Trợ lý y tế thông minh: Trao quyền cho các bên liên quan với hỗ trợ cá nhân hóa và thông tin chuyên sâu dựa trên dữ liệu.

by Laks Sundararajan and Subha Venugopal on 17 MAR 2025 in Amazon Bedrock, Amazon Bedrock Guardrails, Amazon Bedrock Knowledge Bases, Amazon Machine Learning Permalink  Comments  Share

Large language models (LLMs) đã cách mạng hóa lĩnh vực xử lý ngôn ngữ tự nhiên, cho phép máy móc hiểu và tạo ra văn bản giống con người với độ chính xác đáng kinh ngạc. Tuy nhiên, mặc dù có khả năng ngôn ngữ ấn tượng, LLMs vốn bị giới hạn bởi dữ liệu mà chúng đã được đào tạo. Kiến thức của chúng là tĩnh và chỉ giới hạn trong thông tin đã được huấn luyện, điều này trở thành một vấn đề khi xử lý các lĩnh vực năng động và không ngừng phát triển như y tế.

Ngành y tế là một lĩnh vực phức tạp, luôn thay đổi với khối lượng kiến thức rộng lớn và ngày càng tăng nhanh. Nghiên cứu y khoa, thực hành lâm sàng và hướng dẫn điều trị liên tục được cập nhật, khiến ngay cả những LLM tiên tiến nhất cũng nhanh chóng lỗi thời. Ngoài ra, dữ liệu bệnh nhân, bao gồm hồ sơ sức khỏe điện tử (EHRs), báo cáo chẩn đoán và tiền sử bệnh, mang tính cá nhân hóa cao và độc nhất với từng cá nhân. Việc chỉ dựa vào kiến thức đã được huấn luyện của LLM là không đủ để đưa ra các khuyến nghị chăm sóc sức khỏe chính xác và phù hợp.

Hơn nữa, các quyết định y tế thường đòi hỏi phải tích hợp thông tin từ nhiều nguồn khác nhau, chẳng hạn như tài liệu y khoa, cơ sở dữ liệu lâm sàng và hồ sơ bệnh nhân. LLMs không có khả năng truy cập và tổng hợp dữ liệu một cách liền mạch từ những nguồn phân tán và đa dạng này. Điều này hạn chế tiềm năng của chúng trong việc cung cấp những hiểu biết toàn diện và chính xác cho các ứng dụng y tế.

Vượt qua những thách thức này là điều cần thiết để khai thác tối đa tiềm năng của LLMs trong lĩnh vực y tế. Bệnh nhân, nhà cung cấp dịch vụ y tế và các nhà nghiên cứu cần các trợ lý thông minh có thể cung cấp hỗ trợ cập nhật, cá nhân hóa và có nhận thức theo ngữ cảnh, dựa trên kiến thức y khoa mới nhất và dữ liệu bệnh nhân cụ thể.

Đây chính là lúc LLM function calling phát huy tác dụng. Đây là một khả năng mạnh mẽ cho phép LLMs tương tác với các hàm hoặc API bên ngoài, giúp chúng có thể truy cập và sử dụng các nguồn dữ liệu bổ sung hoặc các khả năng tính toán vượt ra ngoài kiến thức đã được huấn luyện. Bằng cách kết hợp khả năng hiểu và tạo ngôn ngữ của LLMs với các nguồn dữ liệu và dịch vụ bên ngoài, LLM function calling mở ra nhiều cơ hội mới cho các trợ lý y tế thông minh.

Trong bài viết này, chúng ta sẽ khám phá cách Mistral LLM trên Amazon Bedrock có thể giải quyết những thách thức này và cho phép phát triển các trợ lý y tế thông minh với khả năng LLM function calling, đồng thời đảm bảo bảo mật và quyền riêng tư dữ liệu mạnh mẽ thông qua Amazon Bedrock Guardrails.

