Ứng dụng AI trong dự báo nguy cơ dịch bệnh
Một trong những ứng dụng nổi bật của AI là xây dựng các mô hình dự báo dịch bệnh dựa trên dữ liệu khí hậu, môi trường và dịch tễ học. Các thuật toán Random Forest, Gradient Boosting và mạng nơ-ron nhân tạo đã được sử dụng để dự báo số ca mắc sốt xuất huyết tại nhiều quốc gia Đông Nam Á với độ chính xác cao [7].
Nghiên cứu của Xu và cộng sự (2024) cho thấy việc tích hợp dữ liệu nhiệt độ, lượng mưa, độ ẩm và mật độ dân cư vào mô hình AI giúp cải thiện đáng kể khả năng dự báo dịch sốt xuất huyết trước 4–8 tuần [8].
D-MOSS (Dengue forecasting MOdel Satellite-based System) là hệ thống cảnh báo sớm bệnh sốt xuất huyết ứng dụng công nghệ vệ tinh. Công cụ này tích hợp dữ liệu thời tiết, quan sát trái đất và lịch sử dịch bệnh để dự báo các đợt bùng phát dịch trước từ 1 đến 6 tháng, giúp các cơ quan y tế chủ động khoanh vùng và ngăn chặn dịch. Mô hình đã được thử nghiệm và đánh giá cao tại nhiều khu vực có nguy cơ như Tây Nguyên, Khánh Hòa, Bắc Ninh và các tỉnh phía Bắc [9]
Trong lĩnh vực sốt rét, AI được sử dụng để xác định các điểm nóng truyền bệnh và tối ưu hóa phân bổ nguồn lực phòng chống
Ứng dụng AI trong nghiên cứu tác nhân gây bệnh và giám sát kháng hóa chất
Công nghệ giải trình tự gen thế hệ mới (Next-Generation Sequencing - NGS) tạo ra lượng dữ liệu sinh học khổng lồ đòi hỏi các công cụ phân tích hiệu quả. AI hiện được sử dụng để:
- Phát hiện các biến thể gen mới;
- Phân tích mối liên quan giữa kiểu gen và kiểu hình;
- Xác định các dấu ấn phân tử liên quan đến khả năng truyền bệnh;
- Dự báo nguy cơ kháng hóa chất.
Trong các nghiên cứu về muỗi truyền bệnh, các mô hình học máy đã hỗ trợ phát hiện các đột biến liên quan đến kháng pyrethroid như kdr và các cơ chế chuyển hóa liên quan đến enzyme P450.
Ứng dụng AI trong tối ưu hóa các biện pháp can thiệp
AI giúp phân bổ nguồn lực phun hóa chất và diệt lăng quăng/ bọ gậy một cách hiệu quả nhất, tránh lạm dụng tràn lan gây lãng phí và tăng áp lực hóa chất [10]:
- Bản đồ hóa môi trường sống: Sử dụng máy bay không người lái (drone) kết hợp AI để quét, lập bản đồ, xác định các khu vực ao tù, nước đọng, khu vực có nguy cơ cao để triển khai phun hóa chất;
- Khoanh vùng trọng điểm: Giúp các cơ quan y tế xác định chính xác khu vực cần phun hóa chất, giảm 20% - 40% lượng hóa chất sử dụng so với phương pháp đại trà truyền thống.
| TÓM TẮT MỘT SỐ ỨNG DỤNG AI TRONG KIỂM SOÁT BỆNH DO VÉC TƠ TRUYỀN 1. Giám sát vật trung gian truyền bệnh & Nhận dạng loài (Vector Surveillance & Speciation) Việc xác định các vật chủ trung gian truyền bệnh cụ thể như muỗi Aedes hoặc Anopheles theo phương pháp truyền thống đòi hỏi chuyên môn côn trùng học, thực hiện thủ công dưới kính hiển vi. Trí tuệ nhân tạo (AI) đơn giản hóa và tự động hóa quy trình này: - Nhận diện hình ảnh: Các phụ kiện điện thoại thông minh hỗ trợ trí tuệ nhân tạo như VectorCAM có thể xác định loài muỗi trong vài giây với độ chính xác lên đến 95% bằng cách sử dụng kính lúp cơ bản; - Cảm biến sinh học âm thanh (Bio-Acoustic Sensors): Hệ thống thông minh phát hiện và phân loại các loài muỗi trong tự nhiên bằng cách phân tích những khác biệt nhỏ về tần số đập cánh và âm thanh khi bay. 2. Lập bản đồ môi trường sống và công nghệ máy bay không người lái (Habitat Mapping & Drone Technology) Thuật toán AI xử lý hình ảnh trên không độ phân giải cao được thu thập bởi máy bay không người lái để xác định chính xác các khu vực sinh sản tiềm năng, chẳng hạn như lốp xe bỏ đi hoặc các vùng nước tù