Tổng quan nghiên cứu

Trong giai đoạn dịch bệnh bùng phát phức tạp tại Việt Nam, đặc biệt là đợt bùng phát dịch năm 2021 và 2022, việc thực hiện giãn cách xã hội theo Chỉ thị số 16/CT-TTg của Thủ tướng Chính phủ đã đặt hệ thống y tế công trước áp lực tiếp nhận thông tin khổng lồ. Tại tỉnh Bình Dương, địa phương có mật độ khu công nghiệp và dân cư đông đúc với hơn 2,6 triệu người, việc tiếp cận dịch vụ khám chữa bệnh của người dân trong các khu vực cách ly, phong tỏa gặp nhiều rào cản lớn. Tình trạng quá tải tại các đường dây nóng y tế khiến tỷ lệ cuộc gọi nhỡ và thời gian chờ đợi tư vấn kéo dài, ảnh hưởng trực tiếp đến chất lượng chăm sóc sức khỏe ban đầu.

Luận văn thạc sĩ chuyên ngành Hệ thống thông tin (mã số 848.04) với đề tài "Xây dựng ứng dụng hỏi/đáp hỗ trợ tư vấn đăng ký khám bệnh trực tuyến tại Bình Dương" do học viên Nguyễn Thảo Nhiên thực hiện dưới sự hướng dẫn khoa học của Tiến sĩ Nguyễn Hoàng Sỹ tại Trường Đại học Sư phạm – Đại học Đà Nẵng vào năm 2022 đã tập trung giải quyết bài toán cấp bách này. Mục tiêu cụ thể của nghiên cứu là thiết kế, tích hợp và triển khai hệ thống chatbot thông minh dựa trên nền tảng mã nguồn mở Rasa Framework. Hệ thống có khả năng tự động xử lý 100% các câu hỏi thường gặp về thủ tục y tế, tư vấn bệnh lý phổ biến, cập nhật văn bản hành chính theo thời gian thực và tự động hóa quy trình đặt lịch khám bệnh trực tuyến 24/7.

Ý nghĩa thực tiễn của đề tài được thể hiện qua việc giảm tải hơn 65% khối lượng công việc tư vấn thủ công của nhân viên y tế tại cơ sở khám chữa bệnh, đồng thời rút ngắn 80% thời gian đăng ký và phân luồng bệnh nhân. Đề tài mở ra giải pháp chuyển đổi số y tế chi phí thấp nhưng mang lại giá trị vận hành cao cho các cơ sở y tế địa phương.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng toàn diện các lý thuyết nền tảng trong lĩnh vực Xử lý ngôn ngữ tự nhiên (NLP) và Trí tuệ nhân tạo (AI) để xây dựng hệ thống hội thoại thông minh. Khung kiến trúc tổng thể của chatbot bao gồm 3 thành phần cốt lõi: Module hiểu ngôn ngữ tự nhiên (NLU), Module quản lý hội thoại (Dialogue Management - DM) và Module sinh ngôn ngữ tự nhiên (NLG).

Về mặt mô hình hóa ngữ nghĩa, nghiên cứu áp dụng các kỹ thuật nhúng từ (Word Embedding) tiên tiến như Word2Vec (với 2 kiến trúc CBOW và Skip-gram) cùng mô hình GloVe. Mô hình GloVe tận dụng ma trận đồng xuất hiện toàn cục với hàm trọng số thực nghiệm có tham số alpha bằng 0.75 nhằm tối ưu hóa khoảng cách vector ngữ nghĩa giữa các từ vựng chuyên ngành y tế. Đối với tác vụ quản lý ngữ cảnh hội thoại đa lượt, nghiên cứu sử dụng mạng nơ-ron hồi quy RNN và kiến trúc bộ nhớ ngắn hạn dài LSTM. Cấu trúc mạng LSTM gồm 4 lớp tương tác chặt chẽ thông qua 3 cổng trạng thái: cổng quên (forget gate), cổng vào (input gate) và cổng ra (output gate), giải quyết triệt để hiện tượng suy giảm đạo hàm (vanishing gradient) khi duy trì ngữ cảnh dài.

Tác vụ trích xuất thực thể tên (NER) được xây dựng dựa trên mô hình Trường ngẫu nhiên điều kiện (Conditional Random Fields - CRF). Mô hình CRF tính toán phân phối xác suất có điều kiện của chuỗi nhãn dựa trên hàm tiềm năng cực đại hóa entropy, đảm bảo nhận diện chính xác các thực thể như thời gian, địa điểm, triệu chứng và thông tin liên hệ trong câu nói của người bệnh.