Các trợ lý y tế được trang bị LLM function calling có thể đóng vai trò là trợ lý thông minh cho nhiều đối tượng khác nhau, bao gồm bệnh nhân, nhà cung cấp dịch vụ y tế và các nhà nghiên cứu. Chúng có thể hỗ trợ bệnh nhân bằng cách trả lời các câu hỏi y khoa, diễn giải kết quả xét nghiệm và đưa ra lời khuyên sức khỏe cá nhân hóa dựa trên tiền sử bệnh và tình trạng hiện tại. Đối với các nhà cung cấp dịch vụ y tế, những trợ lý này có thể giúp tóm tắt hồ sơ bệnh án, đề xuất chẩn đoán hoặc phương án điều trị tiềm năng và cập nhật những nghiên cứu y khoa mới nhất. Ngoài ra, các nhà nghiên cứu có thể sử dụng LLM function calling để phân tích lượng lớn tài liệu khoa học, xác định các mô hình và thông tin chi tiết, đồng thời đẩy nhanh quá trình khám phá trong các lĩnh vực như phát triển thuốc hoặc phòng chống dịch bệnh.

Lợi ích của LLM function calling

LLM function calling mang lại nhiều lợi ích cho các ứng dụng doanh nghiệp, bao gồm nâng cao khả năng ra quyết định, cải thiện hiệu suất, cá nhân hóa trải nghiệm và mở rộng quy mô. Bằng cách kết hợp khả năng hiểu ngôn ngữ của LLMs với các nguồn dữ liệu bên ngoài và tài nguyên tính toán, doanh nghiệp có thể đưa ra quyết định thông minh hơn dựa trên dữ liệu, tự động hóa và tối ưu hóa nhiều quy trình khác nhau, cung cấp các đề xuất và trải nghiệm phù hợp cho từng người dùng hoặc khách hàng, và xử lý khối lượng dữ liệu lớn và xử lý nhiều yêu cầu cùng lúc.

Các trường hợp sử dụng tiềm năng của LLM function calling trong lĩnh vực y tế bao gồm phân loại bệnh nhân, trả lời câu hỏi y khoa và đề xuất phương pháp điều trị cá nhân hóa. Các trợ lý được hỗ trợ bởi LLM có thể hỗ trợ phân loại bệnh nhân bằng cách phân tích triệu chứng, tiền sử bệnh và các yếu tố nguy cơ của họ, đồng thời cung cấp các đánh giá ban đầu hoặc khuyến nghị về việc tìm kiếm phương pháp chăm sóc phù hợp. Bệnh nhân và nhà cung cấp dịch vụ y tế có thể nhận được câu trả lời chính xác và cập nhật về các câu hỏi y khoa bằng cách sử dụng khả năng hiểu ngôn ngữ tự nhiên của LLMs và truy cập kiến thức y khoa phù hợp từ nhiều nguồn dữ liệu khác nhau. Ngoài ra, bằng cách tích hợp với hồ sơ sức khỏe điện tử (EHRs) và các hệ thống hỗ trợ quyết định lâm sàng, LLM function calling có thể cung cấp các đề xuất điều trị cá nhân hóa phù hợp với tiền sử bệnh, tình trạng sức khỏe và sở thích của từng bệnh nhân.

Amazon Bedrock hỗ trợ nhiều mô hình nền tảng khác nhau. Trong bài viết này, chúng tôi sẽ khám phá cách thực hiện function calling bằng Mistral từ Amazon Bedrock. Mistral hỗ trợ function calling, cho phép các trợ lý gọi các hàm hoặc API bên ngoài ngay trong luồng hội thoại. Tính năng này giúp trợ lý có thể truy xuất dữ liệu, thực hiện tính toán hoặc sử dụng các dịch vụ bên ngoài để nâng cao khả năng hội thoại. Function calling trong Mistral được thực hiện thông qua việc sử dụng các khối function call cụ thể để xác định hàm bên ngoài cần gọi và xử lý phản hồi hoặc đầu ra.

Tổng quan về giải pháp

LLM function calling thường liên quan đến việc tích hợp một mô hình LLM với một API hoặc hàm bên ngoài nhằm cung cấp quyền truy cập vào các nguồn dữ liệu bổ sung hoặc khả năng tính toán mở rộng. Mô hình LLM đóng vai trò như một giao diện, xử lý đầu vào ngôn ngữ tự nhiên và tạo phản hồi dựa trên kiến thức được huấn luyện trước cùng với thông tin thu được từ các hàm hoặc API bên ngoài. Kiến trúc của hệ thống thường bao gồm mô hình LLM, một lớp tích hợp API hoặc hàm, cùng với các nguồn dữ liệu và dịch vụ bên ngoài.

