Ứng dụng AI trong quản lý thiết bị y tế là việc sử dụng thuật toán phân tích dữ liệu vận hành, lịch sử bảo trì, cảnh báo, mức độ khai thác và điều kiện môi trường để hỗ trợ bệnh viện phát hiện bất thường, dự báo nguy cơ hư hỏng và sắp xếp nguồn lực kỹ thuật.

Khác với AI hỗ trợ chẩn đoán, nhóm ứng dụng này tập trung vào trạng thái của thiết bị và hiệu quả vận hành. Hệ thống có thể giúp bộ phận kỹ thuật nhận biết máy nào có dấu hiệu suy giảm, thiết bị nào đang được sử dụng dưới công suất, công việc bảo trì nào cần ưu tiên và phụ tùng nào nên được chuẩn bị trước.

Tuy nhiên, AI không thể thay thế danh mục thiết bị chính xác, quy trình bảo trì, kiểm định, hiệu chuẩn hoặc quyết định của kỹ sư. Nếu dữ liệu đầu vào không đầy đủ, mã thiết bị không thống nhất hoặc lịch sử sửa chữa chỉ được ghi bằng những mô tả chung chung, kết quả dự báo có thể thiếu giá trị.

Do đó, bệnh viện nên xem AI là một lớp phân tích bổ sung trên nền tảng quản lý thiết bị đã được chuẩn hóa, không phải giải pháp thay thế toàn bộ hệ thống hiện có.

Tóm tắt nhanh

- AI trong quản lý thiết bị y tế chủ yếu hỗ trợ phát hiện bất thường, bảo trì dự đoán, ưu tiên xử lý, phân tích mức sử dụng và lập kế hoạch nguồn lực.
- Bảo trì dự đoán không giống bảo trì định kỳ; hệ thống sử dụng dữ liệu để ước tính thiết bị nào có nguy cơ suy giảm hoặc hư hỏng.
- AI chỉ tạo giá trị khi được xây dựng trên dữ liệu thiết bị, lịch sử công việc, phụ tùng và trạng thái vận hành có chất lượng.
- CMMS vẫn là nền tảng quản lý hồ sơ, kế hoạch và phiếu công việc; AI thường hoạt động như một lớp phân tích bổ sung.
- Mọi cảnh báo và khuyến nghị cần được kỹ sư hoặc người có thẩm quyền kiểm tra trước khi thực hiện.
- Dự án nên bắt đầu từ một vấn đề vận hành cụ thể và được thử nghiệm trên phạm vi nhỏ trước khi mở rộng.

AI trong quản lý thiết bị y tế khác AI chẩn đoán như thế nào?

AI trong y tế có thể được sử dụng cho nhiều mục đích khác nhau. Một số hệ thống phân tích hình ảnh hoặc dữ liệu lâm sàng để hỗ trợ chuyên môn, trong khi nhóm quản lý thiết bị tập trung vào tài sản, kỹ thuật và vận hành.

Nhóm ứng dụng	Dữ liệu chính	Kết quả đầu ra
AI hỗ trợ chẩn đoán	Hình ảnh, tín hiệu hoặc dữ liệu người bệnh	Phát hiện, phân loại hoặc hỗ trợ đánh giá chuyên môn
AI hỗ trợ điều trị	Dữ liệu lâm sàng, phản ứng và thông số điều trị	Gợi ý hoặc tối ưu một số bước trong quy trình chuyên môn
AI trong quản lý thiết bị	Trạng thái máy, cảnh báo, lịch sử lỗi, bảo trì và mức sử dụng	Cảnh báo kỹ thuật, dự báo nguy cơ và đề xuất ưu tiên
AI trong quản trị bệnh viện	Lịch khám, giường bệnh, vật tư và hoạt động dịch vụ	Dự báo nhu cầu và hỗ trợ phân bổ nguồn lực

FDA duy trì danh sách các thiết bị y tế có chức năng AI đã được cho phép lưu hành tại Hoa Kỳ, đồng thời nhấn mạnh yêu cầu đánh giá và quản lý rủi ro trong toàn bộ vòng đời của chức năng phần mềm AI. Điều này cho thấy thuật ngữ “AI trong y tế” bao phủ nhiều loại hệ thống có mục đích và mức độ rủi ro khác nhau.

Trong quản lý thiết bị, AI thường không trực tiếp đưa ra chẩn đoán hoặc chỉ định điều trị. Hệ thống có thể dự báo rằng một bộ phận có dấu hiệu suy giảm, nhưng việc dừng máy, sửa chữa, hiệu chuẩn lại hoặc tiếp tục khai thác vẫn phải dựa trên đánh giá kỹ thuật và quy trình của cơ sở.

Từ bảo trì phản ứng đến bảo trì dự đoán

Để hiểu vai trò của AI, cần phân biệt các chiến lược bảo trì thường gặp.

Bảo trì phản ứng

Thiết bị được sửa chữa sau khi đã xảy ra hư hỏng hoặc không thể tiếp tục hoạt động.

Mô hình này có thể phù hợp với một số thiết bị đơn giản, chi phí thấp, có dự phòng đầy đủ và ít ảnh hưởng đến hoạt động. Tuy nhiên, nếu áp dụng cho thiết bị quan trọng, bệnh viện có thể đối mặt với:

- Ngừng dịch vụ ngoài kế hoạch.
- Phải điều chuyển người bệnh.
- Chờ phụ tùng.
- Tăng chi phí sửa chữa khẩn cấp.
- Gián đoạn lịch khám hoặc điều trị.
- Khó kiểm soát thiết bị thay thế.

Bảo trì phòng ngừa

Công việc được thực hiện theo lịch, số giờ hoạt động, số chu kỳ hoặc khuyến cáo của nhà sản xuất.

WHO mô tả chương trình bảo trì thiết bị y tế gồm kiểm tra hoạt động, kiểm tra an toàn, bảo trì phòng ngừa và sửa chữa. Trong đó, bảo trì phòng ngừa hướng đến kéo dài tuổi thọ thiết bị và giảm tỷ lệ hư hỏng.

