Hệ sinh thái dữ liệu: Tinh chỉnh hiệu suất phẫu thuật

Từ lúc giới thiệu đến khi tích hợp, Proximie chỉ mất khoảng hai tuần để triển khai vào một bệnh viện ở bất kỳ đâu trên thế giới. Đây là một trong nhiều điểm khác biệt của Proximie: nền tảng rất linh hoạt trong việc tiếp cận thị trường và bác sĩ phẫu thuật để nhanh chóng thiết lập luồng dữ liệu từ phòng mổ. Với các tập đoàn lớn, việc hoàn thiện các thỏa thuận GDPR và quyền riêng tư cần thiết có thể mất nhiều tháng, thậm chí trong một số trường hợp tới một năm; trong khi giải pháp Proximie thực tế rất đơn giản.

Về bản chất, Proximie cung cấp cho bác sĩ phẫu thuật một hệ sinh thái tuân thủ phù hợp với nhân viên bệnh viện vì không làm thay đổi cách phòng mổ vận hành. Chúng tôi không đưa vào một thiết bị buộc họ phải tổ chức cả ngày làm việc xoay quanh nó; Proximie dễ dàng hòa vào hệ sinh thái của bất kỳ phòng mổ nào.

Giải pháp cũng phù hợp với các công ty thiết bị y tế vì họ muốn tăng tốc doanh thu đơn hàng tại bệnh viện, đồng thời quan tâm đến việc thu thập và phân tích dữ liệu về quy trình làm việc cũng như cách bác sĩ sử dụng thiết bị. Vì vậy, lợi ích của chúng tôi đồng nhất với cả hai nhóm; mọi bên đều sẵn sàng đưa Proximie vào phòng mổ. Đây là nhu cầu được kéo từ phía khách hàng nhiều hơn là phải đẩy từ phía chúng tôi, và chính điều đó tạo nên lực tăng trưởng đáng kể.

Hiện nay dữ liệu phẫu thuật còn rất hạn chế. Thông tin đi vào phòng mổ thường chỉ là Hồ sơ Y tế Điện tử với tên bệnh nhân, bệnh đồng mắc và có thể thêm một vài hình ảnh trước mổ — một tập dữ liệu rất mỏng và thiếu chiều sâu. Thông tin đi ra khỏi phòng mổ thường chỉ là ba hoặc bốn câu do bác sĩ phẫu thuật đọc lại kiểu như “chúng tôi đã làm việc này, việc này và việc này”, rồi bệnh nhân có thể được theo dõi hoặc không vào thời điểm sau đó. Toàn bộ sự kiện phẫu thuật phụ thuộc vào kỹ năng của bác sĩ và kinh nghiệm họ tích lũy khi thực hiện một thủ thuật nhất định.

Ví dụ, có một bác sĩ phẫu thuật tại Celebration, Florida — ngay gần Disney World — thực hiện cắt bỏ 1.000 tuyến tiền liệt mỗi năm. Nếu tôi là bệnh nhân ung thư tuyến tiền liệt sống ở Kansas hoặc một nơi khác có hệ thống y tế kém phát triển hơn, có thể tôi chỉ tiếp cận được bác sĩ thực hiện 10–15 ca như vậy mỗi năm. Điều đó có thể vẫn ổn, trừ khi bệnh nhân có một kiểu BMI, tình trạng bệnh hay đặc điểm hạch bạch huyết nhất định; khi đó có thể phát sinh vấn đề vì bác sĩ gần nhất không có nền tảng kiến thức tích lũy tương đương bác sĩ ở Florida.

“Proximie mang đến khả năng tiếp cận đồng đều với cùng một chất lượng chăm sóc, dù bạn ở miền Trung nước Mỹ hay Bắc Phi; chúng tôi làm điều đó thông qua video, và video là một tập dữ liệu cực kỳ giàu thông tin.”

