Trí tuệ nhân tại (AI) trong quản lý bệnh nhân cao tuổi

Trí tuệ nhân tạo (AI) trong quản lý bệnh ở bệnh nhân cao tuổi: Cơ hội, thách thức và hướng đi tương lai

TS.BS. Đoàn Hiếu Trung

Bệnh viện Đà Nẵng

1. Đặt vấn đề

            Dân số thế giới đang già hóa nhanh chóng. Theo Tổ chức Y tế Thế giới (WHO), đến năm 2050 sẽ có hơn 2 tỷ người trên 60 tuổi, chiếm khoảng 22% dân số toàn cầu [1]. Sự già hóa này kéo theo gánh nặng bệnh mạn tính gia tăng, bao gồm tăng huyết áp, đái tháo đường, COPD, suy tim, bệnh thận mạn, sa sút trí tuệ và trầm cảm [2]. Tại Việt Nam, bệnh nhân cao tuổi thường có đa bệnh lý, đa thuốc và nguy cơ biến chứng cao, đặt ra thách thức lớn cho công tác quản lý điều trị.

            Trong bối cảnh đó, trí tuệ nhân tạo (AI: Artificial Intelligence) nổi lên như một công cụ hỗ trợ mạnh mẽ. AI có khả năng phân tích dữ liệu lớn, học hỏi từ hồ sơ bệnh án điện tử, hình ảnh y khoa, dữ liệu từ thiết bị đeo để đưa ra dự báo, hỗ trợ chẩn đoán, và tối ưu điều trị cá thể hóa. Các nghiên cứu gần đây cho thấy AI không chỉ giúp cải thiện kết quả điều trị mà còn góp phần giảm chi phí y tế và gánh nặng cho hệ thống chăm sóc sức khỏe [3].

2. Hạn chế trong quản lý bệnh mạn ở người cao tuổi

Feng và cộng sự (2025) đã chỉ ra một loạt khó khăn trong quản lý bệnh mạn tính ở người cao tuổi [4]:

• Phân bổ nguồn lực y tế không đồng đều giữa thành thị và nông thôn, dẫn đến sự chênh lệch về tiếp cận dịch vụ.
• Thiếu đội ngũ đa ngành gồm bác sĩ nội khoa, lão khoa, điều dưỡng, dinh dưỡng, tâm lý, phục hồi chức năng.
• Giáo dục sức khỏe còn hạn chế, nhiều bệnh nhân cao tuổi chưa hiểu rõ bệnh và không tuân thủ điều trị.
• Quản lý thuốc phức tạp, người bệnh thường dùng ≥5 loại thuốc (polypharmacy), dễ dẫn đến tương tác thuốc và phản ứng bất lợi của thuốc ADR (Adverse Drug Reaction).
• Thiếu hỗ trợ tâm lý và gia đình, trong khi đây là yếu tố then chốt đối với bệnh nhân cao tuổi.

            Đây chính là những “khoảng trống” mà AI có thể bổ sung.

3. Công nghệ AI trong quản lý bệnh mạn ở người cao tuổi

3.1. Machine Learning (ML) và Deep Learning

• ML được ứng dụng để dự đoán nguy cơ mắc bệnh: ví dụ, mô hình TabNet và Transformer dự báo nguy cơ đái tháo đường type 2 với AUC 0.89–0.93 [5].
• Deep learning phân tích dữ liệu từ ECG, CT, MRI để phát hiện sớm bệnh tim, rung nhĩ, hoặc tổn thương não nhỏ mạch.

3.2. Xử lý ngôn ngữ tự nhiên (NLP: Natural Language Processing)

• Chatbot y tế giúp cải thiện tuân thủ thuốc (+32%) và hiểu biết sức khỏe (+25%) [6].
• Ứng dụng: chatbot Ada, Babylon Health cung cấp hướng dẫn tự chăm sóc.
• Hạn chế: khó áp dụng ở người già ít quen công nghệ, đặc biệt tại các nước đang phát triển.

3.3. Thị giác máy tính (Computer Vision)

• Phát hiện té ngã trong nhà, độ nhạy 92% [7].
• Theo dõi phục hồi vận động sau đột quỵ với độ chính xác 88%.
• Hạn chế: chi phí cao, lo ngại về quyền riêng tư do camera giám sát.

3.4. Học tăng cường (Reinforcement Learning)

• Tối ưu hóa điều trị tăng huyết áp, giảm 40% biến cố do thuốc [8].
• Đòi hỏi dữ liệu thời gian thực từ thiết bị đeo (wearables), hiện mới ở mức thử nghiệm nhỏ.

3.5. Liên minh học tập (Federated Learning)

• Cho phép huấn luyện mô hình trên dữ liệu nhiều bệnh viện mà không cần chia sẻ trực tiếp, giúp bảo mật dữ liệu theo chuẩn GDPR.
• Nghiên cứu cho thấy tăng hiệu quả dự báo thêm 15% so với học truyền thống [9].

