Bài 4. Các mô hình triển khai AI trong bệnh viện: cloud, local, hybrid

1. Đặt vấn đề

Khi triển khai AI trong bệnh viện, câu hỏi thực tế không phải chỉ là “dùng model nào?”, mà là “triển khai theo mô hình nào?”. Mô hình triển khai quyết định dữ liệu được xử lý ở đâu, ai chịu trách nhiệm vận hành, mức độ kiểm soát của bệnh viện đến đâu, chi phí phát sinh thế nào và rủi ro bảo mật được quản lý ra sao.

Trong thực tế, có ba mô hình triển khai chính:

AI cloud.
AI local.
AI hybrid.

Mỗi mô hình có ưu điểm, hạn chế và phạm vi phù hợp riêng. Không có mô hình nào tốt tuyệt đối cho mọi bệnh viện, mọi dữ liệu và mọi tác vụ. Một bệnh viện tuyến trung ương, bệnh viện tỉnh, bệnh viện chuyên khoa, bệnh viện tư nhân hoặc trung tâm y tế có thể có nhu cầu, hạ tầng và mức độ sẵn sàng khác nhau.

Điều quan trọng là bệnh viện phải chọn mô hình dựa trên phân tích rủi ro và mục tiêu sử dụng, không chọn theo phong trào. Nếu chọn cloud cho mọi thứ, bệnh viện có thể đối mặt với rủi ro dữ liệu. Nếu chọn local cho mọi thứ khi chưa đủ năng lực vận hành, hệ thống có thể chậm, khó dùng và không hiệu quả. Nếu chọn hybrid nhưng không thiết kế rõ ràng, dữ liệu có thể bị luân chuyển phức tạp, khó kiểm soát hơn cả cloud hoặc local thuần túy.

2. Mô hình AI cloud

AI cloud là mô hình trong đó bệnh viện sử dụng dịch vụ AI được cung cấp qua Internet. Các model, hạ tầng tính toán, cập nhật phần mềm và khả năng mở rộng chủ yếu do nhà cung cấp đảm nhiệm. Người dùng truy cập qua trình duyệt, ứng dụng hoặc API.

2.1. Đặc điểm chính

AI cloud có một số đặc điểm nổi bật:

Không cần đầu tư máy chủ AI ban đầu.
Dễ bắt đầu sử dụng.
Model thường mạnh và được cập nhật liên tục.
Có thể xử lý nhiều tác vụ phức tạp.
Có tài liệu API và hệ sinh thái tích hợp phong phú.
Phụ thuộc vào kết nối Internet.
Dữ liệu đầu vào có thể rời khỏi phạm vi hạ tầng bệnh viện.
Chính sách sử dụng, lưu trữ và xử lý dữ liệu phụ thuộc nhà cung cấp.

2.2. Ưu điểm của AI cloud trong bệnh viện

AI cloud có lợi thế lớn ở giai đoạn khảo sát, học tập và thử nghiệm. Bệnh viện có thể nhanh chóng cho một nhóm nhỏ sử dụng để đánh giá khả năng của AI trong các công việc như soạn thảo văn bản, tóm tắt tài liệu công khai, xây dựng đề cương, viết nội dung đào tạo, tạo câu hỏi khảo sát hoặc hỗ trợ dịch thuật.

AI cloud cũng phù hợp với các tác vụ cần model rất mạnh, ví dụ phân tích văn bản dài phức tạp, xử lý đa phương thức, lập luận sâu hoặc tạo nội dung yêu cầu chất lượng ngôn ngữ cao. Các model cloud hàng đầu thường vượt trội so với model local nhỏ chạy trên phần cứng hạn chế.

2.3. Hạn chế của AI cloud trong bệnh viện

Hạn chế lớn nhất là vấn đề dữ liệu. Nếu nhân viên đưa thông tin người bệnh, báo cáo nội bộ, dữ liệu sự cố, văn bản chưa công bố hoặc tài liệu nhạy cảm lên AI cloud, bệnh viện có thể gặp rủi ro bảo mật và pháp lý. Ngay cả khi nhà cung cấp có cam kết bảo mật, bệnh viện vẫn cần đánh giá hợp đồng, điều khoản xử lý dữ liệu, vị trí lưu trữ, cơ chế xóa dữ liệu, quyền kiểm toán và trách nhiệm khi xảy ra sự cố.

