Sự phát triển mạnh mẽ của y tế số và Bệnh án điện tử (EMR) đang tạo ra khối lượng dữ liệu lâm sàng khổng lồ. Trong bối cảnh áp lực công việc ngày càng tăng do tình trạng đa bệnh lý và đa dược phẩm (polypharmacy), Trí tuệ nhân tạo (AI) nổi lên như một công cụ hỗ trợ đắc lực cho các dược sĩ lâm sàng. Bài viết dưới đây được lược lại từ bài tổng quan mới cập nhật tháng 6/2026 với chủ đề Integration of artificial intelligence applications in clinical pharmacy services: A scoping review (Tổng quan về tích hợp các ứng dụng trí tuệ nhân tạo trong dịch vụ dược lâm sàng) đăng trên tạp chí Future Healthcare Journal đã hệ thống hóa 36 nghiên cứu thực nghiệm trên thế giới, phác họa bức tranh toàn cảnh về cách AI/ML đang tái định hình các dịch vụ dược lâm sàng tại bệnh viện và cộng đồng.

1. Khi Dược lâm sàng đối mặt với bùng nổ dữ liệu và công việc cần xử lý

Dịch vụ dược lâm sàng đóng vai trò trung tâm trong việc tối ưu hóa liệu pháp điều trị, giám sát an toàn thuốc và giảm thiểu các biến cố bất lợi (ADRs) cũng như tỷ lệ tái nhập viện. Tuy nhiên, việc đánh giá hàng loạt y lệnh phức tạp trong thời gian ngắn tạo ra gánh nặng nhận thức rất lớn. Việc ứng dụng các thuật toán Học máy (Machine Learning - ML), Xử lý ngôn ngữ tự nhiên (NLP) và Học sâu (Deep Learning - DL) giúp phân tích dữ liệu lâm sàng đa chiều, mở ra khả năng hỗ trợ ra quyết định theo thời gian thực.

2. Năm lĩnh vực ứng dụng cốt lõi của AI trong Dược lâm sàng

Theo phân tích từ 36 công trình nghiên cứu được chọn lọc (giai đoạn 2010–2025), các ứng dụng AI trong dược lâm sàng trước năm 2025 đang tập trung vào 5 nhóm đinh hướng chính sau:

① Phát hiện tương tác thuốc (DDIs) và tác dụng bất lợi (ADRs) (33.3% số nghiên cứu)

Đây là lĩnh vực thu hút nhiều nghiên cứu nhất. Các mô hình Học máy và NLP giúp trích xuất thông tin từ ghi chú lâm sàng phi cấu trúc và dự báo nguy cơ biến cố.

Ứng dụng tiêu biểu: Mô hình dự báo nguy cơ kéo dài khoảng QTc do tương tác thuốc; hệ thống đánh giá điểm rủi ro ADRs ở sơ sinh; ứng dụng NLP tự động trích xuất thông tin thuốc và ADRs từ bệnh án.

② Phát hiện sai sót thuốc và Thuốc có thể không phù hợp (PIMs) (30.6% số nghiên cứu)

AI giúp phân tầng rủi ro và phát hiện sớm các y lệnh có nguy cơ sai sót ở những đối tượng nhạy cảm.

Ứng dụng tiêu biểu: Mô hình AI/ML dự báo và ngăn ngừa sai sót kê đơn tại đơn vị Hồi sức tích cực Nhi (NICU); công cụ dự báo nguy cơ PIMs ở bệnh nhân cao tuổi mắc bệnh tim mạch (phát hiện đến 78.7% trường hợp PIMs); thuật toán phát hiện sai sót y lệnh đối với nhóm thuốc nguy cơ cao (High-Alert Medications).

③ Quản lý liệu pháp sử dụng thuốc trong điều trị (MTM) và Tuân thủ điều trị (19.4% số nghiên cứu)

AI hỗ trợ xây dựng các mô hình dược lâm sàng số, theo dõi hành vi tự dùng thuốc và can thiệp nhắc nhở cá thể hóa.

Ứng dụng tiêu biểu: Mô hình dược bệnh viện internet kết hợp AI xem xét đơn thuốc trực tuyến đạt tỷ lệ duyệt phù hợp 83.65%; chương trình MTM do dược sĩ dẫn dắt có AI hỗ trợ giúp cải thiện tỷ lệ tuân thủ điều trị ở bệnh nhân tăng huyết áp (tăng 5.9%), mỡ máu (tăng 7.9%) và đái tháo đường (tăng 6.4%), đồng thời giảm chi phí y tế; ứng dụng Học sâu phân tích video (video monitoring) kiểm tra việc uống thuốc ở bệnh nhân lao.

④ Xem xét bệnh án điện tử (EMR) và y lệnh thuốc (8.3% số nghiên cứu)

 AI đóng vai trò phân loại ưu tiên và sàng lọc y lệnh bất thường trước khi dược sĩ lâm sàng duyệt y lệnh.

Ứng dụng tiêu biểu: Mô hình dự báo y lệnh cần dược sĩ lâm sàng can thiệp dựa trên hành vi của người kê đơn; mô hình phát hiện y lệnh bất thường đạt độ đặc hiệu 97% giúp giảm thiểu cảnh báo ảo.

⑤ Cấp phát các sản phẩm y tế và Quản lý kho thuốc (8.3% số nghiên cứu)

Tự động hóa và tối ưu hóa các công đoạn hậu cần, nghiệp vụ dược trong khoa Dược.

