AI và IoT trong y tế thường được nhắc cùng nhau, nhưng hai công nghệ đảm nhiệm những vai trò khác nhau. IoT và IoMT tạo ra khả năng kết nối, thu thập và truyền dữ liệu từ thiết bị, trong khi AI có thể phân tích lượng dữ liệu đó để phát hiện mẫu hình, nhận diện bất thường, dự báo nhu cầu hoặc hỗ trợ ưu tiên hành động.

Trong bệnh viện, sự kết hợp này có thể xuất hiện ở nhiều khu vực: monitor theo dõi bệnh nhân, máy xét nghiệm, thiết bị chẩn đoán hình ảnh, bơm truyền, cảm biến môi trường, hệ thống định vị tài sản, thiết bị phục hồi chức năng hoặc nền tảng quản lý cơ sở vật chất.

Tuy nhiên, một thiết bị có kết nối mạng chưa tự động trở thành một hệ thống “thông minh”. Nếu dữ liệu không được định danh đúng, kết nối thường xuyên gián đoạn, cảnh báo không gắn với quy trình xử lý hoặc mô hình AI tạo quá nhiều cảnh báo giả, công nghệ có thể làm tăng khối lượng công việc thay vì giảm tải.

Trong hệ sinh thái y tế số, khả năng liên thông, chia sẻ dữ liệu và quản trị dữ liệu là những điều kiện quan trọng để AI và các hệ thống kết nối có thể tạo ra giá trị thực tế thay vì tồn tại dưới dạng những giải pháp riêng lẻ.

Tóm tắt nhanh

- IoT giúp thiết bị và cảm biến thu thập, truyền và trao đổi dữ liệu; AI giúp phân tích dữ liệu để hỗ trợ phát hiện, dự báo hoặc tối ưu.
- IoMT thường đề cập đến hệ sinh thái thiết bị y tế và công nghệ liên quan được kết nối trong môi trường chăm sóc sức khỏe.
- Một hệ thống AI + IoT thường gồm thiết bị, mạng hoặc gateway, nền tảng tích hợp, dữ liệu, lớp phân tích và quy trình hành động.
- Ứng dụng có thể gồm theo dõi thiết bị, ưu tiên cảnh báo, quản lý tài sản, bảo trì dự đoán, giám sát môi trường và phân tích hoạt động.
- Không phải mọi bài toán đều cần AI; nhiều trường hợp quy tắc hoặc ngưỡng kỹ thuật đơn giản có thể phù hợp hơn.
- Chất lượng dữ liệu, định danh, thời gian, khả năng liên thông và bảo mật ảnh hưởng trực tiếp đến giá trị của hệ thống.
- AI không nên mặc nhiên thay thế quyết định của nhân viên y tế hoặc kỹ sư khi chưa có cơ chế kiểm soát phù hợp.
- Dự án nên bắt đầu từ một vấn đề vận hành cụ thể, thí điểm trên phạm vi nhỏ và đo hiệu quả trước khi mở rộng.

AI, IoT và IoMT khác nhau như thế nào?

Ba thuật ngữ thường được sử dụng cùng nhau nhưng không hoàn toàn đồng nghĩa.

Khái niệm	Vai trò chính	Ví dụ trong bệnh viện
IoT	Kết nối thiết bị, cảm biến và hệ thống để trao đổi dữ liệu	Cảm biến nhiệt độ, định vị tài sản, giám sát môi trường
IoMT	Hệ sinh thái thiết bị y tế và công nghệ liên quan được kết nối	Monitor, máy xét nghiệm, bơm truyền, thiết bị hình ảnh có kết nối
AI	Phân tích dữ liệu để nhận diện mẫu hình, dự báo hoặc hỗ trợ quyết định	Phát hiện bất thường, dự báo lỗi, phân tích mức sử dụng

Không phải mọi thiết bị IoT trong bệnh viện đều là thiết bị y tế.

Ví dụ:

- Cảm biến nhiệt độ phòng máy chủ.
- Cảm biến cửa.
- Thiết bị đo điện năng.
- Hệ thống kiểm soát HVAC.

có thể thuộc hệ thống IoT của bệnh viện nhưng không nhất thiết được quản lý như thiết bị y tế.

Ngược lại, monitor, máy thở hoặc máy xét nghiệm có khả năng kết nối có thể tham gia vào hệ sinh thái IoMT khi dữ liệu của chúng được trao đổi với các hệ thống khác.

FDA ghi nhận thiết bị y tế ngày càng được kết nối với Internet, mạng bệnh viện và các thiết bị khác để trao đổi dữ liệu. Những khả năng này có thể hỗ trợ hoạt động chăm sóc nhưng đồng thời làm tăng các rủi ro cybersecurity cần được quản lý trong suốt vòng đời thiết bị.

Vì sao AI và IoT thường được triển khai cùng nhau?

IoT tạo ra dữ liệu.

AI có thể hỗ trợ tìm ý nghĩa trong dữ liệu.

Có thể hình dung:

Thiết bị → dữ liệu → kết nối → nền tảng → AI/phân tích → cảnh báo → con người xử lý

Nếu chỉ có IoT, bệnh viện có thể thu thập được lượng dữ liệu lớn nhưng nhân viên vẫn phải tự xác định dữ liệu nào đáng chú ý.

Nếu chỉ có AI nhưng không có nguồn dữ liệu đủ ổn định, mô hình sẽ thiếu đầu vào phù hợp để phân tích.

Giá trị chỉ xuất hiện khi hai phần được kết nối đúng với quy trình hành động thực tế.

Ví dụ, một cảm biến nhiệt độ gửi dữ liệu theo chu kỳ.

