TRÍ TUỆ NHÂN TẠO TRONG HỖ TRỢ CÔNG TÁC CHĂM SÓC NGƯỜI BỆNH TOÀN DIỆN CƠ HỘI và THÁCH THỨC

1. Đặt vấn đề

Điều dưỡng là lực lượng duy trì tính liên tục của chăm sóc, theo dõi sát diễn tiến người bệnh và kết nối thông tin giữa các chuyên khoa. Tuy nhiên, trong bệnh viện hiện đại, áp lực hồ sơ bệnh án điện tử, yêu cầu giám sát an toàn và tình trạng thiếu hụt nhân lực đang làm thu hẹp quỹ thời gian dành cho chăm sóc trực tiếp. Một nghiên cứu đa phương pháp năm 2025 cho thấy thời gian điều dưỡng dành riêng cho chăm sóc gián tiếp trong hồ sơ điện tử chiếm trung bình 31,11% của một ca trực 12 giờ; ở góc nhìn hệ thống, đây là chỉ báo quan trọng về gánh nặng hành chính cần được tái thiết kế [1].

Trong bối cảnh đó, AI nổi lên như một công cụ hỗ trợ quyết định lâm sàng và tái cấu trúc quy trình công việc. Khác với cách tiếp cận trước đây chỉ tập trung vào chẩn đoán hình ảnh hoặc xét nghiệm, các ứng dụng AI mới liên quan trực tiếp đến điều dưỡng gồm: cảnh báo sớm suy giảm lâm sàng, hỗ trợ phân loại cấp cứu, tự động hóa ghi chép, chuẩn hóa bàn giao ca, điều phối nhân lực và dự báo tải công việc [2,3]. Vấn đề cần bàn không còn là “có nên dùng AI hay không”, mà là “dùng AI ở mức nào, trong công đoạn nào, và dưới hàng rào an toàn nào” để thực sự nâng chất lượng chăm sóc toàn diện.

2. Bằng chứng quốc tế: từ hỗ trợ phát hiện sớm đến giảm gánh nặng hành chính

2.1. Hoa Kỳ: AI hỗ trợ nhận diện sớm nguy cơ và điều phối quyết định lâm sàng

Bằng chứng mạnh nhất hiện nay liên quan đến điều dưỡng đến từ hệ thống cảnh báo sớm CONCERN (Communicating Narrative Concerns Entered by RNs). Điểm đặc biệt của mô hình này là khai thác chính các mô thức giám sát và ghi chép của điều dưỡng như một “tín hiệu lâm sàng mềm”, thay vì chỉ dựa trên dấu hiệu sinh tồn hay xét nghiệm. Trong nghiên cứu đa trung tâm công bố năm 2025 trên 1.013 trường hợp chuyển ICU không dự kiến, tỷ lệ tử vong nội viện ở nhóm khoa có CONCERN thấp hơn có ý nghĩa thống kê so với nhóm chăm sóc thông thường (16,93% so với 24,65%; p=0,003); xác suất tử vong cũng giảm khoảng 37% sau hiệu chỉnh (OR=0,63; KTC 95%: 0,46-0,86). Ở nhóm xuất viện sống, thời gian nằm viện trung bình cũng ngắn hơn (23,0 ± 20,7 ngày so với 27,45 ± 26,77 ngày; p=0,011) [2]. Đây là minh chứng hiếm hoi cho thấy một hệ thống AI dựa vào dữ liệu điều dưỡng có thể cải thiện kết cục cứng của người bệnh, chứ không chỉ cải thiện trải nghiệm quy trình.

Ngoài CONCERN, Johns Hopkins đã triển khai công cụ AI TriageGO tích hợp vào hồ sơ số để hỗ trợ điều dưỡng phân loại cấp cứu. Thuật toán kết hợp thông tin do điều dưỡng khai thác, dấu hiệu sinh tồn và tiền sử sức khỏe, đưa ra khuyến nghị mức ưu tiên chỉ trong vài giây và hiện đã được sử dụng tại nhiều bệnh viện trong hệ thống Johns Hopkins cùng một số cơ sở ngoài bang [3]. Dù bài báo này không công bố trực tiếp số liệu kết cục, ví dụ này cho thấy AI đang được đặt ngay tại điểm chạm đầu tiên của điều dưỡng với người bệnh.