Ứng dụng tiêu biểu: Thuật toán dự báo chuẩn bị đơn thuốc sớm giúp rút ngắn thời gian chờ đợi của bệnh nhân; mô hình Học sâu nhận diện vỉ thuốc đạt độ chính xác > 90%.

3. Những thách thức cốt lõi khi đưa AI vào thực tế lâm sàng

Mặc dù các công cụ tích hợp AI/ML mang lại tiềm năng to lớn, nghiên cứu chỉ ra rằng hầu hết các công cụ AI/ML hiện nay vẫn ở giai đoạn thử nghiệm hồi cứu hoặc mô hình lý thuyết, đồng thời đối mặt với các rào cản lớn:

- Hiện tượng "Mệt mỏi vì cảnh báo" (Alert Fatigue): Nhiều hệ thống AI có độ nhạy thấp hoặc tỷ lệ dương tính giả cao. Nếu cảnh báo ảo quá nhiều, dược sĩ có xu hướng bỏ qua cảnh báo; ngược lại, nếu bỏ sót rủi ro (âm tính giả), an toàn người bệnh sẽ bị ảnh hưởng.

- Thiếu tính Giải thích được (Explainable AI - XAI): Quyết định dùng thuốc đòi hỏi tính cá thể hóa cao (dựa trên chức năng gan thận, tiền sử dị ứng, tương tác...). Các mô hình "hộp đen" (black-box) không cung cấp trích dẫn nguồn chứng cứ hoặc điểm tin cậy sẽ khiến dược sĩ khó thẩm định độ tin cậy.

- Hạn chế về tính Tổng quát hóa (Generalisability): Thuật toán huấn luyện tại một bệnh viện thường bị giảm hiệu suất khi triển khai ở cơ sở khác do sự khác biệt về văn hóa kê đơn, cấu trúc EMR và quy trình lâm sàng tại mỗi cơ sở y tế.

- Rủi ro "Ảo giác" (Hallucinations) từ AI tạo sinh: Các mô hình ngôn ngữ lớn (LLMs) như ChatGPT có thể đưa ra các khuyến cáo thông tin thuốc hoặc liều dùng nghe rất thuyết phục nhưng hoàn toàn sai lệch với thực tế lâm sàng.

4. Bài học & khuyến nghị ứng dụng AI/ML cho Dược lâm sàng tại bệnh viện Việt Nam

Từ kết quả của bài nghiên cứu tổng quan này, các bệnh viện và dược sĩ bệnh viện tại Việt Nam có thể rút ra một số định hướng quan trọng:

- Dược sĩ luôn là nhân tố chính quyết định sau khi xem xét cùng AI (Human-in-the-Loop): AI chỉ đóng vai trò là lớp hỗ trợ ra quyết định lâm sàng (CDSS). Dược sĩ lâm sàng luôn là người chịu trách nhiệm pháp lý và chuyên môn cuối cùng đối với mọi can thiệp thuốc.

- Ưu tiên xác thực định kỳ các dữ liệu, bằng chứng cho mô hình xây dựng: Thay vì áp dụng nguyên bản các công cụ AI ngoại nhập, các bệnh viện cần triển khai xác thực trên dữ liệu thực tế tại cơ sở mình để hiệu chỉnh thuật toán phù hợp với mô hình bệnh tật và quy trình kê đơn tại Việt Nam.

- Thúc đẩy các nghiên cứu phát triển và thẩm định mô hình/công cụ AI/ML: Cần chuyển dịch từ các nghiên cứu đánh giá độ chính xác thuật toán sang các thử nghiệm lâm sàng tiến cứu nhằm đo lường trực tiếp hiệu quả cải thiện tỷ lệ biến cố có hại do thuốc và tối ưu hóa chi phí điều trị. Mặc dù cách thức này vẫn đang gặp rất nhiều khó khăn tại Việt Nam do vấn đề cơ chế bảo mật dữ liệu và đạo đức khi sử dụng AI trong thực hành lâm sàng.

- Xây dựng khung quản trị, cách thức vận hành (workflow) và đào tạo nhân lực: Cần thiết lập quy định rõ ràng về cách thức vận hành/quy trình duyệt y lệnh có AI hỗ trợ, cơ chế cảnh báo, đồng thời trang bị cho dược sĩ lâm sàng kỹ năng năng lực số để thẩm định và kiểm soát các công cụ AI/ML.

Kết luận: AI không thay thế dược sĩ lâm sàng, nhưng những dược sĩ biết khai thác AI hiệu quả sẽ thay thế những người không sử dụng. Việc chủ động tiếp cận, đánh giá khách quan và ứng dụng an toàn AI sẽ là chìa khóa giúp nâng cao chất lượng dịch vụ Dược lâm sàng và đảm bảo an toàn tối đa cho người bệnh

TÀI LIỆU THAM KHẢO

1. Anmar Al-Taiea, Ahmed Shaheen Abdullaha, Oritsetimeyin Arueyingho (2026). Integration of artificial intelligence applications in clinical pharmacy services: A scoping review. Future Healthcare Journal 13 (2026) 100547

2. Maree Donna Simpson and Haider Saddam Qasim (2025). Clinical and Operational Applications of Artificial Intelligence and Machine Learning in Pharmacy: A Narrative Review of Real-World Applications. Pharmacy 2025, 13(2), 41