Giới thiệu
Cột trụ của y tế hiện đại – các phòng xét nghiệm lâm sàng – đang chịu áp lực chưa từng có để đạt được nhiều kết quả hơn trong khi sử dụng ít nguồn lực hơn. Y học phòng xét nghiệm hỗ trợ hơn 70% các quyết định lâm sàng. [1] Tuy nhiên, nhu cầu ngày càng tăng đối với kết quả nhanh hơn, độ chính xác cao hơn và hiệu quả lớn hơn đang đẩy luồng công việc truyền thống đến giới hạn của chúng. Giải pháp là gì? Một quá trình chuyển đổi số đang định hình lại tương lai của chẩn đoán. Cưỡi làn sóng tăng trưởng bùng nổ trong y tế số – được xác định sẽ tăng lên gấp đôi từ 347 tỷ USD vào năm 2025 lên 768 tỷ USD vào năm 2030 [2]. Các phòng xét nghiệm đang phát triển để đáp ứng trực diện những thách thức này. Với các công cụ nâng cao độ chính xác và hợp lý hóa các quy trình, các phòng xét nghiệm đang xác định lại vai trò của họ trong việc cung cấp dịch vụ chăm sóc dự đoán, dự phòng và cá thể hóa. Câu hỏi không phải là phòng xét nghiệm có số hóa hay không. Quá trình chuyển đổi này đang được tiến hành và các phòng xét nghiệm đang ngày càng tận dụng thay đổi này để xác định lại vai trò của họ trong chuỗi dịch vụ y tế. Hãy khám phá cách phòng xét nghiệm phát triển thành môi trường thông minh, hỗ trợ công nghệ, kết hợp đổi mới và chuyên môn để cải thiện chẩn đoán.
Các công nghệ cốt lõi thúc đẩy chuyển đổi trong các phòng xét nghiệm lâm sàng
Từ tự động hóa phòng xét nghiệm đến phân tích nâng cao, các phòng xét nghiệm lâm sàng ngày nay dựa vào nhiều loại công nghệ đa dạng để hợp lý hóa luồng công việc, tăng độ chính xác và khai thác các khả năng chẩn đoán mới.
1. Tự động hóa
Tự động hóa đã hình thành nền tảng của các phòng xét nghiệm hiện đại, tạo điều kiện cho luồng công việc liền mạch, thông lượng cao, đồng thời giảm thiểu can thiệp thủ công. Robot học tiên tiến, xử lý mẫu tự động và hệ thống xử lý thông minh đang chuyển đổi hoạt động của phòng xét nghiệm bằng cách giảm mức độ biến đổi, tăng cường khả năng tái lập và cải thiện hiệu quả tổng thể.
2. Internet of Medical Things (IoMT) và Internet of Laboratory Things (IoLT)
Bản chất liên kết của IoMT và IoLT thúc đẩy một luồng dữ liệu quan trọng liên tục, cho phép quản lý y tế và phòng xét nghiệm chủ động hơn. Các thiết bị hỗ trợ IoMT truyền dữ liệu sức khỏe bệnh nhân theo thời gian thực và tạo điều kiện cho các ứng dụng chẩn đoán từ xa và y tế từ xa. Trong khi đó, IoLT đảm bảo hiệu suất thiết bị tối ưu, giảm thời gian dừng hoạt động và tăng cường bảo trì dự đoán thông qua số liệu phân tích dựa trên AI. Các hệ thống này cùng nhau cho phép ra quyết định chính xác, kịp thời và dựa trên dữ liệu trong các môi trường lâm sàng. Ví dụ, thiết bị đeo thông minh IoMT truyền dữ liệu glucose hoặc nhịp tim từ bệnh nhân đến phòng xét nghiệm để phân tích theo thời gian thực, còn thiết bị hỗ trợ IoLT cảnh báo người quản lý phòng xét nghiệm khi cần bảo trì hoặc nguồn cung ứng đang ở mức thấp.