Hệ thống có thể:

1. Ghi nhận nhiệt độ.
2. So sánh với quy tắc vận hành.
3. Phát hiện xu hướng tăng bất thường.
4. Kết hợp với dữ liệu lịch sử khi cần.
5. Xác định mức độ cần kiểm tra.
6. Gửi cảnh báo đến đúng người phụ trách.
7. Tạo phiếu công việc khi phù hợp.
8. Ghi lại kết quả xử lý.

Nếu cảnh báo chỉ xuất hiện trên một dashboard nhưng không có người hoặc quy trình chịu trách nhiệm, hệ thống chưa hoàn thiện về mặt vận hành.

Một hệ thống AI + IoT trong bệnh viện thường hoạt động qua những lớp nào?

Có thể hình dung luồng dữ liệu qua sáu bước.

1. Thiết bị và cảm biến tạo dữ liệu

Nguồn dữ liệu có thể gồm:

- Monitor.
- Máy thở.
- Máy xét nghiệm.
- Thiết bị chẩn đoán hình ảnh.
- Bơm truyền.
- Cảm biến nhiệt độ.
- Cảm biến độ ẩm.
- Thiết bị định vị.
- Hệ thống quản lý tòa nhà.
- Log từ phần mềm hoặc thiết bị.

Mỗi nguồn có cấu trúc và tần suất dữ liệu khác nhau.

Gateway thường đóng vai trò tiếp nhận, tổng hợp, chuyển đổi hoặc truyền dữ liệu giữa thiết bị và hệ thống phía trên. Trong một số kiến trúc, gateway cũng có thể tạo log hoặc metadata phục vụ giám sát và vận hành, nhưng không nên mặc định xem gateway là nguồn đo chính tương tự cảm biến hoặc thiết bị y tế.

2. Dữ liệu được truyền qua mạng hoặc gateway

Thiết bị có thể sử dụng:

- Mạng có dây.
- Wi-Fi.
- Gateway.
- Nền tảng của nhà sản xuất.
- Kết nối nội bộ.
- Kết nối cloud khi phù hợp.

Ở bước này cần kiểm soát:

- Định danh thiết bị.
- Xác thực.
- Độ ổn định kết nối.
- Mã hóa khi phù hợp.
- Quản lý thông tin xác thực.
- Cách xử lý khi mất mạng.

NIST nhấn mạnh rằng khi tổ chức mua và triển khai sản phẩm IoT, cần xem xét cách thiết bị sẽ tích hợp vào hệ thống cũng như các yêu cầu cybersecurity mà thiết bị và nhà cung cấp phải đáp ứng.

3. Dữ liệu được chuẩn hóa và gắn ngữ cảnh

Một giá trị riêng lẻ thường chưa đủ ý nghĩa.

Hệ thống có thể cần biết:

- Dữ liệu đến từ thiết bị nào?
- Model nào?
- Thiết bị nằm ở đâu?
- Thuộc khoa nào?
- Có đang liên kết với người bệnh nào không?
- Thời điểm ghi nhận?
- Đơn vị đo?
- Trạng thái thiết bị?

Nếu một monitor chuyển từ giường này sang giường khác nhưng hệ thống chưa cập nhật liên kết, dữ liệu có thể đúng về mặt kỹ thuật nhưng được gắn sai ngữ cảnh.

4. Dữ liệu được lưu và tích hợp

Tùy mục đích, dữ liệu có thể được chuyển đến:

- HIS/EMR.
- LIS.
- RIS/PACS.
- CMMS.
- Nền tảng IoT.
- Kho dữ liệu.
- Hệ thống quản lý tài sản.
- Hệ thống quản lý tòa nhà.

Không phải mọi dữ liệu đều cần đi vào cùng một hệ thống.

Dữ liệu lâm sàng, dữ liệu kỹ thuật và dữ liệu môi trường có thể phục vụ những mục đích khác nhau.

5. AI hoặc công cụ phân tích xử lý dữ liệu

Các phương pháp có thể gồm:

- Quy tắc.
- Ngưỡng.
- Phân tích xu hướng.
- Phát hiện bất thường.
- Phân loại.
- Dự báo chuỗi thời gian.
- Chấm điểm rủi ro.
- Tối ưu hóa.
- Machine learning khi phù hợp.

Một điểm quan trọng là không phải bài toán nào cũng cần AI.

Nếu một giới hạn kỹ thuật đã được xác định rõ, cảnh báo dựa trên quy tắc có thể dễ kiểm soát và giải thích hơn một mô hình phức tạp.

6. Kết quả được chuyển thành hành động

Kết quả có thể dẫn đến:

- Cảnh báo.
- Phiếu công việc.
- Điều chỉnh ưu tiên.
- Yêu cầu kiểm tra.
- Điều chuyển thiết bị.
- Kiểm tra môi trường.
- Chuẩn bị phụ tùng.
- Liên hệ nhà cung cấp.

Đây là bước quyết định công nghệ có thực sự tạo ra giá trị vận hành hay không.

1. Theo dõi thiết bị và trạng thái vận hành

Một trong những ứng dụng trực tiếp nhất của IoT là giúp bệnh viện biết trạng thái của thiết bị.

Hệ thống có thể ghi nhận:

- Thiết bị đang bật hay tắt.
- Đang hoạt động hay nhàn rỗi.
- Có kết nối mạng hay không.
- Mức pin.
- Số giờ hoạt động.
- Trạng thái cảnh báo.
- Phiên bản phần mềm.
- Vị trí hiện tại khi có hệ thống định vị phù hợp.

Thông tin này đặc biệt hữu ích với những nhóm thiết bị được chia sẻ giữa nhiều khoa.

Ví dụ, thay vì gọi nhiều khoa để tìm monitor hoặc bơm truyền, bộ phận vận hành có thể sử dụng hệ thống định vị và trạng thái để xác định:

- Thiết bị đang ở đâu.
- Có đang được sử dụng không.
- Có chờ vệ sinh không.
- Có đang bảo trì không.
- Có sẵn để cấp phát không.

