Robot phẫu thuật có thể tập trước trên “bản sao số” của bệnh nhân trước khi chạm vào cơ thể thật

Một ca phẫu thuật khó thường không cho phép “thử sai”. Khi dao mổ, kẹp hoặc đầu dụng cụ đã chạm vào mô thật, mọi quyết định đều phải dựa trên thông tin có sẵn và kinh nghiệm của ê-kíp.

Nhưng điều gì xảy ra nếu trước ngày mổ, bác sĩ có thể tạo ra một “bản sao số” của chính bệnh nhân, đưa một robot phẫu thuật ảo vào đó, thử đường tiếp cận thứ nhất, đổi sang phương án thứ hai, kiểm tra nguy cơ va vào mạch máu, quan sát mô biến dạng và lặp lại toàn bộ quy trình bao nhiêu lần cũng được?

Đó là một trong những mục tiêu của digital twin-assisted surgery – phẫu thuật có hỗ trợ bản sao số. Công nghệ này kết hợp ảnh CT hoặc MRI, mô hình giải phẫu 3D, mô phỏng cơ học, dữ liệu sinh lý, AI và hệ thống robot để tạo một phiên bản số riêng cho từng bệnh nhân. Trong tương lai, bản sao số có thể trở thành nơi bác sĩ và thuật toán “tập trước” trước khi bất kỳ dụng cụ nào chạm vào cơ thể thật.

Tuy nhiên, cần phân biệt rõ giữa viễn cảnh và thực tế hiện nay. Năm 2026, các mô hình bệnh nhân riêng biệt phục vụ lập kế hoạch và mô phỏng đã có những nguyên mẫu rất đáng chú ý, nhưng một digital twin hoàn chỉnh có thể mô phỏng chính xác mô mềm, cập nhật theo thời gian thực và dự đoán toàn bộ diễn biến của một ca mổ vẫn chủ yếu ở giai đoạn nghiên cứu. Robot phẫu thuật đang dùng trong lâm sàng cũng phần lớn vẫn do bác sĩ điều khiển, chứ chưa tự động “mổ thử rồi mổ thật” như một hệ thống tự chủ hoàn chỉnh.

“Bản sao số” bệnh nhân khác gì mô hình 3D thông thường?

Một ảnh CT có thể được dựng thành mô hình 3D của xương, mạch máu hoặc cơ quan. Điều này đã rất hữu ích cho bác sĩ vì cấu trúc giải phẫu trở nên trực quan hơn so với việc đọc hàng trăm lát cắt 2D.

Nhưng một digital twin theo nghĩa đầy đủ đi xa hơn một mô hình 3D tĩnh. Nó không chỉ trả lời “cấu trúc nằm ở đâu”, mà còn cố gắng mô phỏng “điều gì sẽ xảy ra nếu can thiệp vào cấu trúc đó”.

Một bản sao số phẫu thuật lý tưởng có thể bao gồm:

• Hình dạng riêng của xương, cơ quan, khối u và hệ mạch của bệnh nhân.
• Tính chất cơ học của mô như độ mềm, độ đàn hồi và khả năng biến dạng.
• Dữ liệu sinh lý như dòng máu, chuyển động hô hấp hoặc nhịp tim.
• Vị trí và chuyển động của dụng cụ phẫu thuật.
• Dữ liệu mới liên tục cập nhật trong lúc can thiệp.

Một bài viết quan điểm trên npj Digital Medicine năm 2025 mô tả digital twin-assisted surgery như một hệ thống có thể mô phỏng can thiệp riêng cho từng bệnh nhân và cập nhật trạng thái cho bác sĩ trong quá trình phẫu thuật. Đây chính là điểm phân biệt quan trọng giữa “mô hình 3D đẹp mắt” và một bản sao số có khả năng dự đoán.

Từ CT và MRI đến một bệnh nhân ảo có thể bước vào phòng mổ

Quy trình thường bắt đầu từ dữ liệu mà bệnh viện vốn đã thu thập: CT, MRI hoặc những phương thức chẩn đoán hình ảnh khác. AI có thể phân đoạn từng cấu trúc – ví dụ đốt sống, tủy sống, đĩa đệm, mạch máu hoặc khối u – sau đó chuyển chúng thành mô hình 3D.

