FHIR cho AI/RAG y khoa: Bulk Export đến Vector DB và Clinical LLM

LLM y khoa (MedLM, GPT-4o medical, Llama 4 fine-tuned) đang thay đổi cách bác sĩ làm việc. Nhưng để AI hữu ích trong lâm sàng, nó cần truy cập data thật của patient — và đó là lúc FHIR + RAG vào cuộc. Bài này hướng dẫn pipeline đầy đủ.

1. Vì sao FHIR là nền tảng tốt cho AI y khoa

flowchart LR
    A[FHIR Resource<br/>structured + coded] -->|export| B[Lakehouse<br/>Bronze/Silver/Gold]
    B -->|feature engineering| C[ML training data]
    B -->|chunk + embed| D[Vector DB]
    D -->|retrieval| E[RAG]
    E --> F[LLM]
    F -->|recommendation| G[CDS Hooks]
    G --> H[EHR UI]

5 lý do:

1. Structured: code (LOINC/SNOMED/ICD) chuẩn → AI hiểu nhất quán
2. Versioned: mọi thay đổi có lịch sử → tránh data leakage
3. Provenance: biết data từ đâu → reproducibility
4. Consent: AI tôn trọng quyền patient
5. Bulk Export: pipeline ETL chuẩn

2. Architecture tham khảo

flowchart TB
    subgraph Source[FHIR Source]
        FHIR[FHIR Server<br/>HAPI / Cloud]
    end
    
    subgraph Lakehouse[Lakehouse]
        Bronze[Bronze<br/>NDJSON raw]
        Silver[Silver<br/>Delta Lake parquet<br/>1 table per Resource]
        Gold[Gold<br/>analytics + features]
    end
    
    subgraph AI[AI Layer]
        Embed[Embedding model<br/>BGE / OpenAI / Vietnamese]
        Vector[Vector DB<br/>Qdrant / Weaviate / pgvector]
        LLM[LLM<br/>MedLM / Llama4 medical / vLLM]
    end
    
    subgraph App[Application]
        CDS[CDS Service]
        EHR[EHR UI]
    end
    
    FHIR -->|$export NDJSON<br/>nightly + delta| Bronze
    Bronze -->|Spark / Databricks| Silver
    Silver -->|dbt + SQL| Gold
    
    Silver -->|chunk DocumentReference,<br/>Composition, narrative| Embed
    Embed --> Vector
    
    EHR -->|patient-view hook| CDS
    CDS -->|prefetch| FHIR
    CDS -->|query similar cases| Vector
    Vector --> LLM
    CDS -->|build prompt| LLM
    LLM -->|JSON Card| CDS
    CDS --> EHR

3. Pipeline ETL từ FHIR

3.1 Bronze: Bulk Export

Đã cover ở Bulk Data Export. Setup nightly job:

import requests, time

def kickoff_export(base, token, types):
    r = requests.get(f"{base}/$export",
        params={"_type": ",".join(types), "_since": "2026-05-06T00:00:00Z"},
        headers={"Authorization": f"Bearer {token}", "Accept": "application/fhir+json", "Prefer": "respond-async"})
    return r.headers["Content-Location"]

def poll(status_url, token):
    while True:
        r = requests.get(status_url, headers={"Authorization": f"Bearer {token}"})
        if r.status_code == 200:
            return r.json()
        time.sleep(30)

Output ndjson → Bronze layer (S3 / Azure Blob / GCS / HDFS).

3.2 Silver: Delta Lake parquet

Spark transform, schema theo từng Resource type:

from pyspark.sql import SparkSession
spark = SparkSession.builder.appName("fhir-silver").getOrCreate()

df_patient = spark.read.json("s3://bronze/2026-05-06/Patient*.ndjson")

# Flatten
df_patient_flat = df_patient.select(
    "id", "gender", "birthDate",
    "name[0].family".alias("family_name"),
    "address[0].city".alias("city"),
    "meta.lastUpdated"
)

df_patient_flat.write \
    .format("delta") \
    .mode("append") \
    .partitionBy("city") \
    .save("s3://silver/Patient")

Tương tự cho Observation, Condition, etc. Lưu schema partition theo year/month.

3.3 Gold: feature engineering

-- Hb1Ac latest per patient
WITH ranked AS (
  SELECT
    subject.reference AS patient,
    valueQuantity.value AS hba1c,
    effectiveDateTime,
    ROW_NUMBER() OVER (PARTITION BY subject.reference ORDER BY effectiveDateTime DESC) AS rn
  FROM silver.Observation
  WHERE code.coding[0].code = '4548-4'
)
SELECT patient, hba1c, effectiveDateTime AS last_hba1c_date
FROM ranked
WHERE rn = 1

Gold table dành cho BI dashboard và ML training.

4. Embedding clinical notes

DocumentReference + Composition + Observation.note + Condition.note chứa text giàu thông tin.

