Đây là một bài toán chiến lược quan trọng. Với vị thế là trường đại học y khoa hàng đầu, Đại học Y Dược TP.HCM (UMP) có một lợi thế và cũng là một trách nhiệm lớn: sở hữu dữ liệu vô giá từ cả ba lĩnh vực Đào tạo - Nghiên cứu - Bệnh viện.

Định hướng chiến lược AI đến 2030 không chỉ là "cài đặt phần mềm" mà là xây dựng một Hệ sinh thái Y tế Thông minh, nơi AI trở thành trợ lý đắc lực, thấu hiểu bối cảnh (context-aware), an toàn và có đạo đức.

Dưới đây là định hướng chiến lược được cấu trúc theo 4 trụ cột chính.

Tầm nhìn 2030

Đến năm 2030, Đại học Y Dược TP.HCM sẽ tiên phong trong việc cá nhân hóa đào tạo y khoa, tăng tốc nghiên cứu y sinh và tối ưu hóa vận hành bệnh viện thông qua việc tích hợp AI một cách sâu rộng, an toàn và có đạo đức, khẳng định vị thế là một đại học y khoa thông minh hàng đầu khu vực.

4 Trụ cột Chiến lược Tích hợp AI

1. Trụ cột Nền tảng: Quản trị Dữ liệu & Đạo đức AI ????️

Đây là trụ cột quan trọng nhất. AI vô dụng nếu không có dữ liệu sạch và sẽ nguy hiểm nếu không có đạo đức.

• Hợp nhất Dữ liệu (Data Unification): Xây dựng một "Hồ Dữ liệu" (Data Lake) hoặc "Kho Dữ liệu" (Data Warehouse) chung, an toàn. Dữ liệu từ hệ thống quản lý sinh viên (eLearning, Itembank), hệ thống bệnh viện (EHR/HIS), và dữ liệu nghiên cứu (genomics, proteomics) cần được chuẩn hóa và liên kết (sau khi đã được phi định danh nghiêm ngặt).
• Thành lập Ủy ban Đạo đức AI (AI Ethics Committee): Ban hành các quy định rõ ràng về việc thu thập, lưu trữ và sử dụng dữ liệu, đặc biệt là dữ liệu nhạy cảm của bệnh nhân và sinh viên, đảm bảo tuân thủ các tiêu chuẩn quốc tế (như HIPAA, GDPR) và pháp luật Việt Nam.
• Xây dựng Năng lực Nội bộ (Talent Hub): Phát triển một nhóm nòng cốt "AI Y tế" bao gồm các bác sĩ-kỹ sư, nhà khoa học dữ liệu y sinh, và kỹ sư AI. Đây sẽ là đội ngũ "phiên dịch" giữa nhu cầu lâm sàng và giải pháp công nghệ.

2. Trụ cột Đào tạo: Cá nhân hóa Năng lực Bác sĩ ????

Mục tiêu là tạo ra "Bác sĩ 4.0" – những người không chỉ giỏi chuyên môn mà còn thành thạo công nghệ.

• Trợ lý Giảng dạy Ảo (Virtual TA): Tích hợp AI vào eLearning để tự động trả lời thắc mắc 24/7, chấm điểm sơ bộ các bài luận, và tóm tắt bài giảng.
• Ngân hàng Đề thi Thông minh (Smart Itembank):
• AI tự động sinh câu hỏi (item generation) từ tài liệu giảng dạy, giúp làm giàu ngân hàng đề.
• AI phân tích chất lượng câu hỏi (item analysis) theo thời gian thực (ví dụ, áp dụng các mô hình như Rasch mà bạn quan tâm) để cảnh báo các câu hỏi kém chất lượng, quá dễ/khó, hoặc có độ phân biệt thấp.
• Lộ trình học tập Cá nhân hóa (Personalized Learning): AI phân tích điểm mạnh/yếu của từng sinh viên qua các bài kiểm tra, từ đó đề xuất các video, bài đọc, hoặc ca lâm sàng ảo (virtual patients) phù hợp để lấp đầy lỗ hổng kiến thức.
• Đào tạo Kỹ năng Tương lai: Đưa môn "AI trong Y khoa" và "Đạo đức AI" vào chương trình giảng dạy bắt buộc cho tất cả sinh viên y, dược.