đọng: -Tìm kiếm chính xác (Precision Scouting): Các mạng nơ-ron tích chập (CNN) như U-Net++ đã được huấn luyện để tìm các địa điểm sinh sản ẩn dưới tán lá hoặc khuất trong bóng tối, thường phát hiện ra số lượng mối nguy hiểm thực tế nhiều gấp gần 2 lần so với các nhà phân tích con người. -Phân tích không gian địa lý: Các công ty sử dụng khảo sát trên không bằng máy bay không người lái kết hợp với máy học để lập bản đồ các khu vực có nguy cơ cao, từ đó thúc đẩy việc quản lý ấu trùng một cách có mục tiêu thay vì phun hóa chất tràn lan. 3. Dự báo dịch bệnh và mô hình dự đoán (Outbreak Forecasting & Predictive Modeling): Bằng cách tích hợp lượng lớn dữ liệu trong quá khứ, lâm sàng và môi trường, AI có thể dự đoán sự bùng phát của các bệnh dịch như sốt xuất huyết và sốt rét trước kh xảy ra nhiều tuần. - Các chỉ số dự báo: Mô hình học máy phân tích ảnh vệ tinh, dữ liệu khí hậu (lượng mưa, nhiệt độ, độ ẩm) và thậm chí cả dữ liệu từ cộng đồng để dự báo dịch bệnh với độ tin cậy cao; - Mạng lưới Bayesian (Bayesian Network): Các mạng này đã được chứng minh là có khả năng dự báo tỷ lệ mắc bệnh sốt xuất huyết trước 30 ngày với độ chính xác 81%, cho phép các cơ quan y tế chủ động phân bổ nhân lực và nguồn lực. 4. Các biện pháp can thiệp mục tiêu và phân bổ nguồn lực (Targeted Interventions & Resource Allocation) Thuật toán AI tối ưu hóa các hoạt động kiểm soát véc tơ để đảm bảo hiệu quả tối đa với nguồn lực tối thiểu. - Phun thuốc tối ưu: Các mô hình học tăng cường và tối ưu hóa không gian địa lý giúp các đội y tế công cộng nhắm mục tiêu phun hóa chất diệt côn trùng và tối ưu hóa việc phân phối màn chống muỗi; - Kỹ thuật côn trùng vô sinh: Công nghệ hình ảnh máy tính hỗ trợ bởi trí tuệ nhân tạo giúp các phòng thí nghiệm tách muỗi đực vô sinh khỏi muỗi cái một cách nhanh chóng và chính xác trước khi thả, làm giảm đáng kể tổng số quần thể muỗi truyền bệnh. 5. Khoa học cộng đồng & Báo cáo thời gian thực (Citizen Science & Real-Time Reporting) Các công cụ AI tận dụng sự giúp đỡ của cộng đồng trong việc thu thập dữ liệu vector quy mô lớn, vô cùng quý giá. - Dữ liệu thu thập từ cộng đồng: Các nền tảng sử dụng ứng dụng di động như Mosquito Alert để cho phép người dùng báo cáo các trường hợp nhìn thấy muỗi và ghi lại các vết đốt, tích hợp dữ liệu công khai này vào bản đồ rủi ro theo thời gian thực. 6. Chẩn đoán lâm sàng và hỗ trợ bệnh nhân (Clinical Diagnosis & Patient Support) Tại các cơ sở chăm sóc sức khỏe, trí tuệ nhân tạo (AI) hỗ trợ các hoạt động lâm sàng thực tế, đặc biệt là ở những khu vực thiếu nguồn lực hoặc vùng sâu vùng xa. - Chẩn đoán kính hiển vi: Các mô hình học sâu phân tích hình ảnh tiêu bản máu để phát hiện KSTSR Plasmodium gây bệnh sốt rét với độ chính xác chẩn đoán tương đương với các kỹ thuật viên được đào tạo chuyên sâu; - Hỗ trợ ra quyết định (Decision Support): Trí tuệ nhân tạo (AI) đánh giá hồ sơ bệnh án phức tạp, dự đoán diễn tiến bệnh nặng và đưa ra các khuyến nghị điều trị dựa trên mô hình kháng thuốc theo khu vực; |
THẢO LUẬN
Những thành tựu đạt được cho thấy AI đang làm thay đổi đáng kể cách tiếp cận trong kiểm soát véc tơ truyền bệnh. So với các phương pháp truyền thống, AI cho phép xử lý khối lượng dữ liệu lớn hơn, tốc độ nhanh hơn và khả năng phát hiện các mối liên hệ phức tạp mà con người khó nhận biết. Tuy nhiên, hiệu quả của AI phụ thuộc rất lớn vào chất lượng dữ liệu đầu vào. Nhiều quốc gia đang phát triển hiện vẫn thiếu các cơ sở dữ liệu chuẩn hóa về véc tơ, tác nhân gây bệnh và kháng hóa chất.