4.1 Chunking strategy

def chunk_clinical_note(text, max_tokens=400, overlap=50):
    # 1. Tách theo section header (### Subjective, ### Objective, ### Assessment, ### Plan)
    # 2. Trong section, tách theo paragraph
    # 3. Greedy merge tới max_tokens
    # 4. Overlap 50 token để giữ context
    ...

Đặc thù tiếng Việt: word segmentation (vncorenlp / underthesea) trước khi tokenize.

4.2 Embedding model

Model	Note
text-embedding-3-large (OpenAI)	Mạnh, đắt, gửi PHI ra ngoài → không cho VN
BAAI/bge-large-en-v1.5	Free, multilingual ổn
intfloat/multilingual-e5-large	Tiếng Việt tốt
vinai/phobert-base-v2	Pretrain VN, fine-tune được cho clinical
vietnamese-bi-encoder	Specialized VN

Khuyến nghị: dùng VN-pretrained + fine-tune trên clinical corpus để giữ PHI on-prem.

4.3 Metadata trên embedding

Quan trọng — không chỉ vector:

{
    "id": "doc-123#chunk-2",
    "vector": [0.012, -0.034, ...],
    "payload": {
        "patient_pseudo_id": "hash(CCCD)",
        "resource_type": "DocumentReference",
        "fhir_id": "DocumentReference/dr-456",
        "encounter_id": "Encounter/enc-789",
        "section": "assessment",
        "code": ["E11.9", "44054006"],
        "date": "2026-04-15",
        "consent_id": "Consent/con-001"
    }
}

Metadata để filter retrieval theo patient (must match), date range, code.

5. RAG architecture

sequenceDiagram
    actor Doctor
    participant EHR
    participant CDS as CDS Service
    participant FHIR
    participant Vector
    participant LLM
    
    Doctor->>EHR: Open patient chart
    EHR->>CDS: POST /cds-services/case-summary {patient-view}
    
    CDS->>FHIR: GET Patient + recent Encounter, Observation, Condition
    FHIR-->>CDS: Bundle structured
    
    CDS->>Vector: Search similar past cases<br/>filter: same diagnosis, anonymized
    Vector-->>CDS: Top-K cases
    
    CDS->>CDS: Build prompt<br/>(structured data + retrieved context + system instruction)
    CDS->>LLM: POST /chat/completions
    LLM-->>CDS: {"summary": "...", "recommendations": [...]}
    
    CDS->>FHIR: POST AuditEvent (LLM access)
    CDS->>FHIR: POST Provenance (AI-generated content)
    CDS-->>EHR: Card với summary + suggestion

6. Prompt template ví dụ

Bạn là trợ lý lâm sàng cho bác sĩ nội khoa. Phân tích thông tin bệnh nhân dưới đây
và đề xuất 3 hướng xử trí ưu tiên cao nhất theo guideline VN.

[CONTEXT - Cấu trúc]
- Patient: 36 tuổi, nam
- Active conditions:
  - E11.9 (Diabetes type 2) — 2 năm
  - I10 (Tăng huyết áp) — 1 năm
- Latest HbA1c: 8.2% (cao, mục tiêu <7%)
- BP gần nhất: 145/95 mmHg
- Đang dùng: Metformin 500mg 2v/ngày

[CONTEXT - Cases tương tự (đã anonymize)]
1. Bệnh nhân tương tự, sau khi tăng Metformin lên 1000mg + thêm Empagliflozin 10mg, HbA1c giảm về 7.1% sau 3 tháng.
2. Bệnh nhân tương tự, thêm ACE-i (Lisinopril 10mg) cho THA không kiểm soát, BP về 130/80 sau 2 tháng.

[YÊU CẦU]
- Chỉ đề xuất phác đồ có trong danh mục thuốc Bộ Y tế VN
- Mỗi đề xuất kèm: lý do, mức bằng chứng, theo dõi cần thiết
- Kết quả JSON tuân theo schema CDSCard

[OUTPUT JSON]
{
  "summary": "...",
  "recommendations": [
    {"action": "...", "rationale": "...", "evidence_level": "A|B|C", "monitoring": "..."}
  ],
  "warnings": []
}

7. Privacy & compliance khi dùng LLM

7.1 Phân loại model theo PHI exposure

Loại	Có gửi PHI?	OK với VN?
LLM on-prem (vLLM + Llama 4 medical)	Không (data ở DC nội bộ)	OK
Cloud LLM với BAA + region VN/Singapore	Có (mã hoá)	OK với DPIA
Public API (ChatGPT, Claude) không BAA	KHÔNG GỬI PHI	Cấm

7.2 Kỹ thuật pseudonymize trước khi gửi LLM

import re

def pseudonymize_text(text, mapping):
    # mapping: dict {real_value: pseudo_token}
    for real, pseudo in mapping.items():
        text = re.sub(re.escape(real), pseudo, text, flags=re.IGNORECASE)
    return text

def restore_text(text, mapping):
    inverse = {v: k for k, v in mapping.items()}
    for pseudo, real in inverse.items():
        text = text.replace(pseudo, real)
    return text

Hoặc dùng NER PHI (vd presidio-analyzer) phát hiện auto.

