CNSH. Cái Thị Diệu Ánh - IVF Vạn Hạnh

Giới thiệu
Trong các lab hỗ trợ sinh sản, sự ổn định của môi trường nuôi cấy và độ chính xác của thiết bị quyết định trực tiếp đến chất lượng phôi. Chỉ cần một dao động nhỏ về CO₂ hoặc nhiệt độ cũng đủ ảnh hưởng đến pH và tăng stress oxy hóa của phôi. Trước đây, phần lớn các labo vẫn dựa vào kiểm tra thủ công và thường chỉ phát hiện sự cố sau khi đã gây thiệt hại.
Ngày nay, với sự phát triển của trí tuệ nhân tạo (Artificial Intelligence - AI) và mạng cảm biến IoT (Internet of Things), việc theo dõi thiết bị trở nên chủ động và chính xác hơn. Hệ thống có thể ghi nhận dữ liệu liên tục, phân tích biến động và đưa ra cảnh báo sớm khi có dấu hiệu bất thường. Cách tiếp cận này thường được gọi là bảo trì dự đoán (Predictive Maintenance  - PdM) – giúp phòng ngừa rủi ro thay vì xử lý hậu quả, hướng các labo IVF tới mô hình vận hành thông minh và bền vững hơn [3][2].
Khái niệm về bảo trì dự đoán
Bảo trì dự đoán (PdM) là phương pháp sử dụng AI và các cảm biến thông minh để giám sát tình trạng thiết bị liên tục, từ đó dự đoán khả năng hư hỏng hoặc sai lệch trước khi sự cố xảy ra. Thay vì bảo trì định kỳ dựa trên thời gian, hệ thống dựa vào dữ liệu thực tế của thiết bị (như nhiệt độ, áp suất, độ rung, lưu lượng khí hoặc tần suất mở nắp) để xác định các dấu hiệu bất thường [4].
Phôi phản ứng rất nhạy với các thay đổi nhỏ trong môi trường nuôi cấy, cho nên kiểm soát điều kiện nuôi cấy là yêu cầu cốt lõi để đảm bảo tỷ lệ thành công. AI giúp theo dõi các chỉ số môi trường liên tục và chính xác hơn, phát hiện sớm dao động nhỏ mà con người khó nhận ra. Nhờ đó, kỹ thuật viên có thể chủ động điều chỉnh trước khi điều kiện vượt khỏi giới hạn an toàn, bảo đảm môi trường nuôi cấy luôn ổn định và tối ưu cho sự phát triển của phôi [1].
Ứng dụng cụ thể trong labo IVF
AI hiện đã được áp dụng vào nhiều nhóm thiết bị trong phòng thí nghiệm IVF, giúp nâng cao độ ổn định và an toàn của quy trình nuôi cấy phôi.
1. Tủ ấm CO₂/O₂ – Giám sát môi trường nuôi phôi
Tủ ấm giữ vai trò trung tâm trong toàn bộ hệ thống IVF vì đây là nơi phôi phát triển trong điều kiện được kiểm soát nghiêm ngặt về nhiệt độ, độ ẩm và thành phần khí. Nghiên cứu của Olawade và cs. (2024) cho thấy các hệ thống AI có thể xử lý đồng thời dữ liệu cảm biến về CO₂, O₂ và nhiệt độ để nhận diện những sai lệch rất nhỏ mà con người khó nhận ra [2]. Khi AI phát hiện xu hướng biến động, nó có thể gửi cảnh báo sớm giúp kỹ thuật viên điều chỉnh trước khi pH môi trường thay đổi. Cơ chế giám sát liên tục này giúp duy trì môi trường ổn định và hỗ trợ sự phát triển tối ưu của phôi.
2. Hệ thống cung cấp khí – Phát hiện rò rỉ và ổn định nồng độ khí
Hệ thống cung cấp khí có nhiệm vụ duy trì nồng độ CO₂/O₂ phù hợp với môi trường sinh lý của phôi.