3. Trụ cột Nghiên cứu: Tăng tốc Phát hiện Y học ????

Mục tiêu là rút ngắn thời gian từ phòng thí nghiệm đến giường bệnh (from bench to bedside).

• Trợ lý Nghiên cứu Bảo mật (Secure Research Assistant): Xây dựng một mô hình ngôn ngữ lớn (LLM) nội bộ ("UMP-GPT"). Mô hình này được huấn luyện trên kho tài liệu y văn thế giới và toàn bộ các nghiên cứu, sáng kiến, luận văn nội bộ của trường.
• Lợi ích: Giúp nhà khoa học tìm kiếm tài liệu, phát hiện "lỗ hổng nghiên cứu" (ví dụ: "Đã có nghiên cứu nào về Candida SP kháng thuốc tại Việt Nam chưa?"), và hỗ trợ viết bản thảo mà không làm lộ dữ liệu nhạy cảm ra bên ngoài.
• AI Phân tích Dữ liệu Phức tạp: Cung cấp các nền tảng AI giúp nhà nghiên cứu (những người không phải là chuyên gia thống kê) có thể dễ dàng phân tích dữ liệu lớn như genomics, hình ảnh vi thể, hoặc dữ liệu từ các thử nghiệm lâm sàng.

4. Trụ cột Bệnh viện & Quản lý: Tối ưu Hóa Vận hành ????

Mục tiêu là giảm tải hành chính và nâng cao chất lượng chăm sóc.

• AI Hỗ trợ Chẩn đoán (Diagnostic Support): Tích hợp các mô hình AI vào hệ thống PACS (lưu trữ hình ảnh y tế) để hoạt động như một "con mắt thứ hai", giúp khoanh vùng và cảnh báo các dấu hiệu bất thường trên X-quang, CT, MRI (ví dụ: nốt mờ phổi, tổn thương gan) để bác sĩ chẩn đoán hình ảnh xem xét.
• AI trong Quản lý Hành chính (Smart Administration):
• Công văn: AI tự động đọc, tóm tắt và đề xuất phòng ban xử lý công văn.
• Vật tư - Tài sản: AI phân tích dữ liệu sử dụng để dự báo nhu cầu vật tư tiêu hao, thuốc, và đề xuất lịch bảo trì dự phòng cho các thiết bị y tế đắt tiền, tránh hỏng hóc đột ngột.
• Hỗ trợ Quyết định Lâm sàng (Clinical Decision Support): Tích hợp AI vào Hồ sơ Bệnh án Điện tử (EHR) để cảnh báo sớm (ví dụ: nguy cơ nhiễm trùng huyết, tương tác thuốc nguy hiểm) dựa trên các dấu hiệu sinh tồn và kết quả xét nghiệm của bệnh nhân.

Lộ trình Thực hiện (Roadmap)

1. Giai đoạn 1: Nền tảng & Thử nghiệm (2025 – 2026)
• Tập trung: Xây dựng Ủy ban Đạo đức, bắt đầu hợp nhất dữ liệu, và triển khai các dự án "thắng lợi nhanh" (quick-win).
• Dự án thí điểm: "AI Tóm tắt Công văn", "Chatbot Hỏi đáp Tuyển sinh/Phòng đào tạo", "AI phân tích cơ bản cho Itembank".
2. Giai đoạn 2: Tích hợp & Mở rộng (2027 – 2028)
• Tập trung: Tích hợp sâu AI vào các hệ thống cốt lõi (eLearning, HIS).
• Dự án: Triển khai Lộ trình học tập Cá nhân hóa, xây dựng "UMP-GPT" phiên bản 1.0, triển khai thí điểm AI hỗ trợ chẩn đoán hình ảnh.
3. Giai đoạn 3: Tối ưu hóa & Tiên phong (2029 – 2030)
• Tập trung: AI trở nên thông minh, có khả năng dự đoán và hoàn toàn cá nhân hóa.
• Dự án: Hệ thống cảnh báo sớm (sepsis, dịch bệnh) tại bệnh viện, AI tham gia vào nghiên cứu (ví dụ: dự đoán cấu trúc protein), hệ thống đào tạo y khoa bằng VR/AR có hỗ trợ AI.