Nguồn: Ran Guo và Lizzi C. Lee, “China Is Trying to Make AI Work for Health Care,” Foreign Policy, 31/08/2026
Biên dịch: Nguyễn Thị Kim Phụng
Nỗ lực do nhà nước hậu thuẫn đang đặt ra một câu hỏi quan trọng: Ai sẽ là người trả tiền?
Nỗ lực của Trung Quốc nhằm tích hợp trí tuệ nhân tạo vào các ngành công nghiệp, được gọi là “Kế hoạch AI+”, đã thu hút sự chú ý lớn, và phần nhiều là hoàn toàn xứng đáng. Đối với Trung Quốc, AI là một dự án phát triển quốc gia chứ không đơn thuần là một đổi mới công nghệ, với tham vọng nâng cấp mọi lĩnh vực, từ các ngành công nghiệp truyền thống đến những ngành mới nổi.
Tuy nhiên, thách thức tiếp theo không nằm ở công nghệ. Trung Quốc đã tận dụng phần lớn những “quả ngọt dễ hái”, chẳng hạn như năng lực hoạch định công nghiệp dài hạn, chuỗi cung ứng tiên tiến và lực lượng kỹ sư đông đảo. Trong khi đó, một số thách thức quan trọng nhất của AI+ lại bắt nguồn từ những vấn đề ít hào nhoáng hơn, đòi hỏi những thay đổi mang tính hệ thống về chính sách và thể chế. Điều này thể hiện rõ nhất trong lĩnh vực “Y tế AI+”, nơi nhu cầu đổi mới ngày càng trở nên cấp bách trước áp lực già hóa dân số và gánh nặng bệnh tật gia tăng.
Ở Trung Quốc, cũng như nhiều nơi khác trên thế giới, các cuộc thảo luận về AI trong y tế thường tập trung vào viễn cảnh những mô hình chẩn đoán mang màu sắc tương lai và các bệnh viện thông minh. Nhưng những người trực tiếp làm việc trong hệ thống lại quan tâm đến những vấn đề thực tế hơn: làm thế nào để xử lý dữ liệu y tế sao cho có thể sử dụng được; thiết kế cơ chế khuyến khích các tổ chức hợp tác ra sao; và cuối cùng, ai sẽ là người trả tiền.
Tháng 7 năm nay, một trong hai chúng tôi, Guo, đã tham dự nhiều diễn đàn về chính sách y tế và AI tại Bắc Kinh và Thượng Hải. Các chuyên gia tại những diễn đàn này đều chỉ ra những điểm nghẽn tương tự: thiếu dữ liệu bệnh viện có thể sử dụng được, hạn chế trong việc chia sẻ dữ liệu giữa các tổ chức, và câu hỏi liệu AI có thực sự giúp hệ thống y tế tiết kiệm chi phí hay không. Các chuyên gia Trung Quốc nhìn nhận AI như một con đường tiềm năng để giúp dịch vụ y tế trở nên dễ tiếp cận và hiệu quả hơn, nhưng đồng thời thừa nhận rằng hiện vẫn có quá ít bộ dữ liệu chất lượng cao và quy mô chia sẻ dữ liệu còn rất hạn chế.
Kể từ khi Quốc vụ viện Trung Quốc triển khai sáng kiến AI+ trên toàn quốc vào năm 2025, y tế đã được xác định là một lĩnh vực ưu tiên cho ứng dụng AI và đã đạt được một số thành tựu nhất định. Các bệnh viện hàng đầu tích lũy được những kho dữ liệu y tế khổng lồ; các mô hình ngôn ngữ lớn chuyên biệt cho y tế tiến bộ nhanh chóng; và nhiều ứng dụng sức khỏe đã được tung ra thị trường. Tuy nhiên, thị trường vẫn gặp khó khăn trong việc chuyển hóa những năng lực này thành thành công thương mại. Hiện chỉ có rất ít sản phẩm AI y tế được hệ thống bảo hiểm y tế công phê duyệt và chi trả, qua đó hạn chế đáng kể triển vọng của chúng trên thị trường nội địa.