3. Các hệ thống tin học
Các hệ thống tin học như Hệ thống Quản lý Thông tin Phòng xét nghiệm (Laboratory Information Management, LIMS) và Sổ tay Phòng xét nghiệm Điện tử (Electronic Lab Notebook, ELN) là các nền tảng phần mềm chuyên dụng. Chúng thu hẹp khoảng cách giữa dữ liệu thô và thông tin chuyên sâu hữu ích, cho phép tích hợp dữ liệu liền mạch giữa các phòng ban. LIMS [3] chuẩn hóa luồng công việc, đảm bảo tuân thủ các yêu cầu về quy định và khả năng truy xuất nguồn gốc mẫu. ELN, [4] mặt khác, nâng cao hiệu quả nghiên cứu bằng cách số hóa tài liệu phòng xét nghiệm, tạo điều kiện thuận lợi cho hợp tác theo thời gian thực, đồng thời cải thiện khả năng truy hồi và tái lập dữ liệu.
4. Hệ thống quản lý dữ liệu khoa học (SDMS)
Ngoài lưu trữ dữ liệu đơn giản, các giải pháp SDMS [5] cung cấp cấu trúc dữ liệu thông minh, cho phép truy hồi và diễn giải hiệu quả hơn. Các hệ thống này đảm bảo tuân thủ [6] Thực hành tốt phòng xét nghiệm (GLP) và các chỉ thị theo quy định bằng cách cung cấp các dấu vết kiểm toán tự động, kiểm soát phiên bản và chữ ký điện tử. Khi các phòng xét nghiệm tạo ra khối lượng dữ liệu tăng theo cấp số nhân, SDMS tăng cường quản trị dữ liệu, giúp chuẩn hóa các quy trình dễ dàng hơn, thực thi kiểm soát chất lượng và thúc đẩy kết quả nghiên cứu đáng tin cậy hơn.
5. Điện toán đám mây
Cơ sở hạ tầng dựa trên đám mây cách mạng hóa cách các phòng xét nghiệm quản lý và truy cập dữ liệu, phá vỡ tình trạng biệt lập và cho phép lưu trữ an toàn, có thể điều chỉnh quy mô. Nền tảng đám mây tạo điều kiện hợp tác theo thời gian thực giữa các nhóm phân tán về mặt địa lý, đảm bảo trao đổi dữ liệu liền mạch cho các thử nghiệm lâm sàng đa trung tâm, sáng kiến nghiên cứu toàn cầu và chẩn đoán đa chức năng. Với các biện pháp bảo mật nâng cao như mã hóa và kiểm soát truy cập dựa trên vai trò, điện toán đám mây cũng tăng cường tính toàn vẹn dữ liệu, đồng thời giảm chi phí chung về CNTT.
6. Phân tích dữ liệu lớn
Các công cụ dữ liệu lớn phân tích một lượng khổng lồ dữ liệu phòng xét nghiệm và dữ liệu lâm sàng để xác định các mô hình, xu hướng và thông tin chuyên sâu hữu ích. Chúng hỗ trợ các mô hình dự đoán để mang lại kết quả chẩn đoán và điều trị tốt hơn. Là bước tiếp theo trong tiến trình phát triển của dữ liệu lớn, Clinlabomics (Công nghệ omics phòng xét nghiệm lâm sàng) [7] là một lĩnh vực mới, kết hợp dữ liệu phòng xét nghiệm lâm sàng với AI để trích xuất thông tin chuyên sâu hơn cho chẩn đoán và điều trị. Giống như tạo hình dữ liệu hóa cho hình ảnh, Clinlabomics áp dụng các phương pháp thông lượng cao và máy học để phân tích dữ liệu từ máu, dịch cơ thể và các mẫu khác. Cách tiếp cận này khám phá các mô hình và thông tin ẩn trong kết quả phòng xét nghiệm, cho phép chẩn đoán chính xác hơn và chăm sóc cá thể hóa.
