Bài 2. Vì sao bệnh viện cần RAG?

1. Đặt vấn đề

Bệnh viện là tổ chức có khối lượng tài liệu lớn và phức tạp. Một bệnh viện vận hành dựa trên hàng trăm đến hàng nghìn quy trình, quy định, hướng dẫn, biểu mẫu, kế hoạch, báo cáo, phác đồ, quy chế, văn bản pháp luật, tài liệu đào tạo và hồ sơ quản lý chất lượng. Các tài liệu này liên tục thay đổi, có phiên bản mới, có phạm vi áp dụng khác nhau, có tài liệu dùng chung toàn viện, có tài liệu chỉ dành cho một khoa phòng.

Trong bối cảnh đó, một model AI tổng quát không thể tự biết tài liệu nội bộ của bệnh viện. Nếu muốn AI trả lời đúng theo tài liệu bệnh viện, bệnh viện cần RAG.

2. Bệnh viện có quá nhiều tài liệu phân tán

Tài liệu bệnh viện thường nằm ở nhiều nơi:

• Thư mục dùng chung.
• Website nội bộ.
• Drupal.
• QMS.
• File Word/PDF.
• Email.
• Zalo/nhóm chat.
• Máy tính cá nhân.
• Hồ sơ khoa phòng.
• Kho văn bản pháp luật.
• Phần mềm quản lý tài liệu.

Khi tài liệu phân tán, nhân viên khó tìm. Chatbot RAG có thể gom tài liệu đã chuẩn hóa vào một kho tri thức và cho phép hỏi bằng ngôn ngữ tự nhiên.

3. Nhân viên không luôn biết tên tài liệu cần tìm

Trong thực tế, người dùng thường không biết chính xác tên quy trình hoặc mã biểu mẫu. Họ hỏi theo tình huống:

• “Người bệnh té ngã thì làm gì?”
• “Muốn báo cáo sự cố thì dùng mẫu nào?”
• “Khi chuyển khoa cần bàn giao những gì?”
• “Khảo sát hài lòng người bệnh dùng biểu mẫu nào?”
• “Khoa cần chuẩn bị gì khi đánh giá chất lượng?”

Nếu chỉ dùng tìm kiếm theo tên file, có thể khó tìm. RAG giúp tìm theo ý nghĩa của câu hỏi.

4. Bệnh viện cần trả lời theo bản hiện hành

Một rủi ro lớn là dùng nhầm tài liệu cũ. Nhiều quy trình có phiên bản khác nhau. Nếu AI trả lời theo bản hết hiệu lực, hậu quả có thể nghiêm trọng.

RAG cho phép dùng metadata để ưu tiên tài liệu còn hiệu lực:

• Ngày ban hành.
• Ngày hiệu lực.
• Phiên bản.
• Trạng thái hiệu lực.
• Tài liệu thay thế.
• Đơn vị ban hành.
• Phạm vi áp dụng.

Nhưng điều này chỉ làm được nếu bệnh viện quản lý metadata tốt.

5. Giảm phụ thuộc vào trí nhớ cá nhân

Trong bệnh viện, nhiều câu hỏi thường được trả lời bằng cách hỏi người có kinh nghiệm. Cách này nhanh nhưng phụ thuộc cá nhân. Nếu người đó nghỉ, chuyển công tác hoặc nhớ sai, thông tin có thể không ổn định.

RAG giúp chuyển tri thức từ “trí nhớ cá nhân” sang “kho tài liệu có thể truy xuất”. AI không thay thế chuyên gia, nhưng giúp nhân viên tiếp cận tài liệu chuẩn nhanh hơn.

6. Hỗ trợ nhân viên mới

Nhân viên mới cần học nhiều quy trình. Nếu chỉ đưa một tập tài liệu dài, họ khó nắm hết. Chatbot RAG có thể giúp:

• Giải thích quy trình bằng ngôn ngữ dễ hiểu.
• Tìm tài liệu cần đọc.
• Tạo câu hỏi ôn tập.
• Tóm tắt nội dung chính.
• Hướng dẫn biểu mẫu liên quan.
• Hỗ trợ học theo tình huống.

Đây là giá trị rất thực tế.

7. Hỗ trợ quản lý chất lượng

Quản lý chất lượng cần liên tục tra cứu tiêu chí, minh chứng, quy trình, bảng kiểm, kế hoạch cải tiến. RAG giúp:

• Tìm tiêu chí liên quan.
• Gợi ý minh chứng dựa trên hướng dẫn.
• Tạo bảng kiểm từ tiêu chuẩn.
• Tìm quy trình liên quan đến vấn đề.
• Tóm tắt báo cáo sự cố đã ẩn danh.
• Hỗ trợ phân tích khoảng cách.

Nếu không có RAG, AI dễ trả lời chung chung.

8. Hỗ trợ tuân thủ pháp luật và quy định

Bệnh viện phải tuân thủ nhiều văn bản. Model AI rất dễ bịa số hiệu văn bản nếu không có nguồn. RAG giúp đưa văn bản pháp luật cụ thể vào prompt và yêu cầu AI trả lời dựa trên văn bản đó.

Đặc biệt với pháp luật, RAG nên đi kèm metadata hiệu lực. Nếu không có dữ liệu hiệu lực, AI không nên khẳng định văn bản còn hiệu lực.

9. Tăng tính minh bạch của câu trả lời

Một câu trả lời AI không có nguồn rất khó kiểm chứng. Với RAG, chatbot có thể hiển thị:

• Tên tài liệu.
• Mục liên quan.
• Phiên bản.
• Ngày ban hành.
• Link tài liệu.

Điều này giúp người dùng kiểm tra lại và tăng niềm tin.

10. Giảm rủi ro hallucination

RAG không loại bỏ hoàn toàn hallucination, nhưng giúp giảm đáng kể nếu được thiết kế đúng. Model được cung cấp nguồn cụ thể nên ít phải tự suy đoán. Đồng thời, prompt có thể yêu cầu: “Nếu tài liệu không đủ thông tin, hãy nói chưa đủ căn cứ.”

11. Phù hợp với AI local

RAG rất phù hợp với AI local vì bệnh viện có thể giữ tài liệu trong hạ tầng nội bộ. Dữ liệu không cần gửi lên cloud. Ollama chạy model local, FAISS lưu vector local, API trung gian kiểm soát truy cập local. Điều này phù hợp với yêu cầu bảo mật dữ liệu y tế.

12. Kết luận

Bệnh viện cần RAG vì bệnh viện có nhiều tài liệu, nhiều phiên bản, nhiều quy trình, nhiều biểu mẫu và nhiều nhóm người dùng. RAG giúp AI local trả lời theo tài liệu nội bộ, có nguồn, giảm bịa, hỗ trợ nhân viên mới, hỗ trợ quản lý chất lượng, hỗ trợ tuân thủ và tăng khả năng truy xuất tri thức. Nếu không có RAG, chatbot AI local chỉ là công cụ sinh văn bản chung; nếu có RAG tốt, chatbot có thể trở thành trợ lý tri thức bệnh viện.