Bản thân chính sách dữ liệu của Trung Quốc cũng đang thay đổi nhanh chóng, gần đây chuyển mạnh sang ưu tiên “dữ liệu cho AI”. Trước đây, từ khóa phổ biến là “dữ liệu lớn”: số hóa khối lượng thông tin khổng lồ và biến chúng thành tài sản của nền kinh tế số. Năm 2023, Trung Quốc thành lập Cục Dữ liệu Quốc gia nhằm xây dựng một thị trường dữ liệu ở cấp quốc gia. Giờ đây, trọng tâm đang dịch chuyển sang khái niệm “trí tuệ số”, nhấn mạnh nhiều hơn vào yếu tố “trí tuệ”. Ý tưởng cốt lõi là dữ liệu chỉ thực sự có giá trị khi nó có thể tạo ra một công nghệ, sản phẩm hoặc kết quả có thể đo lường được.
Dữ liệu y tế đặc biệt phù hợp với logic này. Chẳng hạn, dữ liệu bệnh viện có thể được sử dụng để hỗ trợ chẩn đoán. Trên thực tế, các bệnh viện Trung Quốc đã tích lũy một lượng dữ liệu khổng lồ, nhưng chưa có một lộ trình rõ ràng để khai thác chúng. Nếu muốn sử dụng dữ liệu này để xây dựng các mô hình AI, bệnh viện và doanh nghiệp phải làm theo hướng ngược lại: xác định trước loại dữ liệu cần thiết rồi tập hợp và chuẩn hóa chúng. Hiện nay, hồ sơ sức khỏe của bệnh nhân nằm rải rác ở nhiều khoa, được lưu trữ dưới các định dạng không tương thích và sử dụng những thuật ngữ hoặc mã viết tắt khác nhau. “Đau tim” ở bệnh viện này có thể được ghi là “nhồi máu cơ tim cấp” hoặc bằng một mã nội bộ hoàn toàn khác ở bệnh viện khác, trong khi các hồ sơ lại tồn tại tách biệt. Điều này khiến việc trao đổi và tái sử dụng dữ liệu trở nên vô cùng khó khăn, đặc biệt khi các tiêu chuẩn quốc gia của Trung Quốc về khả năng liên thông mới chỉ mang tính khuyến nghị, chứ chưa bắt buộc.
Một thách thức lớn hơn là chất lượng dữ liệu. Việc huấn luyện AI trong y tế cần dữ liệu theo chiều dọc, tức hồ sơ theo dõi một bệnh nhân trong thời gian dài, trong khi phần lớn hồ sơ y tế tại Trung Quốc chỉ phản ánh những lát cắt ở một thời điểm cụ thể. Khía cạnh “quản lý sức khỏe” theo thời gian cũng còn rất yếu. Thương vụ Ant Group mua lại nền tảng Haodf là một ví dụ điển hình: phần lớn dữ liệu tư vấn trên nền tảng này thiếu thông tin theo dõi sau đó, trong khi đây chính là loại dữ liệu cần thiết để xác nhận hoặc tinh chỉnh các mô hình AI.
Cũng cần nhấn mạnh rằng dữ liệu y tế chứa nhiều thông tin cá nhân nhạy cảm và nếu xử lý không đúng cách có thể vi phạm luật bảo vệ dữ liệu của Trung Quốc. Vì vậy, các nhà quản lý bệnh viện thường chọn phương án an toàn nhất là không chia sẻ dữ liệu, nhằm tránh nguy cơ phải chịu trách nhiệm pháp lý nếu xảy ra rò rỉ. Ủy ban Y tế Quốc gia đã khuyến khích những phương pháp an toàn hơn như học liên kết (federated learning), cho phép huấn luyện mô hình trên dữ liệu của nhiều tổ chức mà không cần tập trung dữ liệu thô tại một nơi. Tuy nhiên, triển khai những phương pháp này đòi hỏi năng lực kỹ thuật mà phần lớn đội ngũ công nghệ thông tin của bệnh viện chưa có, khiến họ thường phải thuê kỹ sư bên ngoài, từ đó làm tăng chi phí cũng như rủi ro bảo mật. Vì vậy, việc huấn luyện một mô hình chung trên dữ liệu của nhiều bệnh viện vẫn cực kỳ hiếm.