7. Trí tuệ nhân tạo (AI) và máy học
Một cuộc khảo sát gần đây cho thấy 60% của các công ty khoa học đời sống [8] có kế hoạch đầu tư vào AI và công nghệ máy học trong hai năm tới. Điều này được thúc đẩy bởi khả năng của AI trong việc tối ưu hóa quy trình, phát hiện bất thường và hỗ trợ phân tích dự đoán. Máy học nâng cao những năng lực này hơn nữa bằng cách cho phép các hệ thống liên tục cải tiến dựa trên đầu vào dữ liệu. Với sự phát triển của các công cụ này trong những năm gần đây, chúng đã dẫn đến các lợi ích thực tế như thế nào? Hãy xem xét vấn đề này kỹ hơn.
Tác động thực sự của số hóa trong các phòng xét nghiệm lâm sàng
Chuyển đổi số định hình lại các phòng xét nghiệm lâm sàng bằng cách nâng cao luồng công việc, cải thiện độ chính xác và hỗ trợ ra quyết định tốt hơn. Những tiến bộ này lan tỏa trên toàn bộ hệ sinh thái y tế, mang lại lợi ích cho bệnh nhân, người chăm sóc và chuyên gia phòng xét nghiệm. Tự động hóa đã giảm đáng kể thời gian trả kết quả, với việc tự động hóa phòng xét nghiệm cắt giảm tổng số thời gian xét nghiệm STAT troponin I tim trên 25% [9] ở cả khoa cấp cứu và không cấp cứu. Các hệ thống tự động cũng cho phép một kỹ thuật viên duy nhất quản lý nhiều quy trình, chẳng hạn như xét nghiệm miễn dịch thông lượng cao và chẩn đoán phân tử. Các phòng xét nghiệm hỗ trợ Internet vạn vật (Internet of Things, IoT) cung cấp chức năng theo dõi và cảnh báo thiết bị theo thời gian thực để tránh tình trạng thiếu thuốc thử, ngăn ngừa sự gián đoạn ngay cả với số lượng nhân viên hạn chế trong phòng xét nghiệm. Ngoài vấn đề hiệu quả, số hóa giải quyết các thách thức cho lực lượng lao động bằng cách giảm các công việc lặp đi lặp lại, giảm thiểu tình trạng kiệt sức và cho phép các chuyên gia phòng xét nghiệm tập trung vào các vai trò có giá trị cao, chẳng hạn như chẩn đoán sử dụng AI và quản lý luồng công việc robot. Trong các giai đoạn có nhu cầu cao như đại dịch COVID-19,[10] việc tự động hóa cho phép các phòng xét nghiệm điều chỉnh quy mô hoạt động mà không cần mở rộng lực lượng lao động ngay lập tức. Độ chính xác cũng đã được cải thiện, với việc AI và tự động hóa giảm lỗi phòng xét nghiệm và gần như loại bỏ phơi nhiễm với nguy hiểm sinh học. [11] Ví dụ: Hệ thống xét nghiệm nhóm máu và kháng thể tự động đã giảm thiểu cơ hội lỗi lên tới 98%. [12] Cả cải tiến quy trình tự động và cải tiến quy trình do con người dẫn dắt đều dẫn đến giảm 10 lần các biến cố “máu trong ống không đúng với bệnh nhân” (wrong blood in tube, WBIT) và giảm 47% việc dán nhãn sai cho mẫu bệnh phẩm. [13] Hiệu quả chi phí là một lợi thế quan trọng khác, vì tự động hóa tối ưu hóa việc sử dụng tài nguyên và loại bỏ các quy trình dư thừa. Xét nghiệm đối chiếu được định hướng bởi các thuật toán tự động giúp ngăn ngừa các xét nghiệm tiếp theo không cần thiết, đảm bảo chỉ thực hiện chẩn đoán xác nhận tốn kém khi cần đến. Bằng cách tích hợp tự động hóa, AI và IoT, các phòng xét nghiệm lâm sàng không chỉ nâng cao luồng công việc hiện tại mà còn định vị bản thân cho một hệ sinh thái y tế nhanh nhạy hơn, sẵn sàng cho tương lai.
