Website CLBV.VN và các nền tảng trong hệ sinh thái QuanTriBenhVien.Vn được xây dựng bởi các thành viên có kinh nghiệm tại các bệnh viện, công ty. Web không có liên quan tới bất kỳ Vụ, Cục nào của BYT hay SYT --> chi tiết
Nội dung bạn cần không thấy trên website, có thể do bạn chưa đăng nhập hoặc tài khoản đã hết hạn. Nếu là thành viên của website, bạn cũng có thể yêu cầu trong nhóm Zalo "CLBV Members" các nội dung bạn quan tâm.
NCKH_AI
Bài học nhấn mạnh việc chuyển đổi từ phiếu giấy sang công cụ kỹ thuật số (Electronic Data Capture - EDC) để giảm sai số và tiết kiệm thời gian. Học viên học cách phân biệt dữ liệu có cấu trúc, bán cấu trúc và không cấu trúc. Nội dung thực hành bao gồm sử dụng AI để dịch hoặc tạo bộ câu hỏi (questionnaire) bằng tiếng Việt, thiết kế Case Report Form (CRF) và tạo Google Forms hoạt động trên điện thoại. Bài học khuyến nghị ưu tiên các công cụ đã được chuẩn hóa (validate) như SF-36 hay PHQ-9.
Bài 8: Tính cỡ mẫu
Bài này giải quyết một trong những phần khó nhất của nghiên cứu bằng cách định nghĩa 4 thông số cốt lõi: alpha, beta, power và effect size. Học viên học cách phân biệt sai lầm loại I và loại II thông qua ví dụ trực quan. Bài học giới thiệu sự vượt trội về độ chính xác của AI (như ChatGPT-4) so với cách tính truyền thống, nhưng đồng thời yêu cầu luôn phải kiểm chứng (cross-check) lại kết quả bằng các công cụ như G*Power hoặc ClinCalc để đảm bảo độ tin cậy.
- Xem thêm bài viết Bài 8: Tính cỡ mẫu
- Đăng nhập để gửi ý kiến
Bài 10: Quản lý và làm sạch dữ liệu
Với phương châm "Garbage In, Garbage Out", bài học này hướng dẫn quy trình 5 bước để đảm bảo chất lượng dữ liệu trước khi phân tích. Học viên học cách nhận diện 4 nhóm lỗi phổ biến: dữ liệu thiếu (missing), ngoại lai (outliers), trùng lặp và mâu thuẫn. Bài học đi sâu vào phân loại missing data (MCAR, MAR, MNAR) và cách xử lý tương ứng. AI được sử dụng để viết code Python kiểm tra chất lượng và thực hiện các phương pháp thay thế dữ liệu (imputation) phù hợp, đồng thời yêu cầu ghi nhật ký làm sạch (cleaning log) minh bạch.
Bài 5: Xây dựng câu hỏi nghiên cứu và giả thuyết (PICO/FINER)
Bài học này làm rõ tầm quan trọng của câu hỏi nghiên cứu như một bản "GPS" dẫn đường cho toàn bộ dự án. Học viên học cách bóc tách ý tưởng thô thành cấu trúc PICO (Population, Intervention, Comparison, Outcome) và đánh giá lại bằng 5 tiêu chí FINER (Feasible, Interesting, Novel, Ethical, Relevant). AI (ChatGPT/Claude) được sử dụng như một trợ lý để tinh chỉnh câu chữ và tạo ra các phiên bản giả thuyết khoa học (H₀ và H₁). Mục tiêu là giúp học viên có một câu hỏi nghiên cứu đủ cụ thể để thiết kế nghiên cứu ngay lập tức.
Bài 6: Viết Đề cương nghiên cứu và Proposal (Research Proposal Writing with AI)
Đây là bước cụ thể hóa ý tưởng thành một văn bản pháp lý và khoa học. Bài học hướng dẫn cấu trúc chuẩn của một bản Proposal, bao gồm việc soạn thảo tiêu đề, viết mục tiêu SMART và lập kế hoạch tiến độ qua sơ đồ Gantt. Học viên sử dụng AI để lên khung phần Đặt vấn đề, mô tả phương pháp và dự toán nguồn lực. Bài học nhấn mạnh rằng một Proposal tốt chiếm đến 50% khối lượng công việc và là "kim chỉ nam" giúp thuyết phục hội đồng khoa học và đảm bảo nguồn lực thực hiện.