Áp lực phải công bố các bài báo khoa học đối với bác sĩ Trung Quốc cũng tạo ra một số động lực hợp tác. Nghiên cứu của chúng tôi cho thấy phần lớn hoạt động chia sẻ dữ liệu y tế diễn ra giữa một khoa trong bệnh viện với một nhóm nghiên cứu bên ngoài. Do thành tích công bố khoa học có ảnh hưởng lớn đến cơ hội thăng tiến của các bác sĩ – nhà khoa học tại Trung Quốc, họ có động lực chia sẻ dữ liệu với các cộng sự học thuật. Tuy nhiên, dữ liệu được trao đổi qua những kênh này thường phải tuân thủ các phê duyệt đạo đức nghiêm ngặt và những thỏa thuận cấm sử dụng cho mục đích thương mại.
Ngoài ra, vẫn chưa rõ nhu cầu thực tế đối với các sản phẩm AI y tế nằm ở đâu và lớn đến mức nào. Các công ty AI y tế Trung Quốc vẫn đang thử nghiệm để xác định thị trường thực sự sẵn sàng trả tiền cho loại dịch vụ nào. Một công cụ chuyên biệt phục vụ một nhiệm vụ cụ thể thường dễ thương mại hóa hơn một mô hình nền tảng y tế đa dụng, vì vậy các doanh nghiệp thường tìm cách tích hợp AI vào phần cứng hoặc thiết bị nhằm giải quyết một nhu cầu ngách cụ thể.
Cũng có những nghi ngại về tính khả thi của mô hình kinh doanh AI trong y tế. AI có thể giúp nâng cao hiệu quả và tiết kiệm chi phí bằng cách giảm chi phí chẩn đoán, vận hành và nghiên cứu, nhưng lại hiếm khi trực tiếp làm tăng doanh thu cho bệnh viện hoặc công ty dược. Vấn đề càng trở nên nghiêm trọng khi nhiều bệnh viện công Trung Quốc vốn đã chịu áp lực tài chính lớn vì nợ nần và các cải cách kiểm soát chi phí gần đây. Hơn nữa, bác sĩ không được trả nhiều hơn chỉ vì họ làm việc hiệu quả hơn, nên việc tăng năng suất không tự động tạo thêm doanh thu. Ngay cả khi bệnh viện kỳ vọng các công ty công nghệ hoặc dược phẩm sẽ trả tiền để tiếp cận dữ liệu, bản thân các công ty dược cũng không thể tự gánh toàn bộ chi phí triển khai và sẽ muốn có một cơ chế chia sẻ chi phí, chẳng hạn yêu cầu người mua sản phẩm cuối cùng góp phần trang trải chi phí nghiên cứu. Về phía bệnh nhân, họ cũng khó có khả năng tự bỏ tiền túi để trả cho một công nghệ như thuật toán cá nhân hóa.
Trên thực tế, bên chi trả hợp lý nhất là hệ thống bảo hiểm y tế công của Trung Quốc. Nhưng bảo hiểm công không phải là nguồn tài chính vô hạn: các quỹ bảo hiểm địa phương phải duy trì cân đối thu chi. Vì vậy, việc lập một quỹ chi trả riêng cho các thiết bị y tế tích hợp AI là không thực tế. Những người ủng hộ thường viện dẫn “bài toán tổng thể”: một sản phẩm AI phải chứng minh rằng nó có thể giúp toàn bộ hệ thống tiết kiệm tiền, lý tưởng nhất là thông qua việc giảm chẩn đoán sai, thủ thuật không cần thiết hoặc các chi phí khác, để tổng lợi ích vượt quá tổng chi phí. Cách dễ nhất để làm cho bài toán tài chính trở nên khả thi là gắn AI vào những thứ mà hệ thống vốn đã có cơ chế chi trả. Chẳng hạn, AI chẩn đoán hình ảnh có thể được tích hợp vào máy quét hoặc hệ thống báo cáo của nhà cung cấp và được thanh toán như một bộ phận của thiết bị.