Ưu điểm của mô hình này là dễ lập kế hoạch và kiểm soát. Tuy nhiên, lịch cố định có thể dẫn đến hai tình huống:

- Bảo trì quá sớm khi thiết bị vẫn ổn định.
- Không phát hiện được lỗi phát sinh giữa hai chu kỳ.

Bảo trì dựa trên tình trạng

Thiết bị được theo dõi thông qua các chỉ số như:

- Nhiệt độ.
- Rung động.
- Dòng điện.
- Áp suất.
- Thời gian khởi động.
- Số lần cảnh báo.
- Mức pin.
- Hiệu suất bộ phận.
- Sai lệch phép đo.
- Số chu kỳ vận hành.

Công việc bảo trì được kích hoạt khi dữ liệu vượt ngưỡng hoặc có xu hướng bất thường.

Bảo trì dự đoán

Bảo trì dự đoán sử dụng dữ liệu lịch sử và hiện tại để ước tính nguy cơ hư hỏng hoặc suy giảm trong tương lai.

Hệ thống có thể kết hợp:

- Dữ liệu cảm biến.
- Log thiết bị.
- Lịch sử cảnh báo.
- Phiếu sửa chữa.
- Thời gian giữa các lần hư hỏng.
- Phụ tùng đã thay.
- Môi trường vận hành.
- Mức độ khai thác.
- Model và tuổi thiết bị.

Kết quả có thể được trình bày dưới dạng:

- Điểm rủi ro.
- Khả năng phát sinh lỗi.
- Thời gian còn lại trước khi cần kiểm tra.
- Nhóm bộ phận cần chú ý.
- Danh sách thiết bị cần ưu tiên.

Bảo trì dự đoán không loại bỏ hoàn toàn bảo trì định kỳ. Một số công việc vẫn phải được thực hiện theo hướng dẫn của nhà sản xuất, yêu cầu chuyên môn, kiểm định, hiệu chuẩn hoặc quy định hiện hành.

Dữ liệu đi qua hệ thống như thế nào?

Một mô hình ứng dụng AI trong quản lý thiết bị y tế thường có năm lớp.

Lớp 1: Thiết bị và nguồn dữ liệu

Dữ liệu có thể được tạo từ:

- Thiết bị y tế thông minh.
- Cảm biến tích hợp.
- Gateway.
- Hệ thống giám sát trung tâm.
- Máy chủ của nhà sản xuất.
- Phần mềm điều khiển.
- Phiếu công việc.
- CMMS.
- Nền tảng định vị thiết bị.
- Hệ thống quản lý tòa nhà.

Không phải thiết bị nào cũng cung cấp cùng loại dữ liệu. Một máy xét nghiệm có thể xuất log chi tiết, trong khi một thiết bị cơ học chỉ có hồ sơ bảo trì được nhập thủ công.

Lớp 2: Thu thập và chuẩn hóa

Dữ liệu từ nhiều hãng thường khác nhau về:

- Tên thông số.
- Mã cảnh báo.
- Đơn vị.
- Thời gian ghi nhận.
- Tần suất lấy mẫu.
- Định dạng.
- Mức độ chi tiết.
- Cách nhận diện thiết bị.

Hệ thống phải ánh xạ dữ liệu về cùng một cấu trúc.

Ví dụ, cùng một trạng thái mất kết nối có thể được các thiết bị ghi là:

- Communication error.
- Network offline.
- No server response.
- Connection lost.
- Mã lỗi riêng của nhà sản xuất.

Nếu không chuẩn hóa, mô hình có thể xem đây là những loại lỗi hoàn toàn khác nhau.

Lớp 3: Kho dữ liệu và CMMS

CMMS là nền tảng quản lý thông tin thiết bị và hoạt động bảo trì.

WHO mô tả CMMS là công cụ có thể hỗ trợ quản lý thiết bị ở cấp cơ sở. Nội dung cốt lõi thường gồm danh mục thiết bị, lịch sử dịch vụ, quy trình bảo trì phòng ngừa, chỉ số hoạt động và dữ liệu chi phí.

CMMS có thể lưu:

- Mã thiết bị.
- Model và số sê-ri.
- Vị trí.
- Khoa sử dụng.
- Mức độ quan trọng.
- Lịch bảo trì.
- Phiếu công việc.
- Phụ tùng.
- Chi phí.
- Kỹ sư phụ trách.
- Thời gian ngừng máy.
- Hợp đồng bảo hành.
- Lịch hiệu chuẩn và kiểm định.

AI không thay thế CMMS. AI thường sử dụng dữ liệu từ CMMS để tìm mẫu hình, chấm điểm rủi ro và hỗ trợ đề xuất công việc.

Lớp 4: Phân tích và mô hình AI

Tùy mục tiêu, hệ thống có thể sử dụng:

- Phân tích xu hướng.
- Phát hiện bất thường.
- Phân loại lỗi.
- Dự báo chuỗi thời gian.
- Chấm điểm rủi ro.
- Ước tính thời gian còn lại.
- Phân nhóm thiết bị.
- Tối ưu lịch công việc.
- Xử lý ngôn ngữ đối với mô tả sự cố.

Không phải ứng dụng nào có nhãn “AI” cũng cần một mô hình phức tạp. Trong một số trường hợp, quy tắc cảnh báo, phân tích thống kê hoặc ngưỡng kỹ thuật rõ ràng có thể phù hợp và dễ kiểm soát hơn.

Lớp 5: Dashboard và quy trình hành động

Kết quả cuối cùng phải được chuyển thành hoạt động cụ thể:

- Tạo cảnh báo.
- Mở phiếu công việc.
- Giao người phụ trách.
- Đề xuất kiểm tra.
- Theo dõi tiến độ.
- Xác nhận nguyên nhân.
- Cập nhật kết quả xử lý.
- Đóng cảnh báo.
- Đưa dữ liệu mới trở lại hệ thống.

Nếu AI chỉ hiển thị một điểm số nhưng không liên kết với CMMS và quy trình xử lý, nhân viên có thể bỏ qua cảnh báo hoặc tiếp tục quản lý bằng phương pháp cũ.

