OmiKG là gì và vì sao khác biệt với các hệ thống AI y tế khác?
OmiKG là một hệ thống AI phân tích bệnh mạn tính dựa trên suy luận nhân quả, ánh xạ dữ liệu lâm sàng của từng bệnh nhân lên đồ thị tri thức y sinh và truy vết chuỗi cơ chế bệnh lý từ yếu tố khởi phát đến biến đổi phân tử, sinh lý và biểu hiện lâm sàng, đồng thời gắn chặt mọi kết luận với bằng chứng y khoa được công bố.
Điểm cần nhấn mạnh ngay là OmiKG không phải một chatbot y tế “trả lời cho vui”, mà là một hệ thống truy vết bệnh lý được thiết kế để phá vỡ tính “hộp đen” vốn khiến bác sĩ mất niềm tin vào AI. OmiGroup, một doanh nghiệp công nghệ y tế Việt Nam, vừa công bố hoàn thành thử nghiệm concept OmiKG – nền tảng AI suy luận nhân quả có khả năng truy vết nguyên nhân gây bệnh mạn tính tới cấp độ phân tử. Họ xây dựng hệ thống này trên hạ tầng Amazon Web Services, dùng Amazon Bedrock để trích xuất các quan hệ nhân quả từ tài liệu y sinh, rồi kết nối chúng với dữ liệu thực của bệnh nhân trong thực hành lâm sàng.
Nhìn ở góc độ người viết, đây là bước chuyển quan trọng của công nghệ y tế Việt Nam: từ các mô hình AI chẩn đoán sâu thuần “dự đoán” sang một thế hệ AI buộc phải giải thích được tại sao mình kết luận như vậy. Khi một hệ thống bắt buộc phải chỉ ra nguồn nghiên cứu đứng sau từng mối liên kết, nó không chỉ là công cụ hỗ trợ bác sĩ mà còn là một lớp kiểm chứng lại chính khoa học y khoa đang được trích dẫn.
Từ dữ liệu lâm sàng đến cấp độ phân tử: AI chẩn đoán sâu theo nghĩa đúng
Hầu hết công cụ AI phân tích bệnh mạn tính hiện nay dừng ở mức dự đoán nguy cơ, gợi ý chẩn đoán hoặc nhắc nhở tuân thủ điều trị. OmiKG chọn con đường khó hơn: xây một hệ thống AI chẩn đoán sâu, phân tích các chuỗi nhân quả từ yếu tố khởi phát, rối loạn chức năng sinh học, thay đổi hệ thống sinh lý tới biểu hiện lâm sàng. Nói cách khác, nó không chỉ nói “bệnh nhân bị gì” mà còn cố gắng chỉ ra “điều gì xảy ra trong cơ thể để dẫn tới tình trạng đó”.
Cốt lõi của OmiKG là đồ thị tri thức chuyên biệt cho bệnh mạn tính. Dữ liệu lâm sàng của bệnh nhân được ánh xạ lên đồ thị này; mỗi liên kết nhân quả đều gắn với nguồn công bố đã qua bình duyệt và mức độ bằng chứng y khoa. Điều này cho phép hệ thống truy vết các cơ chế bệnh lý ở cấp độ phân tử và phân biệt các con đường khác nhau dẫn tới cùng một triệu chứng.
Ví dụ, cùng là triệu chứng mệt mỏi, OmiKG có thể gợi ra các chuỗi cơ chế khác nhau như thay đổi cortisol, tăng IL-6 hoặc tình trạng viêm mạn tính. Trong bệnh đái tháo đường type 2, OmiKG giúp bác sĩ phân biệt liệu nguyên nhân gốc rễ ở từng người xuất phát từ phơi nhiễm môi trường hay từ chế độ ăn uống cộng với stress tâm lý. Đây chính là kiểu phân tầng cơ chế mà y học chính xác luôn nói tới nhưng chưa nhiều hệ thống AI thực sự làm được.
Giải bài toán “hộp đen” và niềm tin của bác sĩ vào AI
Vấn đề lớn nhất của AI y tế hiện nay không hẳn là độ chính xác, mà là niềm tin. Thị trường AI y tế toàn cầu được dự báo bùng nổ, nhưng rào cản khiến bác sĩ ngần ngại là tính chất “hộp đen”: mô hình đưa ra kết luận mà không thể giải thích hoặc dẫn chiếu bằng chứng y khoa gốc. Đội ngũ OmiGroup cũng đi theo quỹ đạo quen thuộc này khi bắt đầu với một hệ thống tư vấn dinh dưỡng cho bệnh nhân đái tháo đường, để rồi nhận ra thách thức thực sự nằm ở khả năng kiểm chứng chứ không phải chỉ số chính xác.
Chuyển hướng sang suy luận có cấu trúc là lựa chọn mang tính “dứt áo”: mọi kết luận phải truy ngược được tới chuỗi nhân quả và bài báo gốc. Cách tiếp cận này cho phép bác sĩ kiểm tra từng liên kết trong quá trình suy luận, thay vì chấp nhận một câu trả lời “tin hay không tùy” từ mô hình AI. Đó là một thay đổi văn hóa: đưa AI từ chỗ “thần tượng” sang “đồng nghiệp biết giải thích”.
