Một bệnh nhân cần chẩn đoán đáng tin cậy và một lộ trình điều trị rõ ràng. Với các nhà lãnh đạo ngành y tế, nghiên cứu AI y khoa mới nhất của Microsoft đặt ra một câu hỏi thực tiễn: một tổ chức nên đánh giá thế nào một hệ thống thu thập bằng chứng và ra quyết định qua nhiều bước?
Quan điểm của tôi là MAI-DxO đáng được chú ý không chỉ vì độ chính xác mà còn vì quy trình ra quyết định của nó. Các CEO và CTO nên nghiên cứu quy trình đó đồng thời giữ ranh giới rõ ràng giữa hiệu quả trong nghiên cứu và giá trị lâm sàng đã được chứng minh.
Nghiên cứu Sequential diagnosis with language models đăng trên Science ngày 22 tháng 10 năm 2026. MAI-DxO kết hợp với GPT-5 đạt độ chính xác chẩn đoán 83,2% trên 304 ca bệnh khó của NEJM. Các bác sĩ đa khoa dùng tài liệu tham khảo đạt 36,1%, so với 22,3% khi không dùng. Trên 325 ca nhập viện từ cấp cứu, hệ thống đạt 80,3%, so với 46,8% của bác sĩ. Đây là kết quả từ các đánh giá có kiểm soát trên hồ sơ ca bệnh. [1, 2]
Những tỷ lệ phần trăm của bác sĩ mô tả hiệu suất trên các nhiệm vụ của nghiên cứu. Chúng không bao giờ nên được trình bày như độ chính xác chung của bác sĩ trong thực hành hằng ngày. Một điểm benchmark tổng thể cũng bỏ ngỏ một câu hỏi then chốt: những lỗi nào có thể gây hại lớn nhất?
MAI-DxO điều phối một hội đồng ảo đề xuất chẩn đoán, thách thức các giả định và lựa chọn câu hỏi hoặc xét nghiệm. Đánh giá của nó thay đổi khi thông tin đến. Benchmark đo lường lộ trình đến chẩn đoán, bao gồm chi phí xét nghiệm ước tính. Microsoft cũng đã đánh giá các cấu hình với ràng buộc chi phí chặt chẽ hơn. [2]
Với các nhà lãnh đạo doanh nghiệp, bài học thiết kế hữu ích là tách việc đề xuất câu trả lời khỏi việc xem xét bằng chứng của nó. Người xem xét cần có khả năng nhận ra điều gì còn thiếu, thách thức giải thích chiếm ưu thế và yêu cầu thêm thông tin trước khi một hành động quan trọng được tiếp tục.
Nhiều vai trò AI vẫn có thể lặp lại cùng một lỗi. Vì vậy, sự đồng thuận giữa các tác tử phải được kiểm chứng với bằng chứng bên ngoài. Thêm tranh luận tạo ra một thành phần khác cần đánh giá; nó không phải là xác minh độc lập.
Tôi sẽ so sánh các hệ thống theo ba chiều. So sánh điểm câu trả lời cuối cùng với chất lượng của toàn bộ quy trình ra quyết định. So sánh chi phí tác vụ ước tính với tổng chi phí cung cấp dịch vụ. So sánh hiệu suất trên hồ sơ lịch sử với kết quả quan sát được trong sử dụng triển vọng. Mỗi phép so sánh trả lời một câu hỏi đầu tư khác nhau.
Ví dụ, một khuyến nghị rẻ có thể tạo ra khối lượng xem xét lớn. Một câu trả lời đúng có thể đến quá muộn để giúp ích. Một hệ thống hoạt động tốt trên hồ sơ đầy đủ có thể gặp khó khi thông tin quan trọng không có sẵn. Các nhà lãnh đạo cần một đánh giá làm lộ rõ những khác biệt này.
SDBench dùng một mô hình gatekeeper để cung cấp thông tin được yêu cầu và một mô hình judge để đánh giá chẩn đoán. Gatekeeper có thể tạo ra các phát hiện nhất quán với ca bệnh khi kết quả được yêu cầu không có trong hồ sơ. Các cơ chế này làm cho đánh giá tương tác khả thi, nhưng cũng đưa vào các giả định cần được xem xét kỹ. [3]
Điều đó quan trọng vì môi trường đánh giá ảnh hưởng đến kết quả đo lường. Một bệnh viện phải xác định hệ thống hoạt động thế nào khi thông tin không đầy đủ, các lời khai mâu thuẫn và sự chậm trễ trong vận hành. Chỉ riêng độ chính xác chẩn đoán không thể khẳng định an toàn bệnh nhân, chất lượng điều trị hay hiệu quả của một đội ngũ lâm sàng.