Các trợ lý chăm sóc sức khỏe có thể tích hợp mô hình LLM và gọi các hàm hoặc API bên ngoài thông qua một chuỗi bước, bao gồm: xử lý đầu vào ngôn ngữ tự nhiên, tự hiệu chỉnh, chuỗi suy luận, gọi hàm hoặc API thông qua lớp tích hợp, tích hợp và xử lý dữ liệu, cũng như áp dụng tính cách phù hợp. Trợ lý sẽ tiếp nhận đầu vào từ người dùng, xử lý thông qua mô hình LLM, gọi các hàm hoặc API phù hợp nếu cần thêm dữ liệu hoặc tính toán, sau đó kết hợp đầu ra của mô hình LLM với dữ liệu hoặc kết quả từ bên ngoài để cung cấp phản hồi toàn diện cho người dùng.

Kiến trúc tổng quan – Trợ lý chăm sóc sức khỏe

Kiến trúc của Trợ lý Chăm sóc Sức khỏe được minh họa trong hình trước đó và bao gồm các thành phần sau:

1. Người dùng tương tác với hệ thống thông qua Amazon API Gateway.
   
2. AWS Lambda orchestrator, cùng với cấu hình công cụ và lời nhắc (prompts), xử lý điều phối và gọi mô hình Mistral trên Amazon Bedrock.
   
3. Agent function calling cho phép trợ lý gọi các hàm Lambda để truy xuất dữ liệu, thực hiện tính toán hoặc sử dụng các dịch vụ bên ngoài.
   
4. Các hàm như bảo hiểm, yêu cầu bồi thường, và các hàm Lambda được điền sẵn xử lý các tác vụ cụ thể.
   
5. Dữ liệu được lưu trữ trong lịch sử hội thoại, và cơ sở dữ liệu thành viên (MemberDB) được sử dụng để lưu thông tin thành viên, trong khi kho tri thức (knowledge base) chứa các tài liệu tĩnh hỗ trợ tác vụ của trợ lý.
   
6. AWS CloudTrail, AWS Identity and Access Management (IAM) và Amazon CloudWatch chịu trách nhiệm đảm bảo bảo mật dữ liệu.
   
7. AWS Glue, Amazon SageMaker, và Amazon Simple Storage Service (Amazon S3) hỗ trợ xử lý dữ liệu.
   
8. Mã mẫu sử dụng function calling thông qua Mistral LLM có thể được tìm thấy tại mistral-on-aws.

Cân nhắc về bảo mật và quyền riêng tư

Quyền riêng tư và bảo mật dữ liệu đóng vai trò quan trọng trong lĩnh vực chăm sóc sức khỏe do tính nhạy cảm của thông tin sức khỏe cá nhân (PHI) và những hậu quả có thể xảy ra khi dữ liệu bị rò rỉ hoặc truy cập trái phép. Tuân thủ các quy định như HIPAA và GDPR là điều bắt buộc đối với các tổ chức y tế xử lý dữ liệu bệnh nhân. Để đảm bảo bảo vệ dữ liệu mạnh mẽ và tuân thủ quy định, các tổ chức có thể sử dụng Amazon Bedrock Guardrails, một bộ kiểm soát bảo mật và quyền riêng tư toàn diện do Amazon Web Services (AWS) cung cấp.

Amazon Bedrock Guardrails cung cấp một cách tiếp cận nhiều lớp đối với bảo mật dữ liệu, bao gồm mã hóa khi lưu trữ và truyền tải, kiểm soát truy cập, ghi nhật ký kiểm toán, xác thực dữ liệu gốc và cơ chế phản hồi sự cố. Nó cũng cung cấp các tính năng bảo mật nâng cao như kiểm soát vị trí dữ liệu, cho phép các tổ chức chỉ định khu vực địa lý nơi dữ liệu của họ có thể được lưu trữ và xử lý, đảm bảo tuân thủ các luật bảo vệ dữ liệu địa phương.