Bảy ứng dụng AI trong quản lý thiết bị y tế

1. Phát hiện bất thường trước khi thiết bị ngừng hoạt động

AI có thể học mô hình vận hành thông thường của thiết bị và phát hiện khi dữ liệu bắt đầu khác biệt.

Ví dụ:

- Nhiệt độ tăng dần.
- Thời gian khởi động kéo dài.
- Tần suất cảnh báo tăng.
- Dòng điện thay đổi bất thường.
- Pin giảm nhanh hơn bình thường.
- Máy phải tự khởi động lại nhiều lần.
- Tốc độ xử lý giảm.
- Sai số có xu hướng tăng.
- Kết nối thường xuyên gián đoạn.

Một cảnh báo bất thường không có nghĩa rằng thiết bị chắc chắn sẽ hỏng. Nó cho biết thiết bị cần được kiểm tra hoặc theo dõi kỹ hơn.

Hệ thống cần tránh tạo quá nhiều cảnh báo. Nếu mỗi biến động nhỏ đều được đánh dấu, kỹ sư có thể rơi vào tình trạng quá tải và bỏ qua những cảnh báo thực sự quan trọng.

2. Bảo trì dự đoán

Mô hình có thể ước tính nguy cơ sự cố dựa trên dữ liệu của từng thiết bị hoặc nhóm thiết bị tương đồng.

Ví dụ, hệ thống có thể phát hiện:

- Một model thường phát sinh lỗi sau một số chu kỳ nhất định.
- Một bộ phận hay hỏng khi nhiệt độ phòng tăng.
- Pin suy giảm nhanh hơn ở thiết bị được sử dụng liên tục.
- Một cảnh báo thường xuất hiện trước lỗi chính.
- Thiết bị đã sửa nhiều lần có nguy cơ tái phát cao.

Kết quả có thể giúp bệnh viện:

- Bố trí kiểm tra trước giờ cao điểm.
- Chuẩn bị phụ tùng.
- Điều chuyển thiết bị dự phòng.
- Kết hợp nhiều công việc trong một lần bảo trì.
- Hạn chế sửa chữa khẩn cấp.

Tuy nhiên, bệnh viện cần kiểm tra độ chính xác của dự báo trong điều kiện thực tế. Mô hình được xây dựng bằng dữ liệu của một hệ thống khác chưa chắc phù hợp với cách sử dụng, khí hậu, nguồn điện và quy trình tại cơ sở hiện tại.

3. Xếp hạng ưu tiên thiết bị và phiếu công việc

Trong một bệnh viện lớn, bộ phận kỹ thuật có thể tiếp nhận nhiều yêu cầu cùng lúc.

AI có thể hỗ trợ xếp hạng dựa trên:

- Mức độ quan trọng của thiết bị.
- Ảnh hưởng đến người bệnh.
- Số khoa đang sử dụng.
- Khả năng có thiết bị dự phòng.
- Mức độ nghiêm trọng của lỗi.
- Lịch sử lỗi lặp lại.
- Thời gian chờ phụ tùng.
- Khả năng lan rộng.
- Thời gian thiết bị đã ngừng.

Ví dụ, lỗi kết nối của một máy ít sử dụng có thể được xử lý sau, trong khi cảnh báo nhiệt độ của hệ thống lưu trữ vật tư quan trọng cần được ưu tiên cao hơn.

AI chỉ nên hỗ trợ sắp xếp. Quy tắc ưu tiên cuối cùng vẫn cần do bệnh viện phê duyệt, đặc biệt với các thiết bị có ảnh hưởng trực tiếp đến an toàn người bệnh.

4. Phân tích mức độ sử dụng thiết bị

Một cơ sở có thể thiếu thiết bị tại khoa này nhưng lại có thiết bị tương tự ít được sử dụng ở khoa khác.

AI và phân tích dữ liệu có thể giúp xác định:

- Thiết bị được sử dụng thường xuyên.
- Thiết bị có thời gian nhàn rỗi dài.
- Khung giờ cao điểm.
- Thiết bị bị giữ tại một khoa nhưng ít hoạt động.
- Số lượng tài sản đang chờ vệ sinh hoặc bảo trì.
- Thiết bị thường xuyên bị di chuyển.
- Nhu cầu theo mùa hoặc theo loại dịch vụ.

Dữ liệu này hỗ trợ:

- Điều chuyển tài sản.
- Lập kế hoạch mua sắm.
- Xác định nhu cầu thuê.
- Tối ưu số lượng thiết bị dự phòng.
- Đánh giá khả năng khai thác trước khi mua mới.

Mức sử dụng thấp không tự động có nghĩa thiết bị dư thừa. Một số máy phải luôn sẵn sàng dù số lần sử dụng không cao, chẳng hạn thiết bị phục vụ cấp cứu hoặc tình huống đặc biệt.

5. Quản lý phụ tùng và vật tư kỹ thuật

AI có thể phân tích lịch sử thay thế để dự báo nhu cầu đối với:

- Pin.
- Bộ lọc.
- Cảm biến.
- Dây cáp.
- Bóng phát.
- Bơm.
- Van.
- Bộ nguồn.
- Linh kiện cơ khí.
- Bộ phận hao mòn.

Mục tiêu là hạn chế hai tình trạng:

- Không có phụ tùng khi thiết bị hỏng.
- Tồn kho quá nhiều linh kiện ít được sử dụng hoặc sắp hết thời gian lưu kho.

Hệ thống cần tính đến:

- Thời gian giao hàng.
- Khả năng dùng chung giữa nhiều model.
- Điều kiện bảo quản.
- Giá trị phụ tùng.
- Mức độ quan trọng.
- Chính sách bảo hành.
- Nguy cơ nhà sản xuất ngừng hỗ trợ.

Dự báo phụ tùng phải được kiểm tra cùng kế hoạch thiết bị. Không nên tiếp tục tồn kho linh kiện lớn cho một model sắp được thay thế.