Phương pháp nghiên cứu

Nghiên cứu sử dụng tập dữ liệu thực nghiệm gồm 520 mẫu câu hội thoại y tế đặc thù, bao gồm các dạng câu hỏi về dịch vụ khám, triệu chứng bệnh lý, quy trình phòng dịch và thông tin hành chính. Phương pháp chọn mẫu phân tầng có chủ đích được áp dụng để đảm bảo độ bao phủ đồng đều trên 15 nhóm ý định (intent) cốt lõi và 8 nhóm thực thể (entity) phổ biến. Bộ dữ liệu được chia tách theo tỷ lệ chuẩn: 80% dành cho tập huấn luyện (training set với 416 mẫu) và 20% dành cho tập kiểm thử độc lập (testing set với 104 mẫu).

Lý do lựa chọn phương pháp phân tích dựa trên Rasa Framework mã nguồn mở thay vì các nền tảng thương mại như Google Dialogflow hay Microsoft Bot Framework xuất phát từ yêu cầu bảo mật dữ liệu y tế của người bệnh. Việc tự triển khai hệ thống giúp cơ sở y tế làm chủ hoàn toàn dữ liệu, tùy biến linh hoạt các pipeline xử lý (tách từ tiếng Việt qua Underthesea, vector hóa bằng CountVectorsFeaturizer, trích xuất thực thể qua CRFEntityExtractor) và tích hợp các Custom Action bằng ngôn ngữ Python để gọi API dữ liệu ngoại vi. Timeline nghiên cứu được thực hiện xuyên suốt trong 12 tháng của năm 2022, từ khâu khảo sát thực tế, gán nhãn dữ liệu, huấn luyện mô hình cho đến kiểm thử tích hợp trên nền tảng Facebook Messenger và Webhook.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Hệ thống chatbot sau khi hoàn thiện quá trình huấn luyện và kiểm thử đã đạt được các chỉ số hiệu năng kỹ thuật rất ấn tượng:

Thứ nhất, mô hình phân loại ý định người dùng (Intent Classification) đạt độ chính xác tổng thể F1-score là 92.4%. Các ý định có cấu trúc ngữ nghĩa rõ ràng như đăng ký khám bệnh, tra cứu thông tin bác sĩ và bảng giá dịch vụ đạt độ chính xác nhận diện lên tới 96.2%. Đối với các câu hỏi phức tạp chứa nhiều ý định đồng thời (multiple intents), hệ thống vẫn duy trì độ chính xác trên 87.5%.

Thứ hai, tác vụ trích xuất thực thể (Entity Extraction) bằng thuật toán CRF ghi nhận độ chính xác trung bình 88.5%. Trong đó, thực thể ngày giờ khám bệnh đạt độ chính xác 94.1%, thực thể chuyên khoa khám đạt 91.3% và thực thể thông tin liên lạc cá nhân đạt 89.6%. Các thực thể mô tả triệu chứng bệnh có độ chính xác 79.0% do sự phong phú trong cách diễn đạt ngôn ngữ đời thường của người dân.

Thứ ba, hệ thống tích hợp thành công module trích xuất dữ liệu thời gian thực (Realtime Web Crawler) từ Cổng thông tin điện tử tỉnh Bình Dương. Cơ chế này tự động cập nhật các văn bản hành chính y tế và tin tức dịch bệnh mới nhất, phản hồi cho người dùng với độ trễ trung bình chỉ 1.8 giây, giảm 85% thời gian tra cứu so với việc tìm kiếm thủ công trên các website truyền thống (thường mất từ 10 đến 15 phút).

Thứ tư, giao diện tương tác đa kênh kết hợp linh hoạt giữa cơ chế xử lý ngôn ngữ tự nhiên và hệ thống menu tương tác trực quan (Quick Replies/Buttons) đã xử lý thành công 10 luồng nghiệp vụ: từ form đặt lịch khám, chọn gói chăm sóc, xem tin tức, tra cứu nhà thuốc online đến hỏi đáp bệnh học.

Thảo luận kết quả

Khi biểu diễn ma trận nhầm lẫn (Confusion Matrix Heatmap) trên tập kiểm thử, kết quả cho thấy việc áp dụng cơ chế nhúng từ Word2Vec kết hợp CRF đã loại bỏ đáng kể sự nhầm lẫn giữa các nhóm triệu chứng có từ vựng tương đồng. Trong các nghiên cứu trước đây sử dụng mô hình Chatbot dạng cây quyết định cố định (Rule-based), hệ thống hoàn toàn thất bại khi người dùng gõ sai lỗi chính tả, sử dụng từ địa phương hoặc không dùng dấu tiếng Việt. Mô hình trong luận văn này đã nâng cao khả năng chịu lỗi và tính linh hoạt lên hơn 45% so với phương pháp truyền thống.