Nhiều người trong ngành hình dung Y tế AI+ như một “bánh đà dữ liệu”: dữ liệu tốt hơn giúp huấn luyện các mô hình tốt hơn, các mô hình này cải thiện chất lượng chăm sóc, từ đó tạo ra nhiều dữ liệu hơn. Nhưng vòng quay cũng có thể diễn ra theo hướng ngược lại. Thiếu dữ liệu chất lượng cao sẽ hạn chế khả năng tinh chỉnh mô hình cho những mục đích y tế cụ thể và cản trở thương mại hóa, trong khi việc không có một cơ chế thanh toán rõ ràng lại khiến bệnh viện và nhà phát triển không muốn đầu tư thêm vào dữ liệu. Nhiều đề xuất chính sách mới về Y tế AI+ hiện đang tìm cách phá vỡ vòng luẩn quẩn này.
Vấn đề là điều đó rất khó thực hiện. Cải thiện khả năng liên thông (interoperability) đồng nghĩa với việc phải khắc phục tình trạng phụ thuộc vào nhà cung cấp, tức khó khăn trong việc chuyển từ hệ thống công nghệ thông tin của nhà cung cấp này sang nhà cung cấp khác. Phần lớn bệnh viện đã xây dựng các hệ thống công nghệ thông tin độc quyền từ nhiều thập kỷ trước. Việc chuyển đổi toàn bộ dữ liệu tích lũy sang các định dạng tương thích đòi hỏi nguồn lực rất lớn. Các bệnh viện cũng không thể đơn giản thay nhà cung cấp chỉ trong một sớm một chiều do sự không tương thích về kỹ thuật và chi phí quá cao của việc đại tu toàn bộ hệ thống. Một mô hình chẩn đoán có thể đạt độ chính xác khoảng 95% tại bệnh viện nơi nó được huấn luyện, nhưng khi áp dụng tại một bệnh viện khác, độ chính xác có thể giảm xuống chỉ còn khoảng 60%, khiến việc kiểm định và định giá mô hình giữa các cơ sở trở nên cực kỳ khó khăn.
Cách tổ chức quản trị bệnh viện theo chiều dọc của Trung Quốc càng khiến vấn đề phức tạp hơn. Cục Quản lý Bảo hiểm Y tế Quốc gia có thể thu thập dữ liệu từ trên xuống, nhưng các bệnh viện lại thiếu những kênh kết nối ngang để chia sẻ dữ liệu hoặc thống nhất tiêu chuẩn với nhau. Mỗi bệnh viện công chịu trách nhiệm trước cơ quan quản lý hành chính riêng và phải gánh trách nhiệm pháp lý nếu xảy ra rò rỉ thông tin. Nói cách khác, họ phải chịu phần lớn rủi ro nhưng nhận được rất ít lợi ích từ việc chia sẻ dữ liệu. Trong bối cảnh đó, câu hỏi rất đơn giản: tại sao họ phải chia sẻ?
Đây chính là phần khó khăn nhất trong nỗ lực ứng dụng AI vào y tế của Trung Quốc. Một mạng lưới các cơ chế khuyến khích mâu thuẫn và đã ăn sâu trong hệ thống đang kéo các sáng kiến theo những hướng khác nhau. Vấn đề cốt lõi là làm thế nào để nhiều chủ thể trong hệ thống y tế có thể cùng hợp tác và phối hợp. Một số đề xuất mà chúng tôi được biết kêu gọi áp dụng một chiến lược hai mũi nhọn, trong đó mỗi hướng giải quyết một khía cạnh của tình trạng phân mảnh.
