Câu hỏi mình nhận được nhiều nhất về AI trong nghiên cứu lâm sàng là làm thế nào để dùng nó cho systematic review và meta-analysis (SR/MA). Câu trả lời thường làm mọi người hơi thất vọng: bạn không thể chỉ tải lên 100 file PDF, viết một prompt "thần thánh," rồi nhờ một Large Language Model (LLM) tự động tạo ra PRISMA flowchart và bảng extraction cho mình.
Nếu bạn cố gắng tự động hóa hoàn toàn quá trình tư duy, bạn sẽ không tránh khỏi việc đưa vào những hallucination — những lỗi sai do AI "bịa ra" — mà sau này cực kỳ khó phát hiện. Systematic review không phải là câu chuyện của tự động hóa; đó là câu chuyện của tăng tốc. Bằng cách dùng AI để đẩy nhanh các bước mang tính cơ học, bạn có thể giảm một nửa thời gian hoàn thành review trong khi vẫn giữ nguyên độ nghiêm ngặt về phương pháp mà các tạp chí uy tín đòi hỏi.
Dưới đây là quy trình từng giai đoạn mà mình đang dùng để tích hợp AI một cách an toàn vào systematic review.
Giai đoạn 1: Chiến lược tìm kiếm và mở rộng từ khóa
Nền tảng của một SR tốt là một chiến lược tìm kiếm không có kẽ hở. Nếu chuỗi Boolean của bạn còn yếu, thì review của bạn đã có vấn đề ngay trước khi bạn đọc được cái abstract đầu tiên.
Theo cách truyền thống, xây dựng chuỗi tìm kiếm đòi hỏi phải kiểm tra thủ công các thuật ngữ MeSH và nghĩ ra các từ đồng nghĩa. Đây chính là chỗ AI tỏa sáng. Bạn có thể đưa câu hỏi PICO ban đầu (Population — Dân số, Intervention — Can thiệp, Comparison — So sánh, Outcome — Kết quả) vào một LLM và yêu cầu nó tạo ra các chuỗi tìm kiếm toàn diện.
Prompt gợi ý:
"I am conducting a systematic review on [Topic]. My PICO is [Insert PICO]. Generate a comprehensive list of synonyms, MeSH terms, and Emtree terms for each element. Then, construct optimized Boolean search strings for PubMed, Embase, and the Cochrane Library."
Quy tắc bắt buộc: Đừng bao giờ copy-paste kết quả trực tiếp. AI thường hay bịa ra các thuật ngữ không tồn tại hoặc định dạng cú pháp sai. Hãy dùng kết quả đó như một công cụ brainstorm để gợi ra những từ khóa bạn bỏ sót, sau đó tự kiểm tra và xây dựng chuỗi tìm kiếm cuối cùng trực tiếp trên các cơ sở dữ liệu.
Giai đoạn 2: Literature mapping và sàng lọc abstract
Ở giai đoạn đầu, systematic review là một cuộc chơi với những con số lớn. Bạn có thể bắt đầu với 2.000 abstract để tìm ra 50 bài thực sự đáp ứng tiêu chí đưa vào.
Các công cụ được thiết kế riêng cho literature mapping — như Litmaps hoặc ResearchRabbit — cực kỳ hữu ích ở đây. Chúng phân tích mạng lưới trích dẫn (hiệu ứng "snowballing" — lăn cầu tuyết) để lập bản đồ những bài nào là trung tâm của chủ đề. Điều này đảm bảo bạn không bỏ sót một randomized controlled trial (RCT) quan trọng chỉ vì nó dùng một từ khóa hơi khác trong tiêu đề.
Đối với bước sàng lọc thực tế, AI có thể đóng vai trò "người review thứ hai" của bạn. Các công cụ như Elicit cho phép bạn tải lên nhiều bài cùng lúc và truy vấn theo từng tiêu chí đưa vào cụ thể.
Quy tắc bắt buộc: AI nên được dùng để loại trừ, không phải để đưa vào. Nếu AI đánh dấu một bài là không liên quan vì đó là nghiên cứu trên động vật trong khi tiêu chí của bạn yêu cầu đối tượng người, bạn có thể tự tin loại trừ nó. Tuy nhiên, nếu bài đó nằm ở vùng xám, con người phải tự đọc abstract. Đối với bước sàng lọc toàn văn, mình không bao giờ để AI đưa ra quyết định cuối cùng một mình.
