhân hóa để phát hiện sớm bệnh và phòng ngừa, hoặc rút ngắn thời gian chờ đợi nhờ phân tích hình ảnh y khoa dùng học sâu. Không gian nghiên cứu và phát triển cũng đang chuẩn bị tạo ra những bước tiến lớn về kết quả sức khỏe, từ phát hiện thuốc tự động đến tiến bộ của DeepMind về gấp nếp protein với thuật toán AlphaFold.
Các nhà cung cấp dịch vụ chăm sóc sức khỏe ở nhiều mảng cũng có thể đạt được mức tiết kiệm chi phí lớn và nâng cao hiệu quả. Ví dụ, đưa khoa học dữ liệu và học máy vào vận hành có thể giúp hệ thống y tế Châu Âu tiết kiệm từ 170,9 đến 212,4 tỷ euro mỗi năm (Deloitte). Hiệu quả có thể đến từ việc các công ty dược cải thiện dòng chảy chuỗi cung ứng, các nhà bảo hiểm tối ưu chi tiêu thương mại bằng cách dự đoán khách hàng rời bỏ, đến tăng năng suất thông qua tự động hóa quy trình làm việc trên nhiều mảng.
Các trường hợp sử dụng khoa học dữ liệu và học máy trong chăm sóc sức khỏe
Chăm sóc bệnh nhân
Các trường hợp sử dụng khoa học dữ liệu và học máy có thể cải thiện kết quả sức khỏe cho từng cá nhân và tự động hóa các tác vụ hành chính tốn thời gian cho nhân viên y tế.
Quản lý lịch hẹn: Với học máy và trí tuệ nhân tạo dựa trên quy tắc, các nhà cung cấp dịch vụ có thể tối ưu kết quả cho bệnh nhân và giảm sai lệch phân bổ nguồn lực nhờ quản lý lịch hẹn tự động.
Chẩn đoán sớm và phòng ngừa: Ứng dụng theo dõi sức khỏe và thiết bị đeo tận dụng học máy và phân tích mô tả để cung cấp insight quan trọng về nhiều khía cạnh sức khỏe của mỗi người. Các công cụ này giúp cá nhân đưa ra quyết định dựa trên dữ liệu về sức khỏe của mình và chẩn đoán sớm các bệnh tiềm ẩn.
Phân loại ưu tiên bệnh nhân: Bằng cách sử dụng ứng dụng kiểm tra triệu chứng dùng học máy, nhà cung cấp có thể phân loại bệnh nhân theo mức độ cần thiết và khẩn cấp. Điều này có thể làm giảm mạnh thời gian chờ của bệnh nhân và mang lại hiệu quả lớn cho nhà cung cấp dịch vụ.
Chẩn đoán và hình ảnh y khoa: Có lẽ là một trong những trường hợp sử dụng quan trọng nhất của khoa học dữ liệu và học máy trong y tế (McKinsey), chẩn đoán và hình ảnh y khoa hứa hẹn dải hiệu quả rộng và cải thiện kết quả sức khỏe trên diện rộng. Với học sâu, nhà cung cấp có thể tự động hóa quy trình và mang lại giá trị cho bệnh nhân nhanh hơn.
Quy trình và quản lý kinh doanh
Như ở bất kỳ ngành nào, các ứng dụng khoa học dữ liệu và học máy trong y tế bao trùm nhiều trường hợp sử dụng nhằm nâng cao hiệu quả vận hành và trải nghiệm khách hàng.
Tự động hóa quy trình bằng robot: Kết hợp học máy và trí tuệ nhân tạo dựa trên quy tắc, các nhà cung cấp trên nhiều mảng có thể tinh gọn quy trình làm việc và số hóa các quy trình.
Khách hàng rời bỏ: Các nhà bảo hiểm có thể dùng học máy để dự đoán khách hàng nào sẽ rời bỏ, từ đó giúp giữ chân và tối ưu chi tiêu marketing.
Chatbot: Với chatbot, các nhà cung cấp từ bệnh viện đến công ty bảo hiểm có thể cung cấp dịch vụ khách hàng tốt hơn và rút ngắn thời gian mang lại giá trị cho người dùng dịch vụ y tế.
Business Intelligence: Business intelligence kết hợp phân tích kinh doanh, xử lý dữ liệu và trực quan hóa để giúp tổ chức ra quyết định dựa trên dữ liệu hơn. Bằng cách tận dụng insight dữ liệu, nhà cung cấp y tế có thể tăng khả năng quan sát hoạt động tài chính, tự động hóa báo cáo tuân thủ, và nhiều hơn nữa (Đại học Villanova).
Dược phẩm
Với khám phá thuốc dựa trên AI và quản lý chuỗi cung ứng tốt hơn, các công ty dược có thể tận dụng khoa học dữ liệu và học máy để mang lại nhiều giá trị hơn cho người dùng.
Khám phá thuốc: Theo AI Index Report 2021, các startup khám phá thuốc bằng AI nhận được lượng đầu tư tư nhân vào AI cao nhất trong tất cả ngành. Những hứa hẹn của khám phá thuốc dựa trên ML đang bắt đầu cho thấy kết quả, và có thể mang lại lợi ích lớn cho sức khỏe cộng đồng.
Lập kế hoạch chuỗi cung ứng: Việc sử dụng khoa học dữ liệu và học máy trong lập kế hoạch chuỗi cung ứng có thể rút ngắn thời gian sản xuất, giảm thời gian chờ giao vắc-xin, và tối ưu chi tiêu chuỗi cung ứng cho các công ty dược.
