43. CHATBOT DƯỢC SĨ ẢO TÍCH HỢP CƠ SỞ DỮ LIỆU THUỐC ĐỂ HỖ TRỢ QUẢN LÝ BỆNH NHÂN ĐÁI THÁO ĐƯỜNG
Main Article Content
Abstract
Mục tiêu: Phát triển và đánh giá khả thi giai đoạn đầu một chatbot dược sĩ ảo tích hợp cơ sở dữ liệu thuốc và hướng dẫn lối sống để hỗ trợ người bệnh đái tháo đường tại nhà thuốc cộng đồng; xác định độ chính xác tư vấn, khả năng xử lý câu hỏi ngoài kịch bản, hiệu suất và mức chấp nhận của người dùng.
Phương pháp: Phân tích yêu cầu của người dùng; xây dựng cơ sở dữ liệu thuốc và giáo dục sức khỏe dựa trên hướng dẫn của Bộ Y tế (2017, 2021) và khuyến cáo của ADA/EASD; thiết kế 200 kịch bản hội thoại cá nhân hóa theo các giai đoạn thay đổi hành vi; triển khai pipeline NLP (Rasa/Dialogflow) kết hợp mô hình ngôn ngữ (Gemini API) và API ghi nhận chỉ số đường huyết/huyết áp; kiểm thử nội bộ (alpha) và thử nghiệm khả thi 7 ngày tại 1 nhà thuốc trong khung 3 nhà thuốc làm điểm.
Kết quả: Cơ sở tri thức gồm 40 chủ đề với 200 kịch bản. Trên 200 tình huống chuẩn, chatbot trả lời chính xác/đầy đủ 94%; với câu hỏi ngoài kịch bản (chiếm 12% phiên thực tế), hệ thống cung cấp phản hồi hữu ích 91%. Thử nghiệm tại quầy ghi nhận 127 phiên từ 53 người dùng, thời gian phản hồi trung bình 1,8 giây; 88% người tham gia khảo sát đánh giá “hữu ích/rất hữu ích”.
Kết luận: Chatbot cho thấy tính sẵn sàng nội dung, độ chính xác cao và khả dụng tốt trong bối cảnh nhà thuốc cộng đồng ở giai đoạn đầu, gợi mở tiềm năng mở rộng triển khai và đánh giá tác động đến hành vi/chăm sóc bệnh mạn tính ở quy mô lớn hơn.
Phương pháp: Phân tích yêu cầu của người dùng; xây dựng cơ sở dữ liệu thuốc và giáo dục sức khỏe dựa trên hướng dẫn của Bộ Y tế (2017, 2021) và khuyến cáo của ADA/EASD; thiết kế 200 kịch bản hội thoại cá nhân hóa theo các giai đoạn thay đổi hành vi; triển khai pipeline NLP (Rasa/Dialogflow) kết hợp mô hình ngôn ngữ (Gemini API) và API ghi nhận chỉ số đường huyết/huyết áp; kiểm thử nội bộ (alpha) và thử nghiệm khả thi 7 ngày tại 1 nhà thuốc trong khung 3 nhà thuốc làm điểm.
Kết quả: Cơ sở tri thức gồm 40 chủ đề với 200 kịch bản. Trên 200 tình huống chuẩn, chatbot trả lời chính xác/đầy đủ 94%; với câu hỏi ngoài kịch bản (chiếm 12% phiên thực tế), hệ thống cung cấp phản hồi hữu ích 91%. Thử nghiệm tại quầy ghi nhận 127 phiên từ 53 người dùng, thời gian phản hồi trung bình 1,8 giây; 88% người tham gia khảo sát đánh giá “hữu ích/rất hữu ích”.
Kết luận: Chatbot cho thấy tính sẵn sàng nội dung, độ chính xác cao và khả dụng tốt trong bối cảnh nhà thuốc cộng đồng ở giai đoạn đầu, gợi mở tiềm năng mở rộng triển khai và đánh giá tác động đến hành vi/chăm sóc bệnh mạn tính ở quy mô lớn hơn.
Article Details
Keywords
Chatbot y tế, dược sĩ ảo, đái tháo đường, tư vấn dược, nhà thuốc cộng đồng.
References
[1] Boggiss A, Consedine N. Improving the Well-being of Adolescents With Type 1 Diabetes During the COVID-19 Pandemic: Qualitative Study Exploring Acceptability and Clinical Usability of a Self-compassion Chatbot, 2023, JMIR Diabetes, May 5; 8: e40641. doi: 10.2196/40641.
