Machine learning và phòng mổ của tương lai

Giáo sư Prokar Dasgupta là bác sĩ-nhà khoa học, nhà giáo dục, học giả đa lĩnh vực nổi tiếng quốc tế và Tổng biên tập British Journal of Urology International (BJUI). Là người tiên phong về phẫu thuật robot và nhiều đổi mới công nghệ khác trong tiết niệu, ông trao đổi với chúng tôi về vai trò trung tâm mà công nghệ sẽ đóng trong phòng mổ tương lai — và ảnh hưởng của nó tới đào tạo phẫu thuật. Ông cũng là Giám đốc Khoa học của Proximie.

Hai mươi năm trước, tôi phẫu thuật giống như mọi người thời đó — bằng dao mổ. Đó là phẫu thuật mở, nên với tuyến tiền liệt hoặc bàng quang chẳng hạn, cần một đường rạch ở phần dưới bụng, gây mất khá nhiều máu, thời gian nằm viện tương đối dài và một mức độ đau nhất định.

Công nghệ đã thay đổi hoàn toàn điều đó. Tôi chuyển sang phẫu thuật lỗ khóa khoảng hai mươi năm trước, và kể từ đó thực hiện các ca ung thư lớn kiểu này hoàn toàn bằng robot, qua những lỗ nhỏ ở bụng và camera cung cấp hình ảnh 3D HD được phóng đại, tăng cường. Kết quả là ít mất máu hơn, thời gian nằm viện ngắn hơn và đau ít hơn đáng kể — cách tôi phẫu thuật đã thay đổi mạnh mẽ và mang lại kết quả tốt hơn.

Nhưng đó chưa phải điểm cuối; công nghệ — và kéo theo đó là phòng mổ — vẫn tiếp tục tiến hóa, bởi vẫn còn nhiều nhu cầu chưa được đáp ứng.

Trước khi mổ, chúng ta chụp rất nhiều hình ảnh như CT và MRI. Các hình ảnh này được dùng để chẩn đoán, nhưng chúng ta cũng nên dùng chúng — và cả những kỹ thuật tốt hơn như hình ảnh phổ — cho phẫu thuật dưới hướng dẫn hình ảnh, một lĩnh vực đang được phát triển và cải thiện liên tục. Một công nghệ thú vị khác tiếp tục tiến bộ là khả năng in 3D một cơ quan để ghép hoặc để lập kế hoạch cách thực hiện phẫu thuật ung thư tuyến tiền liệt hay thận, đều mở ra những khả năng rất đáng kỳ vọng.

Máy học và trí tuệ nhân tạo sẽ tạo tác động đáng kể lên nhiều dạng phẫu thuật — đặc biệt trong xử lý các bộ dữ liệu lớn và gắn nhãn video thủ thuật, chẳng hạn để xác định liệu một số chuyển động nhất định của dụng cụ có thể dẫn tới kết quả phẫu thuật tốt hơn hay không.

Trong ung thư tuyến tiền liệt, bạn có thể xem xét liệu có cách di chuyển cụ thể nào của bác sĩ giúp cải thiện khả năng kiểm soát tiểu tiện của bệnh nhân hay không. Cuối cùng, thậm chí một số phần của thủ thuật có thể được tự động hóa, như khâu hoặc đặt mũi, vì robot có thể thực hiện với độ chính xác cao hơn nữa. Tuy nhiên, sẽ không có chuyện chỉ nhấn một nút rồi robot tự thực hiện toàn bộ ca mổ — vẫn cần con người đưa ra những phán đoán mà AI hay robot đơn giản không thể làm; mối quan hệ bác sĩ-bệnh nhân vẫn thiết yếu bất chấp tiến bộ công nghệ nhanh chóng.

Một nền tảng hỗ trợ phẫu thuật từ xa như Proximie có vai trò song hành với máy học và AI để đạt kết quả phẫu thuật tốt hơn.

Trong đại dịch, Proximie trở thành công cụ quan trọng giúp giảm số người trong phòng mổ nhưng vẫn bảo đảm chuyên môn phẫu thuật có mặt ở nơi cần thiết — tuy nhiên chức năng của nó rộng hơn nhiều và mang tính dài hạn trong việc giúp bác sĩ ở mọi trình độ chuẩn bị, thực hiện và hoàn thiện thủ thuật.

