Điểm nổi bật
Nghiên cứu này cho thấy cấu hình mô hình ngôn ngữ lớn ứng dụng sinh tăng cường truy xuất có ràng buộc theo hướng dẫn (retrieval-augmented generation, RAG) vượt trội đáng kể so với cả GPT-5 cơ bản và hệ thống AI dựa trên tài liệu trong hỗ trợ ra quyết định ở ung thư phụ khoa. Các kết quả chính nhấn mạnh tầm quan trọng của việc tích hợp trực tiếp các kho hướng dẫn đáng tin cậy như NCCN nhằm nâng cao độ chính xác và giảm tình trạng “hallucination” trong các khuyến nghị lâm sàng do AI tạo ra.
Độ tin cậy giữa các giám khảo ở thước đo đánh giá chính ở mức trung bình, qua đó củng cố tính tái lập của các phát hiện. Công trình đối sánh này được thực hiện trước giai đoạn tích hợp lâm sàng, do đó nhấn mạnh sự khác biệt về hiệu năng hơn là an toàn lâm sàng hay cải thiện kết cục người bệnh.
Bối cảnh nghiên cứu
Ung thư phụ khoa đặt ra những thách thức phức tạp trong chẩn đoán và ra quyết định điều trị do các tiêu chuẩn đang thay đổi và sự đa dạng của các biểu hiện ca bệnh. Trí tuệ nhân tạo (artificial intelligence, AI), đặc biệt là các mô hình ngôn ngữ lớn (large language models, LLMs), đã nổi lên như một công cụ đầy hứa hẹn để tăng cường hỗ trợ ra quyết định lâm sàng bằng cách xử lý lượng lớn thông tin y khoa và tạo ra khuyến nghị.
Tuy nhiên, LLMs thường gặp tình trạng “hallucinations”, tức tạo ra nội dung không chính xác hoặc không có cơ sở, làm hạn chế độ tin cậy lâm sàng. Việc tích hợp trực tiếp các nguồn có thẩm quyền như hướng dẫn của National Comprehensive Cancer Network (NCCN) vào mô hình AI có thể giảm thiểu các vấn đề này bằng cách neo đầu ra vào tri thức đã được xác thực.
Thiết kế nghiên cứu
Nghiên cứu này đối sánh ba cấu hình AI trong hỗ trợ ra quyết định ở ung thư phụ khoa bằng 50 ca lâm sàng đã ẩn danh được gửi trong giai đoạn từ tháng 10 đến tháng 11 năm 2025:
- GPT-5 cơ bản: Mô hình ngôn ngữ lớn chuẩn, không có truy xuất tăng cường.
- GPT-5 RAG neo theo NCCN: Mô hình sinh tăng cường truy xuất tích hợp trực tiếp hướng dẫn NCCN, cho phép truy xuất tri thức cập nhật và có thẩm quyền trong quá trình tạo phản hồi.
- OpenEvidence: Hệ thống AI lâm sàng được neo trên tài liệu y văn nhưng tại thời điểm thử nghiệm chưa có quyền truy cập hướng dẫn NCCN.
Ba chuyên gia ung thư phụ khoa đã chấm điểm đầu ra của AI bằng thang Generative Performance Score hiệu chỉnh (modified Generative Performance Score, mGPS), dao động từ -1 đến +1, kết hợp mức độ phù hợp với hướng dẫn và điểm phạt cho nội dung “hallucinated” (sai lệch). Các thước đo bổ sung bao gồm thành phần phạt hallucination và đánh giá về khả năng đọc hiểu cùng tính hợp lý. Phân tích thống kê bao gồm kiểm định Wilcoxon signed-rank và hồi quy logistic thứ bậc hiệu ứng hỗn hợp để so sánh hiệu năng giữa các cấu hình.
Kết quả chính
Cấu hình GPT-5 RAG neo theo NCCN đạt mGPS cao nhất (trung bình 0,83; SD 0,26), vượt trội có ý nghĩa thống kê so với cả GPT-5 cơ bản (trung bình 0,65; SD 0,31) và OpenEvidence (trung bình 0,70; SD 0,27). Các so sánh thống kê cụ thể gồm:
- GPT-RAG so với GPT-5 cơ bản: W = 189,5, Z = -3,42, P < 0,001, cỡ hiệu ứng r = 0,49.
- GPT-RAG so với OpenEvidence: W = 254,0, Z = -2,64, P = 0,008.
- OpenEvidence so với GPT-5 cơ bản: không có khác biệt có ý nghĩa thống kê (P = 0,22).
Hồi quy logistic thứ bậc hiệu ứng hỗn hợp xác nhận rằng GPT-RAG có xác suất cao hơn đáng kể để đạt kết quả mGPS vượt trội (odds ratio 3,74; KTC 95%, 1,57–8,90).