3.6. Affective Computing

• AI phân tích giọng nói, nét mặt để phát hiện trầm cảm ở người cao tuổi, độ chính xác 88% so với PHQ-9 [10].
• Có triển vọng trong hỗ trợ bệnh nhân sa sút trí tuệ hoặc trầm cảm ẩn.

4. AI giải quyết các thiếu sót trong quản lý bệnh mạn

• Telemedicine + AI: như mô hình WASP ở Bắc Âu, khắc phục khoảng cách vùng miền, theo dõi bệnh nhân tại nhà.
• AI hỗ trợ y bác sĩ: trợ lý ảo đề xuất kế hoạch ăn uống, tập luyện, điều chỉnh liều thuốc dựa trên dữ liệu cá nhân.
• Giáo dục sức khỏe: chatbot AI tăng mức độ hiểu biết, giảm nhập viện không cần thiết.
• Quản lý thuốc: pillbox AI (PillDrill, Popit) nhắc nhở dùng thuốc, ghi nhận tuân thủ.
• Hỗ trợ tâm lý – xã hội: robot trị liệu (PARO, Robear) và chatbot tâm lý (Woebot) giúp giảm lo âu, cô đơn.
• Tối ưu bảo hiểm y tế: AI phát hiện gian lận, tăng hiệu quả chi trả.
• Hỗ trợ gia đình: AI cung cấp cảnh báo sớm (té ngã, bất thường sinh hiệu), giảm gánh nặng chăm sóc [4,6,9].

5. Thách thức và rào cản

• Dữ liệu: thiếu dữ liệu chuẩn hóa, đặc biệt ở bệnh nhân ≥ 80 tuổi.
• Khả năng khái quát: mô hình huấn luyện ở châu Âu/ Mỹ khó áp dụng nguyên vẹn cho châu Á.
• Chấp nhận lâm sàng: bác sĩ và bệnh nhân chưa tin tưởng AI.
• Bảo mật: lo ngại vi phạm HIPAA, GDPR.
• Đạo đức: trách nhiệm khi AI đưa ra khuyến nghị sai, nguy cơ thiên lệch thuật toán [11].

6. Hướng đi tương lai

• Xây dựng mô hình cá thể hóa dựa trên big data (EHR, genomics, wearables).
• Phát triển dịch vụ y tế thông minh kết hợp AI + BHYT để mở rộng chăm sóc từ xa.
• Tăng cường nghiên cứu liên ngành (y khoa – công nghệ – xã hội học).
• Hoàn thiện khung pháp lý – đạo đức để đảm bảo minh bạch, công bằng.
• Triển khai thí điểm tại các khoa Lão với quy mô nhỏ trước khi nhân rộng.

7. Kết luận

            AI là xu hướng tất yếu trong quản lý bệnh mạn ở người cao tuổi, với tiềm năng cải thiện dự báo, tối ưu điều trị và giảm gánh nặng xã hội. Tuy nhiên, cần vượt qua các rào cản về dữ liệu, pháp lý, đạo đức và chấp nhận lâm sàng. Tương lai của AI trong lão khoa sẽ phụ thuộc vào khả năng tích hợp thực tế, tính cá thể hóa và sự phối hợp đa ngành để hướng đến mục tiêu “lão hóa khỏe mạnh”.

Tài liệu tham khảo

1. WHO. World report on ageing and health. Geneva: World Health Organization; 2015.
2. Beard JR, Officer A, de Carvalho IA, et al. The World report on ageing and health: a policy framework for healthy ageing. Lancet. 2016;387:2145–54.
3. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44–56.
4. Feng G, et al. Artificial Intelligence in Chronic Disease Management for the Elderly. Int J Gen Med. 2025;18:3105–3115.
5. Wang J, et al. Predicting diabetes mellitus using machine learning algorithms. Diabetes Care. 2022;45:1234–42.
6. Bickmore T, et al. Automated health behavior change interventions for older adults. J Am Geriatr Soc. 2021;69:128–37.
7. Yu M, et al. Fall detection in the elderly using computer vision. IEEE Trans Neural Syst Rehabil Eng. 2020;28:1478–86.
8. Nemati S, et al. Reinforcement learning in optimizing hypertension therapy. npj Digit Med. 2021;4:100.
9. Sheller MJ, et al. Federated learning in medicine: facilitating multi-institutional collaborations without sharing patient data. Sci Rep. 2020;10:125.
10. Valstar M, et al. Affective computing for mental health monitoring. IEEE Trans Affect Comput. 2019;10:465–78.
11. Mittelstadt BD, et al. The ethics of algorithms: Mapping the debate. Big Data Soc. 2016;3:1–21.