Một nghiên cứu tiền xuất bản năm 2026 về mô phỏng phẫu thuật cột sống đã xây dựng mô hình riêng cho từng bệnh nhân bằng cách kết hợp CT và MRI. Hệ thống tạo mô hình giải phẫu 3D cho 15 ca trong khoảng 2,5 phút mỗi trường hợp, rồi đưa chúng vào môi trường thực tế ảo để mô phỏng các thao tác giải ép cột sống như cắt bản sống, lấy đĩa đệm và mở rộng lỗ liên hợp.

Điểm đáng chú ý là đây không phải một “bệnh nhân mẫu”. Giải phẫu trong mô phỏng được dựng từ dữ liệu của chính người bệnh. Điều đó cho phép bác sĩ luyện tập trên cấu trúc mà họ có thể gặp trong ca mổ thật thay vì một tình huống tiêu chuẩn hóa.

Ở một nghiên cứu khác công bố dạng tiền xuất bản tháng 7/2026, nhóm tại Johns Hopkins University trình diễn một bản sao số giải phẫu có thể thay đổi tư thế được tạo từ một lần chụp CT toàn thân. Thay vì giữ cơ thể ở đúng tư thế lúc chụp, hệ thống gắn xương và cơ quan vào một khung động học để mô phỏng các tư thế mới, đồng thời giữ lại hình học xương riêng của từng bệnh nhân.

Đây mới là thử nghiệm chứng minh tính khả thi trên ba trường hợp, nhưng nó cho thấy một hướng phát triển quan trọng: digital twin không chỉ cần “giống bệnh nhân”, mà còn phải biết bệnh nhân thay đổi thế nào khi được đặt sang tư thế khác trong phòng mổ.

“Tập trước” một ca mổ có thể diễn ra như thế nào?

Hãy hình dung một bệnh nhân chuẩn bị phẫu thuật ở vùng có giải phẫu phức tạp. Thay vì chỉ xem CT trên màn hình, ê-kíp có thể tải bản sao số vào một phòng mổ ảo.

Bác sĩ điều khiển dụng cụ hoặc robot giống cách sẽ làm trong ca thật. Hệ thống ghi lại quỹ đạo, góc tiếp cận, khoảng cách tới các cấu trúc nguy hiểm và thời điểm dụng cụ tiếp xúc mô.

Nếu mô hình có cơ học mô đủ tốt, bác sĩ còn có thể thử các câu hỏi khó hơn: kéo mô theo hướng này có làm căng mạch máu không? Một dụng cụ lớn hơn có gây cản trở không? Nếu đổi vị trí trocar hoặc đường tiếp cận, robot có thêm không gian thao tác hay không?

Điểm mạnh của môi trường số là mọi thứ có thể được đặt lại. Một biến chứng trong mô phỏng không gây tổn thương cho bệnh nhân. Ê-kíp có thể quay lại vài phút trước, thay đổi chiến lược và so sánh kết quả.

Trong một bài tổng quan về phẫu thuật chính xác xuất bản năm 2026, các tác giả mô tả mục tiêu dài hạn là các digital twin riêng cho từng bệnh nhân, trong đó bác sĩ có thể thực hiện nhiều lần “diễn tập” trước phẫu thuật để đánh giá các chiến lược khác nhau. Chính bài tổng quan này cũng nhấn mạnh rằng các hệ thống như vậy hiện vẫn phần lớn nằm ở giai đoạn nghiên cứu và mới có ít triển khai lâm sàng.

Robot cũng có thể học trong bản sao số

Digital twin không chỉ hữu ích cho bác sĩ. Nó còn có thể trở thành môi trường huấn luyện cho chính thuật toán điều khiển robot.

Robot học thao tác trong thế giới thật gặp một vấn đề lớn: dữ liệu phẫu thuật rất khó và đắt để thu thập. Không thể để một hệ thống chưa hoàn thiện thực hiện hàng nghìn lần thử trên bệnh nhân chỉ để học cách cầm kim, kéo mô hoặc căn chỉnh dụng cụ.