Ví dụ, một bác sĩ ít kinh nghiệm có thể chuẩn bị cho một thủ thuật bằng cách xem trưởng khoa hoặc người đào tạo thực hiện ca đó qua video lưu trữ, sau đó được hướng dẫn thực hiện chính thủ thuật trên cùng nền tảng, rồi nhận đánh giá về cách mình thực hiện sau khi hoàn thành.

Vì vậy, những nền tảng như Proximie có khả năng xây dựng một kho dữ liệu video thủ thuật phẫu thuật có tính bảo mật rất cao, luôn được ẩn danh và bảo vệ để không làm ảnh hưởng đến bệnh nhân. Về lý thuyết, dữ liệu video này có thể được gắn nhãn và chú thích bằng máy học, nhưng khó khăn nằm ở việc tìm ra một cách tiếp cận chuẩn hóa mang lại kết quả có thể hành động. Vì vậy, bước đầu tiên phải là bảo đảm có một lãnh đạo lâm sàng, bởi chuyên gia máy học hay nhà khoa học dữ liệu một mình sẽ không biết chính xác cách gắn nhãn và chú thích hình ảnh theo chuẩn — và nếu dữ liệu đầu vào không đúng thì đầu ra cũng không đúng. Sau đó cần thiết kế đúng mô hình để truy vấn dữ liệu; thiết kế mô hình cũng là yếu tố sống còn.

Dù vậy, vẫn còn nhiều câu hỏi chưa có lời giải về cách chuyển những kết quả này thành thực tiễn. Chúng ta mới chỉ ở phần nổi của tảng băng nên chưa ai thực sự biết nên làm gì tiếp theo với lượng dữ liệu này. Tiềm năng là rất lớn: lập kế hoạch phẫu thuật, phân tích hành trình phẫu thuật, đào tạo đội ngũ bằng máy học — bởi ngoài việc ghi lại bác sĩ phẫu thuật đang làm gì, bạn còn có thể ghi hình toàn bộ đội ngũ xung quanh và học từ đó.

“Nhưng điều khiến tôi hào hứng nhất là việc chuyển toàn bộ thông tin này thành kết quả thực tế cho bệnh nhân.”

Ví dụ, một trong những khái niệm xuất hiện trong khoảng vài năm gần đây là chỉ số hiệu suất tự động; bạn đưa toàn bộ dữ liệu vào một “hộp đen”, sau đó dùng thuật toán máy học để đánh giá hiệu suất của bác sĩ ở các mức kinh nghiệm khác nhau.

Các chỉ số hiệu suất tự động đã tạo ra một số phát hiện rất thú vị. Bạn có thể nghĩ bác sĩ nhiều kinh nghiệm nhất sẽ có kết quả tốt nhất, nhưng không phải lúc nào cũng vậy. Một số bác sĩ giàu kinh nghiệm rõ ràng có kết quả xuất sắc, nhưng cũng có những bác sĩ có năng khiếu tự nhiên đạt kết quả vượt trội dù số lượng ca họ thực hiện không quá lớn — và chỉ máy mới có thể nhìn ra những khác biệt này rồi tương quan chúng, ví dụ trong phẫu thuật ung thư tuyến tiền liệt, với khả năng kiểm soát rò rỉ nước tiểu. Bằng cách đó, các chỉ số có thể làm nổi bật năng khiếu tự nhiên khi xác định những bác sĩ có kết quả tốt hơn dù chưa thực hiện số lượng thủ thuật lớn.

Câu chuyện về máy học mới chỉ bắt đầu, và chúng ta vẫn chưa khám phá được tiềm năng thực sự của tác động đối với đào tạo, hay mức độ hiệu quả và cách thức mà nó có thể hướng dẫn dụng cụ của những bác sĩ ít kinh nghiệm hơn.

“Vẫn còn rất nhiều điều phải chờ để thấy, nhưng không nghi ngờ gì đây sẽ là một khía cạnh cực kỳ thú vị mà tương lai phẫu thuật có thể mang lại.”