6. Hỗ trợ kỹ sư tra cứu và xử lý lỗi

AI có thể hỗ trợ tìm kiếm trong:

- Hướng dẫn sử dụng.
- Tài liệu dịch vụ.
- Lịch sử sửa chữa.
- Mã lỗi.
- Phiếu công việc cũ.
- Danh mục phụ tùng.
- Thông báo của nhà sản xuất.
- Quy trình nội bộ.

Kỹ sư có thể nhập một mô tả sự cố và nhận lại:

- Những trường hợp tương tự.
- Bộ phận từng được thay.
- Các bước kiểm tra đã được phê duyệt.
- Tài liệu liên quan.
- Lịch sử của model.

Hệ thống không nên tạo ra hướng dẫn can thiệp kỹ thuật không có trong tài liệu hoặc vượt quá quyền hạn của người dùng. Đặc biệt, các thao tác liên quan đến điện áp cao, nguồn bức xạ, phần mềm dịch vụ hoặc linh kiện an toàn phải tuân thủ hướng dẫn của nhà sản xuất và quy trình của cơ sở.

7. Lập kế hoạch thay thế thiết bị

AI có thể tổng hợp nhiều tín hiệu để hỗ trợ xác định tài sản cần được xem xét thay thế:

- Tuổi thiết bị.
- Tần suất hư hỏng.
- Thời gian ngừng máy.
- Chi phí sửa chữa.
- Khả năng cung cấp phụ tùng.
- Mức độ sử dụng.
- Thời gian hỗ trợ phần mềm.
- Mức tiêu thụ năng lượng.
- Khả năng kết nối.
- Khả năng đáp ứng nhu cầu chuyên môn.

Thiết bị cũ chưa chắc phải thay ngay nếu vẫn ổn định, được hỗ trợ và đáp ứng nhu cầu. Ngược lại, thiết bị còn tương đối mới vẫn có thể cần xem xét nếu lỗi lặp lại, không còn phụ tùng hoặc không phù hợp với quy trình hiện tại.

AI có thể hỗ trợ tạo điểm ưu tiên đầu tư, nhưng quyết định phải được xem xét cùng nhu cầu chuyên môn, ngân sách và chiến lược của bệnh viện.

Bảo trì dự đoán hoạt động như thế nào trong thực tế?

Có thể hình dung quy trình qua sáu bước.

Bước 1: Xác định loại sự cố cần dự báo

Không nên bắt đầu bằng việc thu thập mọi dữ liệu có thể lấy được.

Bệnh viện cần chọn một vấn đề cụ thể, chẳng hạn:

- Pin monitor suy giảm.
- Máy xét nghiệm thường xuyên dừng đột ngột.
- Hệ thống làm lạnh cảnh báo lặp lại.
- Thiết bị hình ảnh có thời gian khởi động tăng.
- Bơm truyền có tỷ lệ lỗi cao.
- Hệ thống mạng thiết bị thường mất kết nối.

Mục tiêu phải đủ cụ thể để đo lường.

Bước 2: Thu thập dữ liệu nền

Dữ liệu có thể gồm:

- Danh sách thiết bị.
- Model.
- Tuổi.
- Mức sử dụng.
- Lịch sử cảnh báo.
- Thời gian ngừng.
- Phiếu sửa chữa.
- Phụ tùng.
- Điều kiện môi trường.
- Kết quả kiểm tra.
- Trạng thái sau sửa chữa.

Dữ liệu cần bao gồm cả những giai đoạn thiết bị vận hành bình thường, không chỉ lúc xảy ra lỗi.

Bước 3: Chuẩn hóa nguyên nhân sự cố

Nếu kỹ sư ghi nhận cùng một lỗi bằng nhiều cách như “mất nguồn”, “không lên”, “power error” hoặc “máy chết”, hệ thống sẽ khó học được mẫu hình.

Phòng kỹ thuật cần xây dựng danh mục:

- Nhóm sự cố.
- Bộ phận.
- Nguyên nhân.
- Hành động.
- Kết quả.
- Trạng thái đóng phiếu.

Nhân viên vẫn có thể ghi mô tả chi tiết, nhưng cần chọn thêm mã có cấu trúc.

Bước 4: Xây dựng và kiểm thử mô hình

Dữ liệu nên được chia thành:

- Dữ liệu huấn luyện.
- Dữ liệu kiểm tra.
- Dữ liệu theo dõi sau triển khai.

Bệnh viện cần xem xét:

- Tỷ lệ dự báo đúng.
- Tỷ lệ cảnh báo giả.
- Tỷ lệ bỏ sót.
- Thời gian cảnh báo trước sự cố.
- Ảnh hưởng đến khối lượng công việc.
- Khả năng giải thích kết quả.

Một mô hình dự báo nhiều lỗi nhưng gửi hàng trăm cảnh báo giả mỗi ngày có thể không phù hợp với vận hành.

Bước 5: Gắn kết quả với quy trình kỹ thuật

Mỗi mức rủi ro phải có hành động tương ứng.

Ví dụ:

Mức rủi ro	Hành động tham khảo
Thấp	Tiếp tục theo dõi
Trung bình	Kiểm tra trong lịch gần nhất
Cao	Tạo phiếu kiểm tra ưu tiên
Rất cao	Đánh giá ngay và xem xét chuyển sang thiết bị dự phòng

Đây chỉ là khung tham khảo. Bệnh viện phải xây dựng mức ưu tiên theo loại thiết bị và mức độ ảnh hưởng thực tế.

Bước 6: Xác nhận và cập nhật mô hình

Sau khi kỹ sư xử lý, cần ghi lại:

- Cảnh báo có đúng không.
- Nguyên nhân thực tế.
- Bộ phận liên quan.
- Hành động đã thực hiện.
- Thiết bị có phục hồi không.
- Lỗi có tái xuất hiện không.

Dữ liệu này giúp đánh giá và cải thiện mô hình. Nếu người dùng chỉ đóng phiếu bằng trạng thái “đã xử lý”, hệ thống sẽ không biết dự báo có giá trị hay không.

Điều kiện cần có trước khi triển khai AI

Danh mục thiết bị phải chính xác

Mỗi tài sản cần có:

- Mã duy nhất.
- Tên.
- Model.
- Số sê-ri.
- Nhà sản xuất.
- Vị trí.
- Khoa sử dụng.
- Người phụ trách.
- Tình trạng.
- Mức độ quan trọng.
- Ngày đưa vào sử dụng.