[2] Kelly A, Noctor. The Effectiveness of a Custom AI Chatbot for Type 2 Diabetes Mellitus Health Literacy: Development and Evaluation Study. J Med Internet Res, 2025, 27: e70131.
doi: 10.2196/70131
[3] Guan Z, Li H, Liu R, Cai C, Liu Y. Artificial intelligence in diabetes management: Advancements, opportunities, and challenges. Cell Rep Med, 2023 Oct 17, 4 (10): 101213. doi: 10.1016/j.xcrm.2023.101213.
[4] Bontha S.S, Jammalamadaka S.K.R, Vudatha. Predicting Risk and Complications of Diabetes Through Built-In Artificial Intelligence, 2025, Computers, 14 (7), 277. https://doi.org/10.3390/computers14070277
[5] Somaye Norouzi, Mohsen Nematy et al. Food recommender systems for diabetic patients: a narrative review. Reviews in Clinical Medicine. Publisher Mashhad University of Medical Sciences, Iran Islamic Republic, January 2017. doi: 10.22038/rcm.2016.7488.
[6] Can Chen, Qingchuan Li. Chatbot Adoption for Diabetes Self-management Education and Support in Chinese T2DM Population: A Behavioral Reasoning Theory Perspective. In Human-Computer Interaction: Thematic Area, HCI 2025, Held as Part of the 27th HCI International Conference, HCII 2025, Gothenburg, Sweden, June 22-27, 2025, Proceedings, Part IV. Springer-Verlag, Berlin, Heidelberg, 20-37. https://doi.org/10.1007/978-3-031-93861-0_2
[7] American Diabetes Association Foundations of care: education, nutrition, physical activity, smoking cessation, psychosocial care, and immunization Diab. Care, 2015 38 S20-S30
[8] Nassar C.M, Dunlea R. Feasibility and preliminary behavioral and clinical efficacy of a diabetes education chatbot pilot among adults with type 2 diabetes. J. Diab, 2023, Sci. Technol.
[9] Fisher L, Glasgow R.E, Strycker L.A. The relationship between diabetes distress and clinical depression with glycemic control among patients with type 2 diabetes Diab. Care, 2010, 33: 1034-1036
[2] Kelly A, Noctor. The Effectiveness of a Custom AI Chatbot for Type 2 Diabetes Mellitus Health Literacy: Development and Evaluation Study. J Med Internet Res, 2025, 27: e70131.
doi: 10.2196/70131
[3] Guan Z, Li H, Liu R, Cai C, Liu Y. Artificial intelligence in diabetes management: Advancements, opportunities, and challenges. Cell Rep Med, 2023 Oct 17, 4 (10): 101213. doi: 10.1016/j.xcrm.2023.101213.
[4] Bontha S.S, Jammalamadaka S.K.R, Vudatha. Predicting Risk and Complications of Diabetes Through Built-In Artificial Intelligence, 2025, Computers, 14 (7), 277. https://doi.org/10.3390/computers14070277
[5] Somaye Norouzi, Mohsen Nematy et al. Food recommender systems for diabetic patients: a narrative review. Reviews in Clinical Medicine. Publisher Mashhad University of Medical Sciences, Iran Islamic Republic, January 2017. doi: 10.22038/rcm.2016.7488.
[6] Can Chen, Qingchuan Li. Chatbot Adoption for Diabetes Self-management Education and Support in Chinese T2DM Population: A Behavioral Reasoning Theory Perspective. In Human-Computer Interaction: Thematic Area, HCI 2025, Held as Part of the 27th HCI International Conference, HCII 2025, Gothenburg, Sweden, June 22-27, 2025, Proceedings, Part IV. Springer-Verlag, Berlin, Heidelberg, 20-37. https://doi.org/10.1007/978-3-031-93861-0_2
[7] American Diabetes Association Foundations of care: education, nutrition, physical activity, smoking cessation, psychosocial care, and immunization Diab. Care, 2015 38 S20-S30
[8] Nassar C.M, Dunlea R. Feasibility and preliminary behavioral and clinical efficacy of a diabetes education chatbot pilot among adults with type 2 diabetes. J. Diab, 2023, Sci. Technol.
[9] Fisher L, Glasgow R.E, Strycker L.A. The relationship between diabetes distress and clinical depression with glycemic control among patients with type 2 diabetes Diab. Care, 2010, 33: 1034-1036