Tại Việt Nam, việc ứng dụng AI trong lĩnh vực côn trùng y học mới ở giai đoạn khởi đầu. Đã xây dựng được mô hình hệ thống cảnh báo sớm bệnh sốt xuất huyết ứng dụng công nghệ vệ tinh; nhưng việc ứng dụng rộng rãi vẫn còn nhiều hạn chế. Các đơn vị nghiên cứu cần tập trung xây dựng cơ sở dữ liệu quốc gia về véc tơ truyền bệnh, kết hợp dữ liệu hình ảnh, sinh học phân tử, viễn thám và khí tượng để tạo nền tảng cho các nghiên cứu AI trong tương lai.
Bên cạnh đó, cần thúc đẩy đào tạo nguồn nhân lực liên ngành giữa côn trùng học, dịch tễ học, khoa học dữ liệu và công nghệ thông tin; qua đó giúp xây dựng một đội ngũ khoa học có kiến thức đa ngành liên quan và có đủ năng lực để định hướng nghiên cứu cũng như ứng dụng AI vào nghiên cứu khoa học và áp dụng các thành tựu của khoa học trí tuệ nhân tạo vào thực tiễn phòng chống dịch bệnh nói chung và các bệnh do véc tơ truyền nói riêng, một cách phù hợp và hiệu quả cao.
KẾT LUẬN
Trí tuệ nhân tạo đang trở thành một công cụ quan trọng trong kiểm soát véc tơ truyền bệnh. Các ứng dụng từ nhận dạng véc tơ, dự báo dịch bệnh, giám sát thông minh đến nghiên cứu kháng hóa chất đều cho thấy tiềm năng lớn trong việc nâng cao hiệu quả phòng chống dịch.
Đối với Việt Nam, việc đầu tư phát triển cơ sở dữ liệu, hạ tầng số và nguồn nhân lực sẽ là những yếu tố then chốt để khai thác hiệu quả các thành tựu của AI trong lĩnh vực côn trùng y học và y tế công cộng.
TÀI LIỆU THAM KHẢO
1. World Health Organization. Vector-borne diseases. Geneva: WHO; 2024.
2. Rocklöv J, Dubrow R. Climate change: an enduring challenge for vector-borne disease prevention and control. N Engl J Med. 2020; 383: 500–502.
3. Esteva A, Robicquet A, Ramsundar B, et al. A guide to deep learning in healthcare. Nat Med. 2019; 25: 24–29.
4. Nguyễn Thị Hồng Ngọc, Trần Đức Hinh. Cập nhật các phương pháp mới trong nghiên cứu và kiểm soát vector truyền bệnh theo cách tiếp cận one health. Báo cáo Khoa học Hội nghị Côn trùng học Quốc gia lần thứ 12. 2026; 70: 818–825.
5. Park J, Kim D, Lee S, et al. Deep learning-based mosquito classification using image recognition. Sci Rep. 2021; 11:1018.
6. Motta D, Santos J, Ferreira M, et al. Automated mosquito species identification using convolutional neural networks. Parasites Vectors. 2023; 16: 221.
7. Guo P, Liu T, Zhang Q, et al. Developing a dengue forecast model using machine learning. PLoS Negl Trop Dis. 2022; 16.
8. Thanh Huy Nguyen, Nguyen Quoc Khanh Le. AI-Assisted Differentiation of Dengue and Chikungunya Using Big, Imbalanced Epidemiological Data. Trop. Med. Infect. Dis. 2026, 11(2), 40.
9. Vũ Trọng Dược, Phạm Tuấn Anh, Đào Khánh Tùng, Trần Công Đại và cs. Mô hình dự báo sớm dịch sốt xuất huyết dengue (D-MOSS) tại khu vực miền Bắc Việt Nam, 2019-2021. Tạp Chí Y học dự phòng. 2022; 32: 36-45.
10. Yusuf Hared Abdi, Naima Ibrahim Ahmed, et al. Using Artificial Intelligence in Vector Control: A New Path for Public Health. Journal of Vector borne diseases. 2025.
11. Inderpreet Kaur, Amanpreet Kaur Sandhu, Yogesh Kumar (2022). Artificial Intelligence Techniques for Predictive Modeling of Vector-Borne Diseases and its Pathogens: A systematic review. Archives of Computational Methods in Engineering, Volume 29, pages 3741-3771.
12. Basudev Nayak, Bonomali Khuntia, Laxman Kumar Murmu, Bijayalaxmi Sahu, Rabi Sankar Pandit, Tapan Kumar Barik (2022). Artificial intelligence (AI): a new window to revamp the vector-borne disease control. Parasitology Research, Volume 122, pages 369–379 (2023)
13. Navya Mall, Tridibesh Tripathy, Sanskriti Tripathy (2026). Role of Artificial Intelligence in Vector-Borne Disease Management in India. EAS Journal of Parasitology and Infectious Diseases, ISSN: 2663-0982 (Print) & ISSN: 2663-6727 (Online).
Tác giả: TS. Nguyễn Xuân Quang, TS.BS. Huỳnh Hồng Quang
Viện Sốt rét - Ký sinh trùng - Côn trùng Quy Nhơn