Bài 7. Dữ liệu từ PACS

1. Đặt vấn đề

PACS là hệ thống lưu trữ và truyền tải hình ảnh y tế. Đây là nguồn dữ liệu rất quan trọng trong bệnh viện, liên quan đến X-quang, CT, MRI, siêu âm, nội soi và các phương tiện chẩn đoán hình ảnh khác. Dữ liệu PACS thường gồm hình ảnh y tế, metadata ca chụp và báo cáo chẩn đoán hình ảnh.

AI local có thể tích hợp với dữ liệu PACS theo một số hướng, nhưng cần phân biệt rõ giữa AI hỗ trợ quản lý PACS và AI chẩn đoán hình ảnh. Các model ngôn ngữ chạy qua Ollama không nên được dùng để đọc hình ảnh y tế như bác sĩ chẩn đoán hình ảnh. Nếu bệnh viện muốn dùng AI chẩn đoán hình ảnh, cần hệ thống chuyên dụng, được đánh giá, kiểm định và triển khai theo quy trình riêng.

2. Dữ liệu PACS gồm những gì?

PACS có thể chứa:

• Hình ảnh DICOM.
• Thông tin ca chụp.
• Loại phương tiện: X-quang, CT, MRI, siêu âm.
• Thời gian chỉ định.
• Thời gian thực hiện.
• Thời gian có kết quả.
• Khoa/phòng chỉ định.
• Bác sĩ đọc kết quả.
• Báo cáo chẩn đoán hình ảnh.
• Trạng thái ca chụp.
• Metadata kỹ thuật.

Hầu hết dữ liệu này có thể liên quan đến người bệnh và cần bảo mật.

3. Ứng dụng AI phù hợp với PACS ở mức quản lý

AI local có thể hỗ trợ:

• Tóm tắt quy trình sử dụng PACS.
• Hướng dẫn người dùng tra cứu hình ảnh.
• Tạo FAQ về PACS.
• Phân tích thời gian chờ chụp và trả kết quả ở mức tổng hợp.
• Tạo báo cáo vận hành PACS.
• Phân tích lỗi hệ thống PACS từ ticket.
• Hỗ trợ đào tạo nhân viên.
• Tạo checklist an toàn chụp.
• Tóm tắt báo cáo chẩn đoán hình ảnh đã có cho người có quyền, nhưng cần thận trọng.

4. Không dùng LLM phổ thông để đọc hình ảnh y tế

Không nên dùng AI local dạng chatbot hoặc model vision phổ thông để:

• Đọc phim.
• Kết luận tổn thương.
• Chẩn đoán từ ảnh.
• So sánh tiến triển hình ảnh.
• Thay bác sĩ chẩn đoán hình ảnh.
• Tư vấn người bệnh dựa trên ảnh.

Đây là lĩnh vực cần AI y tế chuyên dụng, dữ liệu kiểm định, quy trình phê duyệt và bác sĩ chịu trách nhiệm.

5. Dữ liệu tổng hợp từ PACS

AI có thể phân tích dữ liệu tổng hợp:

• Số lượt chụp theo loại.
• TAT từ chỉ định đến thực hiện.
• TAT từ chụp đến trả kết quả.
• Khung giờ cao điểm.
• Tỷ lệ ca chậm kết quả.
• Tỷ lệ lỗi kỹ thuật.
• Tải công việc theo máy.
• Tải công việc theo bác sĩ/kỹ thuật viên ở phạm vi quản lý phù hợp.

Các dữ liệu này hỗ trợ quản trị, không can thiệp chẩn đoán.

6. Báo cáo chẩn đoán hình ảnh

Báo cáo đã được bác sĩ ký có thể được AI hỗ trợ tóm tắt cho người có quyền, ví dụ phục vụ hội chẩn hoặc quản lý hồ sơ. Nhưng cần kiểm soát:

• Không tóm tắt cho người không có quyền.
• Không thay đổi ý nghĩa báo cáo.
• Không thêm chẩn đoán mới.
• Không tư vấn trực tiếp cho người bệnh.
• Bác sĩ phải kiểm tra nếu dùng trong chuyên môn.

7. Tích hợp PACS an toàn

Kiến trúc nên là:

PACS/RIS → API/báo cáo trung gian → dữ liệu tổng hợp hoặc báo cáo được phép → AI hỗ trợ → người có quyền xem.

Không nên:

PACS database/DICOM store → model AI phổ thông trực tiếp.

8. Rủi ro cần kiểm soát

• Lộ hình ảnh người bệnh.
• Lộ báo cáo chẩn đoán.
• AI diễn giải sai báo cáo.
• AI bị hiểu nhầm là bác sĩ đọc phim.
• AI dùng dữ liệu ảnh cho mục đích chưa được phép.
• AI phân tích hiệu suất cá nhân thiếu bối cảnh.
• Lưu prompt/response chứa thông tin bệnh nhân.

9. Ứng dụng nên ưu tiên

Nên ưu tiên:

• Hỏi đáp hướng dẫn sử dụng PACS.
• Tài liệu đào tạo kỹ thuật viên.
• Phân tích thời gian chờ ở mức tổng hợp.
• Dashboard vận hành.
• Checklist an toàn người bệnh khi chụp.
• Phân tích ticket lỗi PACS.

Không nên bắt đầu bằng đọc ảnh y tế.

10. Kết luận

Dữ liệu PACS rất giá trị nhưng rất nhạy cảm. AI local có thể hỗ trợ quản lý, hướng dẫn, đào tạo và phân tích vận hành PACS, nhưng không nên dùng model ngôn ngữ hoặc vision phổ thông để chẩn đoán hình ảnh. Tích hợp PACS với AI phải giới hạn rõ mục tiêu, phân quyền chặt, ưu tiên dữ liệu tổng hợp và luôn giữ bác sĩ chẩn đoán hình ảnh là người chịu trách nhiệm chuyên môn.