Theo Palmer và cs. (2023), các cảm biến IoT được lắp đặt trong đường khí có thể ghi nhận áp suất và lưu lượng theo thời gian thực. Những dữ liệu này được AI phân tích để nhận biết dấu hiệu rò rỉ hoặc nghẽn ống dẫn trước khi sự cố trở nên nghiêm trọng [3]. Nhờ khả năng học từ các mẫu dao động của áp suất, AI không chỉ phát hiện lỗi tức thời mà còn dự đoán được xu hướng mất ổn định, giúp labo duy trì nồng độ khí bền vững hơn và hạn chế biến động pH trong quá trình nuôi phôi.
3. Hệ thống ICSI và Laser – Giám sát thao tác vi cơ học
Trong kỹ thuật ICSI, chỉ cần một sai lệch rất nhỏ trong lực tiêm hoặc hướng di chuyển của vi kim cũng có thể ảnh hưởng đến tỷ lệ thụ tinh. Uçar và cs. (2024) mô tả mô hình bảo trì dự đoán dựa trên AI, trong đó hệ thống phân tích tín hiệu từ motor, camera và bàn vi điều khiển để phát hiện những rung động hoặc lệch trục vi mô [4]. Nhờ việc học từ dữ liệu vận hành trong quá khứ, AI có thể cảnh báo trước khi thiết bị phát sinh lỗi cơ học, giúp kỹ thuật viên điều chỉnh thao tác kịp thời. Sự phối hợp giữa con người và AI vì thế nâng cao độ chính xác của thao tác vi tiêm và giảm thiểu rủi ro tổn thương noãn.
4. Hệ thống trữ lạnh – Bảo vệ an toàn cho mẫu phôi và tinh trùng
Các thiết bị trữ lạnh chứa ni-tơ lỏng thường được vận hành trong thời gian dài, do đó việc giám sát liên tục là cần thiết để ngăn chặn sự rò rỉ hoặc bay hơi N2. Alkhatib và cs. (2025) trình bày khung giám sát dựa trên AI-IoT, trong đó hệ thống theo dõi mức ni-tơ lỏng (LN₂), tần suất mở nắp và nhiệt độ bên trong để dự đoán nguy cơ bay hơi quá mức [1]. Khi phát hiện xu hướng bất thường, AI sẽ tự động gửi cảnh báo hoặc ghi nhận sự kiện vào hệ thống LIMS. Cách vận hành này giúp bảo vệ an toàn cho mẫu lưu trữ, ngay cả khi không có người trực tại labo.
5. Nền tảng LIMS (Laboratory Information Management System) – Phân tích tổng thể và cảnh báo chủ động
Khi tất cả các thiết bị kể trên được kết nối thông qua LIMS, AI sẽ có khả năng tổng hợp và phân tích dữ liệu từ nhiều nguồn. Nhờ việc so sánh các biến động của khí, nhiệt độ và độ ẩm, hệ thống có thể phát hiện xu hướng bất ổn và đưa ra cảnh báo “red flag” trước khi điều kiện labo vượt khỏi giới hạn an toàn [1][3].
Sự phối hợp giữa AI, IoT và LIMS giúp chuyển đổi cách thức quản lý từ giám sát thụ động sang chủ động, đặt nền móng cho mô hình “Smart IVF Lab”, trong đó mọi dữ liệu được ghi nhận, phân tích và phản hồi gần như tức thời [2].
Tiềm năng và hướng phát triển
Trí tuệ nhân tạo (AI) không chỉ đóng vai trò giám sát thiết bị mà còn thúc đẩy sự chuyển đổi toàn diện sang mô hình quản lý chất lượng dựa trên dữ liệu. Hệ thống AI có thể tự động thu thập và phân tích các thông số từ môi trường nuôi phôi, sau đó tổng hợp kết quả để tối ưu quy trình QA/QC và tăng tính nhất quán giữa các chu kỳ IVF [2][3].
Bên cạnh khả năng theo dõi, AI còn giúp nhận diện xu hướng sai lệch, dự báo rủi ro, và phát hiện các bất thường nhỏ trước khi ảnh hưởng đến phôi. Nhờ đó, các labo có thể chủ động hơn trong việc điều chỉnh và ngăn ngừa sai lệch, thay vì chỉ phản ứng sau khi sự cố đã xảy ra [3].