Trong đánh giá có kiểm soát với 20 câu hỏi lâm sàng về cơ chế bệnh đái tháo đường type 2, OmiKG nhận diện được 15/17 cơ chế phân tử đại diện, trong khi hai phương pháp AI đối chứng chỉ nhận diện được lần lượt 1 và 0 cơ chế. Đây là con số đủ sức trở thành một câu trích dẫn tiêu chuẩn: “OmiKG nhận diện 15/17 cơ chế phân tử đại diện, trong khi hai hệ thống đối chứng chỉ đạt tối đa 1 cơ chế”. Quan trọng hơn, hệ thống vẫn giữ được phạm vi kiến thức tương đương các công cụ AI thông thường, cho thấy việc ưu tiên bằng chứng không buộc phải đánh đổi độ bao quát.
Tác động thực tế: từ phòng khám đến bệnh nhân mạn tính
Đối với bác sĩ và bệnh nhân, câu hỏi quan trọng nhất không phải OmiKG “ngầu” tới đâu, mà là nó thay đổi gì trong thực hành. OmiKG được thiết kế như một hệ thống truy vết bệnh lý giúp bác sĩ hiểu sâu cơ chế bệnh chứ không dừng ở mức chẩn đoán triệu chứng. Bằng cách xác định các con đường nhân quả cụ thể, hệ thống cung cấp thêm thông tin để bác sĩ xem xét nguyên nhân và hướng can thiệp phù hợp với từng bệnh nhân. Nó đưa y học chính xác từ khẩu hiệu thành một công cụ cụ thể: khác cơ chế, khác can thiệp.
Đặc biệt với bệnh mạn tính – nơi lối sống, môi trường và yếu tố sinh học đan xen – một AI chẩn đoán sâu có khả năng phân tách các lớp nguyên nhân là lợi thế rõ rệt. Nếu cùng một chẩn đoán đái tháo đường type 2 nhưng cơ chế gốc rễ mỗi người khác nhau, kế hoạch điều trị, dinh dưỡng, quản lý stress cũng nên được cá nhân hóa tương ứng. Điều này phù hợp với kỳ vọng của bệnh nhân hiện đại: không muốn nghe chung một “bài rao điều trị” cho mọi người.
Nhìn rộng hơn, việc một công nghệ y tế Việt Nam xây dựng được hệ thống AI phân tích bệnh mạn tính tới cấp độ phân tử đặt ra một tiêu chuẩn mới cho thị trường trong nước. Thay vì nhập khẩu toàn bộ giải pháp, các bệnh viện và nền tảng dữ liệu y tế có thể hợp tác để đồng phát triển, đồng kiểm chứng và đồng hưởng lợi. Tuy nhiên, để OmiKG đi xa hơn phòng nghiên cứu, điều bắt buộc là phải chứng minh được hiệu quả lâm sàng cụ thể: thời gian chẩn đoán, chất lượng điều trị, và trải nghiệm bệnh nhân có thực sự tốt hơn hay không.
OmiKG và con đường trở thành hạ tầng AI cho y học chính xác
OmiKG không dừng lại ở việc trả lời câu hỏi “vì sao bệnh xảy ra”. OmiGroup đang lên kế hoạch bổ sung kiến thức về can thiệp điều trị và ứng dụng lâm sàng, để hệ thống có thể hỗ trợ trả lời câu hỏi “nên làm gì” cho từng bệnh nhân. Đây là bước nâng cấp quan trọng: từ phân tích cơ chế sang gợi ý hành động, tức là từ lớp nghiên cứu sang lớp quyết định y khoa.
Trên bình diện quốc tế, OmiKG dự kiến sẽ được giới thiệu tại Hội nghị thường niên AMIA – một trong những diễn đàn lớn của cộng đồng tin học y sinh. Trong nước và khu vực, OmiGroup chuẩn bị thí điểm tích hợp OmiKG vào quy trình lâm sàng thực tế, đồng thời thảo luận thương mại hóa tại ba thị trường: Việt Nam, Nhật Bản và Hàn Quốc. Nếu các thử nghiệm này chứng minh được giá trị, OmiKG có cơ hội trở thành một tầng hạ tầng AI dùng chung cho nhiều hệ thống hồ sơ sức khỏe điện tử và nền tảng theo dõi bệnh mạn tính.
Từ góc độ người quan sát, điểm thuyết phục nhất của OmiKG không chỉ là công nghệ hay việc chạy trên AWS, mà là thái độ “khiêm tốn khoa học”: chấp nhận để bác sĩ soi từng liên kết, chấp nhận đo lường xem hệ thống sai ở đâu để sửa. Nếu xu hướng này được nhân rộng, công nghệ y tế Việt Nam có thể bước vào kỷ nguyên mới, nơi AI không còn là chiếc hộp đen khó hiểu mà trở thành một bản đồ minh bạch của cơ thể – nơi mỗi quyết định điều trị đều có đường dẫn rõ ràng từ triệu chứng về tận gốc rễ phân tử.