Bảng so sánh hiệu năng giữa các thuật toán phân lớp cho thấy mạng nơ-ron kết hợp cùng CRF trong Rasa đem lại hiệu quả vượt trội so với các mô hình Naive Bayes hoặc SVM truyền thống trên tập ngữ liệu văn bản ngắn. Việc phân tách rõ ràng giữa tầng NLU và tầng Dialogue Management giúp bot duy trì mạch hội thoại mượt mà qua nhiều lượt trao đổi (multi-turn dialog), tự động ghi nhớ thông tin trong các slot để hoàn thành form đặt lịch mà không bắt người dùng nhập lại thông tin. Đây là đóng góp công nghệ quan trọng, chứng minh tính khả thi của việc triển khai trợ lý ảo y tế phục vụ cộng đồng với chi phí vận hành tối ưu.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu và thực nghiệm mô hình, luận văn đưa ra 4 nhóm giải pháp cụ thể nhằm mở rộng và tối ưu hóa ứng dụng trong thực tế:

Thứ nhất, nâng cấp quy mô và độ sâu của tập dữ liệu huấn luyện. Nhóm kỹ thuật phát triển phối hợp cùng các bác sĩ chuyên khoa mở rộng bộ ngữ liệu lên tối thiểu 2.500 mẫu câu hỏi đáp lâm sàng, tích hợp từ điển từ đồng nghĩa và tiếng lóng y tế địa phương nhằm nâng độ chính xác nhận diện ý định tổng thể lên trên 96% trước quý 3 năm 2023.

Thứ hai, tích hợp hệ thống với nền tảng Bệnh án điện tử (EHR) và Quản lý thông tin bệnh viện (HIS). Ban Giám đốc các bệnh viện và cơ sở y tế tại Bình Dương cần chủ trì việc mở cổng API bảo mật để kết nối dữ liệu đặt khám trực tiếp với hệ thống điều phối phòng khám, hướng tới mục tiêu giảm 70% thủ tục giấy tờ tại bàn tiếp đón trong giai đoạn 2023 - 2024.

Thứ ba, đa dạng hóa kênh tiếp cận người dùng trên các nền tảng số phổ biến. Đội ngũ phát triển phần mềm triển khai mở rộng chatbot từ Facebook Messenger sang Zalo Official Account và tích hợp trực tiếp widget chat trên Cổng thông tin y tế tỉnh Bình Dương, đặt mục tiêu tiếp cận hơn 30.000 lượt người dùng mỗi tháng trong vòng 6 tháng vận hành.

Thứ tư, nâng cấp kiến trúc xử lý ngôn ngữ tự nhiên lên các mô hình ngôn ngữ lớn (LLM/Transformer) tiền huấn luyện cho tiếng Việt như PhoBERT. Trung tâm Công nghệ thông tin tỉnh phối hợp với các trường đại học thực hiện nghiên cứu chuyển đổi mô hình nhằm nâng cao năng lực thấu hiểu ngữ cảnh phức tạp và phản hồi tự nhiên trước quý 4 năm 2024.

Đối tượng nên tham khảo luận văn

Nội dung toàn diện của luận văn mang lại giá trị học thuật và thực tiễn sâu sắc cho 4 nhóm đối tượng cụ thể:

Thứ nhất, học viên cao học, nghiên cứu sinh và sinh viên ngành Hệ thống thông tin, Khoa học dữ liệu, Công nghệ thông tin. Luận văn cung cấp tài liệu tham khảo chi tiết về quy trình xây dựng pipeline NLP hoàn chỉnh, phương pháp huấn luyện mô hình CRF và kỹ thuật quản lý hội thoại trên Rasa Framework.

Thứ hai, các kỹ sư phần mềm, lập trình viên AI chuyên phát triển trợ lý ảo và chatbot. Người đọc có thể tận dụng kiến trúc hệ thống, mã nguồn mẫu về Custom Actions và phương pháp kết nối Webhook với Facebook Messenger/API ngoại vi để ứng dụng trực tiếp vào các dự án thương mại.

Thứ ba, ban quản lý, giám đốc chuyên môn tại các bệnh viện, phòng khám đa khoa và trung tâm y tế. Tài liệu giúp định hình mô hình chuyển đổi số quy trình tiếp đón, tư vấn bệnh nhân ban đầu và tự động hóa khâu phân luồng khám bệnh nhằm tối ưu hóa chi phí nhân sự.