Thiết bị trùng mã hoặc thiếu số sê-ri có thể khiến dữ liệu vận hành và lịch sử sửa chữa bị gắn sai.

Lịch sử công việc phải có cấu trúc

Một phiếu công việc nên ghi:

- Thiết bị.
- Thời gian phát hiện.
- Hiện tượng.
- Mã cảnh báo.
- Mức độ ảnh hưởng.
- Nguyên nhân.
- Hành động.
- Phụ tùng.
- Thời gian phục hồi.
- Người xác nhận.

Mô tả “máy lỗi, đã sửa xong” gần như không cung cấp đủ dữ liệu cho phân tích dự đoán.

Kết nối thiết bị phải ổn định

Thiết bị y tế thông minh có thể truyền dữ liệu trực tiếp hoặc qua gateway. Bệnh viện cần xác định:

- Dữ liệu nào được phép thu thập.
- Tần suất.
- Giao thức.
- Cách xác thực thiết bị.
- Mã hóa.
- Vị trí lưu.
- Cách xử lý mất kết nối.
- Ai được truy cập.
- Trách nhiệm của nhà cung cấp.

NIST đang phát triển các phương pháp và công cụ kiểm thử nhằm hỗ trợ truyền thông nhất quán giữa thiết bị, gateway và hệ thống thông tin y tế. Điều này cho thấy khả năng kết nối đúng và ổn định là một bài toán kỹ thuật độc lập, không chỉ là bật cổng mạng.

Phải có người chịu trách nhiệm chuyên môn

Dự án cần có sự tham gia của:

- Kỹ sư thiết bị y tế.
- Bộ phận công nghệ thông tin.
- An toàn thông tin.
- Đại diện khoa sử dụng.
- Quản lý chất lượng.
- Mua sắm và tài chính khi cần.
- Nhà cung cấp thiết bị.
- Nhà cung cấp phần mềm.

Nhóm dữ liệu có thể xây dựng mô hình, nhưng kỹ sư thiết bị mới có thể đánh giá liệu tín hiệu bất thường có ý nghĩa kỹ thuật hay không.

Phải có tiêu chí đo hiệu quả

Không nên triển khai với mục tiêu chung như “ứng dụng AI” hoặc “chuyển đổi số”.

Mục tiêu có thể là:

- Giảm thời gian ngừng máy ngoài kế hoạch.
- Phát hiện sớm một loại lỗi cụ thể.
- Giảm số lần sửa chữa khẩn.
- Tăng tỷ lệ hoàn thành bảo trì đúng lịch.
- Giảm thời gian tìm thiết bị.
- Tăng mức sử dụng thiết bị dùng chung.
- Giảm tồn kho phụ tùng không cần thiết.

Mỗi chỉ số cần có dữ liệu nền trước triển khai để so sánh.

AI có thể mắc những loại lỗi nào?

Cảnh báo giả

Hệ thống cho rằng thiết bị có nguy cơ lỗi nhưng kiểm tra thực tế không phát hiện vấn đề.

Cảnh báo giả có thể làm:

- Tăng khối lượng kiểm tra.
- Dừng máy không cần thiết.
- Thay phụ tùng sớm.
- Giảm niềm tin của kỹ sư.

Bỏ sót sự cố

Thiết bị hỏng nhưng mô hình không phát hiện.

Đây là rủi ro quan trọng với thiết bị có ảnh hưởng đến an toàn hoặc dịch vụ thiết yếu. AI không nên là cơ chế kiểm soát duy nhất.

Dự báo lệch do dữ liệu không đại diện

Mô hình được huấn luyện trên:

- Một model khác.
- Môi trường khác.
- Tần suất sử dụng khác.
- Nguồn điện khác.
- Cách bảo trì khác.

Kết quả có thể không phù hợp khi áp dụng tại bệnh viện hiện tại.

Mô hình suy giảm theo thời gian

Hiệu quả có thể thay đổi khi:

- Thiết bị được cập nhật phần mềm.
- Nhà sản xuất thay linh kiện.
- Quy trình vận hành thay đổi.
- Bệnh viện chuyển vị trí thiết bị.
- Dữ liệu cảm biến thay đổi.
- Cơ cấu người dùng thay đổi.

Vì vậy, hệ thống cần được theo dõi và đánh giá lại sau các thay đổi lớn.

Phụ thuộc quá mức vào điểm số

Một thiết bị có điểm rủi ro thấp vẫn có thể cần dừng ngay nếu kỹ sư phát hiện vấn đề an toàn. Ngược lại, điểm rủi ro cao không tự động có nghĩa phải thay máy.

AI cung cấp thêm thông tin để ra quyết định, không thay thế toàn bộ quy trình đánh giá kỹ thuật.

Quản trị rủi ro AI trong bệnh viện

NIST AI Risk Management Framework tổ chức hoạt động quản trị AI theo bốn nhóm chức năng: quản trị, xác định bối cảnh, đo lường và quản lý rủi ro. Khung này có tính tự nguyện và có thể được các tổ chức điều chỉnh theo quy mô, mục tiêu và mức độ rủi ro.

Bệnh viện có thể tham khảo cách tiếp cận này để xây dựng quy trình.

Quản trị

- Ai sở hữu hệ thống?
- Ai phê duyệt mô hình?
- Ai được xem dữ liệu?
- Ai chịu trách nhiệm xử lý cảnh báo?
- Ai đánh giá hiệu quả?
- Khi nào phải tạm dừng hệ thống?

Xác định bối cảnh

- Thiết bị nào nằm trong phạm vi?
- AI hỗ trợ quyết định gì?
- Quyết định đó ảnh hưởng đến ai?
- Hậu quả nếu cảnh báo sai?
- Có quy trình thay thế không?

Đo lường

- Độ chính xác.
- Tỷ lệ cảnh báo giả.
- Tỷ lệ bỏ sót.
- Khả năng giải thích.
- Tính ổn định.
- Hiệu quả theo từng model.
- Tác động đến khối lượng công việc.

