Khi trả lời về thuốc, AI hay sai theo sáu kiểu: lẫn hai hoạt chất tên gần giống, đưa thông tin của thị trường nước khác, bịa nguồn hoặc bịa số, dùng thông tin đã cũ, bỏ sót cảnh báo cho đối tượng đặc biệt, và chiều theo cách đặt câu hỏi. Cả sáu kiểu đều được viết bằng giọng chắc chắn như câu trả lời đúng, nên chỉ có thể phát hiện bằng đối chiếu, không bằng cảm giác.
Biết trước các kiểu lỗi giúp dược sĩ biết nhìn vào đâu khi kiểm, thay vì đọc lại toàn bộ với tâm thế "chắc đúng". Bài này mô tả từng kiểu, vì sao nó xảy ra, dấu hiệu nhận biết và cách kiểm, rồi tổng hợp thành một bảng để dán cạnh máy tính.
Vì sao lỗi của AI về thuốc khó thấy
Mô hình ngôn ngữ được huấn luyện để viết ra chuỗi chữ hợp lý nhất theo ngữ cảnh. "Hợp lý" ở đây là hợp lý về mặt ngôn ngữ, không phải đã được kiểm chứng về mặt chuyên môn. Khi mô hình không có thông tin chắc chắn, nó vẫn có thể viết ra câu trả lời trôi chảy, đủ cấu trúc, đủ thuật ngữ. Hiện tượng này thường được gọi là ảo giác của AI.
Trong lĩnh vực thuốc, ảo giác nguy hiểm vì người đọc thường thiếu cách tự kiểm. Một câu trả lời về lịch sử hay địa lý sai thì người đọc có thể thấy lạ; một câu về tương tác thuốc sai thì nghe vẫn rất "y khoa". Thêm vào đó, câu trả lời thường đúng phần lớn, chỉ sai ở một chi tiết, và chi tiết đó có khi là chi tiết quan trọng nhất.
Vì vậy cách kiểm hiệu quả không phải đọc lại toàn bài mà nhắm vào những chỗ hay sai. Sáu kiểu lỗi dưới đây là những chỗ đó.
Kiểu 1 và 2: lẫn tên gần giống, lẫn thông tin của thị trường khác
Lẫn tên gần giống. Nghề dược đã biết từ lâu về nhóm thuốc nhìn giống, đọc giống, dễ bán nhầm. AI cũng mắc lỗi tương tự theo cách của nó: khi hai hoạt chất có tên gần giống, nó có thể gán đặc điểm của chất này cho chất kia, nhất là khi người hỏi gõ sai chính tả một chữ cái. Dấu hiệu: câu trả lời mô tả nhóm thuốc hoặc công dụng không khớp với những gì dược sĩ biết về hoạt chất đó. Cách kiểm: gõ lại tên hoạt chất chính xác theo tờ hướng dẫn, hỏi AI nhắc lại hoạt chất nó đang nói đến thuộc nhóm nào, rồi đối chiếu.
Thông tin của thị trường khác. Cùng một hoạt chất có thể được phép bán không cần đơn ở nước này nhưng phải có đơn ở nước khác, có dạng bào chế hoặc hàm lượng chỉ lưu hành ở một số nơi, có chỉ định được phê duyệt khác nhau. Phần lớn dữ liệu huấn luyện của các mô hình phổ biến là tài liệu tiếng Anh, nên câu trả lời dễ nghiêng về thực tế ở nước ngoài. Dấu hiệu: câu trả lời nhắc đến dạng bào chế lạ với nhà thuốc bạn, hoặc nói "có thể mua không cần đơn" một cách dễ dàng. Cách kiểm: đối chiếu với tờ hướng dẫn sử dụng của sản phẩm lưu hành trong nước và quy định hiện hành về phân loại thuốc kê đơn.
Hai kiểu lỗi này có chung một nguyên nhân: AI không biết bạn đang cầm hộp thuốc nào trên tay. Mọi câu trả lời phải được kéo về đúng sản phẩm cụ thể bằng tài liệu đi kèm sản phẩm đó.
Kiểu 3 và 4: bịa nguồn, bịa số và dùng thông tin đã cũ
Bịa nguồn, bịa số. Khi được yêu cầu dẫn nguồn, AI không có chế độ tìm web có thể tạo ra tên tài liệu, tên tạp chí, năm công bố nghe rất thật nhưng không tồn tại. Con số tỷ lệ tác dụng phụ, tỷ lệ hiệu quả cũng có thể được tạo ra theo cách đó. Dấu hiệu: nguồn rất cụ thể nhưng bạn không tìm thấy khi tra; con số có nhiều chữ số lẻ nhưng không ghi xuất xứ. Cách kiểm: tìm nguồn bằng công cụ tìm kiếm thông thường, mở ra đọc đúng đoạn được trích. Không tìm thấy là coi như không có.