AI có thể bổ sung bằng cách phân tích lịch sử để nhận diện những thời điểm thường thiếu thiết bị hoặc dự báo nhu cầu theo khu vực.

Tuy nhiên, dữ liệu vị trí không nên được xem là hoàn toàn chính xác nếu hệ thống chưa được kiểm thử trong điều kiện thực tế.

2. Hỗ trợ quản lý cảnh báo

Thiết bị kết nối có thể tạo ra số lượng cảnh báo lớn.

Nếu tất cả được đưa lên một dashboard với mức ưu tiên giống nhau, nhân viên có thể gặp tình trạng quá tải cảnh báo.

AI và phân tích dữ liệu có thể hỗ trợ:

- Nhóm các cảnh báo liên quan.
- Loại bỏ sự kiện trùng.
- Xác định cảnh báo lặp lại.
- Xếp hạng theo mức độ ưu tiên đã định nghĩa.
- Phát hiện thay đổi bất thường so với trạng thái nền.
- Chuyển cảnh báo đến đúng nhóm xử lý.

Ví dụ, một thiết bị mất kết nối trong vài giây có thể khác với một thiết bị liên tục mất mạng nhiều lần trong một ca.

Điểm quan trọng là AI chỉ nên hỗ trợ phân loại và ưu tiên khi phù hợp, không mặc nhiên thay đổi mức độ an toàn hoặc mức độ ưu tiên chuyên môn của một cảnh báo khi chưa có cơ chế được đánh giá và phê duyệt.

3. Phân tích mức độ sử dụng thiết bị

Bệnh viện có thể gặp đồng thời hai tình trạng:

- Khoa A thiếu thiết bị.
- Khoa B có thiết bị tương tự nhưng ít được sử dụng.

Dữ liệu IoT và hệ thống quản lý tài sản có thể hỗ trợ theo dõi:

- Thời gian sử dụng.
- Thời gian nhàn rỗi.
- Tần suất di chuyển.
- Số chu kỳ.
- Khung giờ cao điểm.
- Nhu cầu theo khoa.
- Thiết bị thường xuyên được giữ tại một khu vực nhưng ít hoạt động.

AI có thể phân tích các mẫu này để hỗ trợ:

- Phân bổ thiết bị.
- Lập kế hoạch mua mới.
- Xác định nhu cầu thuê.
- Thiết kế kho thiết bị dùng chung.
- Dự báo nhu cầu vào từng thời điểm.

Tuy nhiên, mức sử dụng thấp không đồng nghĩa thiết bị dư thừa.

Một số thiết bị phải luôn sẵn sàng cho cấp cứu hoặc những tình huống ít xảy ra nhưng có mức độ quan trọng cao.

4. Bảo trì dự đoán

Đây là một trong những ứng dụng thường được nhắc đến khi nói về AI + IoT.

Thiết bị có thể cung cấp:

- Log.
- Nhiệt độ.
- Điện áp.
- Số chu kỳ.
- Số giờ hoạt động.
- Mã cảnh báo.
- Mức pin.
- Trạng thái linh kiện.
- Lịch sử khởi động lại.

Khi kết hợp với dữ liệu CMMS như:

- Lịch sử sửa chữa.
- Phụ tùng.
- Thời gian ngừng.
- Model.
- Tuổi thiết bị.
- Kết quả bảo trì.

mô hình có thể hỗ trợ nhận diện nguy cơ hoặc xu hướng suy giảm.

Ví dụ, hệ thống có thể nhận thấy:

- Một cảnh báo thường xuất hiện trước một loại lỗi.
- Pin của một nhóm thiết bị suy giảm nhanh hơn bình thường.
- Một model thường gặp lỗi sau một số chu kỳ nhất định.
- Một thiết bị bắt đầu cần khởi động lại thường xuyên hơn.

Tuy nhiên, bảo trì dự đoán không thay thế các công việc bảo trì, kiểm định hoặc hiệu chuẩn phải thực hiện theo hướng dẫn, yêu cầu chuyên môn hoặc quy định áp dụng.

Trong bài toán AI + IoT, bảo trì dự đoán nên được xem là một ứng dụng của dữ liệu kết nối, không phải chức năng mặc định của mọi thiết bị thông minh.

5. Giám sát môi trường và điều kiện kỹ thuật

IoT trong bệnh viện không chỉ liên quan đến thiết bị y tế.

Cảm biến có thể được sử dụng để theo dõi:

- Nhiệt độ.
- Độ ẩm.
- Một số điều kiện môi trường.
- Tình trạng nguồn điện.
- Áp suất tại khu vực phù hợp.
- Hoạt động của HVAC.
- Điều kiện kho.
- Điều kiện tủ lạnh hoặc tủ đông.

Dữ liệu này có thể hỗ trợ các khu vực như:

- Xét nghiệm.
- Kho.
- Phòng máy chủ.
- Một số khu vực cần kiểm soát môi trường.
- Khu vực lưu trữ vật tư phù hợp.

AI có thể hỗ trợ phân tích xu hướng.

Ví dụ, thay vì chỉ chờ nhiệt độ vượt ngưỡng, hệ thống có thể nhận diện nhiệt độ đang tăng dần theo một xu hướng bất thường.

Tuy nhiên, khi đã có giới hạn kỹ thuật hoặc giới hạn kiểm soát rõ ràng, cảnh báo theo ngưỡng vẫn cần được duy trì phù hợp. AI không nên thay thế một cơ chế an toàn đơn giản chỉ vì sản phẩm có khả năng phân tích nâng cao.

6. Tối ưu luồng xét nghiệm

Máy xét nghiệm và hệ thống tự động có thể tạo ra dữ liệu về:

- Khối lượng mẫu.
- Thời gian xử lý.
- Cảnh báo.
- Tình trạng thuốc thử.
- Thời gian máy dừng.
- Số lần chạy lại.
- Hàng đợi.