Khi sử dụng chức năng gọi LLM trong lĩnh vực chăm sóc sức khỏe, điều quan trọng là phải thực hiện các biện pháp bảo mật mạnh mẽ và tuân theo các phương pháp tốt nhất để xử lý thông tin bệnh nhân nhạy cảm. Amazon Bedrock Guardrails có thể đóng vai trò quan trọng trong vấn đề này bằng cách giúp cung cấp một nền tảng an toàn để triển khai và vận hành các ứng dụng và dịch vụ chăm sóc sức khỏe sử dụng khả năng của LLM.

Một số biện pháp bảo mật quan trọng được Amazon Bedrock Guardrails hỗ trợ bao gồm:

• Mã hóa dữ liệu (Data encryption): Dữ liệu bệnh nhân được xử lý bởi các chức năng LLM có thể được mã hóa khi lưu trữ và truyền tải, đảm bảo rằng thông tin nhạy cảm vẫn an toàn ngay cả trong trường hợp truy cập trái phép hoặc rò rỉ dữ liệu.
  
• Kiểm soát truy cập (Access controls): Amazon Bedrock Guardrails cho phép kiểm soát truy cập chi tiết, giúp các tổ chức y tế xác định và thực thi các quyền nghiêm ngặt về việc ai có thể truy cập, chỉnh sửa hoặc xử lý dữ liệu bệnh nhân thông qua các chức năng LLM.
  
• Lưu trữ dữ liệu an toàn (Secure data storage): Dữ liệu bệnh nhân có thể được lưu trữ trong các dịch vụ lưu trữ mã hóa an toàn như Amazon S3 hoặc Amazon Elastic File System (Amazon EFS), đảm bảo rằng thông tin nhạy cảm vẫn được bảo vệ ngay cả khi ở trạng thái lưu trữ.
  
• Ẩn danh và bút danh hóa dữ liệu (Anonymization and pseudonymization): Các tổ chức y tế có thể sử dụng Amazon Bedrock Guardrails để triển khai các kỹ thuật ẩn danh và bút danh hóa dữ liệu, đảm bảo rằng dữ liệu bệnh nhân được sử dụng để huấn luyện hoặc kiểm thử mô hình LLM không chứa thông tin nhận dạng cá nhân (PII).
  
• Ghi nhật ký kiểm toán và giám sát (Audit logging and monitoring): Khả năng ghi nhật ký kiểm toán và giám sát toàn diện do Amazon Bedrock Guardrails cung cấp cho phép các tổ chức y tế theo dõi và giám sát tất cả các quyền truy cập và việc sử dụng dữ liệu bệnh nhân bởi các chức năng LLM, giúp phát hiện và phản hồi kịp thời các sự cố bảo mật tiềm ẩn.
  
• Kiểm tra và đánh giá bảo mật định kỳ (Regular security audits and assessments): Amazon Bedrock Guardrails hỗ trợ kiểm tra và đánh giá bảo mật định kỳ, đảm bảo rằng các biện pháp bảo vệ dữ liệu của tổ chức y tế luôn được cập nhật và hiệu quả trước các mối đe dọa an ninh và yêu cầu quy định ngày càng phát triển.

Bằng cách sử dụng Amazon Bedrock Guardrails, các tổ chức y tế có thể tự tin triển khai chức năng gọi LLM trong các ứng dụng và dịch vụ của họ, duy trì bảo mật dữ liệu mạnh mẽ, bảo vệ quyền riêng tư và tuân thủ quy định, đồng thời tận dụng những lợi ích đột phá của các trợ lý chăm sóc sức khỏe ứng dụng AI.