Quản lý

- Điều chỉnh ngưỡng.
- Cập nhật mô hình.
- Tạm dừng chức năng.
- Đào tạo lại người dùng.
- Xử lý sự cố dữ liệu.
- Quản lý thay đổi.
- Lưu hồ sơ quyết định.

WHO nhấn mạnh AI trong y tế cần được phát triển và sử dụng theo hướng có đạo đức, minh bạch, có trách nhiệm và đặt lợi ích con người làm trọng tâm. Quản trị dữ liệu y tế cũng là nền tảng để tạo ra hệ thống số đáng tin cậy và hỗ trợ ra quyết định dựa trên bằng chứng.

Lộ trình triển khai theo từng giai đoạn

Giai đoạn 1: Chuẩn hóa quản lý thiết bị

Bệnh viện cần hoàn thiện:

- Danh mục thiết bị.
- Mã tài sản.
- Vị trí.
- Phân loại mức độ quan trọng.
- Lịch bảo trì.
- Danh mục lỗi.
- Danh mục phụ tùng.
- Quy trình lập và đóng phiếu.

Nếu nền tảng này chưa hoàn thiện, nên ưu tiên triển khai CMMS trước AI.

Giai đoạn 2: Số hóa dữ liệu vận hành

Kết nối các nguồn khả thi:

- Log thiết bị.
- Cảm biến.
- Gateway.
- Phần mềm hãng.
- CMMS.
- Hệ thống định vị.
- Dữ liệu môi trường.

Không nên kết nối toàn bộ thiết bị ngay từ đầu. Có thể ưu tiên nhóm tạo dữ liệu tốt và có vấn đề vận hành rõ ràng.

Giai đoạn 3: Chọn một bài toán thí điểm

Một dự án thí điểm nên có:

- Nhóm thiết bị xác định.
- Loại lỗi rõ.
- Dữ liệu lịch sử.
- Người phụ trách.
- Chỉ số nền.
- Thời gian đánh giá.
- Quy trình xử lý cảnh báo.

Ví dụ phù hợp hơn “triển khai AI toàn bệnh viện” là:

Phát hiện sớm pin suy giảm trên nhóm monitor vận chuyển trong sáu tháng.

Giai đoạn 4: Chạy song song với quy trình hiện tại

Trong thời gian đầu:

- AI tạo cảnh báo.
- Kỹ sư kiểm tra.
- Quy trình bảo trì hiện tại vẫn được duy trì.
- Kết quả dự báo được ghi nhận.
- Chưa tự động dừng hoặc thay đổi thiết bị.

Cách này giúp bệnh viện đánh giá hệ thống mà không phụ thuộc ngay vào mô hình.

Giai đoạn 5: Đánh giá hiệu quả

Cần so sánh:

- Số cảnh báo đúng.
- Số cảnh báo giả.
- Thời gian cảnh báo trước lỗi.
- Số sự cố ngoài kế hoạch.
- Thời gian ngừng máy.
- Khối lượng công việc tăng hoặc giảm.
- Chi phí kiểm tra.
- Phản hồi của kỹ sư.

Nếu mô hình không tạo đủ giá trị, cơ sở cần điều chỉnh phạm vi hoặc trở lại giải pháp đơn giản hơn.

Giai đoạn 6: Mở rộng có kiểm soát

Chỉ mở rộng khi:

- Dữ liệu ổn định.
- Quy trình đã rõ.
- Người dùng chấp nhận.
- Có cơ chế quản trị.
- Hiệu quả được chứng minh.
- Hệ thống tích hợp được với CMMS.
- Nhà cung cấp cam kết hỗ trợ.

Mỗi nhóm thiết bị mới cần được đánh giá riêng. Không nên mặc định mô hình dùng cho máy xét nghiệm có thể áp dụng nguyên trạng cho monitor, máy thở hoặc thiết bị chẩn đoán hình ảnh.

Các chỉ số cần theo dõi

Nhóm chỉ số	Ví dụ
Độ sẵn sàng	Tỷ lệ thời gian thiết bị sẵn sàng phục vụ
Độ tin cậy	Thời gian trung bình giữa hai lần hư hỏng
Khả năng sửa chữa	Thời gian trung bình để khôi phục
Bảo trì	Tỷ lệ hoàn thành đúng lịch
Dự báo	Tỷ lệ cảnh báo đúng, cảnh báo giả và bỏ sót
Sử dụng	Số giờ hoạt động, số ca hoặc số chu kỳ
Chi phí	Chi phí sửa chữa, phụ tùng và hợp đồng
Vận hành	Số phiếu khẩn cấp, lỗi lặp lại và thời gian chờ phụ tùng

Không nên tối ưu một chỉ số duy nhất.

Ví dụ, giảm số lần bảo trì có thể làm chi phí ngắn hạn thấp hơn nhưng tăng nguy cơ hư hỏng. Tăng mức sử dụng có thể cải thiện hiệu quả tài sản nhưng làm thiết bị hao mòn nhanh hơn nếu không điều chỉnh kế hoạch kỹ thuật.

Những sai lầm thường gặp

Dùng thuật ngữ AI cho một hệ thống cảnh báo cố định

Một hệ thống dựa trên ngưỡng vẫn có thể hữu ích. Cơ sở không nên trả thêm chi phí chỉ vì sản phẩm được gắn nhãn AI nếu chức năng thực tế không khác biệt.

Thu thập dữ liệu trước khi xác định mục tiêu

Nhiều dữ liệu không đồng nghĩa với nhiều giá trị. Dữ liệu cần gắn với một quyết định hoặc quy trình cụ thể.

Chỉ dùng tuổi thiết bị để dự báo

Tuổi là một yếu tố, nhưng tình trạng còn phụ thuộc mức sử dụng, môi trường, bảo trì, phụ tùng và lịch sử vận hành.

Không chuẩn hóa phiếu công việc

Dữ liệu sự cố không có cấu trúc khiến mô hình khó xác định nguyên nhân và kết quả xử lý.