Thông thường mọi người không coi video là dữ liệu; họ thường nghĩ đến dữ liệu có cấu trúc như thông tin nhân khẩu học và ngày sinh. Nhưng dữ liệu video chứa lượng nội dung khổng lồ với rất nhiều ứng dụng, và bóng chày là một ví dụ điển hình. Có công ty có thể bố trí nhiều camera trong sân vận động để với mỗi cú ném, họ ghi lại góc bóng rời tay, góc bóng tới găng, tốc độ bóng và xác định đó là slider, curveball hay fastball. Họ còn đi xa hơn việc phân loại cú ném: có thể xác định chính xác góc di chuyển của quả bóng ở bất kỳ điểm nào trên quỹ đạo. Đó là loại dữ liệu thực tế trước đây chưa từng tồn tại, mô tả từng khoảnh khắc trong tích tắc từ khi bóng rời tay người ném đến khi vào găng người bắt; về bản chất, bạn đã tạo ra một trung tâm dữ liệu cho sự kiện đó. Trong phẫu thuật, ca mổ chính là quỹ đạo của quả bóng. Chúng tôi không chỉ ghi lại ca mổ mà còn có thể phân tích từng bước của thủ thuật, thời điểm các biện pháp cụ thể được thực hiện và nhiều yếu tố khác.

Bên cạnh việc thu thập dữ liệu, điều quan trọng là phải bảo đảm dữ liệu đa dạng và, với dữ liệu y tế, phải mang tính toàn cầu. Câu chuyện về ‘máy cấp xà phòng phân biệt màu da’ là một minh họa đơn giản cho những hậu quả đáng tiếc có thể xảy ra khi tập dữ liệu quá hẹp: hai người cùng thử dùng máy cấp xà phòng tự động trong nhà vệ sinh, nhưng máy chỉ nhả xà phòng cho người có làn da sáng mà không nhận diện người có làn da tối. Đây là ví dụ đơn giản về việc sản phẩm chưa được kiểm thử trên nhiều tông da. Hãy đặt vấn đề đó vào bối cảnh y tế: nếu một công ty nhỏ muốn phát triển thuật toán nhận diện polyp trong nội soi đại tràng, họ có thể dùng các tập dữ liệu công khai để xây dựng thuật toán. Vấn đề là những tập dữ liệu này còn hạn chế và thường thiên về nam giới da trắng, trung niên; chính dữ liệu nền bị thiên lệch đó sẽ quyết định khả năng chẩn đoán. Thay vào đó, chúng ta cần xây dựng một hệ sinh thái toàn cầu có khả năng tuân thủ và thu thập dữ liệu từ rất nhiều nguồn, khu vực, nhóm bệnh nhân và nền tảng bác sĩ phẫu thuật khác nhau.

Khi đã có đủ hai thành phần — dữ liệu giàu thông tin và đến từ nguồn đa dạng — sẽ mở ra nhiều ứng dụng rất đáng chú ý về mặt y khoa.

“Ngay lúc này, trong môi trường phòng mổ còn mang tính analog, rất khó xác định chính xác điều gì đã xảy ra xét trên phương diện kỹ thuật phẫu thuật.”

Tuy nhiên, nếu chúng ta có thể đo lường thủ thuật theo nhiều cách — không chỉ toàn bộ ca mổ vốn là một chỉ số rất tổng quát, mà cả từng bước của thủ thuật và hiệu quả của dụng cụ — thì có thể phân tích đến mức hiệu quả của từng chuyển động của bác sĩ phẫu thuật. Và trọng tâm không chỉ là bác sĩ, mà là mọi thứ diễn ra xung quanh bệnh nhân, bao gồm khả năng đánh giá mức độ phối hợp và cộng tác của cả ê-kíp trong phòng mổ. Cách bố trí và cách đội ngũ đưa dụng cụ thực sự có thể cải thiện điều trị và rút ngắn thời gian bệnh nhân nằm trên bàn mổ nhờ sự phối hợp rất nhịp nhàng. Chẳng hạn, đã có các nghiên cứu cho thấy những ê-kíp làm việc cùng nhau trong thời gian dài đạt kết quả tốt hơn cho bệnh nhân.