Khi dữ liệu từ nhiều thiết bị được tập hợp, cơ sở có thể đánh giá:

- Thiết bị nào đang quá tải.
- Công đoạn nào tạo điểm nghẽn.
- Thời điểm nào có lượng mẫu cao.
- Máy nào có tỷ lệ dừng cao.
- Có cần xem xét điều phối mẫu sang hệ thống khác hay không.

AI có thể hỗ trợ dự báo khối lượng hoặc phát hiện mẫu vận hành bất thường.

Tuy nhiên, bài toán này liên quan đến vận hành phòng xét nghiệm, không nên được sử dụng để suy diễn rằng một hệ thống phân tích vận hành có thể tự diễn giải kết quả xét nghiệm hoặc đưa ra chẩn đoán nếu sản phẩm không được thiết kế và đánh giá cho mục đích đó.

7. Phân tích hoạt động của hệ thống chẩn đoán hình ảnh

CT, MRI, X-quang và các hệ thống hình ảnh có thể tạo dữ liệu không chỉ về hình ảnh mà còn về hoạt động kỹ thuật.

Các dữ liệu vận hành có thể giúp theo dõi:

- Số ca.
- Thời gian sử dụng.
- Thời gian thiết bị nhàn rỗi.
- Thời gian khởi động.
- Lỗi.
- Thời gian gián đoạn.
- Khối lượng dữ liệu gửi PACS.

Khi kết hợp với RIS hoặc dữ liệu lịch, cơ sở có thể phân tích:

- Khung giờ cao điểm.
- Tình trạng chậm lịch.
- Khả năng khai thác thiết bị.
- Điểm nghẽn giữa các công đoạn.

AI có thể hỗ trợ dự báo nhu cầu hoặc phát hiện bất thường trong vận hành, nhưng không nên đánh đồng chức năng này với AI phân tích hình ảnh hỗ trợ chẩn đoán.

8. Quản lý cơ sở vật chất và năng lượng

Một bệnh viện có nhiều hệ thống kỹ thuật ngoài thiết bị y tế:

- HVAC.
- Điện.
- Máy phát.
- UPS.
- Hệ thống nước.
- Thang máy.
- Chiếu sáng.
- Phòng máy chủ.

IoT có thể cung cấp dữ liệu trạng thái.

AI hoặc các công cụ phân tích có thể hỗ trợ:

- Phát hiện mức tiêu thụ bất thường.
- Dự báo nhu cầu.
- Phát hiện thiết bị cơ điện hoạt động khác thường.
- Ưu tiên bảo trì.
- So sánh hiệu suất giữa các khu vực.

Đây là ví dụ cho thấy “AI trong y tế” không nhất thiết luôn liên quan trực tiếp đến một quyết định lâm sàng.

Một phần giá trị có thể nằm ở cách bệnh viện vận hành hạ tầng ổn định và hiệu quả hơn.

9. Theo dõi từ xa và mở rộng chăm sóc ra ngoài bệnh viện

Các thiết bị kết nối cũng có thể truyền dữ liệu từ môi trường ngoài bệnh viện khi mô hình dịch vụ phù hợp.

Có thể gồm:

- Thiết bị theo dõi từ xa.
- Wearable.
- Một số thiết bị điều trị có kết nối.
- Nền tảng telehealth.
- Thiết bị trong mô hình chăm sóc tại nhà.

Điều này làm thay đổi ranh giới hệ thống mà bệnh viện cần quản lý.

Cơ sở cần làm rõ:

- Thiết bị thuộc quyền quản lý của ai?
- Hạ tầng mạng ngoài bệnh viện ảnh hưởng như thế nào?
- Dữ liệu được gửi ở đâu?
- Nếu kết nối gián đoạn thì sao?
- Ai theo dõi cảnh báo?
- Thiết bị được cập nhật bằng cách nào?

Các thiết bị kết nối ngoài bệnh viện có thể tạo ra thêm những vấn đề về cybersecurity, quyền riêng tư và khả năng vận hành vì một phần môi trường nằm ngoài phạm vi kiểm soát trực tiếp của cơ sở.

AI thực sự làm gì với dữ liệu IoT?

Không phải mọi tính năng “thông minh” đều giống nhau.

Có thể chia thành năm nhóm.

Phát hiện bất thường

Mục tiêu là xác định khi một thiết bị hoặc quá trình khác với trạng thái thông thường.

Ví dụ:

- Nhiệt độ tăng bất thường.
- Tần suất lỗi tăng.
- Thiết bị mất kết nối thường xuyên.
- Mức pin suy giảm nhanh.

Phân loại

Hệ thống có thể hỗ trợ nhóm:

- Loại lỗi.
- Nhóm cảnh báo.
- Loại sự kiện.
- Mức ưu tiên.

Dự báo

Có thể hỗ trợ dự báo:

- Nguy cơ lỗi.
- Nhu cầu thiết bị.
- Khối lượng công việc.
- Nhu cầu phụ tùng.

Tối ưu hóa

Ví dụ:

- Xếp lịch.
- Điều phối thiết bị.
- Phân bổ nguồn lực.
- Lựa chọn thời điểm bảo trì.

Xử lý dữ liệu không cấu trúc

AI có thể hỗ trợ tìm kiếm trong:

- Phiếu công việc.
- Ghi chú kỹ thuật.
- Log.
- Tài liệu.
- Lịch sử sửa chữa.

Tuy nhiên, mỗi chức năng cần được đánh giá riêng. Không nên sử dụng một cụm “AI” chung để mô tả mọi hình thức phân tích hoặc tự động hóa.

Khi nào không cần AI?

Một lỗi phổ biến là cho rằng mọi dự án IoT đều cần thêm machine learning.

Có nhiều trường hợp giải pháp đơn giản hơn có thể phù hợp.