Mô phỏng giải quyết một phần vấn đề này. Một nghiên cứu năm 2025 có tên SuFIA-BC xây dựng một digital twin phẫu thuật với các cơ quan giải phẫu có hình ảnh gần thực tế để tạo dữ liệu tổng hợp cho robot học các nhiệm vụ phẫu thuật. Các tác giả đồng thời cho thấy những thuật toán behavior cloning hiện đại vẫn gặp nhiều khó khăn với các nhiệm vụ có tiếp xúc phức tạp – một lời nhắc rằng “học trong mô phỏng” chưa đồng nghĩa với việc robot đã sẵn sàng tự mổ.

Năm 2026, một nghiên cứu khác xây dựng digital twin dựa trên vật lý cho cơ cấu kẹp của da Vinci Xi nhằm huấn luyện bộ điều khiển lực. Chính sách điều khiển được học chủ yếu trong mô phỏng rồi chuyển sang phần cứng thật. Đây là ví dụ nhỏ hơn nhiều so với việc mô phỏng cả một ca mổ, nhưng nó thể hiện cách digital twin có thể giúp robot thử những chiến lược điều khiển mà không cần thực hiện toàn bộ quá trình học trên thiết bị thật.

Một bản sao cho bệnh nhân, một bản sao cho robot

Trong tương lai, phòng mổ số có thể cần ít nhất hai loại digital twin hoạt động cùng nhau.

Thứ nhất là bản sao của bệnh nhân, chứa giải phẫu và các mô hình sinh lý. Thứ hai là bản sao của hệ robot, mô phỏng hình học, khớp, giới hạn chuyển động, độ trễ và trạng thái của dụng cụ.

Khi ghép hai lớp này, phần mềm có thể kiểm tra một kế hoạch trước khi gửi lệnh xuống máy thật. Nếu đường đi khiến cánh tay robot va vào nhau, vượt giới hạn khớp hoặc đưa dụng cụ quá gần một cấu trúc nguy hiểm, hệ thống có thể phát hiện trong mô phỏng trước.

Một công trình được trình bày tại International Symposium on Medical Robotics năm 2025 đã xây dựng digital twin cho robot da Vinci trong bối cảnh phẫu thuật từ xa. Khi kết nối bị gián đoạn, bác sĩ có thể tiếp tục tương tác với mô hình số cục bộ; sau khi liên lạc được phục hồi, hệ thống dùng chiến lược phục hồi để đồng bộ với robot thật. Trong bài toán chuyển các cọc thử nghiệm, nhóm tác giả báo cáo thời gian hoàn thành trung bình giảm 23% so với phương án đối chứng trong điều kiện mất kết nối gián đoạn.

Đây không phải thử nghiệm trên bệnh nhân, nhưng nó minh họa một vai trò khác của digital twin: không chỉ để diễn tập trước ca mổ mà còn có thể trở thành “lớp đệm an toàn” giữa con người, thuật toán và robot vật lý.

Vì sao mô mềm là phần khó nhất?

Dựng xương từ CT tương đối thuận lợi vì xương có ranh giới rõ và phần lớn có thể coi là cấu trúc cứng. Gan, ruột, mạch máu, cơ hoặc mô mỡ lại khó hơn nhiều.

Khi bị kéo, cắt, ép hoặc đốt, mô mềm biến dạng theo cách phụ thuộc vào hướng lực, vị trí neo, nhiệt độ, tưới máu và nhiều đặc tính sinh học khác. Hai bệnh nhân có hình dạng cơ quan gần giống nhau vẫn có thể có phản ứng cơ học khác nhau.

Muốn một digital twin có giá trị dự đoán, mô hình phải trả lời được không chỉ “dao đang ở đâu” mà còn “mô sẽ biến dạng thế nào khi dao di chuyển”. Nếu mô phỏng sai vài milimet ở vùng sát mạch máu hoặc dây thần kinh, một kế hoạch rất đẹp trong thế giới ảo có thể không còn an toàn trong thực tế.