Microsoft đã công bố một nghiên cứu triển vọng với Beth Israel Deaconess Medical Center, trong đó bệnh nhân sẽ tương tác với hệ thống và hiệu suất sẽ được so sánh với các đánh giá độc lập của bác sĩ. Đây là kiểm chứng được lên kế hoạch, chứ không phải bằng chứng đã đạt được về kết quả bệnh nhân tốt hơn. [2]
CEO nên xác định lợi ích mong muốn trước khi cấp kinh phí triển khai. Trong một thí điểm y tế, đó có thể là nhận diện nhanh hơn một bệnh lý cụ thể hoặc hỗ trợ tốt hơn cho việc xem xét các ca khó. Hãy chỉ định người chịu trách nhiệm lâm sàng, thống nhất các thước đo kết quả và thiết lập điều kiện dừng thí điểm. Tránh quyết định nhân sự dựa trên so sánh benchmark.
CTO nên xây dựng đánh giá quanh quy trình làm việc dự kiến. So sánh quy trình hiện tại, AI hoạt động một mình trong môi trường có kiểm soát, và các bác sĩ lâm sàng được AI hỗ trợ. Dùng các ca đại diện cho dịch vụ đề xuất. Kiểm tra các chẩn đoán nghiêm trọng bị bỏ sót, các xét nghiệm không cần thiết, thời gian đến quyết định và gánh nặng xem xét các khuyến nghị. Báo cáo kết quả cho các nhóm bệnh nhân liên quan, không chỉ trung bình chung.
Bắt đầu với đánh giá hồi cứu sử dụng dữ liệu được quản trị phù hợp. Nếu bằng chứng ủng hộ việc tiến tiếp, hãy cân nhắc một nghiên cứu triển vọng có giám sát với lãnh đạo lâm sàng và các phê duyệt cần thiết. Giữ thẩm quyền yêu cầu xét nghiệm hay thay đổi điều trị được phân định rõ ràng. Xác định khi nào hệ thống phải nhường quyền và bác sĩ lâm sàng có thể ghi đè nó như thế nào.
Yêu cầu bằng chứng truy vết được cho các khuyến nghị, kiểm soát truy cập thông tin bệnh nhân và lưu lại hồ sơ mô hình cùng phiên bản quy trình đã dùng. Lặp lại các đánh giá liên quan khi một trong hai thay đổi. Một thí điểm thành công cần một quy trình vận hành có thể phát hiện suy giảm và hỗ trợ rút lui.
Các nhà lãnh đạo tài chính nên phân biệt chi phí xét nghiệm ước tính với khoản tiết kiệm thực tế. Đưa tích hợp, xem xét lâm sàng, giám sát và đánh giá liên tục vào phương án kinh doanh. Mọi khoản tiết kiệm cần được đánh giá cùng với hậu quả của các chẩn đoán bị bỏ sót và các xét nghiệm có thể tránh được.
Cùng một kỷ luật đánh giá cũng hữu ích khi cân nhắc AI cho bồi thường bảo hiểm, ngoại lệ mua sắm hay điều tra sự cố. Những ứng dụng đó cần bằng chứng riêng của chúng. Một benchmark y khoa không thể kiểm chứng một quy trình tài chính hay vận hành.
MAI-DxO đưa ra lý do để xem xét cách AI yêu cầu bằng chứng, điều chỉnh lập trường và quyết định khi nào dừng lại. Giá trị doanh nghiệp sẽ phụ thuộc vào việc những hành vi đó có cải thiện một dịch vụ được xác định trong điều kiện vận hành thực tế hay không.
Nếu bạn là người phê duyệt một thí điểm AI y khoa, bạn sẽ yêu cầu bằng chứng gì trước khi cho phép các khuyến nghị của nó ảnh hưởng đến chăm sóc bệnh nhân?
Suy nghĩ toán học. Kỹ thuật thông minh. Lãnh đạo chiến lược. Xây dựng có trách nhiệm. Mở rộng toàn cầu. Tạo ra giá trị kinh doanh thực thông qua trí tuệ nhân tạo.
[1] Nori, H. et al. (2026). Sequential diagnosis with language models. Science. https://doi.org/10.1126/science.aeh7930
[2] Microsoft AI (22 tháng 10 năm 2026). Building Medical Superintelligence. https://microsoft.ai/news/building-medical-superintelligence/
[3] Microsoft. Tài liệu SDBench. https://microsoft.github.io/sdbench/