Ngưỡng rõ ràng

Ví dụ một thông số kỹ thuật có giới hạn xác định.

→ Cảnh báo theo quy tắc có thể phù hợp.

Logic nghiệp vụ rõ

Ví dụ thiết bị quá hạn bảo trì.

→ CMMS có thể tự cảnh báo.

Tình trạng đơn giản

Ví dụ thiết bị mất kết nối.

→ Công cụ giám sát mạng có thể đủ.

AI có thể hữu ích hơn khi:

- Có nhiều biến số.
- Quan hệ khó mô tả bằng quy tắc đơn giản.
- Có dữ liệu lịch sử phù hợp.
- Cần tìm mẫu hình.
- Có mục tiêu dự báo rõ ràng.

Một hệ thống đơn giản, dễ kiểm soát và tạo giá trị thực tế có thể phù hợp hơn một mô hình AI phức tạp nhưng khó giải thích.

Chất lượng dữ liệu quyết định chất lượng của AI

Một dự án AI + IoT có thể gặp vấn đề ngay từ dữ liệu.

Các lỗi thường gặp gồm:

- Thiết bị trùng mã.
- Đồng hồ thiết bị không đồng bộ.
- Thiếu dữ liệu.
- Dữ liệu mất khi mạng gián đoạn.
- Đơn vị đo khác nhau.
- Các model sử dụng mã lỗi khác nhau.
- Phiếu công việc thiếu nguyên nhân.
- Thiết bị chuyển khoa nhưng hệ thống không cập nhật.
- Dữ liệu sau bảo trì không được ghi nhận.

Ví dụ, cùng một lỗi mất kết nối có thể được ghi:

- Network offline.
- Communication error.
- Connection lost.
- Error 305.
- Không kết nối.

Nếu không chuẩn hóa, hệ thống phân tích có thể xem đây là nhiều loại sự cố khác nhau.

Đồng bộ thời gian là một chi tiết nhỏ nhưng quan trọng

Trong hệ thống kết nối, thời gian cũng là dữ liệu.

Nếu:

- Monitor ghi 10:05.
- Gateway ghi 10:03.
- Server ghi 10:07.

thì việc xác định thứ tự sự kiện có thể trở nên khó khăn.

Điều này ảnh hưởng đến:

- Phân tích sự cố.
- Ghép dữ liệu.
- Nhật ký.
- Cảnh báo.
- Audit.

Bệnh viện cần có cơ chế quản lý thời gian phù hợp cho các hệ thống quan trọng.

Interoperability quan trọng hơn việc thiết bị chỉ “có kết nối”

Một thiết bị có Ethernet hoặc Wi-Fi chưa nói lên khả năng tích hợp thực tế.

Cần xác định:

- Thiết bị có thể trao đổi dữ liệu với hệ thống nào?
- Dữ liệu có định dạng gì?
- Giao diện có được tài liệu hóa không?
- Có cần phần mềm riêng?
- Có cần gateway?
- Có phải mua thêm bản quyền?
- Dữ liệu đi một chiều hay hai chiều?
- Có thể xuất dữ liệu khi thay nhà cung cấp không?

Khả năng liên thông và dữ liệu đáng tin cậy là nền tảng quan trọng trước khi cơ sở mở rộng sang các ứng dụng AI phức tạp hơn.

Xử lý tại thiết bị, edge hay cloud?

Dữ liệu IoT có thể được xử lý ở nhiều vị trí.

Xử lý tại thiết bị

Có thể phù hợp khi:

- Cần phản hồi nhanh.
- Không muốn phụ thuộc hoàn toàn vào mạng.
- Chức năng được tích hợp trực tiếp trong thiết bị.

Xử lý tại gateway hoặc edge

Có thể giúp:

- Gom dữ liệu.
- Chuẩn hóa.
- Lọc sự kiện.
- Giảm lưu lượng.
- Duy trì một số chức năng khi kết nối ngoài bị gián đoạn.

Xử lý tại server hoặc cloud

Có thể thuận lợi cho:

- Phân tích nhiều thiết bị.
- Lưu trữ.
- Quản lý tập trung.
- Cập nhật một số mô hình.

Không có một mô hình phù hợp cho mọi trường hợp.

Cơ sở cần đánh giá:

- Độ trễ.
- Băng thông.
- Quyền kiểm soát dữ liệu.
- Khả năng hoạt động khi mất mạng.
- Chi phí.
- Bảo mật.
- Kiến trúc của nhà cung cấp.

An ninh mạng không thể tách khỏi AI và IoT

Thiết bị kết nối làm tăng số thành phần tham gia vào mạng bệnh viện.

Rủi ro có thể liên quan đến:

- Mật khẩu mặc định.
- Tài khoản dùng chung.
- Thiết bị không còn được cập nhật.
- Truy cập từ xa.
- Port hoặc dịch vụ không cần thiết.
- Phiên bản phần mềm cũ.
- Cơ chế xác thực không phù hợp.
- Thiết bị không được kiểm kê.
- Kết nối cloud không được quản lý.

FDA lưu ý thiết bị y tế kết nối Internet, mạng bệnh viện hoặc thiết bị khác mang lại các chức năng mới nhưng cũng làm tăng nguy cơ cybersecurity; việc giảm rủi ro cần sự phối hợp giữa nhà sản xuất, bệnh viện và các bên liên quan.

Các sự cố cụ thể cũng cho thấy đây không phải rủi ro mang tính lý thuyết. Năm 2025, FDA đã cảnh báo về các lỗ hổng cybersecurity trên một số monitor bệnh nhân có kết nối Internet, bao gồm nguy cơ truy cập trái phép và ảnh hưởng đến dữ liệu hoặc chức năng thiết bị.

Bệnh viện nên kiểm tra gì trước khi kết nối một thiết bị?