Đây là lý do nhiều hệ thống hiện nay mới dừng ở mức mô hình giải phẫu, mô phỏng cho đào tạo hoặc lập kế hoạch, thay vì một “bệnh nhân ảo” hoàn chỉnh có thể dự đoán đáng tin cậy mọi phản ứng trong ca mổ.

Digital twin còn phải thay đổi theo thời gian thực

Một vấn đề khác xuất hiện ngay sau khi ca mổ bắt đầu: giải phẫu không còn giống ảnh CT chụp trước đó.

Cơ quan có thể dịch chuyển. Phổi phồng và xẹp theo nhịp thở. Mô bị kéo hoặc cắt. Dịch được hút ra. Tư thế bệnh nhân thay đổi. Một bản sao số không cập nhật những biến đổi này sẽ nhanh chóng trở thành một “bản đồ cũ”.

Digital twin theo nghĩa mạnh vì vậy cần nhận dữ liệu mới từ camera nội soi, cảm biến lực, siêu âm, X-quang trong mổ hoặc các nguồn khác để đồng bộ với cơ thể thật. Đây là phần khiến công nghệ trở nên khó hơn rất nhiều so với dựng một mô hình 3D trước phẫu thuật.

Nếu làm được, hệ thống có thể tạo một vòng lặp: quan sát bệnh nhân thật, cập nhật bản sao số, mô phỏng vài hành động khả thi, đánh giá rủi ro rồi gửi khuyến nghị trở lại cho bác sĩ hoặc bộ điều khiển robot.

AI có thể thử hàng nghìn phương án mà bác sĩ không cần tự làm từng lần

Khi bản sao số đủ nhanh, việc “tập trước” không nhất thiết chỉ do con người thực hiện thủ công.

Một thuật toán có thể sinh nhiều quỹ đạo khác nhau cho dụng cụ, thay đổi góc tiếp cận hoặc vị trí đặt cổng mổ rồi chạy mô phỏng hàng loạt. Mỗi phương án được chấm điểm dựa trên độ dài đường đi, khoảng cách an toàn tới mạch máu, lực tác động lên mô và khả năng hoàn thành nhiệm vụ.

Thay vì bác sĩ phải nghĩ ra năm phương án rồi tự thử cả năm, AI có thể sàng lọc hàng trăm hoặc hàng nghìn phương án và đưa ra một nhóm nhỏ để bác sĩ đánh giá.

Đây cũng là hướng mà digital twin có thể kết nối với robot bán tự động hoặc tự động trong tương lai. Trước khi thực hiện một thao tác, robot có thể “chạy thử” hành động trong mô hình. Chỉ những quỹ đạo vượt qua các điều kiện an toàn mới được phép chuyển sang hệ thống vật lý.

Trong kỹ thuật điều khiển, ý tưởng này không mới: mô hình dự đoán đã được dùng để kiểm tra hậu quả của hành động trước khi thực hiện. Điểm mới của phẫu thuật là mô hình phải đủ riêng biệt cho từng bệnh nhân và đủ chính xác trong môi trường mô mềm biến dạng.

Robot phẫu thuật hiện nay chưa phải bác sĩ tự động

Từ “robot phẫu thuật” dễ tạo cảm giác cỗ máy tự quyết định và tự thực hiện ca mổ. Trong phần lớn ứng dụng lâm sàng hiện nay, đó không phải cách hệ thống hoạt động.

Robot hỗ trợ phẫu thuật thường là thiết bị do bác sĩ điều khiển. Bác sĩ ngồi tại bàn điều khiển và chuyển động tay của mình thành chuyển động tinh vi của dụng cụ. Robot giúp tăng độ chính xác, linh hoạt và khả năng thao tác qua đường rạch nhỏ, nhưng trách nhiệm quyết định vẫn thuộc về ê-kíp phẫu thuật.

Vì vậy, trong giai đoạn gần, “robot tập trước trên digital twin” có thể nên hiểu là toàn bộ hệ thống người–robot được diễn tập trong môi trường ảo: bác sĩ thử chiến lược, phần mềm mô phỏng robot, còn AI đánh giá và tối ưu một số phần của quy trình.