Hạn chế thứ hai là phụ thuộc. Bệnh viện phụ thuộc vào Internet, chính sách giá, giới hạn sử dụng, thay đổi model, thay đổi điều khoản và khả năng duy trì dịch vụ của nhà cung cấp. Khi dịch vụ gián đoạn hoặc thay đổi, quy trình nội bộ của bệnh viện có thể bị ảnh hưởng nếu đã phụ thuộc quá nhiều.

2.4. Nhóm tác vụ phù hợp với AI cloud

AI cloud phù hợp hơn với:

Tài liệu công khai, không nhạy cảm.
Soạn thảo nội dung truyền thông chung.
Hỗ trợ học tập về AI.
Dịch thuật tài liệu không chứa dữ liệu riêng.
Viết đề cương đào tạo chung.
Tạo ý tưởng cải tiến ở mức tham khảo.
Phân tích tài liệu đã được ẩn danh đầy đủ.
Tác vụ cần model rất mạnh nhưng không dùng dữ liệu nhạy cảm.

Trong bệnh viện, AI cloud nên được sử dụng theo quy chế rõ ràng, có hướng dẫn cụ thể về dữ liệu được phép và không được phép đưa vào.

3. Mô hình AI local

AI local là mô hình trong đó bệnh viện triển khai model và hệ thống AI trên hạ tầng do mình kiểm soát. Hệ thống có thể đặt trong phòng máy bệnh viện, trung tâm dữ liệu nội bộ hoặc private server do bệnh viện quản lý.

3.1. Đặc điểm chính

AI local có các đặc điểm:

Model chạy trên máy chủ bệnh viện.
Dữ liệu có thể được xử lý trong mạng nội bộ.
Bệnh viện kiểm soát model, dữ liệu, log và phân quyền.
Có thể tích hợp với kho tài liệu nội bộ.
Có thể hoạt động không cần Internet ở một số cấu hình.
Cần đầu tư phần cứng và nhân sự vận hành.
Chất lượng phụ thuộc model local và tài nguyên máy chủ.
Cần tự thiết kế bảo mật, backup, giám sát và cập nhật.

3.2. Ưu điểm của AI local trong bệnh viện

Ưu điểm lớn nhất là quyền kiểm soát. Bệnh viện có thể quyết định dữ liệu nào được đưa vào, ai được truy cập, câu trả lời phải dựa trên nguồn nào, log lưu ở đâu, API được bảo vệ ra sao và hệ thống hoạt động trong phạm vi nào.

AI local đặc biệt phù hợp với kho tài liệu nội bộ. Bệnh viện có thể xây dựng hệ thống RAG để nhân viên hỏi đáp quy trình, quy định, biểu mẫu, hướng dẫn chuyên môn, tài liệu quản lý chất lượng hoặc văn bản nội bộ. Đây là nhóm ứng dụng có giá trị cao vì giúp khai thác tài sản tri thức riêng của bệnh viện.

AI local cũng giúp giảm nguy cơ sử dụng AI cloud tự phát. Khi bệnh viện cung cấp một công cụ nội bộ đủ thuận tiện, nhân viên có lựa chọn an toàn hơn để xử lý công việc.

3.3. Hạn chế của AI local trong bệnh viện

AI local đòi hỏi năng lực kỹ thuật. Bệnh viện cần có người hiểu máy chủ, Linux, Docker nếu dùng, GPU, driver, Ollama, API, bảo mật, backup, log, RAG và tích hợp hệ thống. Nếu thiếu năng lực vận hành, hệ thống có thể nhanh chóng trở thành một thử nghiệm không ổn định.

Hạn chế thứ hai là hiệu năng. Model local chạy trên phần cứng hạn chế có thể chậm hoặc kém hơn AI cloud. Nếu bệnh viện chọn model quá lớn, hệ thống có thể hết VRAM hoặc RAM. Nếu chọn model quá nhỏ, câu trả lời có thể kém chất lượng. Vì vậy, cần đánh giá model trên phần cứng thực tế.

3.4. Nhóm tác vụ phù hợp với AI local

AI local phù hợp với:

Tra cứu quy trình, quy định nội bộ.
Hỏi đáp kho tài liệu bệnh viện.
Hỗ trợ phòng Quản lý chất lượng.
Hỗ trợ phòng Kế hoạch tổng hợp.
Hỗ trợ chuẩn hóa biểu mẫu.
Hỗ trợ xây dựng bảng kiểm.
Tóm tắt tài liệu nội bộ.
Phân loại phản ánh, sự cố đã được kiểm soát dữ liệu.
Chatbot nội bộ cho nhân viên.
Hỗ trợ viết bản nháp báo cáo, kế hoạch, quy chế.
Tích hợp với website nội bộ hoặc Drupal.
Xây dựng trợ lý AI theo từng phòng ban.