Có thể rà soát:

- Thiết bị có mã định danh duy nhất không?
- Có tài khoản mặc định không?
- Có thể thay đổi thông tin xác thực không?
- Có cơ chế cập nhật firmware không?
- Nhà sản xuất hỗ trợ trong bao lâu?
- Thiết bị cần giao tiếp với những hệ thống nào?
- Thiết bị có thực sự cần Internet không?
- Port hoặc dịch vụ nào cần sử dụng?
- Có truy cập từ xa không?
- Ai được quyền truy cập?
- Có nhật ký không?
- Có thể bố trí thiết bị trong vùng mạng phù hợp không?

Không nên kết nối thiết bị vào mạng trước rồi mới tìm hiểu các yêu cầu tích hợp và an toàn của nó.

NIST cũng xem việc tích hợp sản phẩm IoT vào hệ thống là một thay đổi có thể ảnh hưởng đến đánh giá rủi ro của toàn hệ thống, vì vậy yêu cầu an ninh cần được xem xét ngay từ quá trình acquisition và implementation.

AI có thể sai theo những cách nào?

Cảnh báo giả

Hệ thống phát hiện vấn đề nhưng kiểm tra thực tế không thấy bất thường.

Hậu quả có thể gồm:

- Tăng khối lượng công việc.
- Kiểm tra không cần thiết.
- Giảm niềm tin của người dùng.

Bỏ sót

Sự cố xảy ra nhưng hệ thống không cảnh báo.

Vì vậy, AI không nên mặc nhiên là cơ chế kiểm soát duy nhất trong những tình huống vẫn cần các lớp an toàn khác.

Mô hình không phù hợp với môi trường

Mô hình có thể được phát triển bằng dữ liệu từ:

- Model khác.
- Bệnh viện khác.
- Môi trường khác.
- Tần suất sử dụng khác.

Hiệu quả tại cơ sở mới có thể thay đổi.

Suy giảm theo thời gian

Dữ liệu có thể thay đổi khi:

- Cập nhật firmware.
- Thay linh kiện.
- Thay quy trình.
- Chuyển vị trí.
- Thay nhóm người sử dụng.

Mô hình cần được theo dõi sau khi triển khai.

AI không thay thế người chịu trách nhiệm

Một cảnh báo AI cần gắn với các câu hỏi:

- Ai nhận cảnh báo?
- Ai xác nhận?
- Trong bao lâu?
- Hành động tiếp theo là gì?
- Ai được quyền đóng cảnh báo?
- Kết quả được ghi ở đâu?

Nếu hệ thống tạo ra hàng trăm cảnh báo nhưng không có quy trình xử lý, bệnh viện chỉ tạo thêm một nguồn thông tin phải theo dõi.

Cách tiếp cận phù hợp thường là sử dụng AI trong một hệ thống có governance, trách nhiệm con người và cơ chế đánh giá hiệu quả rõ ràng, thay vì mặc định tự động hóa toàn bộ quyết định.

Lộ trình triển khai AI và IoT trong bệnh viện

Bước 1: Chọn một vấn đề cụ thể

Không nên bắt đầu bằng:

“Triển khai IoT toàn bệnh viện.”

Có thể bắt đầu bằng:

- Mất nhiều thời gian để tìm thiết bị.
- Một nhóm máy thường hỏng ngoài kế hoạch.
- Nhiệt độ một khu vực cần được giám sát.
- Bệnh viện cần biết mức sử dụng của thiết bị dùng chung.
- Một hệ thống đang tạo quá nhiều cảnh báo.

Bước 2: Xác định hành động cần hỗ trợ

Hãy hỏi:

Nếu hệ thống phát hiện điều này, nhân viên sẽ làm gì?

Nếu chưa có câu trả lời, chưa nên vội xây dựng mô hình AI.

Bước 3: Kiểm tra dữ liệu hiện có

Xác định:

- Có dữ liệu không?
- Dữ liệu kéo dài trong bao lâu?
- Có đủ các trường hợp bất thường không?
- Có mã thiết bị thống nhất không?
- Timestamp có đủ tin cậy không?
- Có thể xuất dữ liệu không?

Bước 4: Thiết kế kiến trúc kết nối

Xác định:

- Thiết bị.
- Gateway.
- Mạng.
- Server hoặc cloud.
- API.
- Hệ thống đích.
- Người dùng.

Bước 5: Thiết lập dữ liệu nền

Trước khi triển khai cần biết:

- Hiện tại mất bao lâu để xử lý?
- Có bao nhiêu sự cố?
- Bao nhiêu giờ thiết bị hoặc hệ thống gián đoạn?
- Có bao nhiêu cảnh báo?
- Tỷ lệ sử dụng hiện tại là bao nhiêu?

Không có dữ liệu nền sẽ khó chứng minh hiệu quả sau triển khai.

Bước 6: Thí điểm trên phạm vi nhỏ

Chọn:

- Một nhóm thiết bị.
- Một khoa.
- Một loại cảnh báo.
- Một bài toán cụ thể.

Trong giai đoạn thí điểm, nên duy trì cơ chế đối chứng, giám sát thủ công hoặc phương án quay lại quy trình hiện tại khi phù hợp, thay vì phụ thuộc hoàn toàn vào hệ thống mới ngay từ đầu.

Không nhất thiết phải vận hành hai quy trình hoàn chỉnh song song nếu điều đó dẫn đến:

- Nhập liệu hai lần.
- Dữ liệu không nhất quán.
- Tăng khối lượng công việc.
- Người dùng không biết hệ thống nào là nguồn chính.

Mục tiêu là có khả năng kiểm chứng kết quả và quay lại cách vận hành an toàn khi cần, chứ không phải nhân đôi toàn bộ workflow.

Bước 7: Đánh giá

Có thể đo:

- Cảnh báo đúng.
- Cảnh báo giả.
- Bỏ sót.
- Thời gian phát hiện.
- Thời gian xử lý.
- Khối lượng công việc.
- Mức độ chấp nhận của nhân viên.