2.2. Châu Á: AI tạo sinh và chuẩn hóa tài liệu hóa điều dưỡng

Trong lĩnh vực ghi chép và bàn giao điều dưỡng, các nghiên cứu gần đây cho số liệu khá thuyết phục. Tại Hàn Quốc, nghiên cứu trên 40 điều dưỡng cho thấy thời gian hoàn thành hồ sơ theo cách truyền thống là 467,18 ± 314,77 giây, trong khi hệ thống SmartENR có tích hợp AI giảm còn 182,68 ± 99,71 giây, tương đương giảm khoảng 40% thời gian ghi chép [4]. Chất lượng đầu ra vẫn cần hoàn thiện thêm, nhưng điểm số về tính đầy đủ và dễ sử dụng ở mức chấp nhận được, cho thấy AI có thể trở thành công cụ “bản thảo đầu tiên” cho điều dưỡng, sau đó được hiệu chỉnh bởi người dùng lâm sàng.

Tại hệ thống Taipei Medical University ở Đài Loan, một mô hình tích hợp LLM vào hệ thống thông tin điều dưỡng được triển khai ở 3 bệnh viện cho công việc bàn giao ca. Thời gian hoàn tất văn bản bàn giao mỗi người bệnh giảm từ 3,45-4,32 phút xuống 1,17-2,54 phút; ước tính tiết kiệm 474-981 giờ công mỗi tháng trên toàn hệ thống trong giai đoạn nghiên cứu [5]. Đây là dạng bằng chứng vận hành có giá trị cao đối với quản trị điều dưỡng vì chuyển đổi hiệu quả công nghệ thành “thời gian điều dưỡng có thể hoàn trả cho giường bệnh”.

Cleveland Clinic cũng bắt đầu triển khai nền tảng môi trường AI cho tài liệu hóa lâm sàng sau một giai đoạn thử nghiệm trong năm 2024 trên hơn 80 chuyên khoa và phân chuyên khoa. Dù đây chủ yếu là ứng dụng cho đội ngũ lâm sàng ngoại trú, mô hình này có ý nghĩa tham chiếu quan trọng đối với điều dưỡng vì cho thấy tổ chức lớn chỉ chấp nhận mở rộng khi vẫn giữ cơ chế rà soát bắt buộc của con người, quyền từ chối của người bệnh và xác nhận nội dung trước khi ký [6].

3. Khu vực Đông Nam Á: bài học gần với điều kiện triển khai ở Việt Nam

Singapore hiện là ví dụ rõ nhất trong khu vực Đông Nam Á về kết hợp song hành giữa đổi mới và quản trị. Bộ Y tế Singapore công bố định hướng mở rộng các công cụ GenAI để tự động hóa cập nhật và tóm tắt hồ sơ y khoa trên toàn hệ thống y tế công trước cuối năm 2025, với mục tiêu giúp nhân viên y tế “dành nhiều thời gian hơn cho chăm sóc người bệnh và ít bị chiếm dụng bởi tác vụ lặp lại” [7]. Điểm đáng chú ý là tầm nhìn quốc gia này không tách rời điều dưỡng, bởi hồ sơ điều dưỡng và bàn giao ca là một trong những khu vực có cường độ tài liệu hóa cao nhất.

Ở cấp bệnh viện, Tan Tock Seng Hospital triển khai mô hình Liquid Nursing Workforce với lịch trực linh hoạt do AI hỗ trợ. Theo công bố của bệnh viện, khoảng 90% điều dưỡng đã lựa chọn tham gia linh hoạt ca trực tại một thời điểm, 30-40% điều dưỡng đang làm việc theo hình thức này. Công nghệ và tái cấu trúc quy trình giúp thời gian bàn giao ca từ trên 1 giờ rút xuống khoảng 15 phút [8]. Dữ liệu đổi mới cấp bệnh viện công bố năm 2025 trên 1.199 điều dưỡng thuộc 55 khoa nội trú cho thấy 68% điều dưỡng tại các khoa áp dụng linh hoạt ca trực báo cáo mức quá tải “burnout” thấp, so với 53% ở khoa không áp dụng; đồng thời điều dưỡng tại khoa áp dụng đánh giá lịch làm việc linh hoạt hơn và về đúng giờ nhiều hơn [9]. Với điều dưỡng quản lý, đây là bằng chứng quan trọng vì AI không chỉ tác động lên chất lượng ghi chép mà còn lên sức bền lực lượng điều dưỡng.