Giai đoạn 3: Trích xuất dữ liệu (Vùng nguy hiểm)
Đây là chỗ hầu hết các nhà nghiên cứu mắc sai lầm nghiêm trọng. Thật cám dỗ khi đưa 50 file PDF vào một LLM rồi nhờ nó xuất ra một file CSV được định dạng hoàn hảo với nhân khẩu học bệnh nhân, chi tiết can thiệp, và kết quả lâm sàng.
Mình đã kiểm tra điều này rất nhiều lần. Và nó thất bại. Một cách nhất quán.
LLM gặp khó khăn với các bảng phức tạp có nhiều nhánh (multi-arm). Đôi khi chúng nhầm nhóm chứng với nhóm can thiệp, hoặc lấy độ lệch chuẩn (standard deviation) thay vì sai số chuẩn (standard error). Trong một meta-analysis, chỉ một con số extraction sai cũng có thể thay đổi kết quả của cả một forest plot. Bạn không thể chấp nhận ngay cả tỷ lệ hallucination 1% ở bước này.
Quy trình Hybrid an toàn cho Data Extraction
Thay vì nhờ AI xây dựng bảng, hãy dùng nó để điều hướng trong tài liệu:
- Bạn làm chủ bảng extraction. Bạn tự tạo các cột trong Excel hoặc Google Sheets, và chính bạn là người gõ các con số vào.
- Dùng AI để định vị, không phải để trích xuất. Tải bài báo bạn đang làm lên một công cụ như SciSpace hoặc Claude. Hỏi AI: "Trong tài liệu này, thông tin về adverse events của nhóm can thiệp được báo cáo ở đâu? Hãy cung cấp trích dẫn chính xác và số trang."
- Xác minh rồi nhập tay. Bạn chuyển đến đúng trang đó, tự đọc đoạn văn, xác minh các con số trong ngữ cảnh, rồi nhập thủ công vào bảng tính của mình.
Cách tiếp cận hybrid này giúp bạn nắm toàn quyền kiểm soát tính toàn vẹn của dữ liệu, đồng thời tiết kiệm sức lực nhận thức mà bạn vốn phải bỏ ra để lướt qua 15 trang phần Discussion chỉ để tìm một câu về tỷ lệ mất dấu theo dõi (follow-up attrition).
Giai đoạn 4: Đánh giá chất lượng và nguy cơ sai lệch
Đánh giá risk of bias (ví dụ, dùng công cụ Cochrane RoB 2) đòi hỏi phán đoán lâm sàng và phương pháp luận tinh tế. Liệu việc thiếu blinding có thực sự tạo ra bias cho kết quả khách quan cụ thể này không?
AI không thể trả lời điều này một cách đáng tin cậy. Nó sẽ chỉ đơn giản tìm từ "blinded" và chấm điểm dựa trên đó. Đánh giá Risk of Bias phải được thực hiện thủ công. Bạn có thể dùng AI để tóm tắt phần methodology để tìm thông tin nhanh hơn, nhưng phán đoán cuối cùng thuộc về bạn.
Cái bẫy nhận thức của tự động hóa
Rủi ro lớn nhất khi phụ thuộc quá nhiều vào AI cho systematic review là bạn có thể hoàn thành cả quá trình mà thực ra chưa bao giờ thực sự hiểu tài liệu.
Khi bạn tự đọc 50 bài báo, bạn xây dựng được một bản đồ tư duy nội tâm về cả lĩnh vực đó. Bạn nhận ra các định nghĩa mâu thuẫn nhau. Bạn thấy được xu hướng phương pháp luận. Bạn phát hiện ra ba nhóm nghiên cứu khác nhau đang đo cùng một outcome theo những cách hơi khác nhau.
Nền hiểu biết đó chính là thứ cho phép bạn viết một phần Discussion thuyết phục và sâu sắc. Nếu AI làm toàn bộ việc đọc và tổng hợp, bạn sẽ chỉ còn đứng nhìn một bảng tính đầy những sự kiện rời rạc mà không có bất kỳ ngữ cảnh bao quát nào để diễn giải chúng.
Hãy dùng AI để xây dựng chuỗi tìm kiếm. Dùng nó để tìm bài báo. Dùng nó để giúp bạn điều hướng trong những phần methodology dày đặc. Nhưng khi đến việc extraction dữ liệu và quyết định những phát hiện đó có ý nghĩa gì, quá trình tư duy phải hoàn toàn là của bạn.
Nếu bạn đang soạn thảo manuscript, có thể bạn sẽ thấy Checklist: Idea to Submission của mình hữu ích.
Nếu bạn quan tâm đến việc ứng dụng AI để tối ưu hoá quy trình viết bản thảo, mời bạn tham khảo khoá AI trong Nghiên cứu: Quy trình Thực chiến.