Bài 4: Tổng quan tài liệu và Systematic Review
Nội dung tập trung vào quy trình thực hiện tổng quan hệ thống (Systematic Review) theo chuẩn PRISMA 2020. Bài học phân biệt rõ giữa Narrative Review, Scoping Review và Systematic Review. Học viên được thực hành xây dựng câu hỏi PICO, thiết lập chiến lược tìm kiếm trên PubMed/Google Scholar và sử dụng các công cụ AI chuyên biệt như Rayyan để sàng lọc bài báo hay Elicit để trích xuất dữ liệu. Bài học cảnh báo rủi ro khi tin mù quáng vào tóm tắt của AI mà không đọc bài gốc.
Bài 3: Tìm ý tưởng và xác định khoảng trống nghiên cứu
Bài học hướng dẫn cách xác định 6 loại "research gap" (khoảng trống nghiên cứu) phổ biến, đặc biệt là Population Gap vốn rất tiềm năng tại Việt Nam. Học viên được học cách khai thác ý tưởng từ 4 nguồn: quan sát lâm sàng, đọc tài liệu, tham gia hội nghị và sử dụng công cụ AI như Elicit hay Research Rabbit. Bài học nhấn mạnh việc sử dụng khung FINER để đánh giá tính khả thi của ý tưởng và kỹ năng viết prompt để brainstorm cùng AI, giúp biến những tò mò lâm sàng thành câu hỏi nghiên cứu giá trị.
Bài 2: Lợi ích, rủi ro và giới hạn của AI trong nghiên cứu
Bài này tập trung vào hai mặt của việc sử dụng AI trong nghiên cứu. Học viên tìm hiểu về 5 lợi ích lớn: tiết kiệm thời gian, tăng độ chính xác ở một số khâu, mở rộng tiếp cận tri thức, phá vỡ rào cản ngôn ngữ và dân chủ hóa nghiên cứu. Song song đó là 6 rủi ro nguy hiểm: ảo giác (hallucination), thiên lệch (bias), vi phạm bảo mật, đạo văn, mất tư duy phản biện và tài liệu giả. Bài học cung cấp quy tắc "GIẢI" và quy trình kiểm tra 3 lớp để giúp nhân viên y tế sử dụng AI an toàn và có đạo đức.
Bài 1: Tổng quan về AI và nghiên cứu khoa học Y khoa
Bài học này mở đầu bằng việc giải mã các thuật ngữ cơ bản như AI, Machine Learning, Deep Learning và LLM. Học viên được giới thiệu về vai trò của AI trong từng giai đoạn của chu trình nghiên cứu, từ tìm ý tưởng đến xuất bản. Bài học nhấn mạnh sự khác biệt giữa việc AI hỗ trợ và AI thay thế con người, đồng thời hướng dẫn sử dụng các công cụ phổ biến như ChatGPT và Consensus để tìm kiếm bằng chứng khoa học. Thông điệp cốt lõi là AI giúp tiết kiệm 40-60% thời gian, nhưng con người luôn phải là người "lái xe" và chịu trách nhiệm cuối cùng.
Ứng dụng AI trong nghiên cứu khoa học Y khoa
Bài 1: Tổng quan về ai và nghiên cứu khoa học Y khoa
Bài 2: Lợi ích, rủi ro và giới hạn của AI trong nghiên cứu
Bài 3: Tìm ý tưởng và xác định khoảng trống nghiên cứu (Research idea generation and gap identification)
Bài 4: Tổng quan tài liệu và systematic review (Literature review with AI)
Bài 5: Xây dựng câu hỏi nghiên cứu và giả thuyết (PICO/FINER) (Research question formulation)
Bài 6: Viết đề cương nghiên cứu và proposal (Research proposal writing with AI)
Bài 7: Thiết kế nghiên cứu và phương pháp (Study design and methodology)