4. Việt Nam và Thành phố Hồ Chí Minh: điều kiện nền đang hình thành, nhưng ứng dụng điều dưỡng còn sớm

Tại Việt Nam, tiến trình AI y tế đang chuyển từ giai đoạn thảo luận sang giai đoạn xây dựng mạng lưới và nguyên tắc triển khai có trách nhiệm. Tháng 01/2026, Bộ Y tế ra mắt Mạng lưới AI y tế có trách nhiệm Việt Nam (V-RHAIN), với định hướng đưa các giải pháp AI hỗ trợ tới hơn 3.300 trạm y tế cơ sở [10]. Tín hiệu chính sách này rất quan trọng vì nó đặt trọng tâm vào an toàn, minh bạch và tính công bằng ngay từ đầu, thay vì mở rộng công nghệ trước rồi mới sửa sai sau.

Riêng tại Thành phố Hồ Chí Minh, tiền đề dữ liệu số đang hình thành nhanh. Tính đến ngày 26/9/2025, 153 bệnh viện trên địa bàn đã triển khai bệnh án điện tử, đạt hơn 93% toàn hệ thống; đặc biệt, toàn bộ bệnh viện công lập của thành phố đã đạt 100% triển khai EMR [11]. Đây là điều kiện gần như bắt buộc để tiến tới AI điều dưỡng ở quy mô bệnh viện. Tuy vậy, so với Hoa Kỳ hoặc Singapore, các mô hình AI chuyên biệt cho thực hành điều dưỡng lâm sàng tại Việt Nam vẫn còn rất ít và phần lớn mới dừng ở chuyên khoa sâu hoặc ở mức hỗ trợ bác sĩ. Vì thế, cơ hội lớn nhất hiện nay không phải là “mua ngay một hệ thống AI hoàn chỉnh”, mà là lựa chọn đúng bài toán điều dưỡng có giá trị cao để thí điểm, như cảnh báo sớm suy giảm lâm sàng, tóm tắt bàn giao ca, hoặc tối ưu hóa phân công nhân lực theo tính chất công việc.

5. Giá trị thiết thực đối với công tác điều dưỡng trong chăm sóc người bệnh toàn diện

Thứ nhất, AI có thể tăng cường an toàn người bệnh. Bằng chứng từ CONCERN cho thấy khi AI khai thác được tín hiệu giám sát của điều dưỡng và đưa cảnh báo sớm vào quy trình chăm sóc, hệ thống có thể đi kèm với giảm tỉ lệ tử vong nội viện và rút ngắn thời gian nằm viện [2]. Điều này rất phù hợp với vai trò trung tâm của điều dưỡng trong theo dõi và phát hiện diễn biến bất thường trước khi người bệnh chuyển nặng.

Thứ hai, AI có khả năng thay thế người điều dưỡng trong các chăm sóc gián tiếp, dành thời gian cho chăm sóc trực tiếp. Kết quả các nghiên cứu trên trong phần “flowsheet” đã chiếm trung bình 31,11% một ca trực 12 giờ [1], mọi cải tiến làm giảm thời gian ghi chép đều có ý nghĩa thực tiễn lớn. Kết quả giảm khoảng 40% thời gian chăm sóc gián tiếp ở Hàn Quốc [4] và tiết kiệm 474–981 giờ mỗi tháng ở hệ thống 3 bệnh viện Đài Loan [5] cho thấy AI không chỉ tạo thuận tiện về công nghệ mà còn có thể tạo “dung lượng thời gian” mới cho điều dưỡng.

Thứ ba, AI hỗ trợ quản trị điều dưỡng ở cấp hệ thống. Kinh nghiệm từ Tan Tock Seng Hospital cho thấy AI có thể trở thành công cụ điều phối nhân lực linh hoạt, giúp cải thiện cảm nhận về lịch làm việc, giảm quá tải công việc và rút ngắn bàn giao ca [8,9]. Trong bối cảnh thiếu hụt nhân lực và yêu cầu chăm sóc toàn diện ngày càng cao, đây là giá trị rất sát thực tế quản lý bệnh viện.

