AI trong y tế: Thử thách mới là khả năng tích hợp vào quy trình thanh toán

Khởi đầu – AI đang bước vào lĩnh vực y tế

Vào tháng 9/2026, Ensemble công bố rằng các tập đoàn AI lớn đang đổ lực vào ngành y tế, hứa hẹn sẽ nâng cao năng lực xử lý hồ sơ lâm sàng dài dòng, giải mã thuật ngữ y khoa phức tạp và tạo ra các bản tóm tắt nhất quán từ khối lượng dữ liệu khổng lồ. Đối với các bác sĩ, nhân viên vận hành và bộ phận hành chính – những người phải lục lọi qua vô vàn thông tin rời rạc – những tiến bộ này hứa hẹn giảm bớt gánh nặng nhận thức và giúp truy cập thông tin quan trọng nhanh hơn. Tuy nhiên, các nhà lãnh đạo y tế cần nhận thức rằng khả năng mô hình không đồng nghĩa với khả năng vận hành thực tiễn.

Chi tiết – Vòng thu tiền trở thành “bàn thử nghiệm” cho AI y tế

Quy trình thu tiền (revenue cycle) – từ đặt lịch, đăng ký, mã hoá, lập hoá đơn, theo dõi yêu cầu thanh toán đến thu hồi tiền – là một trong những khâu phức tạp nhất của bệnh viện. Nó kết hợp khối lượng giao dịch lớn, dữ liệu có cấu trúc lẫn phi cấu trúc, yêu cầu suy luận phức tạp và kết quả đo lường được. Mỗi yêu cầu thanh toán có thể bị ảnh hưởng bởi thông tin bảo hiểm bệnh nhân, tài liệu lâm sàng, quy tắc mã hoá, chính sách riêng của nhà bảo hiểm, yêu cầu phê duyệt trước và tiêu chuẩn y tế cần thiết. Một sai sót nhỏ trong bất kỳ khâu nào cũng có thể gây ra hậu quả kéo dài hàng tuần, thậm chí hàng tháng.

Trong khi tự động hoá quy trình (Robotic Process Automation – RPA) hoạt động tốt khi quy trình ổn định và quy tắc dự đoán được, môi trường y tế lại luôn biến động: yêu cầu của nhà bảo hiểm thay đổi liên tục, tiêu chuẩn tài liệu được cập nhật thường xuyên và các ngoại lệ thường xuyên xuất hiện. Các mô hình ngôn ngữ lớn (LLM) giúp trích xuất ý nghĩa từ văn bản mô tả, tóm tắt hồ sơ và hỗ trợ suy luận trên tài liệu phức tạp, nhưng nếu chỉ dùng riêng chúng sẽ gặp hạn chế: kết quả có thể “hợp lý” nhưng không có dấu vết truy xuất, thiếu nhận thức về các ràng buộc quy trình nội bộ và không nắm bắt được lịch sử hoặc ngữ cảnh đặc thù của từng nhà bảo hiểm.

Ensemble đã đưa ra giải pháp “EIQ – Revenue Cycle Intelligence Engine”. EIQ không chỉ là một mô hình ngôn ngữ, mà là một kiến trúc lai kết hợp LLM, các mô hình ngôn ngữ nhỏ tùy chỉnh và lớp logic ký hiệu (symbolic). Dữ liệu được thu thập từ hơn một thập kỷ hoạt động thực tiễn, bao gồm lịch sử giao dịch, hành vi nhà bảo hiểm và quyết định của nhân viên. Lớp ký hiệu lưu trữ các chính sách, quy tắc mã hoá, yêu cầu nhà bảo hiểm và các ràng buộc quy trình, giúp hệ thống áp dụng “guardrails” (rào cản bảo vệ) và cung cấp các bước suy luận có thể truy xuất. Khi một yêu cầu phê duyệt trước được xử lý, EIQ có thể tự động lấy tài liệu lâm sàng qua API FHIR, so sánh hồ sơ bệnh nhân với tiêu chí của nhà bảo hiểm, phát hiện thiếu sót, tạo bộ hồ sơ nộp, chuyển các ngoại lệ cho chuyên gia và theo dõi phản hồi – đồng thời học hỏi từ kết quả để cải thiện lần sau.

Điểm mạnh của kiến trúc này là khả năng “orchestration” – biến hiểu biết của mô hình cơ sở thành hành động phối hợp qua nhiều hệ thống, áp dụng quy tắc thích hợp, thích nghi khi có thay đổi và liên tục học hỏi. Đây là bước tiến vượt qua tự động hoá đơn thuần, hướng tới một “hệ thống trí tuệ” (system of intelligence) gắn liền với hệ thống hồ sơ điện tử (EHR) của bệnh viện.

Bối cảnh – Từ khả năng mô hình sang khả năng tích hợp thực tiễn

Trong những năm gần đây, các công ty AI như OpenAI, Anthropic, Google và Microsoft đã liên tục cải tiến “window” (cửa sổ ngữ cảnh) của mô hình, cho phép xử lý hồ sơ lâm sàng kéo dài hơn, nâng cao khả năng suy luận và hỗ trợ đa phương tiện (văn bản, hình ảnh, dữ liệu cấu trúc). Tuy nhiên, như Ensemble nhấn mạnh, kiến thức vận hành thực tiễn – ví dụ tại sao một chiến lược kháng cáo lại hiệu quả hơn, hay nhà bảo hiểm phản hồi như thế nào với một lập luận lâm sàng cụ thể – không nằm trong tài liệu y khoa công cộng mà được tích lũy qua hàng nghìn giao dịch và quyết định.

Do đó, lợi thế bền vững sẽ không chỉ đến từ việc mô hình có thể đọc và hiểu ICD‑10 hay thuật ngữ y khoa, mà còn ở cách các tổ chức kết hợp trí tuệ mô hình với dữ liệu vận hành nội bộ, quy trình công việc và cơ chế giám sát. Khi các mô hình nền tảng ngày càng mạnh, “độ khác biệt” sẽ đến từ khả năng “orchestrate” – tích hợp thông minh, tuân thủ quy định và học liên tục. Nếu thành công, AI sẽ không chỉ giảm tải công việc hành chính mà còn cải thiện thời gian tiếp cận bệnh nhân, tối ưu hoá thu nhập và giảm sai sót trong chuỗi thanh toán – một bước tiến quan trọng để biến AI thành công cụ thực tiễn trong y tế.