Cách tiếp cận dựa trên AI đã giúp một nhà sáng lập công nghệ chiến thắng căn bệnh ung thư hiếm gặp như thế nào

Khi Conno Christou, một doanh nhân luôn tối ưu hóa sức khỏe, được chẩn đoán mắc một dạng ung thư hạch không Hodgkin (non-Hodgkin’s lymphoma) tiến triển nhanh, ông đã từ chối phó mặc sự sống còn của mình cho sự may rủi. Bằng cách coi cuộc chiến y tế của mình như một startup đầy rủi ro, ông đã tận dụng dữ liệu từ các thiết bị đeo và các LLM để định hướng trong một bối cảnh chăm sóc sức khỏe phức tạp.

Sinh tồn dựa trên dữ liệu trước căn bệnh hiếm gặp

Chẩn đoán của Christou là một sự bất thường về mặt thống kê: một khối u kích thước 11x11x8 cm nằm sau xương ức, gây ra bởi một đột biến gen ngẫu nhiên. Đối với một tình trạng chỉ ảnh hưởng đến 1 trong 420.000 người, các phác đồ y tế tiêu chuẩn thường không đủ độ chính xác mà ông yêu cầu. Sau khi nhận được hai khuyến nghị điều trị hoàn toàn trái ngược nhau từ hai chuyên gia—một người đề xuất phác đồ có tỷ lệ thành công 60% và người kia đề xuất lộ trình tấn công mạnh với tỷ lệ thành công 85%—Christou đã tìm đến việc tổng hợp dữ liệu.

Ông không chỉ dừng lại ở việc tìm kiếm ý kiến thứ hai; ông đã thu thập tới 12 ý kiến. Bằng cách coi quá trình hồi phục của mình như một "cuộc chạy marathon của những cú nước rút", ông đã sử dụng thiết bị đeo Whoop để dự đoán các đợt suy giảm hệ miễn dịch và duy trì một nhật ký triệu chứng tỉ mỉ thông qua chuyển đổi giọng nói thành văn bản. Việc thu thập dữ liệu chi tiết này cho phép ông theo dõi giấc ngủ, dinh dưỡng và khả năng phục hồi tâm lý với cùng một sự khắt khe mà ông từng dùng để mở rộng quy mô các công ty của mình.

Sử dụng LLM để lấp đầy khoảng trống kiến thức y khoa

Bước ngoặt quan trọng nhất trong hành trình của Christou là việc ông sử dụng Claude, một LLM được phát triển bởi Anthropic. Trong khi các chuyên gia y tế như Danielle Bitterman từ Mass General Brigham cảnh báo rằng các chatbot đa năng vẫn chưa được xác thực để chẩn đoán cá nhân hóa, Christou đã tìm thấy sự hữu ích theo một cách khác: sử dụng AI để đặt ra những câu hỏi tốt hơn.

Đối với một loại ung thư hạch hiếm gặp, một bác sĩ ung thư có thể chỉ gặp một biểu hiện cụ thể một lần mỗi năm. Ngược lại, một LLM đã "hấp thụ" một lượng lớn tài liệu y khoa toàn cầu. Christou đã đưa kết quả xét nghiệm máu, dữ liệu quét hình ảnh, dữ liệu từ thiết bị đeo và các ghi chép nhật ký vào mô hình, biến dữ liệu thô thành những thông tin chuyên sâu có thể hành động được, giúp ông dẫn dắt các cuộc thảo luận với các chuyên gia hàng đầu thế giới.

Tránh các phương pháp điều trị không cần thiết thông qua nhận dạng mô hình của AI

Sức mạnh thực sự của AI đã trở nên rõ ràng trong lần chụp PET cuối cùng của Christou, khi kết quả trả về không rõ ràng. Bác sĩ ung thư của ông đã đề xuất chuyển sang liệu pháp điều trị bước hai, bao gồm cả xạ trị có khả năng gây nguy hiểm gần tim và phổi.

Tuy nhiên, Christou đã xác định được một số liệu thống kê quan trọng: tỷ lệ dương tính giả đối với các lần chụp PET cuối đợt điều trị trong tình trạng cụ thể của ông có thể lên tới 60%. Ông đã đưa các bản chụp PET và dữ liệu MRI vào Claude, và mô hình này đã cảnh báo một hiện tượng lâm sàng cụ thể: "thymus rebound" (sự hồi phục của tuyến ức). Mô hình gợi ý rằng ở những bệnh nhân dưới 40 tuổi, tuyến ức hoạt động trở lại có thể mô phỏng bệnh đang tiến triển trên hình ảnh chẩn đoán. AI đưa ra xác suất cho lời giải thích này là khoảng 90%. Sau khi tìm kiếm sự xác minh thêm từ chuyên gia, chẩn đoán đã được xác nhận—ông đã sạch bóng tế bào ung thư, và việc xạ trị không cần thiết đã được tránh khỏi.

Tương lai của việc bảo vệ quyền lợi bệnh nhân được cá nhân hóa

Câu chuyện của Christou làm nổi bật một xu hướng đang phát triển trong việc "bảo vệ quyền lợi bệnh nhân bằng AI". Khi các LLM trở nên tinh vi hơn, ranh giới giữa chuyên môn lâm sàng và phân tích dữ liệu do bệnh nhân dẫn dắt đang dần mờ nhạt. Đối với các nhà phát triển và nhà sáng lập, điều này đại diện cho một cơ hội khổng lồ tại điểm giao thoa giữa MedTech và Generative AI: tạo ra các công cụ không thay thế bác sĩ, mà trao quyền cho bệnh nhân để vượt qua những giới hạn của hệ thống y tế.

Những điểm chính cần lưu ý

• Ra quyết định dựa trên dữ liệu: Christou coi hành trình y tế của mình như một bài toán khoa học dữ liệu, sử dụng các thiết bị đeo và việc ghi chép tỉ mỉ để quản lý trạng thái thể chất và tinh thần.
• AI như một lớp lập luận: Thay vì sử dụng LLM để chẩn đoán trực tiếp, ông đã sử dụng Claude để tổng hợp dữ liệu phức tạp và đặt ra các câu hỏi ở cấp độ cao cho đội ngũ y tế của mình.
• Giảm thiểu sai sót y khoa: AI đã giúp xác định hiện tượng "thymus rebound", giúp ngăn chặn việc xạ trị xâm lấn và không cần thiết, chứng minh giá trị của AI trong việc phát hiện các mô hình lâm sàng bị bỏ qua.