AI local nên là lựa chọn ưu tiên khi dữ liệu có tính nội bộ, cần kiểm soát, cần phân quyền hoặc cần tích hợp với hạ tầng bệnh viện.

4. Mô hình AI hybrid

AI hybrid là mô hình kết hợp AI cloud và AI local. Đây là mô hình thực tế nhất đối với nhiều bệnh viện, vì nó tận dụng ưu điểm của cả hai bên: cloud cho các tác vụ cần model mạnh và ít nhạy cảm; local cho dữ liệu nội bộ và tác vụ cần kiểm soát.

4.1. Đặc điểm chính

AI hybrid có thể được thiết kế theo nhiều cách:

Người dùng chọn dùng cloud hoặc local tùy tác vụ.
Hệ thống tự định tuyến câu hỏi: dữ liệu nhạy cảm xử lý local, dữ liệu công khai có thể xử lý cloud.
Local dùng cho RAG nội bộ, cloud dùng cho viết lại văn bản sau khi đã ẩn danh.
Local dùng để lọc và ẩn danh dữ liệu trước khi gửi lên cloud.
Cloud dùng cho model mạnh, local dùng để lưu trữ tài liệu và kiểm soát log.
Một API trung gian của bệnh viện kiểm soát cả cloud và local.

4.2. Ưu điểm của AI hybrid

AI hybrid linh hoạt. Bệnh viện không phải hy sinh hoàn toàn chất lượng model cloud, cũng không phải từ bỏ quyền kiểm soát dữ liệu local. Với thiết kế tốt, bệnh viện có thể dùng đúng công cụ cho đúng việc.

Ví dụ:

Tài liệu nội bộ có dữ liệu nhạy cảm được xử lý bằng AI local.
Tài liệu đã ẩn danh hoàn toàn có thể gửi lên AI cloud để viết lại hoặc phân tích sâu.
Câu hỏi về quy trình nội bộ được trả lời bằng RAG local.
Câu hỏi chung về khái niệm quản trị hoặc đào tạo có thể dùng cloud.
Hệ thống local đóng vai trò lớp kiểm soát trước khi gọi cloud.

4.3. Hạn chế của AI hybrid

AI hybrid phức tạp hơn. Nếu không thiết kế rõ, người dùng có thể không biết khi nào dữ liệu được gửi ra ngoài. Luồng dữ liệu có thể khó kiểm soát. Chính sách phân quyền, ghi log, ẩn danh và phê duyệt phải được thiết kế kỹ.

Một rủi ro khác là bệnh viện tuy nói “hybrid” nhưng thực tế lại cho phép dữ liệu nhạy cảm đi qua cloud vì thiếu bộ lọc. Vì vậy, mô hình hybrid chỉ an toàn khi có kiến trúc rõ ràng, quy chế rõ ràng và công cụ kỹ thuật đủ mạnh.

4.4. Nhóm tác vụ phù hợp với AI hybrid

AI hybrid phù hợp với bệnh viện muốn:

Tận dụng model cloud mạnh cho tác vụ ít nhạy cảm.
Bảo vệ dữ liệu nội bộ bằng local.
Triển khai từng bước, không cực đoan.
Có nhu cầu tích hợp nhưng chưa thể local hóa toàn bộ.
Cần cân bằng chất lượng, chi phí và bảo mật.
Muốn xây dựng lộ trình AI dài hạn.

Đối với nhiều bệnh viện, hybrid là mô hình chuyển tiếp hợp lý: bắt đầu bằng cloud có kiểm soát, xây dựng dần local cho dữ liệu nhạy cảm, sau đó thiết kế cơ chế phối hợp giữa hai bên.

5. Nguyên tắc lựa chọn mô hình triển khai

Bệnh viện nên lựa chọn mô hình triển khai dựa trên một số câu hỏi chính.

5.1. Dữ liệu có nhạy cảm không?

Nếu dữ liệu chứa thông tin người bệnh, hồ sơ bệnh án, kết quả xét nghiệm, thông tin định danh, báo cáo sự cố hoặc tài liệu nội bộ chưa công bố, nên ưu tiên local hoặc xử lý sau khi ẩn danh nghiêm ngặt.

Nếu dữ liệu là tài liệu công khai, nội dung đào tạo chung hoặc văn bản không nhạy cảm, cloud có thể được cân nhắc.