Độ tin cậy giữa các giám khảo thay đổi theo miền chấm điểm, với hệ số tương quan nội lớp (intraclass correlation coefficient, ICC) là 0,49 đối với mGPS, cho thấy mức độ đồng thuận trung bình giữa các chuyên gia chấm điểm. Thành phần phạt hallucination có độ tin cậy thấp hơn (ICC 0,30), trong khi đánh giá về khả năng đọc hiểu và tính hợp lý có mức nhất quán cao hơn (ICC 0,70).
Đáng chú ý, OpenEvidence sau đó đã tích hợp hướng dẫn NCCN vào ngày 27 tháng 4 năm 2026, qua đó xác thực bên ngoài ý nghĩa vận hành của việc neo trực tiếp theo hướng dẫn đối với cải thiện hiệu năng.
Bình luận chuyên gia
Nghiên cứu này giải quyết một rào cản quan trọng trong ứng dụng AI cho hỗ trợ ra quyết định lâm sàng ở ung thư phụ khoa bằng cách so sánh trực tiếp các mô hình cơ bản, mô hình neo theo y văn và mô hình neo theo hướng dẫn. Ưu thế rõ rệt của RAG neo theo NCCN nhấn mạnh sự cần thiết phải nhúng tri thức đã được xác thực, có nguồn gốc từ hướng dẫn vào kiến trúc LLM để giảm sai sót và nâng cao độ phù hợp lâm sàng.
Các thống kê về độ tin cậy giữa các giám khảo cho thấy mức độ nhất quán chấp nhận được nhưng đồng thời phản ánh tính phức tạp vốn có khi chấm điểm các khuyến nghị lâm sàng do AI tạo ra. Mặc dù các phát hiện này đầy hứa hẹn, cần lưu ý rằng đối sánh này không đồng nghĩa với an toàn lâm sàng đã được thiết lập hoặc bảo đảm cải thiện kết cục người bệnh. Các nghiên cứu triển khai và đánh giá tiến cứu vẫn còn cần thiết.
Xét trên phương diện cơ chế, các phương pháp sinh tăng cường truy xuất cho phép truy vấn động các cơ sở dữ liệu được tuyển chọn trong quá trình tạo phản hồi, qua đó giảm bớt hạn chế về “knowledge cutoff” và các lỗi ngữ cảnh thường gặp ở LLM tĩnh. Việc tích hợp hướng dẫn NCCN, vốn được công nhận là tiêu chuẩn vàng trong ung thư học, khai thác mức chứng cứ cấu trúc cao nhất để hỗ trợ ra quyết định.
Các hạn chế bao gồm cỡ mẫu ca bệnh tương đối nhỏ, chỉ khảo sát trong bối cảnh trước tích hợp, và thiếu dữ liệu kết cục thực tế. Nghiên cứu cũng cho thấy thách thức trong việc cân bằng giữa khả năng diễn giải của AI, nguy cơ hallucination và tính kịp thời của cập nhật hướng dẫn.
Kết luận
Nghiên cứu đối sánh trước tích hợp này cho thấy các mô hình hỗ trợ ra quyết định trong ung thư phụ khoa có tích hợp trực tiếp và truy xuất hướng dẫn NCCN có thẩm quyền vượt trội so với các cấu hình AI cơ bản và chỉ dựa trên y văn. Kết quả nhấn mạnh lợi thế vận hành then chốt của việc neo theo hướng dẫn trong việc nâng cao độ chính xác và độ tin cậy của các khuyến nghị do AI tạo ra.
Nghiên cứu tương lai nên tập trung vào việc thẩm định các hệ thống này trong quy trình lâm sàng, đánh giá tác động lên kết cục người bệnh, an toàn và mức độ chấp nhận của bác sĩ lâm sàng, đồng thời tiếp tục nâng cao tính minh bạch của AI và giảm thiểu hallucination.
Kinh phí và ClinicalTrials.gov
Bài báo không nêu nguồn kinh phí hoặc các thử nghiệm lâm sàng đã đăng ký liên quan đến nghiên cứu này.
Tài liệu tham khảo
- Dukes D, Yost C, Wang R, et al. Guideline-anchored retrieval-augmented generation outperforms baseline and literature-only configurations in gynecologic oncology decision support: A pre-integration benchmark. Gynecol Oncol. 2026 Jul 16;211:224-230. PMID: 42462288.
- National Comprehensive Cancer Network. NCCN Clinical Practice Guidelines in Oncology. https://www.nccn.org/
- Lee J, Yoon W, Kim S, et al. Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems. 2020;33:9459-9474.
- Jha D, Topol EJ. Adapting AI for clinical decision support: opportunities and challenges. N Engl J Med. 2021;384(3):198-202.