Chương tiếp theo của phòng xét nghiệm: thông minh hơn, nhanh hơn, tốt hơn
Với thiết bị đeo thông minh và thiết bị cấy ghép cho phép theo dõi liên tục và các bot y tế thúc đẩy chẩn đoán do bệnh nhân định hướng, các phòng xét nghiệm là điểm cốt lõi của Chẩn đoán 4.0 – biên giới tiếp theo trong xét nghiệm y tế. [15] Pha trộn các công nghệ kỹ thuật số tiên tiến, tự động hóa và AI, Chẩn đoán 4.0 tạo ra các hệ thống liên kết, theo thời gian thực và tập trung vào bệnh nhân, chuyển đổi cách đưa ra các quyết định y tế. Khi các phòng xét nghiệm phát triển từ “nhà vô địch bí ẩn” thành những nhân tố trung tâm trong quá trình ra quyết định, sự hợp tác giữa các bác sĩ lâm sàng, bệnh nhân và chuyên gia phòng xét nghiệm sẽ phát triển mạnh mẽ hơn.
Những điểm chính:
-
-
- Bộ ba luồng mẫu, luồng dữ liệu và luồng con người đòi hỏi sự cân bằng tinh tế. Sự cân bằng này phải được tiếp cận từ quan điểm quản lý các thái cực khi chúng ta tiếp tục theo đuổi những cách đổi mới, đồng thời các nguồn quản trị tốt được duy trì ở trạng thái cân bằng.
-
-
-
- Với nhu cầu ngày càng tăng về tốc độ, độ chính xác và hiệu quả, các phòng xét nghiệm đang nhanh chóng đón nhận các công nghệ số như tự động hóa, AI và IoT. Sự thay đổi này nâng cao luồng công việc, tối ưu hóa các nguồn lực và hỗ trợ ra quyết định lâm sàng tốt hơn.
-
-
-
- Hệ thống tự động giảm thời gian trả kết quả, giảm thiểu lỗi và tối ưu hóa luồng công việc của phòng xét nghiệm. Điều này cho phép các chuyên gia phòng xét nghiệm tập trung vào chẩn đoán phức tạp thay vì các công việc thường ngày, cải thiện năng suất tổng thể.
-
-
-
- Phân tích sử dụng AI, giám sát hỗ trợ IoT và các giải pháp dữ liệu lớn giúp nâng cao chẩn đoán dự đoán, ngăn ngừa sự cố thiết bị và đảm bảo khả năng truy cập dữ liệu theo thời gian thực. Những công cụ này cải thiện quá trình ra quyết định, đồng thời giảm chi phí và hao phí tài nguyên.
-
-
-
- Bằng cách tự động hóa các công việc lặp đi lặp lại, các phòng xét nghiệm giảm bớt tình trạng kiệt sức của nhân viên và tạo cơ hội cho việc nâng cao kỹ năng trong lĩnh vực chẩn đoán sử dụng AI và robot học. Điều này đảm bảo cho lực lượng lao động có kinh nghiệm sẵn sàng quản lý các công nghệ phòng xét nghiệm thế hệ mới.
-
-
-
- Các phòng xét nghiệm là cốt lõi của Chẩn đoán 4.0, tích hợp các thiết bị đeo thông minh, AI và điện toán đám mây để hình thành quá trình chẩn đoán lấy bệnh nhân làm trung tâm và theo thời gian thực. Sự phát triển này củng cố hoạt động hợp tác giữa các bác sĩ lâm sàng, phòng xét nghiệm và bệnh nhân, mở đường cho y tế thông minh hơn, nhanh hơn và cá thể hóa hơn.
