Bài 6. Dữ liệu từ LIS

1. Đặt vấn đề

LIS là hệ thống thông tin xét nghiệm, quản lý toàn bộ quy trình từ chỉ định, lấy mẫu, nhận mẫu, xử lý mẫu, chạy xét nghiệm, trả kết quả, kiểm soát chất lượng và lưu trữ dữ liệu xét nghiệm. Đây là nguồn dữ liệu rất quan trọng cho hoạt động chuyên môn, quản lý chất lượng xét nghiệm và cải tiến quy trình.

AI local có thể hỗ trợ phân tích dữ liệu LIS ở nhiều khía cạnh: thời gian trả kết quả, lỗi tiền phân tích, tỷ lệ mẫu bị từ chối, nội kiểm/ngoại kiểm, tải công việc, báo cáo chất lượng và hướng dẫn quy trình. Tuy nhiên, kết quả xét nghiệm cá nhân là dữ liệu y tế nhạy cảm. AI không được tự diễn giải kết quả xét nghiệm cho người bệnh hoặc thay bác sĩ/kỹ thuật viên trong quyết định chuyên môn.

2. Dữ liệu LIS gồm những gì?

Tùy hệ thống, LIS có thể có:

• Chỉ định xét nghiệm.
• Loại mẫu.
• Thời gian lấy mẫu.
• Thời gian nhận mẫu.
• Thời gian chạy máy.
• Thời gian duyệt kết quả.
• Thời gian trả kết quả.
• Kết quả xét nghiệm.
• Trạng thái mẫu.
• Mẫu bị từ chối.
• Lý do từ chối mẫu.
• Thông tin thiết bị.
• Nội kiểm.
• Ngoại kiểm.
• Khoa/phòng gửi mẫu.
• Người thực hiện/duyệt kết quả.

3. Ứng dụng AI phù hợp

3.1. Phân tích thời gian trả kết quả

AI có thể tóm tắt TAT theo loại xét nghiệm, khoa gửi, khung giờ, ngày trong tuần.

3.2. Phân tích lỗi tiền phân tích

AI có thể nhóm lý do mẫu bị từ chối: đông máu, thiếu thể tích, sai ống, sai thông tin, vận chuyển chậm.

3.3. Hỗ trợ quản lý chất lượng xét nghiệm

AI có thể tóm tắt báo cáo nội kiểm/ngoại kiểm, tạo checklist, hỗ trợ kế hoạch cải tiến.

3.4. Hỗ trợ đào tạo

AI có thể tạo tài liệu hướng dẫn lấy mẫu, vận chuyển mẫu, tiêu chuẩn từ chối mẫu.

3.5. Hỗ trợ báo cáo tổng hợp

AI có thể tạo nhận xét từ bảng số liệu LIS đã tổng hợp.

4. Nên dùng dữ liệu tổng hợp hoặc ẩn danh

Đối với quản lý chất lượng, thường không cần tên người bệnh. Dữ liệu nên được tổng hợp theo:

• Khoa/phòng.
• Loại xét nghiệm.
• Loại mẫu.
• Lý do từ chối.
• Thời gian.
• Thiết bị.
• Ca trực.
• Trạng thái.

Nếu cần phân tích ca cụ thể, phải có quyền và mục đích rõ.

5. Không dùng AI để diễn giải kết quả cá nhân

AI không nên trả lời trực tiếp:

• “Kết quả xét nghiệm này có nguy hiểm không?”
• “Tôi bị bệnh gì?”
• “Có cần điều trị không?”
• “Chỉ số này có ý nghĩa gì với tôi?”

Nếu là người bệnh, cần hướng dẫn liên hệ bác sĩ. Nếu là nhân viên y tế, AI chỉ có thể hỗ trợ tra cứu tài liệu hoặc giải thích chung, không thay thế nhận định lâm sàng.

6. Tích hợp LIS an toàn

Kiến trúc nên là:

LIS → báo cáo/API trung gian → dữ liệu tổng hợp/ẩn danh → AI phân tích → kết quả cho người có quyền.

Không nên cho AI truy cập trực tiếp toàn bộ dữ liệu LIS hoặc database kết quả xét nghiệm.

7. Dữ liệu LIS và chất lượng xét nghiệm

AI có thể hỗ trợ mạnh ở các chỉ số:

• Tỷ lệ mẫu bị từ chối.
• Lý do từ chối mẫu.
• TAT trung bình.
• Tỷ lệ trả kết quả đúng hạn.
• Số lỗi sau phân tích.
• Kết quả nội kiểm ngoài giới hạn.
• Tỷ lệ xét nghiệm lặp lại.
• Tải xét nghiệm theo khung giờ.

Những phân tích này có giá trị cải tiến quy trình.

8. Rủi ro cần kiểm soát

• Lộ kết quả xét nghiệm cá nhân.
• AI diễn giải sai kết quả.
• AI kết luận nguyên nhân lỗi khi chưa điều tra.
• AI dùng dữ liệu chưa làm sạch.
• AI nhầm định nghĩa TAT.
• AI tạo báo cáo không khớp báo cáo chính thức.
• AI bỏ qua dữ liệu thiếu hoặc ngoại lệ.

9. Kết luận

Dữ liệu LIS rất hữu ích cho AI local trong quản lý chất lượng xét nghiệm, phân tích thời gian trả kết quả, lỗi mẫu, nội kiểm, ngoại kiểm và đào tạo. Tuy nhiên, kết quả xét nghiệm cá nhân là dữ liệu nhạy cảm và không nên đưa vào AI nếu không có kiểm soát. AI nên làm việc với dữ liệu tổng hợp, ẩn danh và không thay thế diễn giải chuyên môn của bác sĩ hoặc kỹ thuật viên.