Thông tin đã cũ. Mô hình có thời điểm dừng cập nhật kiến thức. Những gì xảy ra sau đó, như cảnh báo an toàn mới, quyết định thu hồi, thay đổi trong tờ hướng dẫn, mô hình có thể không biết. Ngay cả công cụ có tìm web cũng có thể lấy một trang cũ được xếp hạng cao. Dấu hiệu: câu trả lời không nhắc đến điều mà dược sĩ nhớ là vừa có thông báo. Cách kiểm: với thông tin an toàn, luôn xem nguồn chính thức của cơ quan quản lý dược và thông báo từ nhà cung cấp, chú ý ngày công bố.
Hai kiểu lỗi này cũng là lý do bài viết của trang không trích số liệu hay tên văn bản khi không chắc. Với thông tin thuốc, "không biết" là câu trả lời an toàn hơn "biết sai".
Kiểu 5 và 6: bỏ sót cảnh báo, chiều theo câu hỏi
Bỏ sót cảnh báo cho đối tượng đặc biệt. Câu trả lời của AI thường bao quát trường hợp phổ biến: người trưởng thành khoẻ mạnh. Những lưu ý dành cho người cao tuổi, trẻ nhỏ, phụ nữ có thai hoặc cho con bú, người bệnh gan thận có thể bị bỏ qua hoặc chỉ nhắc chung chung ở cuối. Đây chính là những nhóm đến nhà thuốc nhiều nhất và cần thận trọng nhất.
Cách kiểm cho kiểu 5. Đối chiếu riêng mục chống chỉ định, thận trọng và đối tượng đặc biệt trong tờ hướng dẫn sử dụng, không chỉ đọc phần AI tóm tắt. Khi có đối tượng đặc biệt, câu trả lời đúng thường là hỏi bác sĩ điều trị.
Chiều theo cách đặt câu hỏi. Câu hỏi dẫn dắt, kiểu "dùng chung hai thuốc này được đúng không", có xu hướng nhận về câu "được" kèm vài lưu ý nhẹ. Hỏi ngược "dùng chung hai thuốc này có nguy hiểm không" có thể nhận về câu trả lời nghiêng sang phía ngược lại. Mô hình có khuynh hướng đồng ý với người hỏi.
Cách kiểm cho kiểu 6. Đặt câu hỏi trung tính: "Nêu các lưu ý khi hai hoạt chất này được dùng cùng nhau, nếu có, và mức độ của từng lưu ý." Nếu hỏi hai chiều mà nhận hai đáp án trái nhau, đó là tín hiệu rõ ràng rằng AI không có thông tin đáng tin cho câu này.
Ví dụ giả định: hai lỗi chồng lên nhau trong một lần tra
Ví dụ giả định sau cho thấy các kiểu lỗi hiếm khi đi một mình. Một nhân viên mới gõ vào chatbot câu hỏi về một hoạt chất, nhưng gõ thiếu một chữ cái, khiến tên trùng gần với một hoạt chất khác thuộc nhóm khác hẳn. Chatbot trả lời trôi chảy về hoạt chất thứ hai, kèm câu "có thể dùng không cần đơn". Câu này đúng ở một số nước với hoạt chất thứ hai, nhưng không liên quan gì đến sản phẩm đang nằm trên quầy.
Nhân viên không nhận ra, vì câu trả lời có đủ phần công dụng, cách dùng chung, lưu ý. Chỉ khi dược sĩ đi ngang và hỏi lại tên hoạt chất trên hộp, sai lệch mới lộ ra. Ở đây kiểu 1 và kiểu 2 chồng lên nhau, và kiểu 6 góp thêm phần: câu hỏi ban đầu của nhân viên là "thuốc này bán không cần đơn được đúng không".
Bài học rút ra không phải là cấm nhân viên dùng máy, mà là quy trình: nhân viên không tự tra thông tin thuốc để trả lời khách; dược sĩ tra thì gõ tên theo đúng tờ hướng dẫn sử dụng, và luôn nhìn lại hộp thuốc thật trước khi tin vào màn hình.