Dự báo vượt trội: Từ công cụ dự báo đơn giản đến phức tạp, các công ty dược có thể tận dụng dữ liệu sức khỏe dân số để dự báo cung cầu cho một số loại thuốc, cũng như tối ưu quy trình kinh doanh trên diện rộng cho tài chính, marketing, bán hàng và hơn thế nữa.
Cải thiện quy trình thử nghiệm lâm sàng: Việc sử dụng khoa học dữ liệu và thiết bị đeo có thể giảm rủi ro cho bệnh nhân bằng cách tự động theo dõi và gắn cờ mọi tác dụng bất lợi trong quá trình thử nghiệm lâm sàng. Hơn nữa, các ứng dụng dùng học máy có thể tăng tốc thử nghiệm bằng cách đánh giá tiêu chí đủ điều kiện của bệnh nhân, tiền sàng lọc và ngẫu nhiên hóa.
Thách thức và rủi ro khi đưa khoa học dữ liệu và học máy vào vận hành trong y tế
Chất lượng dữ liệu và hạ tầng
Một thách thức lớn đối với bất kỳ tổ chức nào muốn đưa khoa học dữ liệu và học máy vào vận hành và mở rộng là xây dựng hạ tầng dữ liệu hiện đại, an toàn, tập trung và có thể khám phá được (DataCamp). Vấn đề này đặc biệt đúng với các tổ chức y tế nơi dữ liệu vẫn đang được số hóa, và việc xây dựng bộ dữ liệu lớn bị cản trở bởi thiếu khả năng tương tác dữ liệu và không đồng nhất về chất lượng giữa các nhà cung cấp (McKinsey).
Tuân thủ và quản trị
Bởi các tổ chức y tế thu thập dữ liệu có giá trị cao và nhạy cảm, quản trị và tuân thủ là trung tâm của việc đưa khoa học dữ liệu và học máy vào vận hành trong y tế (Collibra). Dù quy định khác nhau giữa các khu vực (McKinsey), ngành y là một trong những lĩnh vực có bối cảnh pháp lý phức tạp nhất. Ví dụ, Đạo luật Khả chuyển và Trách nhiệm giải trình Bảo hiểm Y tế (HIPAA) ở Hoa Kỳ đặt ra các tiêu chuẩn quốc gia về bảo vệ và quản lý dữ liệu sức khỏe của bệnh nhân.
Những quy định chuyên biệt về y tế như vậy chỉ là một khía cạnh của bối cảnh pháp lý phức tạp trong ngành. Các luật bảo vệ dữ liệu như Quy định Chung về Bảo vệ Dữ liệu (GDPR) ở Liên minh Châu Âu và Đạo luật Quyền riêng tư Người tiêu dùng California (CCPA) tạo thêm phức tạp cho các tổ chức y tế khi xây dựng và liên kết các bộ dữ liệu rời rạc phục vụ ứng dụng khoa học dữ liệu và học máy. Do đó, xây dựng quản trị dữ liệu và tuân thủ vững chắc là điều thiết yếu để đưa khoa học dữ liệu và học máy vào vận hành trong y tế.
Kỹ năng
Xây dựng hạ tầng dữ liệu và thống nhất về khung pháp lý là điều cốt yếu để vận hành khoa học dữ liệu và học máy trong y tế. Nhưng mối đe dọa lớn nhất đối với việc áp dụng các công nghệ này trong y tế là khoảng cách kỹ năng dữ liệu. Thực tế, theo nghiên cứu của Qlik, khi xếp hạng mức độ hiểu biết dữ liệu giữa các ngành, y tế là ngành có hiệu suất thấp nhất. Thiếu kỹ năng dữ liệu trong các tổ chức y tế cản trở việc sử dụng khoa học dữ liệu và học máy trên nhiều mảng và hạn chế khả năng tạo đồng thuận xung quanh các sáng kiến dữ liệu.
Ví dụ, nhân viên y tế tuyến đầu cần có hiểu biết cơ bản về AI để có thể hiểu và tương tác với các hệ thống, ứng dụng dựa trên học máy (McKinsey). Các quản lý và lãnh đạo tại công ty dược hoặc bảo hiểm cần hiểu những gì có thể thực hiện với khoa học dữ liệu và học máy để dẫn dắt sáng kiến dữ liệu và góp phần xây dựng văn hóa dựa trên dữ liệu (DataCamp).
Chỉ tuyển dụng nhân sự dữ liệu giỏi là chưa đủ. Có sự khan hiếm nhân tài vừa hiểu rõ tính phức tạp của y tế vừa có chuyên môn khoa học dữ liệu nói chung (Forbes).
Thiếu hiểu biết về dữ liệu là kẻ thù lớn nhất mà chúng tôi đang đối mặt. Khi thế giới ngày càng vận hành bằng dữ liệu, đây lại càng là một thách thức lớn hơn. Mọi người đều phải hiểu những điều cơ bản, và chúng ta phải truyền tải được điều đó theo cách trực quan và thú vị
Bill Zhang, Giám đốc Dữ liệu & Phân tích, AIG Nhật Bản
Đào tạo dữ liệu giải quyết các thách thức dữ liệu của ngành y tế như thế nào
Giải quyết khoảng cách kỹ năng dữ liệu là nền tảng để đưa khoa học dữ liệu và học máy vào vận hành trong y tế. Theo Diễn đàn Kinh tế Thế giới, đào tạo số và dữ liệu trong y tế và dược phẩm có thể tăng GDP toàn cầu hơn 400 tỷ đô la vào năm 2030. Xây dựng văn hóa học tập liên tục là điều bắt buộc để tạo ra thế hệ lãnh đạo tiếp theo trong y tế (McKinsey), những người sẽ kết hợp dữ liệu và khoa học sự sống để mở rộng và vận hành hóa giá trị của khoa học dữ liệu và học máy trong y tế.