Bước 8: Mở rộng có kiểm soát

Chỉ mở rộng khi:

- Dữ liệu ổn định.
- Kết nối đủ tin cậy.
- Hiệu quả đủ rõ.
- Có người chịu trách nhiệm.
- Có ngân sách vận hành.
- Có kế hoạch hỗ trợ dài hạn.

Checklist đánh giá giải pháp AI + IoT

Thiết bị và kết nối

- Hỗ trợ những model nào?
- Cần gateway không?
- Giao thức nào được sử dụng?
- Có kết nối hai chiều không?
- Có chế độ offline không?
- Có thể xuất dữ liệu không?

Dữ liệu

- Dữ liệu thuộc quyền kiểm soát của ai?
- Được lưu ở đâu?
- Thời gian lưu?
- Có thể xuất bằng định dạng nào?
- Có sử dụng dữ liệu để huấn luyện mô hình không?
- Có cơ chế kiểm tra chất lượng dữ liệu không?

AI

- AI giải quyết vấn đề gì?
- Dữ liệu huấn luyện từ đâu?
- Có dữ liệu kiểm thử không?
- Tỷ lệ cảnh báo giả được đo như thế nào?
- Tỷ lệ bỏ sót được đo như thế nào?
- Có thể điều chỉnh ngưỡng không?
- Có thể truy xuất lý do hoặc dữ liệu liên quan đến cảnh báo không?

Tích hợp

- Kết nối HIS, EMR hoặc CMMS bằng cách nào?
- API có nằm trong phạm vi cung cấp không?
- Ai chịu trách nhiệm tích hợp?
- Có môi trường kiểm thử không?
- Có nhật ký giao dịch không?

Cybersecurity

- Thiết bị được xác thực như thế nào?
- Có cơ chế cập nhật bảo mật không?
- Có truy cập từ xa không?
- Nhà cung cấp quản lý các thành phần phần mềm phụ thuộc ra sao?
- Khi phát hiện lỗ hổng, quy trình xử lý như thế nào?

Vận hành

- Ai nhận cảnh báo?
- Có SLA hỗ trợ không?
- Ai đào tạo người dùng?
- Hệ thống hoạt động như thế nào khi mất mạng?
- Có thể vô hiệu hóa chức năng AI và quay lại phương án vận hành phù hợp không?

Chi phí vòng đời

Cần làm rõ các chi phí như:

- License.
- Gateway.
- Cloud.
- Lưu trữ.
- Tích hợp.
- Bảo trì.
- Nâng cấp.
- Kết nối thêm thiết bị.
- Hỗ trợ kỹ thuật.

Các chỉ số nên theo dõi

Nhóm	Ví dụ chỉ số
Kết nối	Tỷ lệ thiết bị online, số lần mất kết nối
Cảnh báo	Số cảnh báo, tỷ lệ cảnh báo giả
Thiết bị	Mức sử dụng, thời gian ngừng, lỗi lặp lại
Bảo trì	Thời gian phản hồi, tỷ lệ bảo trì đúng hạn
Vận hành	Thời gian tìm thiết bị, thời gian xử lý
Dữ liệu	Tỷ lệ dữ liệu thiếu, lỗi định danh
Hệ thống	Độ sẵn sàng, thời gian phục hồi
Người dùng	Mức sử dụng, phản hồi, số thao tác thủ công

Không nên chỉ đo số lượng thiết bị được kết nối.

Một dự án có 5.000 thiết bị online chưa chắc tạo ra nhiều giá trị hơn một dự án chỉ kết nối 100 thiết bị nhưng giải quyết được một vấn đề vận hành rõ ràng.

Những sai lầm thường gặp

Gắn nhãn AI cho hệ thống cảnh báo theo ngưỡng

Một hệ thống dựa trên quy tắc vẫn có thể rất hữu ích.

Quan trọng là chức năng thực tế, không phải tên gọi marketing.

Kết nối càng nhiều càng tốt

Nhiều dữ liệu không đồng nghĩa nhiều giá trị.

Thu thập dữ liệu trước khi xác định mục tiêu

Nếu không biết dữ liệu sẽ hỗ trợ quyết định gì, hệ thống dễ trở thành một kho dữ liệu ít được sử dụng.

Không đưa phòng kỹ thuật và CNTT vào cùng dự án

IoMT thường nằm giữa:

- Thiết bị.
- Mạng.
- Phần mềm.
- Dữ liệu.

Không một bộ phận nào có thể quản lý toàn bộ một mình.

Phụ thuộc vào cloud của nhà cung cấp mà không có phương án

Cần làm rõ:

- Quyền kiểm soát dữ liệu.
- API.
- Khả năng xuất dữ liệu.
- Chế độ khi mất kết nối.
- Cách xử lý khi kết thúc hợp đồng.

Không quản lý thiết bị cũ

Thiết bị đời cũ có thể không hỗ trợ cơ chế bảo mật hoặc kết nối mới.

Không nên cố kết nối mọi thiết bị bằng mọi giá.

Tự động hóa hành động quá sớm

Ở giai đoạn đầu có thể ưu tiên mô hình:

AI phát hiện → người xác nhận → hệ thống ghi nhận

thay vì:

AI phát hiện → tự động thực hiện một hành động ảnh hưởng trực tiếp đến thiết bị

Mức độ tự động hóa cần được xác định theo chức năng của sản phẩm, quy trình và mức rủi ro.

Không đo tải công việc do cảnh báo tạo ra

Một hệ thống phát hiện nhiều sự kiện hơn nhưng khiến nhân viên phải xử lý thêm hàng trăm cảnh báo mỗi ngày chưa chắc tạo ra giá trị.

Câu hỏi thường gặp về AI và IoT trong y tế

AI và IoT trong y tế có giống nhau không?

