Ngày 28/8/2026, hai công bố mới trên chuyên trang arXiv (cs.AI) giới thiệu các giải pháp dùng mô hình ngôn ngữ lớn (LLM) và quy trình tác tử (agentic) nhằm xử lý dữ liệu phức tạp trong phòng hồi sức cấp cứu (ICU) và đo điện não đồ (EEG).
Trong nghiên cứu về ICU dựa trên tập dữ liệu eICU Demo gồm 2.353 ca điều trị với tỷ lệ tử vong 8,1%, mô hình XGBoost đạt chỉ số AUROC 0,855 (khoảng tin cậy 95% từ 0,796 đến 0,906) và AUPRC 0,332 để dự đoán nguy cơ tử vong. Để chuyển các thông số kỹ thuật này thành văn bản giải thích cho bác sĩ, nhóm tác giả đã so sánh mô hình LLM đơn lẻ với quy trình agentic gồm 4 bước (tách biệt khâu đọc dữ liệu, đối chiếu hướng dẫn lâm sàng và tạo văn bản cuối). Thử nghiệm trên 38 ca bệnh cho thấy LLM đơn lẻ gặp 1 trường hợp bị rò rỉ kết quả dự đoán (outcome leakage), trong khi quy trình agentic không mắc lỗi này.
Đánh giá sâu trên nhóm ca đối chiếu với phương pháp giải thích SHAP cho thấy sự đánh đổi rõ rệt: LLM đơn lẻ bám sát giá trị phân bổ SHAP hơn với chỉ số Jaccard trung bình 0,171 (so với 0,077 của agentic) và độ nhất quán về chiều tác động đạt 92,9% (so với 78,6%). Ngược lại, quy trình agentic thể hiện sự vượt trội về mức độ bám sát hướng dẫn lâm sàng (0,762 so với 0,143), tính chi tiết của giá trị y khoa (0,236 so với 0,143) và độ hợp lý tổng thể (0,700 so với 0,671). Nhóm nghiên cứu kết luận rằng cấu trúc agentic giúp tăng cường độ an toàn và chi tiết cho từng bệnh nhân, nhưng vẫn cần kết hợp cơ chế kiểm tra quy gán trước khi đưa vào môi trường điều trị rủi ro cao.
Ở hướng tiếp cận chẩn đoán thần kinh, bài báo thứ hai giới thiệu hệ thống EEG-to-Report chạy trên nền trình duyệt, giải quyết tình trạng thiếu dữ liệu văn bản - tín hiệu chuẩn hóa để huấn luyện AI. Khung làm việc này chuẩn hóa các kênh tín hiệu EEG, tích hợp lớp gán nhãn đa phương thức kết hợp gõ phím và bản ghi âm giọng nói. Công cụ trích xuất đồng thời các tham số đặc trưng về phổ, thời gian, entropy, thông số Hjorth và xung sóng nhọn, lưu trữ cùng mô tả lâm sàng dưới dạng tệp JSON. EEG-to-Report kết hợp tập hợp các mạng tích chập (CNN) với LLM để tự động soạn thảo bản nháp báo cáo cho bác sĩ chuyên khoa thần kinh kiểm duyệt.
Cả hai công bố phản ánh xu hướng không để LLM hoạt động độc lập trong y tế, mà tích hợp mô hình vào các quy trình nhiều bước, có cấu trúc dữ liệu trung gian và cơ chế giám sát trước khi sử dụng trên lâm sàng.