Phần lớn AI lâm sàng được huấn luyện để vượt qua các kỳ thi lấy chứng chỉ, chứ không phải để tiến hành một cuộc hỏi bệnh. Khác biệt đó bộc lộ ngay khi có một người bệnh thật ngồi xuống trước mặt: mô hình sẽ hỏi thêm một câu nữa, hay vội vàng đưa ra câu trả lời.
Cách các mô hình y khoa được huấn luyện
Phần lớn mô hình y khoa hiện nay học từ dữ liệu hỏi-đáp một lượt, nơi mỗi mẫu chỉ gồm một mô tả triệu chứng và một chẩn đoán tương ứng. Cách học đó tạo ra một mô hình đạt điểm cao trên các bài thi trắc nghiệm, nhưng lại lúng túng ngay khi gặp một người bệnh thật ngồi trước mặt.
Một bác sĩ khi nghe người bệnh kể triệu chứng "đau ngực" sẽ không vội đưa ra kết luận "nhồi máu cơ tim". Họ hỏi bệnh. Họ tìm hiểu cơn đau bắt đầu từ khi nào, đau theo kiểu gì, có lan đi đâu không, và người bệnh đang lo sợ điều gì. Họ loại trừ những nguyên nhân thường gặp và lành tính trước, rồi mới nghĩ tới những khả năng hiếm gặp và nguy hiểm hơn. Kết luận là bước cuối cùng của một cuộc hỏi bệnh, chứ không phải bước đầu tiên.
Thiết kế bộ dữ liệu quanh cuộc tư vấn
Dữ liệu kiểu thi cử vốn không chứa một cuộc hỏi bệnh nào ở bên trong. Vì vậy, chúng tôi xây dựng bộ dữ liệu xoay quanh cách một buổi hỏi bệnh thật sự diễn ra. Mỗi đoạn hội thoại trong Meddies Consultant được tạo sinh theo ba khung lâm sàng:
- Calgary-Cambridge định hình trình tự của một buổi khám, từ lúc mở đầu, khai thác thông tin, tạo dựng quan hệ, cho tới khi kết thúc.
- OPQRST buộc bác sĩ AI khai thác triệu chứng một cách có hệ thống, gồm khởi phát, yếu tố làm nặng và làm dịu, tính chất, vị trí và hướng lan, mức độ, cùng diễn tiến theo thời gian.
- FIFE mô tả trạng thái nội tâm của người bệnh, gồm cảm xúc, suy nghĩ, ảnh hưởng lên sinh hoạt, và kỳ vọng, để người bệnh tổng hợp hành xử như một con người thật chứ không phải một điểm dữ liệu sạch sẽ.
Mỗi khung là một ràng buộc đặt lên quá trình tạo sinh. Một cuộc hỏi bệnh nếu bỏ qua mạch trò chuyện, bỏ qua việc khai thác triệu chứng một cách có hệ thống, hay bỏ qua chính nỗi bận tâm của người bệnh thì sẽ không được giữ lại. Nhờ vậy, một mô hình học từ bộ dữ liệu này sẽ nắm được cách một buổi hỏi bệnh tốt diễn ra, chứ không chỉ tìm đường tắt để đi tới một kết luận.
Vì sao AI biết đặt câu hỏi giúp người bệnh an toàn hơn
Một mô hình trả lời quá nhanh là một mô hình bỏ qua đúng câu hỏi lẽ ra có thể làm thay đổi kết luận. Ngược lại, một mô hình học từ những cuộc hỏi bệnh có khung sẽ giữ được thói quen hỏi tiếp, bởi dữ liệu chưa bao giờ cho phép mô hình đưa ra chẩn đoán khi chưa đi qua đầy đủ các bước khai thác triệu chứng. Với một trợ lý ghi chép lặng lẽ bên cạnh bác sĩ, hay một công cụ hỗ trợ phân loại bệnh nhân, thói quen biết hỏi đó chính là khác biệt giữa một người đồng hành hữu ích và một mối nguy đầy tự tin.
Vì vậy, chúng tôi huấn luyện mô hình trên chính những cuộc hỏi bệnh, chứ không phải trên đáp án có sẵn. Một mô hình biết cách hỏi mới là một mô hình xứng đáng có chỗ làm việc bên cạnh bác sĩ.