Không. IoT chủ yếu liên quan đến khả năng kết nối và trao đổi dữ liệu của thiết bị, trong khi AI tập trung vào phân tích dữ liệu để tìm mẫu hình, dự báo hoặc hỗ trợ quyết định.

IoMT là gì?

IoMT là Internet of Medical Things, thường dùng để mô tả hệ sinh thái thiết bị y tế và công nghệ liên quan được kết nối để trao đổi dữ liệu trong môi trường chăm sóc sức khỏe.

Thiết bị có Wi-Fi có phải IoMT không?

Chưa chắc. Có kết nối vật lý chỉ là một phần. Cần xem thiết bị trao đổi dữ liệu với hệ thống nào, phục vụ mục đích gì và được quản lý ra sao.

AI có thể tự động điều khiển thiết bị y tế không?

Một số sản phẩm có thể có chức năng tự động cụ thể theo thiết kế và phạm vi sử dụng của chúng. Tuy nhiên, bệnh viện không nên mặc định một hệ thống AI phân tích dữ liệu có quyền tự động thay đổi hoạt động của thiết bị. Mức độ tự động hóa phải được xác định theo chức năng của sản phẩm, quy trình chuyên môn và các yêu cầu áp dụng.

AI có thay thế kỹ sư thiết bị y tế không?

Không. AI có thể hỗ trợ phát hiện bất thường, xếp hạng ưu tiên hoặc phân tích lịch sử, nhưng kỹ sư vẫn cần đánh giá tình trạng thực tế và quyết định hành động phù hợp.

Có cần AI để triển khai IoT trong bệnh viện không?

Không. IoT có thể tạo giá trị thông qua giám sát, định vị, cảnh báo hoặc tự động hóa dựa trên quy tắc mà không cần machine learning.

Thiết bị cũ có thể tham gia IoMT không?

Tùy thiết bị. Một số hệ thống có thể kết nối qua gateway hoặc phần mềm trung gian, nhưng cần đánh giá khả năng tương thích, an toàn và mức độ hỗ trợ của nhà sản xuất trước khi triển khai.

Bệnh viện nên bắt đầu dự án AI + IoT từ đâu?

Nên bắt đầu từ một vấn đề vận hành cụ thể, xác định dữ liệu cần thiết và hành động sau cảnh báo, sau đó thí điểm trên phạm vi đủ nhỏ để đánh giá hiệu quả trước khi mở rộng.

Nội dung bài viết mang tính chất thông tin tham khảo. Việc kết nối thiết bị, triển khai AI, thay đổi quy trình kỹ thuật hoặc tự động hóa hành động cần được đánh giá bởi nhân sự có chuyên môn và tuân thủ hướng dẫn của nhà sản xuất, yêu cầu an toàn, bảo mật và quy định hiện hành.

AI và IoT tạo giá trị thực tế đến đâu? Cập nhật góc nhìn tại PHARMEDI & HEALTHCARE VIETNAM 2026

Khi thiết bị y tế ngày càng có khả năng kết nối, bệnh viện cần đánh giá không chỉ việc thiết bị có gửi được dữ liệu hay không mà còn xem dữ liệu được sử dụng như thế nào, hệ thống có tích hợp với hạ tầng hiện tại không và cảnh báo được đưa vào quy trình vận hành ra sao.

Tại PHARMEDI & HEALTHCARE VIETNAM 2026, Chuỗi Hội thảo Quốc tế về Đầu tư và Đổi mới trong ngành Chăm sóc Sức khỏe tiếp cận trực tiếp các chủ đề liên quan đến AI, đầu tư và vận hành bệnh viện.

Ngày 1 – 22/09/2026: có phiên “Trí tuệ nhân tạo trong chăm sóc sức khỏe: Sự thổi phồng, thực tế & ứng dụng trong khu vực ASEAN” từ 14:30–15:15, bên cạnh các nội dung về tăng trưởng ngành, đầu tư và mua sắm.

Ngày 2 – 23/09/2026: tập trung vào Quản lý & Vận hành Bệnh viện, từ mô hình bệnh viện tương lai đến vận hành, chất lượng, đổi mới lâm sàng và chiến lược tăng trưởng.

Tại khu vực trưng bày, khách chuyên ngành có thể tiếp tục đối chiếu các giải pháp y tế số, chăm sóc sức khỏe thông minh, thiết bị y tế, chẩn đoán và thí nghiệm với nhu cầu kết nối, dữ liệu, bảo mật và vận hành thực tế của cơ sở.

B2B Matchmaking – Trao đổi sâu hơn về khả năng triển khai

Với những đơn vị đã xác định rõ bài toán AI, IoT hoặc IoMT, B2B Matchmaking tạo cơ hội kết nối 1-1 với doanh nghiệp để trao đổi về khả năng kết nối thiết bị, gateway, nền tảng trung gian, quyền kiểm soát dữ liệu, phương án khi mất mạng, tích hợp với HIS/EMR/CMMS và chi phí mở rộng dài hạn.

Qua đó, PHARMEDI VIETNAM 2026 giúp bệnh viện đánh giá giải pháp theo câu hỏi thực tế hơn: hệ thống có kết nối được, quản trị được và tạo ra giá trị có thể đo lường trong điều kiện vận hành thực tế hay không.

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

• Cơ hội chia sẻ công nghệ, kỹ thuật chuyên ngành dược phẩm, thiết bị y tế
• Những xu hướng công nghệ sẽ định hình chăm sóc sức khỏe năm 2021
• Umi No Shizuku: Bí quyết sức khỏe tự nhiên từ biển sâu tại Pharmedi Vietnam 2024
• Pharmedi Vietnam 2019: Exhibitor's List ( Updating )
• BA LAN THÚC ĐẨY THƯƠNG MẠI TẠI TRIỂN LÃM Y TẾ QUỐC TẾ PHARMEDI VIETNAM