Để nhà cung cấp giữ toàn bộ dữ liệu

Hợp đồng cần làm rõ:

- Dữ liệu thuộc quyền kiểm soát của ai.
- Bệnh viện có thể xuất dữ liệu không.
- Định dạng xuất.
- Thời gian lưu.
- Điều kiện sử dụng dữ liệu để huấn luyện mô hình.
- Cách xử lý khi kết thúc hợp đồng.

Không kiểm tra mô hình sau cập nhật

Thay đổi thuật toán, nguồn dữ liệu hoặc phần mềm thiết bị có thể ảnh hưởng kết quả. Mỗi cập nhật quan trọng cần được kiểm thử trước khi áp dụng rộng.

Tự động hóa quyết định quá sớm

Không nên để hệ thống tự động dừng thiết bị, đặt phụ tùng hoặc đóng phiếu công việc khi chưa có cơ chế kiểm soát và phê duyệt phù hợp.

Checklist đánh giá giải pháp AI quản lý thiết bị

Bài toán vận hành

- Đã xác định vấn đề cụ thể cần giải quyết.
- Có dữ liệu nền để so sánh.
- Nhóm thiết bị thí điểm đã được chọn.
- Đã xác định hành động sau mỗi loại cảnh báo.
- Có người chịu trách nhiệm chuyên môn.

Dữ liệu

- Danh mục thiết bị chính xác.
- Mã tài sản được thống nhất.
- Lịch sử bảo trì có cấu trúc.
- Có đủ dữ liệu về giai đoạn hoạt động bình thường và sự cố.
- Nguồn dữ liệu và quyền sử dụng được xác định.
- Có cơ chế kiểm tra chất lượng dữ liệu.

Mô hình AI

- Nhà cung cấp giải thích được dữ liệu đầu vào.
- Tiêu chí dự báo được mô tả rõ.
- Có dữ liệu kiểm thử độc lập.
- Có chỉ số cảnh báo giả và bỏ sót.
- Có thể điều chỉnh ngưỡng.
- Có quy trình đánh giá sau cập nhật.

Tích hợp

- Kết nối được với CMMS hoặc hệ thống công việc.
- Có nhật ký cảnh báo.
- Có cơ chế xử lý mất kết nối.
- Không làm gián đoạn hệ thống thiết bị.
- Có thể xuất dữ liệu.
- Phân quyền người dùng rõ ràng.

Vận hành và vòng đời

- Kỹ sư được đào tạo.
- Có quy trình xác nhận cảnh báo.
- Có kế hoạch duy trì khi nhà cung cấp ngừng hỗ trợ.
- Chi phí bản quyền và lưu trữ được làm rõ.
- Có môi trường kiểm thử.
- Có phương án tạm dừng AI và quay về quy trình cũ.

Câu hỏi thường gặp

Bảo trì dự đoán có thay thế bảo trì định kỳ không?

Không hoàn toàn. Một số công việc vẫn phải thực hiện theo hướng dẫn của nhà sản xuất, quy trình nội bộ, yêu cầu kiểm định, hiệu chuẩn hoặc quy định hiện hành.

Thiết bị nào phù hợp để thí điểm bảo trì dự đoán?

Nên ưu tiên nhóm thiết bị có số lượng đủ lớn, dữ liệu vận hành tương đối đầy đủ, lỗi lặp lại và tác động vận hành rõ ràng. Không nhất thiết bắt đầu từ thiết bị đắt nhất.

Bệnh viện chưa có CMMS có thể triển khai AI không?

Có thể thực hiện một thử nghiệm nhỏ, nhưng khó mở rộng bền vững. CMMS giúp chuẩn hóa danh mục, lịch sử và phiếu công việc mà mô hình AI cần sử dụng.

AI có tự động xác định chính xác nguyên nhân hư hỏng không?

Không phải lúc nào cũng vậy. Hệ thống có thể nhận diện mẫu hình hoặc đề xuất nguyên nhân có khả năng cao, nhưng kỹ sư vẫn cần kiểm tra thực tế.

Thiết bị cũ có thể kết nối với hệ thống AI không?

Tùy thiết bị. Một số máy có thể kết nối qua gateway, phần mềm hãng hoặc cảm biến bổ sung. Với thiết bị không có dữ liệu điện tử, hệ thống vẫn có thể phân tích lịch sử bảo trì được nhập vào CMMS.

AI có giúp giảm chi phí bảo trì không?

AI có thể hỗ trợ sử dụng nguồn lực và phụ tùng hiệu quả hơn, nhưng không bảo đảm chi phí sẽ giảm trong mọi trường hợp. Hiệu quả phụ thuộc chất lượng dữ liệu, loại thiết bị, quy trình và chi phí triển khai.

Nội dung bài viết mang tính chất thông tin tham khảo. Việc sử dụng AI, kết nối thiết bị và thay đổi chương trình bảo trì cần được đánh giá bởi nhân sự có chuyên môn, tuân thủ hướng dẫn của nhà sản xuất, quy trình an toàn và quy định hiện hành tại thời điểm triển khai.

AI trong quản lý thiết bị y tế: Đánh giá khả năng ứng dụng thực tế tại PHARMEDI & HEALTHCARE VIETNAM 2026

AI đang mở rộng từ các ứng dụng hỗ trợ chuyên môn sang những bài toán vận hành bệnh viện như phát hiện bất thường, phân tích mức độ khai thác tài sản, hỗ trợ lập kế hoạch bảo trì và dự báo nguy cơ hư hỏng thiết bị. Tuy nhiên, giá trị của công nghệ không nằm ở việc một hệ thống được gắn nhãn “AI”, mà ở khả năng sử dụng dữ liệu thực tế để hỗ trợ những quyết định kỹ thuật có thể kiểm chứng.

Đây cũng là góc nhìn đáng chú ý khi các bệnh viện bắt đầu quan tâm đến bảo trì dự đoán. Một mô hình AI có thể đưa ra điểm rủi ro hoặc cảnh báo sớm, nhưng nếu danh mục thiết bị chưa được chuẩn hóa, lịch sử sửa chữa thiếu cấu trúc hoặc dữ liệu vận hành không ổn định, kết quả phân tích rất khó trở thành căn cứ đáng tin cậy cho bộ phận kỹ thuật.