5.2. Tác vụ có ảnh hưởng đến chuyên môn không?

Nếu tác vụ liên quan trực tiếp đến quyết định chuyên môn, cần thận trọng cao. AI chỉ nên hỗ trợ, không tự quyết định. Cần có con người kiểm tra. Với tác vụ chuyên môn có dữ liệu nhạy cảm, local hoặc hybrid có kiểm soát là phù hợp hơn.

Nếu tác vụ là soạn thảo hành chính, tóm tắt tài liệu công khai hoặc gợi ý cấu trúc, rủi ro thấp hơn.

5.3. Bệnh viện có năng lực vận hành không?

Nếu bệnh viện chưa có đội ngũ kỹ thuật đủ năng lực, có thể bắt đầu bằng cloud có kiểm soát và thử nghiệm local quy mô nhỏ. Nếu bệnh viện có máy chủ, nhân sự CNTT và định hướng phát triển hệ thống nội bộ, có thể triển khai local sớm hơn.

5.4. Có cần tích hợp với hệ thống nội bộ không?

Nếu chỉ dùng AI như công cụ cá nhân, cloud có thể đủ. Nếu cần tích hợp với kho tài liệu, website nội bộ, QMS, Drupal hoặc hệ thống phân quyền, local hoặc hybrid sẽ phù hợp hơn.

5.5. Có yêu cầu hoạt động trong mạng nội bộ không?

Nếu bệnh viện muốn hệ thống dùng được trong LAN, hạn chế phụ thuộc Internet hoặc đặt trong khu vực kiểm soát, local là lựa chọn phù hợp.

6. Gợi ý lộ trình triển khai thực tế

Một lộ trình thực tế có thể gồm các bước:

Giai đoạn 1. Nhận thức và quy chế ban đầu

Bệnh viện đào tạo nhóm nòng cốt về AI, ban hành nguyên tắc sử dụng AI, xác định dữ liệu không được đưa lên cloud và chọn một số tác vụ ít rủi ro để thử nghiệm.

Giai đoạn 2. Thử nghiệm AI cloud có kiểm soát

Dùng AI cloud cho tài liệu công khai, nội dung đào tạo, soạn thảo mẫu và các tác vụ không nhạy cảm. Mục tiêu là giúp người dùng hiểu khả năng của AI.

Giai đoạn 3. Cài đặt AI local thử nghiệm

Cài Ollama trên máy chủ nội bộ, chạy một số model phù hợp, đánh giá tốc độ, tiếng Việt, khả năng tóm tắt và viết văn bản.

Giai đoạn 4. Xây dựng RAG nội bộ

Đưa một số tài liệu ít nhạy cảm như quy trình, biểu mẫu, quy định đã ban hành vào hệ thống RAG. Cho phép một nhóm người dùng thử nghiệm chatbot tra cứu nội bộ.

Giai đoạn 5. Triển khai hybrid có kiểm soát

Thiết kế API trung gian, phân quyền, ghi log, ẩn danh dữ liệu và quy định rõ khi nào dùng local, khi nào dùng cloud.

Giai đoạn 6. Mở rộng theo phòng ban

Ưu tiên các phòng có nhu cầu rõ và rủi ro thấp như Quản lý chất lượng, Kế hoạch tổng hợp, Điều dưỡng, CNTT, Hành chính quản trị. Sau đó mới cân nhắc các tác vụ liên quan dữ liệu chuyên môn nhạy cảm.

7. Kết luận

Có ba mô hình triển khai AI trong bệnh viện: cloud, local và hybrid. AI cloud thuận tiện, mạnh và dễ bắt đầu nhưng cần kiểm soát dữ liệu. AI local giúp bệnh viện chủ động về hạ tầng, dữ liệu và tích hợp nội bộ nhưng đòi hỏi đầu tư và năng lực vận hành. AI hybrid kết hợp ưu điểm của cả hai nhưng cần thiết kế kiến trúc và chính sách rất rõ ràng.

Đối với bệnh viện, lựa chọn mô hình AI phải dựa trên phân loại dữ liệu, mức độ rủi ro, nhu cầu tích hợp, năng lực vận hành và mục tiêu dài hạn. Mô hình phù hợp nhất thường không phải là một lựa chọn duy nhất cho mọi việc, mà là một chiến lược phân tầng: cloud cho tác vụ công khai, local cho dữ liệu nội bộ, hybrid cho các trường hợp cần cân bằng giữa chất lượng model và bảo mật dữ liệu.

Đăng nhập để gửi ý kiến