Thứ nhất là phá bỏ các “ốc đảo dữ liệu”. Các tiêu chuẩn về khả năng liên thông cần trở thành điều kiện bắt buộc khi chứng nhận phần mềm bệnh viện. Thứ hai là khắc phục tâm lý né tránh rủi ro. Các bệnh viện hàng đầu cần có một “vùng an toàn” pháp lý rõ ràng cho việc chia sẻ thông tin thông qua những cấu trúc bảo mật như “không gian dữ liệu đáng tin cậy”, tức các môi trường được kiểm soát dành riêng cho việc sử dụng dữ liệu. Tuy nhiên, nói thì dễ hơn làm. Cấp phép, thiết lập tiêu chuẩn chung và xây dựng các biện pháp bảo vệ pháp lý cho việc chia sẻ dữ liệu giữa các tổ chức là những lựa chọn chính sách mà chỉ các cơ quan quản lý y tế và dữ liệu mới có thể quyết định. Xây dựng khuôn khổ pháp lý và quy định cần thiết cho những cơ chế này không hề đơn giản, trong khi rủi ro tiềm ẩn rất lớn: tâm lý ngại rủi ro của bộ máy hành chính có thể tạo thêm một lớp cản trở chồng lên sự dè dặt vốn đã tồn tại trong các bệnh viện.
Đã có một số động thái nhằm giải quyết những lo ngại về quyền riêng tư. Các bệnh viện có thể xây dựng các bộ dữ liệu tổng hợp dựa trên những hồ sơ đã được cấp phép sử dụng hợp lệ. Cuộc thi Data Element X của Cục Dữ liệu Quốc gia, trong đó có một hạng mục dành riêng cho dữ liệu y tế, là một chương trình hiện có nhằm khuyến khích các nhà phát triển tìm kiếm những phương pháp thay thế như vậy.
Bảo hiểm thương mại cũng có thể giúp giải quyết một phần câu hỏi “ai trả tiền”. Danh mục bảo hiểm thương mại “loại C” được ra mắt năm 2025 là một bước khởi đầu tích cực. Tuy nhiên, hệ thống này vẫn cần một kho dữ liệu thống kê tính toán được quản lý tốt, tức một bộ dữ liệu dùng chung về rủi ro sức khỏe và chi phí, để các công ty bảo hiểm có thể định giá chính xác các sản phẩm AI và bảo đảm khả năng cân đối tài chính.
Tuy nhiên, tình trạng phân mảnh và các động lực lệch pha không chỉ bắt nguồn từ vấn đề dữ liệu, mà còn phản ánh những câu hỏi sâu xa hơn về chính vai trò của AI trong hệ thống y tế. Rốt cuộc, AI thực sự tạo ra giá trị ở đâu? Cuối cùng, các nhà hoạch định chính sách sẽ phải để thị trường đóng vai trò chủ đạo trong việc xác định bệnh viện muốn chia sẻ loại dữ liệu nào, các công ty dược sẵn sàng trả bao nhiêu, những kênh nào có thể tồn tại để phục vụ chia sẻ thông tin và huấn luyện mô hình một cách an toàn, và quan trọng nhất, liệu AI có thực sự cải thiện chất lượng cũng như khả năng tiếp cận dịch vụ chăm sóc y tế hay không.
Ran Guo là nghiên cứu sinh tiến sĩ luật tại Trường Luật Harvard và nghiên cứu viên liên kết tại Trung tâm Phân tích Trung Quốc thuộc Viện Chính sách Xã hội Châu Á.
Lizzi C. Lee là nghiên cứu viên về kinh tế Trung Quốc tại Trung tâm Phân tích Trung Quốc thuộc Viện Chính sách Xã hội Châu Á.