-
Tài liệu tham khảo
[1] Lewandrowski, K. B., Makar, R. S. & Dighe, A. S., 2007. Medicolegal liability in laboratory medicine. Seminars in diagnostic pathology, 24(2), pp. 98-107.
[2] Intelligence, M., n.d. Digital Health Market – Growth, Trends, COVID-19 Impact, and Forecasts (2024 – 2030). [Online] Available at: https://www.mordorintelligence.com/industry-reports/digital-health-market [Accessed 18 February 2025].
[3] Timóteo, M. et al., 2021. Digital Management Systems in Academic Health Sciences Laboratories: A Scoping Review. Healthcare, 9(6), p. 739, https://doi.org/10.3390/healthcare9060739.
[4] Vandendorpe, Justine, et al. “Ten Simple Rules for Implementing Electronic Lab Notebooks (ELNs).” PLOS Computational Biology, vol. 20, no. 6, 2024, p. e1012170, https://doi.org/10.1371/journal.pcbi.1012170.
[5] Machina, Hari K., and David J. Wild. “Laboratory Informatics Tools Integration Strategies for Drug Discovery.” Journal of Laboratory Automation, 2012, https://doi.org/10.1177/2211068212454852.
[6] Doddapaneni, Jagan Mohan Rao. “Enhancing Laboratory Efficiency and Compliance: A Comprehensive Approach to Scientific Data Management System (SDMS) Integration with LIMS.” International Journal of Innovative Research and Creative Technology, vol. 10, no. 5, 2024, pp. 1-10. IJIRCT, ISSN: 2454-5988.
[7] Wen, X., Leng, P., Wang, J. et al. Clinlabomics: leveraging clinical laboratory data by data mining strategies. BMC Bioinformatics 23, 387 (2022). https://doi.org/10.1186/s12859-022-04926-1
[8]Alliance, P., 2024. Lab of the Future Survey Results 2024. [Online] Available at: https://marketing.pistoiaalliance.org/hubfs/Lab%20Of%20The%20Future%20Reports/Lab%20Of%20The%20Future%20Survey%20Results%202024%20.pdf [Accessed 18 February 2025].
[9] Ialongo, Cristiano, et al. “Total Automation for the Core Laboratory: Improving the Turnaround Time Helps to Reduce the Volume of Ordered STAT Tests.” SLAS Technology, vol. 21, no. 3, 2016, pp. 451-458, https://doi.org/10.1177/2211068215581488.
[10] Lu, J., Fan, W., Huang, Z. et al. Automatic system for high-throughput and high-sensitivity diagnosis of SARS-CoV-2. Bioprocess Biosyst Eng 45, 503–514 (2022). https://doi.org/10.1007/s00449-021-02674-9
[11] Da Rin G. Pre-analytical workstations: a tool for reducing laboratory errors. Clin Chim Acta. 2009;404(1):68-74. doi:10.1016/j.cca.2009.03.024
[12] South, Susan F., et al. “Exponential Error Reduction in Pretransfusion Testing with Automation.” Transfusion, vol. 52, no. 8, 2012, pp. 81S-87S, https://doi.org/10.1111/j.1537-2995.2012.03816.x.
[13] Passwater, M. et al., 2022. Adding Automation and Independent Dual Verification to Reduce Wrong Blood in Tube (WBIT) Events. American Journal of Clinical Pathology, 158(2), pp. 212-215. doi:10.1093/ajcp/aqac031
[14] Huang, Wenjie, et al. “Clinical Application of Intelligent Technologies and Integration in Medical Laboratories.” ILABMED, vol. 1, no. 1, 2023, pp. 82-91, https://doi.org/10.1002/ila2.9
[15] Neumaier M., “Diagnostics 4.0: the medical laboratory in digital health.” Clinical Chemistry and Laboratory Medicine (CCLM). 2019;57(3):343-348. doi:10.1515/cclm-2018-1088