“Khi bạn đo được dữ liệu quanh các thủ thuật này đến từng mili-giây, đó chính là cơ sở để tiếp tục nâng cao hiệu quả và chất lượng chăm sóc tổng thể — đồng thời tạo ra lợi thế cạnh tranh.”

Loại dữ liệu này cũng cực kỳ hữu ích đối với các công ty thiết bị y tế. Làm sao họ có thể cải thiện thiết bị nếu chỉ thu thập dữ liệu từ chính thiết bị của mình? Họ cần một tập dữ liệu rộng và đa dạng, cung cấp thông tin từ nhiều thủ thuật và nhiều thiết bị khác nhau để đưa những bài học đó vào nghiên cứu và phát triển. Lấy robot phẫu thuật Hugo của Medtronic làm ví dụ: hãng vừa công bố sẽ tích hợp machine learning vào robot này — nhưng bằng kỹ thuật nào, và dữ liệu đầu vào đến từ đâu? Đó có phải là dữ liệu toàn cầu hay chỉ dựa trên dữ liệu của robot? Dữ liệu có bị giới hạn trong một công ty thiết bị y tế, hay bao phủ mọi loại thủ thuật trên toàn thế giới?

Vì vậy, bước cải tiến tiếp theo là sử dụng một tập dữ liệu kiểu Proximie — không phụ thuộc vào thiết bị và cũng không bị giới hạn bởi đặc điểm nhân khẩu học của một khu vực — rồi dùng dữ liệu đó để phát triển thông tin chuyên sâu, giúp thiết bị trở nên thông minh hơn thông qua việc tích hợp insight và hướng dẫn trong mổ.

Đồng thời, có những dữ liệu mà các công ty thiết bị y tế đơn giản là chưa thể tiếp cận về chính thiết bị của họ. Nếu một thiết bị được triển khai và cấy ghép trong 30 giây, dữ liệu hiện tại chưa chắc ghi nhận được điều đó. Thời gian cấy trung bình có thể là 30 giây nhưng ở một số ca lại mất 45 giây; hiểu vì sao có trường hợp chậm hơn 15 giây là một sai lệch rất quan trọng mà hãng thiết bị cần biết, bởi thời gian là yếu tố then chốt trong phòng mổ: thủ thuật càng kéo dài, khả năng xảy ra vấn đề càng cao. Với tập dữ liệu giàu thông tin như vậy, công ty thiết bị y tế có thể xác định kỹ thuật nào giúp cấy thiết bị hiệu quả nhất hoặc vị trí rạch chính xác nào mang lại kết quả tốt hơn cho bệnh nhân. Bệnh viện cũng quan tâm đến dữ liệu này vì biên lợi nhuận rất mỏng; họ cần tiết kiệm thời gian mà vẫn giữ chất lượng chăm sóc ở mức cao.

“Xác định khu vực nào trong phòng mổ đang vận hành kém hiệu quả là một phần thiết yếu của việc này, nhưng hiện chưa có cách để trích xuất dữ liệu cần thiết.”

Nhà hoạt động môi trường John Muir từng nói: “Khi cố tách riêng một thứ, ta sẽ thấy nó gắn với mọi thứ khác trong vũ trụ.” Đây là điều cần ghi nhớ khi xây dựng một hệ sinh thái dữ liệu — bạn không thể chỉ chọn những mẩu thông tin riêng lẻ, tách biệt rồi cho rằng mình đã có bức tranh toàn cảnh.

Chúng ta cần xây dựng một hệ sinh thái rộng, được hình thành từ phạm vi thông tin đa dạng nhất có thể, bởi đó là nền tảng để phát triển những cải tiến về hiệu quả, thuật toán và kỹ thuật có thể mang lại chất lượng chăm sóc cao nhất cho nhiều người nhất, đồng thời cung cấp tri thức để làm điều đó hiệu quả nhất.