Trách nhiệm sử dụng AI trong Y tế công cộng: điểm khác biệt của người học Tiến sĩ tại HUPH

Năm 2026, y tế công cộng đang bước vào giai đoạn “dữ liệu hóa”: hồ sơ bệnh án điện tử, dữ liệu bảo hiểm, giám sát dịch, dữ liệu môi trường–khí hậu, dữ liệu hành vi, dữ liệu di chuyển… Vì vậy, big data và AI ngày càng được nhắc đến như những công cụ hỗ trợ phát hiện tín hiệu sớm, dự báo nguy cơ và tối ưu can thiệp. Nhưng trong y tế công cộng, biết dùng công cụ chưa bao giờ là đủ vì một kết luận sai có thể kéo theo sai chương trình và sai chính sách.

Chính vì vậy, Tiến sĩ Y tế công cộng (YTCC) tại Trường Đại học Y tế công cộng (HUPH) tập trung vào năng lực cốt lõi của nhà nghiên cứu: làm chủ phương pháp để biến dữ liệu thành bằng chứng đáng tin, có thể đứng vững trước phản biện khoa học và áp dụng được trong hệ thống.

1) Công cụ có thể cho “đáp án”; học Tiến sĩ giúp bạn đặt “đúng câu hỏi”

Công cụ có thể chạy phân tích, tạo biểu đồ, tóm tắt kết quả. Nhưng câu hỏi đúng trong y tế công cộng thường khó hơn nhiều: vấn đề nào cần ưu tiên, chỉ số nào phản ánh đúng thực trạng, nhóm dân số nào là trọng tâm, can thiệp nào mới tạo tác động. Tiến sĩ giúp bạn xây câu hỏi nghiên cứu có giá trị khoa học và giá trị chính sách, thứ quyết định chất lượng toàn bộ dự án.

2) Công cụ không tự sửa được sai lệch; Tiến sĩ giúp bạn kiểm soát sai lệch và suy luận nhân quả

Dữ liệu y tế ngoài thực địa thường “lớn nhưng không sạch”: thiếu dữ liệu, sai lệch chọn mẫu, sai lệch đo lường, nhiễu, và nguy cơ ngoại suy sai khi áp dụng kết quả sang bối cảnh khác. Người làm Tiến sĩ cần nắm vững:

• Thiết kế nghiên cứu (quan sát, can thiệp, đánh giá chương trình)
• Chiến lược kiểm soát sai lệch/nhiễu
• Khung suy luận nhân quả để tránh nhầm tương quan thành nhân quả

3) Dữ liệu tốt không tự nhiên có; Tiến sĩ giúp bạn xây quy trình quản lý dữ liệu nghiên cứu

Muốn dùng dữ liệu hiệu quả, bạn cần quy trình quản lý dữ liệu chặt chẽ từ đầu: thiết kế công cụ thu thập, chuẩn hóa biến số, giám sát chất lượng, bảo mật và lưu trữ. Trong quá trình đào tạo và nghiên cứu, nghiên cứu sinh có thể tiếp cận các thực hành quản lý dữ liệu nghiên cứu bài bản (ví dụ các nền tảng thu thập, quản lý và phân tích dữ liệu nghiên cứu được dùng rộng rãi trong giới học thuật), cùng sự hướng dẫn phương pháp để đảm bảo dữ liệu đủ chất lượng cho phân tích.

4) Công cụ có thể tạo “kết quả”; Tiến sĩ tạo ra “bằng chứng có thể công bố và chuyển hóa”

Điểm đến của Tiến sĩ YTCC không phải là một bộ kết quả trông đẹp, mà là:

• Nghiên cứu đủ chuẩn để công bố khoa học
• Kết luận đủ chắc để đề xuất khuyến nghị
• Bằng chứng đủ phù hợp để chuyển hóa vào thực hành/chính sách

5) Học Tiến sĩ trong kỷ nguyên mới: lợi thế là “làm chủ phương pháp”, không lệ thuộc công cụ

Trong y tế công cộng, công cụ giúp bạn đi nhanh. Nhưng trình độ Tiến sĩ giúp bạn đi đúng: đặt đúng câu hỏi, kiểm soát sai lệch, suy luận nhân quả, quản trị dữ liệu có trách nhiệm và tạo ra bằng chứng đủ mạnh để dẫn dắt thay đổi.

Điểm khác biệt của người học Tiến sĩ YTCC tại HUPH không nằm ở việc “biết dùng AI/big data”, mà ở năng lực nền tảng để bất kỳ công cụ nào cũng được sử dụng đúng mục tiêu – đúng phương pháp – đúng trách nhiệm.