ML trong theo dõi bệnh nhân:

  + ML có thể phát hiện các mẫu dữ liệu phức tạp, động, vượt quá khả năng quan sát của con người

  + Hiện tại chủ yếu dùng ML để huấn luyện mô hình, sau đó triển khai dưới dạng hệ thống tĩnh (không học liên tục)

• Ứng dụng ML đã được nghiên cứu:
•   + Phát hiện sớm sepsis: ML có thể dự đoán sepsis trước 4–12 giờ so với phát hiện lâm sàng
•   + Giảm cảnh báo giả: ML giúp phân biệt cảnh báo thật và nhiễu, cải thiện độ chính xác
•   + Phát hiện delirium: dùng biến thiên nhịp tim (HRV) và ML để nhận diện sớm
•   + Phân tích waveform: phát hiện dyssynchrony giữa bệnh nhân và máy thở
•   + Đánh giá mức độ sedation: dùng HRV và ML để phân loại mức độ an thần
•   + Phát hiện arrhythmia chưa được ghi nhận: ML phát hiện rung nhĩ không được bác sĩ ghi nhận
• Tiềm năng tương lai:
•   + Hỗ trợ workflow: ML giúp giảm tải công việc phân tích dữ liệu sinh lý học
•   + Phân tích mẫu phức tạp: ML có thể phát hiện các mẫu động, đa chiều, có ý nghĩa lâm sàng
•   + Tích hợp EHR: ML cần dữ liệu từ EHR để học từ kết quả điều trị và cải thiện dự đoán
• Thách thức:
•   + Overdiagnosis: ML có thể phát hiện bất thường không cần điều trị, gây lo lắng và chi phí
•   + Bias: dữ liệu huấn luyện có thể gây thiên lệch, ảnh hưởng đến độ tin cậy
•   + Black box: khó giải thích cách ML đưa ra kết luận → cần tăng tính minh bạch
•   + Triển khai thực tế: cần đầu tư hạ tầng, nhân lực, và chấp nhận từ bác sĩ