Trong khuôn khổ PHARMEDI & HEALTHCARE VIETNAM 2026, Chuỗi Hội thảo Quốc tế về Đầu tư và Đổi mới trong ngành Chăm sóc Sức khỏe dành một phiên riêng vào ngày 22/09/2026 cho chủ đề “Trí tuệ nhân tạo trong chăm sóc sức khỏe: Sự thổi phồng, thực tế & ứng dụng trong khu vực ASEAN”. Phiên thảo luận diễn ra từ 14:30–15:15, nằm trong ngày hội thảo tập trung vào tăng trưởng, đầu tư, công nghệ y tế và đổi mới của ngành chăm sóc sức khỏe.

Với lãnh đạo bệnh viện, kỹ sư thiết bị y tế, bộ phận CNTT và các đơn vị đang cân nhắc triển khai AI, chủ đề này có thể cung cấp thêm một góc nhìn cần thiết: phân biệt giữa tiềm năng công nghệ với những ứng dụng thực sự có khả năng tạo giá trị trong môi trường y tế.

Khi tiếp cận các giải pháp AI, IoT, CMMS hoặc nền tảng quản lý thiết bị tại PHARMEDI VIETNAM 2026, đơn vị có thể tập trung trao đổi với nhà cung cấp về:

- Hệ thống sử dụng những nguồn dữ liệu nào để phân tích trạng thái thiết bị?
- AI thực sự được sử dụng ở bước nào và phần nào chỉ dựa trên quy tắc hoặc ngưỡng cảnh báo?
- Thiết bị cũ có thể kết nối qua gateway hoặc nguồn dữ liệu trung gian hay không?
- Hệ thống có tích hợp với CMMS để tạo và theo dõi phiếu công việc không?
- Mô hình phát hiện bất thường hoặc dự báo hư hỏng được kiểm thử trên nhóm thiết bị nào?
- Tỷ lệ cảnh báo đúng, cảnh báo giả và bỏ sót được đo lường như thế nào?
- Bệnh viện có thể điều chỉnh ngưỡng cảnh báo theo mức độ quan trọng của từng nhóm thiết bị hay không?
- Khi AI đưa ra cảnh báo, kỹ sư có thể truy xuất dữ liệu hoặc lý do dẫn đến khuyến nghị đó không?
- Dữ liệu thiết bị thuộc quyền kiểm soát của ai và bệnh viện có thể xuất toàn bộ dữ liệu khi thay đổi nhà cung cấp không?
- Mô hình được cập nhật như thế nào và bệnh viện có được thông báo khi thuật toán thay đổi không?
- Chi phí bản quyền, lưu trữ, gateway, kết nối và duy trì hệ thống được tính theo mô hình nào?
- Nếu AI hoặc nền tảng phân tích ngừng hoạt động, quy trình bảo trì hiện tại có thể tiếp tục độc lập hay không?

Những câu hỏi này giúp bệnh viện tránh đánh giá giải pháp chỉ dựa trên dashboard, thuật toán hoặc tuyên bố về khả năng “dự đoán lỗi”. Một hệ thống phù hợp cần được xem xét cùng với chất lượng dữ liệu, khả năng tích hợp, quy trình xác nhận cảnh báo và vai trò của kỹ sư trong quyết định cuối cùng.

Bên cạnh phiên hội thảo về AI, PHARMEDI VIETNAM 2026 còn là không gian kết nối các lĩnh vực bệnh viện thông minh, y tế số và công nghệ y tế. Chuỗi hội thảo năm 2026 cũng tập trung vào AI, quản lý bệnh viện, đầu tư và đổi mới trong hệ sinh thái chăm sóc sức khỏe. Điều này tạo điều kiện để các đơn vị vừa cập nhật góc nhìn chiến lược về AI, vừa trực tiếp tìm hiểu những giải pháp có thể tích hợp vào hạ tầng và quy trình vận hành hiện có.

Đối với quản lý thiết bị y tế, hướng triển khai phù hợp không nhất thiết phải bắt đầu bằng một dự án AI quy mô toàn bệnh viện. Cơ sở có thể lựa chọn một nhóm thiết bị, một loại sự cố hoặc một vấn đề vận hành cụ thể để thí điểm, tiếp tục duy trì quy trình kỹ thuật hiện tại và đo lường xem hệ thống có thực sự giúp phát hiện sớm rủi ro, giảm thời gian ngừng máy hoặc sử dụng nguồn lực hiệu quả hơn hay không.

Qua đó, PHARMEDI & HEALTHCARE VIETNAM 2026 mang đến cơ hội để bệnh viện nhìn AI dưới góc độ thực tế hơn: không phải công nghệ thay thế kỹ sư hay quy trình quản lý thiết bị, mà là một lớp phân tích có thể tạo thêm giá trị khi được xây dựng trên dữ liệu đủ tốt, hệ thống quản lý đủ trưởng thành và cơ chế ra quyết định đủ rõ ràng.

Thời gian: 22–24/09/2026

Địa điểm: Trung tâm Hội chợ và Triển lãm Sài Gòn (SECC), TP. Hồ Chí Minh.

Đăng ký gian hàng: https://pharmed.vn/exhibitor/application-form

Đăng ký tham quan: https://ers-vn.informa-info.com/pha2026?cid=FB

Liên hệ

Đặt gian hàng: [email protected] (Thanh Thuý)
Hỗ trợ truyền thông: [email protected] (Anita Pham)
Hỗ trợ tham quan: [email protected] (Ciel Le)

Tin liên quan

• Triển lãm thiết bị y tế 2021 và 5 lý do nhất định bạn phải tham gia
• Triển lãm Y tế quốc tế VN hội tụ nhiều kỹ thuật, công nghệ tiên tiến thế giới
• City to host int’l pharma, health expo (http://vietnamnews.vn/economy)
• Khám bệnh miễn phí tại Triển lãm Y tế Quốc tế lớn nhất ở Sài Gòn
• Bạn đã thật sự hiểu rõ chỉ thị 15, 16 và 19 của Chính Phủ chưa?