Bảng tóm tắt để dán cạnh máy tính
Bảng dưới gom sáu kiểu lỗi, dấu hiệu và cách kiểm thành một trang. In ra, dán ở chỗ dược sĩ hay ngồi tra cứu.
| Kiểu lỗi | Dấu hiệu | Cách kiểm |
|---|---|---|
| Lẫn tên gần giống | Nhóm thuốc, công dụng không khớp kiến thức nền | Gõ lại tên chính xác, hỏi AI nhắc nhóm thuốc, đối chiếu tờ hướng dẫn |
| Thông tin thị trường khác | Dạng bào chế lạ, nói không cần đơn dễ dàng | Tờ hướng dẫn của sản phẩm lưu hành trong nước, quy định hiện hành |
| Bịa nguồn, bịa số | Nguồn rất cụ thể nhưng không tìm thấy; số lẻ không xuất xứ | Tìm và mở nguồn; không thấy thì bỏ |
| Thông tin cũ | Không nhắc thông báo mới mà dược sĩ biết | Trang chính thức của cơ quan quản lý, xem ngày công bố |
| Bỏ sót đối tượng đặc biệt | Lưu ý cho người già, trẻ em, thai phụ mờ nhạt | Đọc riêng mục chống chỉ định, thận trọng |
| Chiều theo câu hỏi | Câu trả lời đổi khi đổi cách hỏi | Hỏi trung tính; hai chiều trái nhau thì không dùng |
Bảng này cũng hữu ích khi đào tạo nhân viên: cho họ xem một ví dụ thật của mỗi kiểu lỗi, lấy từ chính lần thử công cụ ở nhà thuốc, sẽ thuyết phục hơn mọi lời dặn.
Phát hiện lỗi rồi thì làm gì, và lúc nào thôi tra cứu
Khi phát hiện AI sai, việc đầu tiên là kiểm xem nội dung sai đã đi đến đâu: đã gửi cho khách chưa, đã in thành tờ hướng dẫn chưa, đã nằm trong mẫu tin nhắn chưa. Nếu đã đến tay người mua, dược sĩ chủ động liên hệ lại để đính chính, càng sớm càng tốt. Sau đó ghi vào sổ duyệt kiểu lỗi đã gặp, để lần sau cả nhóm biết cảnh giác với loại câu hỏi đó.
Nếu một loại câu hỏi liên tục cho kết quả sai, quyết định đúng là ngừng dùng AI cho loại câu hỏi đó, chuyển hẳn sang tài liệu chuyên môn. Không cần thắng máy bằng câu lệnh ngày càng phức tạp.
Cuối cùng, có những lúc việc tra cứu, dù bằng AI hay bằng sách, đều không phải việc nên làm. Người mua mô tả khó thở, đau ngực, co giật, lơ mơ, sưng mặt sau khi dùng thuốc, trẻ nhỏ nuốt phải thuốc của người lớn: khuyên gọi 115 hoặc đến ngay cơ sở y tế gần nhất. Người có triệu chứng kéo dài, đang điều trị nhiều bệnh, phụ nữ có thai hỏi về thuốc mới: khuyên gặp bác sĩ. Biết dừng tra cứu đúng lúc là một phần của việc dùng công cụ có trách nhiệm.
Câu hỏi thường gặp
AI có tìm web thì có hết các lỗi này không?
Không. Tìm web giúp giảm lỗi thông tin cũ và cho bạn xem nguồn, nhưng công cụ có thể chọn nguồn kém, đọc sai nguồn hoặc tổng hợp sai từ nhiều nguồn. Lẫn tên gần giống, bỏ sót đối tượng đặc biệt và chiều theo câu hỏi vẫn xảy ra.
Có cách nào khiến AI tự nói khi nó không chắc không?
Có thể yêu cầu trong câu lệnh: đánh dấu ý chưa chắc, liệt kê điều không biết. Cách này giúp lộ bớt chỗ yếu, nhưng mô hình không phải lúc nào cũng tự đánh giá đúng mức độ chắc chắn của mình. Đối chiếu vẫn là bước không bỏ được.
Có nên dùng AI để kiểm tương tác thuốc không?
Chỉ dùng như một danh sách gợi nhớ cho dược sĩ, không dùng làm căn cứ. Kiểm tương tác cần tài liệu chuyên môn có nguồn rõ ràng và thông tin đầy đủ về người dùng thuốc, những thứ chatbot không có.
Làm sao giải thích cho khách khi họ đưa câu trả lời của AI ra hỏi?
Cảm ơn họ đã tìm hiểu, giải thích ngắn rằng câu trả lời chung có thể không đúng với trường hợp của họ, rồi tư vấn dựa trên đơn và tờ hướng dẫn sử dụng. Không chê bai công cụ; tập trung vào thông tin đúng cho người đang đứng trước quầy.
Lỗi nào trong sáu kiểu là nguy hiểm nhất?
Khó xếp hạng vì mức nguy hiểm tuỳ tình huống. Tuy vậy, bỏ sót cảnh báo cho đối tượng đặc biệt và lẫn tên gần giống thường dẫn đến hậu quả trực tiếp nhất, vì chúng rơi đúng vào nhóm người dễ bị tổn thương và thao tác bán hàng hằng ngày.