Nghiên cứu điển hình và ví dụ thực tế

3M Health Information Systems đang hợp tác với AWS để thúc đẩy đổi mới AI trong tài liệu lâm sàng bằng cách sử dụng các dịch vụ máy học (ML) của AWS, sức mạnh tính toán và khả năng của mô hình ngôn ngữ lớn (LLM). Sự hợp tác này nhằm nâng cao công nghệ xử lý ngôn ngữ tự nhiên (NLP) và giọng nói lâm sàng xung quanh của 3M, cho phép các trợ lý chăm sóc sức khỏe thông minh ghi lại và tài liệu hóa các cuộc gặp gỡ bệnh nhân một cách hiệu quả và chính xác hơn. Các trợ lý này, được hỗ trợ bởi LLM, có thể hiểu và xử lý đầu vào ngôn ngữ tự nhiên từ các nhà cung cấp dịch vụ y tế, chẳng hạn như ghi chú nói hoặc truy vấn, đồng thời sử dụng chức năng gọi LLM để truy cập và tích hợp dữ liệu y tế liên quan từ hồ sơ sức khỏe điện tử (EHR), cơ sở tri thức và các nguồn dữ liệu khác. Bằng cách kết hợp chuyên môn trong lĩnh vực của 3M với khả năng ML và LLM của AWS, hai công ty có thể cải thiện quy trình làm việc tài liệu lâm sàng, giảm gánh nặng hành chính cho các nhà cung cấp dịch vụ y tế và cuối cùng nâng cao chất lượng chăm sóc bệnh nhân thông qua tài liệu chính xác và toàn diện hơn.

GE Healthcare đã phát triển Edison, một giải pháp trí tuệ an toàn chạy trên AWS, để thu thập và phân tích dữ liệu từ các thiết bị y tế và hệ thống thông tin bệnh viện. Giải pháp này sử dụng các dịch vụ phân tích, ML và Internet vạn vật (IoT) của AWS để tạo ra các thông tin chi tiết và phân tích có thể được cung cấp thông qua các trợ lý chăm sóc sức khỏe thông minh được hỗ trợ bởi LLM. Các trợ lý này, được trang bị chức năng gọi LLM, có thể truy cập và tích hợp liền mạch các thông tin chi tiết và phân tích do Edison tạo ra, giúp các nhà cung cấp dịch vụ y tế cải thiện hiệu quả hoạt động, nâng cao kết quả điều trị cho bệnh nhân và hỗ trợ phát triển các thiết bị y tế thông minh mới. Bằng cách sử dụng chức năng gọi LLM để truy xuất và xử lý dữ liệu liên quan từ Edison, các trợ lý này có thể cung cấp cho các nhà cung cấp dịch vụ y tế các khuyến nghị dựa trên dữ liệu và hỗ trợ cá nhân hóa, cuối cùng giúp nâng cao chất lượng chăm sóc bệnh nhân và tối ưu hóa việc cung cấp dịch vụ y tế.

Xu hướng và phát triển trong tương lai

Những tiến bộ trong tương lai của chức năng gọi LLM trong lĩnh vực chăm sóc sức khỏe có thể bao gồm các khả năng xử lý ngôn ngữ tự nhiên tiên tiến hơn, chẳng hạn như cải thiện hiểu ngữ cảnh, khả năng hội thoại đa lượt và xử lý tốt hơn những điểm mơ hồ và sắc thái trong ngôn ngữ y khoa. Ngoài ra, việc tích hợp các mô hình LLM với các công nghệ AI khác, chẳng hạn như thị giác máy tính và nhận dạng giọng nói, có thể cho phép tương tác đa phương thức và phân tích nhiều định dạng dữ liệu y tế khác nhau.

Các công nghệ mới nổi như mô hình đa phương thức (multimodal models), có thể xử lý và tạo văn bản, hình ảnh và các định dạng dữ liệu khác đồng thời, có thể nâng cao chức năng gọi LLM trong lĩnh vực chăm sóc sức khỏe bằng cách cho phép phân tích và trực quan hóa dữ liệu y tế toàn diện hơn. Các mô hình ngôn ngữ cá nhân hóa, được đào tạo trên dữ liệu của từng bệnh nhân, có thể cung cấp phản hồi chính xác và phù hợp hơn. Các kỹ thuật học liên kết (federated learning), cho phép đào tạo mô hình trên dữ liệu phi tập trung trong khi vẫn bảo vệ quyền riêng tư, có thể giải quyết các thách thức về chia sẻ dữ liệu trong lĩnh vực chăm sóc sức khỏe.