Tự động hóa những thao tác cụ thể như đưa kim, điều chỉnh lực hoặc giữ dụng cụ có thể phát triển nhanh hơn tự động hóa toàn bộ ca mổ.

Bốn rào cản trước khi bản sao số bước vào phòng mổ thường quy

Độ chính xác là yêu cầu đầu tiên. Một mô hình dùng cho trò chơi có thể chấp nhận sai khác về hình dạng; một mô hình dùng cạnh dây thần kinh hoặc động mạch thì không.

Tốc độ tính toán cũng quan trọng. Mô phỏng vật lý mô mềm với độ chi tiết cao rất tốn tài nguyên. Trong ca mổ, kết quả phải đến trong vài giây hoặc nhanh hơn mới có giá trị điều khiển.

Dữ liệu và tiêu chuẩn hóa là rào cản thứ ba. CT, MRI, video nội soi, cảm biến và hồ sơ bệnh án đến từ nhiều hệ thống khác nhau. Để digital twin liên tục cập nhật, dữ liệu phải được đồng bộ chính xác và có định dạng tương thích.

Cuối cùng là kiểm chứng lâm sàng và trách nhiệm. Nếu bản sao số đề xuất một đường mổ nhưng mô hình dự đoán sai, ai chịu trách nhiệm? Một thuật toán có thể được tin tưởng đến mức nào? Làm sao chứng minh rằng mô phỏng giúp giảm biến chứng thay vì chỉ tạo thêm một lớp công nghệ phức tạp? Những câu hỏi này cần các thử nghiệm lâm sàng và khung pháp lý rõ ràng, không thể giải quyết chỉ bằng cải tiến GPU hoặc AI.

Từ “xem trước” đến “thử trước”

Trong nhiều năm, hình ảnh y khoa giúp bác sĩ xem trước cơ thể bệnh nhân trước khi mổ. Digital twin hướng tới một bước xa hơn: cho phép họ thử trước.

Không chỉ nhìn thấy một khối u, bác sĩ có thể thử nhiều hướng tiếp cận. Không chỉ biết một mạch máu nằm ở đâu, phần mềm có thể ước tính nguy cơ khi mô xung quanh bị kéo. Không chỉ kiểm tra giới hạn của robot trên giấy, hệ thống có thể chạy cả chuỗi chuyển động trong một ca mổ ảo trước.

Nếu những công nghệ này trưởng thành, câu hỏi trước một ca phẫu thuật phức tạp có thể thay đổi từ “kế hoạch của chúng ta là gì?” thành “chúng ta đã chạy thử kế hoạch này trên bản sao số của bệnh nhân bao nhiêu lần, và phương án nào cho kết quả an toàn nhất?”.

Khi đó, robot phẫu thuật sẽ không nhất thiết chạm vào cơ thể thật với trạng thái “lần đầu gặp tình huống này”. Một phần của ca mổ đã có thể được khám phá trong thế giới số – nơi sai lầm có thể được hoàn tác, chiến lược có thể được so sánh và những milimet nguy hiểm có thể được phát hiện trước khi chúng trở thành vấn đề thật.

Nguồn tham khảo: Asciak L. và cộng sự, “Digital twin assisted surgery, concept, opportunities, and challenges”, npj Digital Medicine, 2025; Mekki Y.M. và cộng sự, “Digital twins for the era of personalized surgery”, 2025; Ranabhat R.K. và cộng sự, “Virtual-reality based patient-specific simulation of spine surgical procedures”, arXiv:2604.26781, 2026 (tiền xuất bản); Zhang H., Zhao B., Unberath M., “Patient-Specific Articulated Digital Twins from a Single Full-Body CT Scan”, arXiv:2607.02156, 2026 (tiền xuất bản); Wang J. và cộng sự, “A Digital Twin for Telesurgery Under Intermittent Communication”, ISMR 2025; Moghani M. và cộng sự, “SuFIA-BC: Generating High Quality Demonstration Data for Visuomotor Policy Learning in Surgical Subtasks”, 2025.