Thứ tư, AI tạo điều kiện cho chăm sóc cá thể hóa và phối hợp liên chuyên khoa. Khi dữ liệu được số hóa và chuẩn hóa, các công cụ AI có thể tổng hợp yếu tố nguy cơ, diễn biến lâm sàng, đáp ứng điều trị và thông tin bàn giao để hỗ trợ lập kế hoạch chăm sóc ưu tiên hơn. Tuy nhiên, giá trị này chỉ xuất hiện khi tổ chức đã có dữ liệu đủ sạch, đủ liên thông và đủ kỷ luật nhập liệu.

6. Những thách thức:

Một điểm cần thận trọng là chất lượng bằng chứng về AI trong điều dưỡng vẫn chưa đồng đều. Tổng quan tích hợp năm 2025 về 25 nghiên cứu ghi nhận 21 nghiên cứu ở mức nguy cơ sai lệch trung bình; nghĩa là xu hướng lợi ích là có thật, nhưng độ chắc chắn của bằng chứng chưa phải đã chín muồi cho mọi bối cảnh triển khai [12]. Vì vậy, bài báo khoa học không nên mô tả AI như một giải pháp “đã chứng minh hoàn toàn”, mà nên trình bày như một công nghệ hứa hẹn, cần được nội địa hóa và giám sát liên tục.

Thách thức thứ hai là rủi ro nội dung sai, thiếu, hoặc bịa đặt. WHO nhấn mạnh các mô hình sinh ngôn ngữ trong y tế có thể tạo ra phát biểu sai, không đầy đủ hoặc thiên lệch; đồng thời có thể gây “automation bias”, tức là người dùng tin và làm theo gợi ý máy một cách quá mức [13]. Tổng quan hệ thống về AI trong tài liệu hóa lâm sàng cũng cho thấy chất lượng văn bản do AI tạo ra biến thiên đáng kể, có trường hợp chứa thông tin hư cấu hoặc cần sửa nhiều trước khi dùng chính thức [14]. Đây là cảnh báo đặc biệt quan trọng đối với điều dưỡng, vì một sai sót trong ghi chép bàn giao, thuốc, hoặc đánh giá nguy cơ có thể kéo theo sai sót dây chuyền trong chăm sóc.

Thách thức thứ ba là thiên lệch và công bằng. Một “scoping review” năm 2025 tổng hợp 23 nguồn tài liệu cho thấy các thuật toán y tế có thể làm trầm trọng thêm bất bình đẳng chủng tộc và sắc tộc nếu được huấn luyện từ dữ liệu mất cân bằng hoặc thiếu cơ chế giám sát hậu triển khai [15]. Ở Việt Nam, thách thức này có thể không biểu hiện ngay dưới dạng sắc tộc như ở Hoa Kỳ, nhưng có thể xuất hiện dưới dạng chênh lệch giữa tuyến cuối và tuyến cơ sở, giữa bệnh viện có dữ liệu chuẩn với nơi nhập liệu phân mảnh, hoặc giữa nhóm bệnh phổ biến và nhóm bệnh ít gặp.

Thách thức thứ tư là khoảng trống năng lực số của đội ngũ. Khảo sát điều dưỡng tại Đức cho thấy 74,8% người tham gia không có hiểu biết vững về AI, dù 65,7% nhìn nhận AI là cơ hội [16]. Điều này phản ánh một nghịch lý phổ biến: tổ chức muốn đẩy nhanh chuyển đổi số nhưng nguồn nhân lực trực tiếp sử dụng lại chưa được trang bị đầy đủ để đánh giá, phản biện và giám sát hệ thống.

7. Chuẩn mực áp dụng để bảo vệ nhân viên y tế và người bệnh

Để AI thực sự phục vụ chăm sóc toàn diện, bệnh viện cần áp dụng tối thiểu 6 chuẩn mực:

Một là, mọi quyết định lâm sàng có AI hỗ trợ vẫn phải quy về trách nhiệm chuyên môn của con người.

Hai là, công cụ AI phải được thẩm định trước triển khai và kiểm định lại định kỳ sau triển khai, nhất là khi thuật toán có nguy cơ trôi lệch theo thời gian.

Ba là, phải công khai phạm vi AI được sử dụng trong quy trình chăm sóc và bảo đảm người bệnh có quyền được biết, đặc biệt với các công cụ ghi âm hay tóm tắt tự động.

Bốn là, thực hiện tối thiểu hóa dữ liệu và kiểm soát truy cập để bảo vệ thông tin sức khỏe cá nhân.