Những tiến bộ và công nghệ mới này có thể định hình tương lai của các trợ lý chăm sóc sức khỏe bằng cách làm cho chúng trở nên thông minh hơn, thích ứng tốt hơn và mang tính cá nhân hóa cao hơn. Các trợ lý có thể tích hợp liền mạch dữ liệu đa phương thức, chẳng hạn như hình ảnh y tế và báo cáo xét nghiệm, vào quá trình phân tích và đưa ra khuyến nghị. Chúng cũng có thể liên tục học hỏi và thích nghi với sở thích cũng như tình trạng sức khỏe của từng bệnh nhân, cung cấp dịch vụ chăm sóc thực sự cá nhân hóa. Ngoài ra, học liên kết có thể cho phép phát triển mô hình hợp tác trong khi vẫn duy trì quyền riêng tư dữ liệu, thúc đẩy đổi mới và chia sẻ kiến thức giữa các tổ chức chăm sóc sức khỏe.

Kết luận

Chức năng gọi LLM có tiềm năng cách mạng hóa ngành chăm sóc sức khỏe bằng cách cho phép các trợ lý thông minh có thể hiểu ngôn ngữ tự nhiên, truy cập và tích hợp nhiều nguồn dữ liệu khác nhau, đồng thời cung cấp các khuyến nghị và thông tin chi tiết được cá nhân hóa. Bằng cách kết hợp khả năng hiểu ngôn ngữ của LLM với các nguồn dữ liệu bên ngoài và tài nguyên tính toán, các tổ chức y tế có thể nâng cao quá trình ra quyết định, cải thiện hiệu quả hoạt động và mang lại trải nghiệm tốt hơn cho bệnh nhân. Tuy nhiên, việc giải quyết các mối lo ngại về quyền riêng tư và bảo mật dữ liệu là điều cần thiết để công nghệ này được ứng dụng thành công trong lĩnh vực chăm sóc sức khỏe.

Khi ngành y tế tiếp tục đón nhận quá trình chuyển đổi số, chúng tôi khuyến khích độc giả khám phá và thử nghiệm chức năng gọi LLM trong lĩnh vực của mình. Bằng cách ứng dụng công nghệ này, các tổ chức y tế có thể mở ra những cơ hội mới để cải thiện chất lượng chăm sóc bệnh nhân, thúc đẩy nghiên cứu y học và tối ưu hóa hoạt động. Với trọng tâm là đổi mới, hợp tác và triển khai có trách nhiệm, ngành chăm sóc sức khỏe có thể tận dụng sức mạnh của chức năng gọi LLM để tạo ra một tương lai hiệu quả hơn, mang tính cá nhân hóa cao hơn và dựa trên dữ liệu.

AWS có thể hỗ trợ các tổ chức trong việc sử dụng chức năng gọi LLM và phát triển các trợ lý chăm sóc sức khỏe thông minh thông qua các dịch vụ AI/ML của mình, bao gồm Amazon Bedrock, Amazon Lex và AWS Lambda, đồng thời duy trì bảo mật và tuân thủ nghiêm ngặt bằng Amazon Bedrock Guardrails. Để tìm hiểu thêm, hãy tham khảo AWS for Healthcare & Life Sciences.

Về tác giả

Laks Sundararajan là một Kiến trúc sư Doanh nghiệp giàu kinh nghiệm, hỗ trợ các công ty tái thiết, chuyển đổi và hiện đại hóa chiến lược CNTT, kỹ thuật số, đám mây, dữ liệu và phân tích của họ. Là một nhà lãnh đạo đã được chứng minh với chuyên môn sâu rộng về Trí tuệ Nhân tạo Tạo sinh (Generative AI), Chuyển đổi Kỹ thuật số, Điện toán Đám mây và Dữ liệu/Phân tích, Laks hiện là Kiến trúc sư Giải pháp Cấp cao trong lĩnh vực Chăm sóc Sức khỏe và Khoa học Đời sống (HCLS) tại AWS.

Subha Venugopal là Kiến trúc sư Giải pháp Cấp cao tại AWS với hơn 15 năm kinh nghiệm trong lĩnh vực công nghệ và chăm sóc sức khỏe. Chuyên về chuyển đổi số, hiện đại hóa nền tảng và AI/ML, cô dẫn đầu các sáng kiến về Chăm sóc Sức khỏe và Khoa học Đời sống tại AWS. Subha cam kết thúc đẩy khả năng tiếp cận y tế công bằng và đam mê cố vấn cho thế hệ chuyên gia tiếp theo.