Trí tuệ nhân tạo – chất xúc tác mới cho các giải pháp bảo vệ sức khỏe môi trường

Mòng Biển

30-03-2025

“First come the ideas, then comes an action plan. Never mind the planning required, he excels at this—if a plan is incomplete or not assuring enough, he would correct it.”

Trích “The Perfect Plan”; Wild Wise Weird [1]

Trong một thế giới ngày càng kết nối và phức tạp, sức khỏe con người đang chịu ảnh hưởng sâu sắc từ môi trường sống. Không chỉ dừng lại ở những mối lo truyền thống như ô nhiễm không khí và nước, chúng ta còn phải đối mặt với các mối nguy mới như vi nhựa, hóa chất tồn lưu lâu dài và sự tương tác phức tạp giữa nhiều yếu tố ô nhiễm cùng lúc.

Trong nhiều thập kỷ, nghiên cứu về sức khỏe môi trường (Environmental Health – EH) thường tiếp cận theo hướng đơn giản hóa – tức là xem xét từng loại chất ô nhiễm riêng lẻ và ảnh hưởng của nó đến sức khỏe. Tuy nhiên, với sự gia tăng về số lượng và sự tương tác chồng chéo giữa các nguồn ô nhiễm, cách tiếp cận này không còn phản ánh đúng thực tế, vốn phức tạp và khó lường hơn nhiều [2,3].

Trí tuệ nhân tạo (AI) đang mở ra một cách tiếp cận hoàn toàn mới, có khả năng chuyển hóa sự phức tạp thành giải pháp. Theo tổng quan nghiên cứu của Huang và cộng sự [4], AI đang tái định hình cách các nhà khoa học tiếp cận, phân tích và giải quyết những thách thức trong sức khỏe môi trường.

Khả năng xử lý lượng dữ liệu khổng lồ, đa dạng và “lộn xộn” – từ ảnh vệ tinh, chỉ số ô nhiễm, đến dữ liệu gen và hồ sơ y tế – giúp AI trở thành công cụ đặc biệt hữu hiệu trong bối cảnh ô nhiễm ngày càng phức tạp. Khi các chất ô nhiễm tương tác theo hướng tăng cường hoặc triệt tiêu lẫn nhau, AI có thể phát hiện những mô hình mà các phương pháp truyền thống không thấy được [5,6].

AI đang thay đổi ngành nghiên cứu trong 4 lĩnh vực lớn:

• Thu thập dữ liệu: AI kết hợp cảm biến thông minh, drone và vệ tinh để giám sát môi trường theo thời gian thực, với độ chính xác và tần suất vượt xa các phương pháp truyền thống.

• Xác định nguy cơ: Các mô hình AI có khả năng phát hiện các mối nguy mới nổi hoặc chưa được nhận diện trước đó – như vi nhựa, kim loại nặng, hay chất độc bay hơi – vốn dễ bị bỏ sót khi dùng phương pháp phân tích cũ.

• Mô hình hóa rủi ro: AI giúp mô phỏng sự di chuyển, tương tác và tác động sinh học của chất ô nhiễm, từ mức độ tế bào đến cộng đồng, mang lại cái nhìn toàn diện về ảnh hưởng tích lũy và tương tác giữa nhiều yếu tố độc hại.

• AI hỗ trợ quá trình ra quyết định – từ xây dựng chính sách, tối ưu hóa kiểm soát ô nhiễm, đến cung cấp ứng dụng cảnh báo sức khỏe cá nhân theo thời gian thực cho người dân.

  
  

Tuy tiềm năng rất lớn, việc tích hợp AI vào nghiên cứu và quản lý sức khỏe môi trường vẫn còn nhiều thách thức. Chất lượng dữ liệu, tính minh bạch của thuật toán và việc bảo mật thông tin sức khỏe cá nhân là những vấn đề cần được giải quyết. Đồng thời, cần có khung pháp lý rõ ràng và sự hợp tác liên ngành giữa chuyên gia AI, nhà khoa học môi trường và các nhà hoạch định chính sách để đảm bảo AI phát huy hiệu quả một cách có trách nhiệm và công bằng.

AI không chỉ là công cụ – nó có thể là chiếc cầu nối giữa thiên nhiên và xã hội loài người. Bằng cách làm sáng tỏ những tương tác phức tạp giữa con người và môi trường, AI giúp chúng ta hiểu rõ – và hành động – để bảo vệ sức khỏe con người và hành tinh trong hiện tại và cho các thế hệ mai sau [7].

Tài liệu tham khảo

[1] Vuong QH. (2024). Wild Wise Weird. https://www.amazon.com/dp/B0BG2NNHY6/ 

[2] Ye Y, et al. (2024). Public health impacts of air pollution from the spatiotemporal heterogeneity perspective: 31 provinces and municipalities in China from 2013 to 2020. Frontiers in Public Health, 12, 1422505. https://doi.org/10.3389/fpubh.2024.1422505 

[3] He X, et al. (2023). Contribution and effects of PM2.5-bound lead to the cardiovascular risk of workers in a non-ferrous metal smelting area considering chemical speciation and bioavailability. Environmental Science & Technology, 57(4), 1743-1754. https://doi.org/10.1021/acs.est.2c07476 

[4] Huang L, et al. (2025). Artificial intelligence: A key fulcrum for addressing complex environmental health issues. Environment International, 198, 109389. https://doi.org/10.1016/j.envint.2025.109389 

[5] Duan Q, Lee J. (2020). Fast-developing machine learning support complex system research in environmental chemistry. New Journal of Chemistry, 44, 1179-1184. https://doi.org/10.1039/C9NJ05717J 

[6] Zinzuwadia AN, et al. (2024). Tailoring risk prediction models to local populations. JAMA Cardiology, 9(11), 1018-1028. https://doi.org/10.1001/jamacardio.2024.2912 

[7] Nguyen MH. (2024). How can satirical fables offer us a vision for sustainability? Visions for Sustainability. https://ojs.unito.it/index.php/visions/article/view/11267