Một hướng phát triển tiềm năng là mô hình “Digital Twin IVF Lab”, trong đó phòng thí nghiệm thật được mô phỏng bằng một bản sao số hoạt động song song. Khi kết hợp với AI, mô hình này cho phép dự đoán phản ứng của hệ thống trong nhiều kịch bản khác nhau, giúp kiểm định giải pháp tối ưu trước khi áp dụng vào môi trường thật [1]. Nhờ vậy, các trung tâm IVF có thể dự đoán rủi ro, giảm sai lệch thao tác và đảm bảo an toàn cho phôi ở mức độ cao hơn.
Thách thức và hạn chế
Dù mang lại nhiều triển vọng, việc ứng dụng AI trong labo IVF vẫn đối mặt với những thách thức đáng kể. Thách thức lớn nhất hiện nay là thiếu thống nhất dữ liệu giữa các nhà sản xuất thiết bị, khiến định dạng dữ liệu không đồng bộ và gây khó khăn cho việc tích hợp, phân tích tổng thể [3].
Thứ hai là chi phí đầu tư cho hạ tầng cảm biến IoT, phần mềm xử lý dữ liệu lớn và hệ thống AI chuyên dụng vẫn còn cao, đặc biệt đối với các trung tâm nhỏ hoặc có nguồn lực hạn chế [2]. Bên cạnh đó, việc thiếu nhân sự am hiểu cả công nghệ lẫn phôi học làm chậm quá trình chuyển đổi kỹ thuật. Các kỹ thuật viên cần được đào tạo bài bản để hiểu cơ chế vận hành của AI, biết cách đọc dữ liệu cảm biến và xử lý cảnh báo theo đúng quy trình [4].
Một vấn đề khác là bảo mật dữ liệu. Khi hệ thống kết nối và truyền tải thông tin qua nền tảng điện toán đám mây, nguy cơ rò rỉ thông tin bệnh nhân hoặc dữ liệu labo là điều không thể bỏ qua.
Do đó, các trung tâm cần áp dụng các giao thức mã hóa mạnh, cơ chế kiểm soát truy cập đa tầng, và tuân thủ nghiêm ngặt các chuẩn bảo mật quốc tế như HIPAA (Health Insurance Portability and Accountability Act) hoặc GDPR (General Data Protection Regulation) [1].
Kết luận
Trí tuệ nhân tạo đang định hình lại cách vận hành của các labo IVF, chuyển từ mô hình phản ứng thụ động sang quản lý chủ động. Nhờ AI, các hệ thống có thể nhận biết, dự đoán và ngăn ngừa sai lệch trước khi ảnh hưởng đến phôi, giúp nâng cao độ ổn định, an toàn và chất lượng điều trị.
Sự kết hợp giữa AI, IoT và mô hình Digital Twin mở ra một kỷ nguyên mới cho IVF 4.0. Sự tổng hoà công nghệ, dữ liệu và con người vận hành như một thể thống nhất, cùng hướng đến mục tiêu tối ưu hóa chất lượng phôi và trải nghiệm điều trị cá nhân hoá.
Tài liệu tham khảo
[1] Alkhatib, S. A., Katmah, R., Kosaji, D., Afzal, S. U. B., Tariq, M. H., Simsekler, M. C. E., & Ellahham, S. (2025). AI-driven decision support framework for preventing medical equipment failure and enhancing patient safety: A new perspective. Journal of Multidisciplinary Healthcare, 18, 6299–6313. https://doi.org/10.2147/JMDH.S528612

[2] Olawade, D. B., Teke, J., Adeleye, K. K., Weerasinghe, K., Maidoki, M., & David-Olawade, A. C. (2024). Artificial intelligence in in-vitro fertilization (IVF): A new era of precision and personalization in fertility treatments. Journal of Gynecology Obstetrics and Human Reproduction, 54(3), 102903. https://doi.org/10.1016/j.jogoh.2024.102903
[3] Palmer, G. A., Tomkin, G., Martín-Alcalá, H. E., Mendizabal-Ruiz, G., & Cohen, J. (2023). The Internet of Things in assisted reproduction. Reproductive BioMedicine Online, 47(5), 103338. https://doi.org/10.1016/j.rbmo.2023.103338

[4] Uçar, A., Karaköse, M., & Kırımça, N. (2024). Artificial intelligence for predictive maintenance applications: Key components, trustworthiness and future trends. Applied Sciences, 14(2), 898. https://doi.org/10.3390/app14020898