7.3 Audit + Provenance cho AI output

Mỗi response từ LLM phải:

• Tạo AuditEvent (who triggered, model used, timestamp)
• Tạo Provenance linked với resource AI-generated (vd Composition summary)
• Lưu prompt + response (encrypted) cho 7 năm

{
  "resourceType": "Provenance",
  "target": [{"reference": "Composition/ai-summary-123"}],
  "recorded": "2026-05-07T14:00:00+07:00",
  "agent": [{
    "type": {"coding": [{"code": "author"}]},
    "who": {"display": "AI: gpt-4o-medical-2025-12 via vLLM internal"},
    "onBehalfOf": {"reference": "Practitioner/dr-nguyen"}
  }],
  "entity": [{
    "role": "source",
    "what": {"reference": "Bundle/prefetch-context-123"}
  }],
  "extension": [{
    "url": "http://example.org/StructureDefinition/llm-prompt-id",
    "valueIdentifier": {"value": "prompt-log-uuid"}
  }]
}

8. Đánh giá chất lượng AI clinical

Không bao giờ deploy AI clinical mà không evaluate:

Test set	Mục đích
Retrospective	Predict outcome từ data cũ, so với ground truth
Hallucination check	Đếm số lượng claim không có trong context
Citation faithfulness	Mỗi recommendation có evidence trong retrieved context không?
Bias	Performance theo gender/age/dân tộc/region
Adversarial	PHI leak qua prompt injection
Human-in-the-loop	Bác sĩ chấm điểm clinical relevance

9. Use case tiếng Việt khả thi

1. Tổng kết bệnh án (discharge summary draft) — bác sĩ chỉnh sửa, ký
2. Cảnh báo tương tác thuốc với danh mục VN
3. Sàng lọc bệnh dịch tễ (sốt xuất huyết, COVID) theo hướng dẫn Bộ Y tế
4. Mã hoá ICD-10 từ note tiếng Việt (autocoding cho thanh toán BHYT)
5. Hỏi đáp lâm sàng dựa trên hướng dẫn Bộ Y tế (RAG over guideline PDF)
6. Patient summary cho VNeID Sổ SKĐT (giải thích kết quả XN cho công dân)

10. Anti-pattern

• ❌ Gửi PHI thật cho ChatGPT public
• ❌ Train LLM trên data thật mà không de-identify
• ❌ AI tự ký đơn thuốc / chẩn đoán cuối cùng (legal liability!)
• ❌ Không có human review cho recommendation cấp cứu
• ❌ Cache AI response permanently (consent có thể rút)
• ❌ Quên versioning model — không reproduce được khi audit

11. Stack đề xuất cho VN startup y tế

Layer	Open-source	Cloud managed
FHIR Server	HAPI FHIR JPA	Azure Health Data Services
Lakehouse	Delta Lake / Iceberg + Spark	Databricks / Synapse
Vector DB	Qdrant / Milvus / pgvector	Pinecone / Vertex AI
Embedding	bge-m3 / Vietnamese-BERT	OpenAI text-embedding-3
LLM	Llama 4 + vLLM on-prem	Azure OpenAI / Vertex MedLM
Orchestration	LangChain / LlamaIndex	Vertex AI Agent Builder
CDS	Custom Java/Python service	n/a

12. Timeline triển khai

gantt
    title Triển khai FHIR + AI cho 1 sản phẩm
    dateFormat YYYY-MM
    section Foundation
    FHIR server + ETL pipeline   :2026-01, 3M
    Bronze + Silver lakehouse     :2026-03, 2M
    section AI POC
    Vector DB + embedding         :2026-05, 2M
    LLM RAG POC 1 use case        :2026-06, 2M
    Human-in-loop validation      :2026-07, 2M
    section Production
    CDS Hooks integration         :2026-09, 2M
    Audit + compliance review     :2026-10, 2M
    Pilot 1 khoa                  :2026-11, 3M
    Rollout                       :2027-02, 3M

Kết luận

FHIR là cách bài bản nhất để đưa data y tế cho AI. Pipeline Bulk Export → Lakehouse → Vector DB → RAG → CDS Hooks vừa scale tốt vừa tôn trọng privacy. Quan trọng nhất: human-in-the-loop và audit đầy đủ trước khi deploy lâm sàng.

Bạn đã hoàn thành toàn bộ roadmap HL7 FHIR Practitioner. Bước tiếp theo: thực hành dự án thật + đóng góp vào VN Core IG cộng đồng.