Thứ tư, các nhà hoạch định chính sách y tế và chuyên viên quản lý chuyển đổi số tại các cơ quan nhà nước. Luận văn là case-study thực tế về việc ứng dụng công nghệ mã nguồn mở trong việc ứng phó với khủng hoảng y tế công cộng và xây dựng mô hình y tế thông minh tại địa phương.

Câu hỏi thường gặp

Chatbot trong luận văn xử lý câu hỏi tiếng Việt không dấu hoặc sai chính tả như thế nào? Hệ thống sử dụng pipeline tiền xử lý NLU tích hợp module tách từ tiếng Việt và vector hóa từ vựng kết hợp thuật toán CRF. Cơ chế này trích xuất đặc trưng ngữ cảnh xung quanh từ ngữ, giúp nhận diện chính xác ý định và thực thể với tỷ lệ thành công đạt trên 85% đối với các mẫu câu không dấu phổ biến trong thực tế.

Tại sao tác giả lại chọn Rasa Framework thay vì sử dụng Google Dialogflow? Nền tảng Rasa là mã nguồn mở cho phép cài đặt on-premise, giúp cơ sở y tế kiểm soát hoàn toàn 100% dữ liệu người bệnh và tuân thủ các quy định bảo mật y tế nghiêm ngặt. Ngoài ra, Rasa cho phép tùy biến sâu các thuật toán machine learning và hoàn toàn miễn phí bản quyền API khi mở rộng quy mô.

Thời gian phản hồi trung bình của hệ thống khi người dùng đặt lịch khám là bao lâu? Nhờ kiến trúc xử lý bất đồng bộ qua Flask API và máy chủ Rasa Core, thời gian phản hồi trung bình cho một tác vụ đặt lịch khám hoặc tra cứu thông tin phòng khám chỉ dao động từ 1.2 đến 1.8 giây, đảm bảo trải nghiệm tương tác liên tục và mượt mà cho người bệnh.

Dữ liệu văn bản hành chính từ Cổng thông tin tỉnh Bình Dương được cập nhật bằng cách nào? Hệ thống tích hợp một Custom Action viết bằng ngôn ngữ Python sử dụng kỹ thuật Web Scraping thời gian thực. Khi người dùng kích hoạt ý định tra cứu văn bản, bot sẽ tự động truy vấn cấu trúc HTML của trang nguồn, trích xuất tiêu đề, số hiệu và liên kết văn bản để phản hồi ngay lập tức.

Hệ thống có thể mở rộng để áp dụng cho các tỉnh thành khác ngoài Bình Dương không? Kiến trúc của hệ thống được thiết kế theo dạng mô-đun hóa hoàn toàn. Khi triển khai tại địa phương khác, kỹ sư chỉ cần thay đổi đường dẫn nguồn dữ liệu cổng thông tin và bổ sung danh mục cơ sở y tế địa phương vào tập dữ liệu NLU mà không cần tái cấu trúc toàn bộ mã nguồn.

Kết luận

Luận văn đã giải quyết xuất sắc bài toán xây dựng trợ lý ảo hỗ trợ y tế cộng đồng thông qua các điểm nhấn then chốt:

  • Hệ thống hóa toàn diện cơ sở lý thuyết về Xử lý ngôn ngữ tự nhiên, mạng nơ-ron hồi quy LSTM, mô hình nhúng từ và trường ngẫu nhiên điều kiện CRF trong kiến trúc chatbot.
  • Xây dựng thành công ứng dụng hỏi đáp, tư vấn và đăng ký khám bệnh trực tuyến trên nền tảng Rasa Framework với độ chính xác phân loại ý định đạt 92.4% và trích xuất thực thể đạt 88.5%.
  • Tích hợp tính năng tự động trích xuất tin tức và văn bản quy phạm pháp luật theo thời gian thực từ Cổng thông tin điện tử tỉnh Bình Dương với độ trễ dưới 1.8 giây.
  • Triển khai thực nghiệm hoàn chỉnh hệ thống trên nền tảng mạng xã hội Facebook Messenger, mang lại công cụ hỗ trợ y tế miễn phí, tiện lợi và kịp thời cho người dân.
  • Thiết lập kế hoạch nâng cấp công nghệ giai đoạn 2023 - 2024 với mục tiêu kết nối hệ thống bệnh án điện tử và ứng dụng mô hình ngôn ngữ lớn tiên tiến.

Đây là công trình nghiên cứu ứng dụng có giá trị học thuật cao và khả năng chuyển giao thực tiễn mạnh mẽ. Quý độc giả, các nhà nghiên cứu và cơ sở y tế quan tâm có thể khai thác tài liệu này để triển khai các mô hình chuyển đổi số y tế hiệu quả và bền vững.