Năm là, công bố và theo dõi các chỉ số an toàn hậu triển khai như tỷ lệ sửa tay, lỗi nghiêm trọng, thời gian tiết kiệm thực tế và nhóm người bệnh bị ảnh hưởng bất lợi.

Sáu là, đào tạo bắt buộc cho điều dưỡng về AI literacy, kiểm định đầu ra AI và phản biện lâm sàng [13].

8. Hướng tới tương lai: AI phải làm cho điều dưỡng “gần người bệnh hơn”

Tương lai đáng mong đợi nhất không phải là một bệnh viện nơi AI thay điều dưỡng, mà là một bệnh viện nơi AI làm những việc máy làm tốt hơn để điều dưỡng có thể làm tốt hơn những việc chỉ con người mới làm được. Các bằng chứng hiện có cho thấy hướng đi khả thi nhất gồm ba lớp ứng dụng: (1) AI cảnh báo sớm rủi ro lâm sàng; (2) AI giảm tải hành chính, bàn giao ca và ghi chép; (3) AI hỗ trợ điều phối nhân lực và quản trị chất lượng. Với Việt Nam, giai đoạn 2026-2030 nên ưu tiên các dự án thí điểm quy mô vừa, đo được hiệu quả rõ, gắn với bài toán điều dưỡng cụ thể, thay vì triển khai dàn trải theo phong trào.

Đối với các nhà quản lý điều dưỡng, hàm ý quan trọng nhất là phải chuyển cách nhìn về AI từ “công nghệ của phòng CNTT” sang “công cụ chiến lược của chất lượng chăm sóc”. Khi được đặt đúng chỗ, được giám sát đúng mức và được dùng bởi đội ngũ đã được đào tạo, AI có thể giúp điều dưỡng trở lại gần giường bệnh hơn, gần người bệnh hơn, và thực hiện tốt hơn sứ mệnh chăm sóc toàn diện trong kỷ nguyên y tế số.

TÀI LIỆU THAM KHẢO

1. Jacques D, Will J, Dauterman D, et al. Evaluating nurses’ perceptions of documentation in the electronic health record: multimethod analysis. JMIR Nursing. 2025.

2. Lee RY, Rossetti SC, et al. Influence of the CONCERN Early Warning System on unanticipated ICU transfers, in-hospital mortality, and length of stay: results from a multi-site pragmatic randomized clinical trial. 2025.

3. Johns Hopkins Medicine. Tool developed to assist with triage in the emergency department. 2022.

4. Ju H, Park M, Jeong H, et al. Generative AI-based nursing diagnosis and documentation recommendation using virtual patient electronic nursing record data. Healthc Inform Res. 2025;31(2):156-166.

5. Chen L, Hsiao S, et al. Integrating a large language model to streamline nursing handover documentation across 3 hospitals. J Med Internet Res. 2026;28:e81604.

6. Cleveland Clinic. Announces the rollout of ambient AI documentation platform following enterprise pilot across more than 80 specialties. 2025.

7. Ministry of Health Singapore. Transforming healthcare through technology. 2024.

8. Tan Tock Seng Hospital. Flexi-shifts for nurses by end-2024. 2024.

9. Centre for Healthcare Innovation, Singapore. Catalysing Liquid Nursing Workforce Growth Through Smart Scheduling. 2025.

10. Ministry of Health Vietnam / National Health Information Center. Launching the Vietnam Responsible Health AI Network (V-RHAIN). 2026.

11. Ho Chi Minh City health sector / Vietnam News. All public hospitals in HCM City now deploy electronic medical records. 2025.

12. El Arab RA, Moosa M, et al. Integrative review of artificial intelligence applications in nursing: education, clinical practice, workload management, and professional perceptions. 2025.

13. World Health Organization. WHO releases AI ethics and governance guidance for large multi-modal models. 2024.

14. Bracken A, et al. Artificial intelligence-powered documentation systems in healthcare: a systematic review. J Med Syst. 2025.

15. Hussain SA, Bresnahan M, Zhuang J. The bias algorithm: how AI in healthcare exacerbates ethnic and racial disparities-a scoping review. Ethn Health. 2025;30(2):197-214.

16. Sommer D, et al. Nurses’ perceptions, experience and knowledge regarding artificial intelligence: results from a cross-sectional online survey in Germany. BMC Nursing. 2024.