Cách Longev AI học: quy tắc, dữ liệu và dự báo được kiểm chứng
Cốt lõi của Longev AI là các quy tắc lâm sàng có thể giải thích dựa trên dữ liệu nền tảng của từng khách, đồng thời tích lũy các cặp «tác động → phản ứng» và đo lường minh bạch sai số dự báo của chính mình.
Trang này dành cho ai. Đội ngũ thẩm định kỹ thuật, bác sĩ và nhà đầu tư — bất kỳ ai đang hỏi: «đây là học máy hay các quy tắc cố định?» Câu trả lời hoàn toàn minh bạch và có thể kiểm chứng trực tiếp trên cổng thông tin.
Cốt lõi là quy tắc, và đó là lựa chọn có chủ đích. Mỗi đề xuất đều bắt nguồn từ một ngưỡng cụ thể và có thể giải thích chỉ bằng một câu; các trị liệu có phí chỉ do bác sĩ thay đổi. Trong quy trình y tế, không ai ký duyệt một chiếc hộp đen.
Cá nhân hóa theo dữ liệu nền tảng cá nhân. Các cảnh báo không so sánh với «chuẩn cộng đồng» mà đối chiếu với mức trung bình của chính khách trong kỳ lưu trú: nhịp tim khi nghỉ 62 không có nhiều ý nghĩa nếu chưa biết mức bình thường cả tuần qua là 54.
Hai tập dữ liệu. Nhật ký quyết định — «chỉ số của khách → bác sĩ đã làm gì»; nhật ký kết quả — «trị liệu và tải vận động hôm qua → đồng hồ ghi nhận gì vào buổi sáng». Cả hai đều được thiết kế ẩn danh và có thể xuất thành các dòng JSONL.
Dự báo được kiểm soát chặt chẽ. Nền tảng sử dụng 3 mô hình để dự đoán nhịp tim khi nghỉ, HRV, Body Battery và điểm giấc ngủ của ngày mai, đồng thời hiển thị sai số trung bình của từng mô hình dưới dạng bảng minh bạch chứ không phải lời hứa suông.
Giới hạn chức năng. Wellness & Lifestyle Intelligence là công cụ hỗ trợ lối sống, không phải thiết bị y tế; quyết định cuối cùng luôn thuộc về bác sĩ. Cập nhật ngày 25.08.2026.
Quy tắc rõ ràng, không phải hộp đen — và lý do
Longev AI hoạt động như một công cụ tất định: cùng một đêm với cùng các ngưỡng chỉ số sẽ luôn tạo ra cùng một bảng đề xuất. Đây không phải hạn chế cần che giấu mà là quyết định kỹ thuật dựa trên 3 lý do.
Thứ nhất là chữ ký của bác sĩ. Bảng tổng hợp buổi sáng cần được bác sĩ ký duyệt, và mỗi dòng trong đó bắt buộc phải trả lời được câu hỏi «vì sao»: «nhịp tim khi nghỉ 68 so với mức trung bình 61 của bạn — đề xuất đổi liệu trình nặng». Hệ thống không bao giờ in ra đề xuất nào mà không thể giải thích bằng con số cụ thể.
Thứ hai là khung pháp lý. Một hệ thống tự ý thay đổi chỉ định y tế dựa trên mô hình không rõ ràng sẽ bị xếp vào nhóm thiết bị y tế và hệ thống rủi ro cao theo Đạo luật Trí tuệ Nhân tạo châu Âu (EU AI Act). Nền tảng chủ động duy trì vai trò hỗ trợ lối sống: đưa ra đề xuất, giải thích lý do và chờ bác sĩ quyết định (khung pháp lý).
Thứ ba là vấn đề khởi động nguội (cold start). Một mô hình học máy chưa có dữ liệu sẽ hoạt động kém hơn các quy tắc: hệ thống không có gì để học tại một khách sạn vừa kết nối hôm qua. Các quy tắc phát huy tác dụng ngay từ vị khách đầu tiên — và dữ liệu cho các mô hình tương lai bắt đầu được tích lũy ngay từ buổi sáng đầu tiên, như trình bày dưới đây.
Dữ liệu nền tảng cá nhân thay vì chuẩn cộng đồng
Hầu như mọi ngưỡng của hệ thống đều so sánh khách với chính họ. Dữ liệu nền tảng là mức trung bình trong suốt kỳ lưu trú: những ngày nhận phòng chưa trọn vẹn sẽ không được tính, và khi chưa đo đủ ít nhất 2 ngày, các cảnh báo so với dữ liệu nền tảng hoàn toàn chưa được kích hoạt — việc so sánh chỉ với một đêm duy nhất chẳng khác nào tung đồng xu rồi in ra kết luận. Bác sĩ có thể nâng mức bảo vệ này lên tối đa 5 ngày.
Với độ biến thiên nhịp tim (HRV — mức độ chênh lệch giữa các nhịp tim), hệ thống có nguồn đối chiếu thứ hai: dải chuẩn riêng của khách được thuật toán Firstbeat bên trong Garmin học trong khoảng 3 tuần. Khi đồng hồ — vốn đã theo dõi khách lâu hơn dữ liệu nền tảng 2 ngày của chúng tôi — báo «dưới dải chuẩn», chỉ số thành phần của mức độ sẵn sàng không thể hiển thị màu xanh: phán đoán của đồng hồ được ưu tiên hơn phép tính toán của chúng tôi theo đúng một chiều như vậy.
Cũng từ những con số đó, mức sẵn sàng trong ngày được tổng hợp thành một điểm số từ 0 đến 100 — tương tự Readiness của nhẫn Oura hay Recovery của vòng WHOOP, nhưng dựa trên dữ liệu Garmin và theo các quy tắc do bác sĩ khách sạn điều chỉnh: Body Battery chiếm 30 điểm, HRV và giấc ngủ mỗi chỉ số 25 điểm, nhịp tim khi nghỉ và tải vận động hôm qua mỗi chỉ số 10 điểm. Chỉ số thành phần thiếu dữ liệu sẽ không bị lấp đầy bằng «mức trung bình chung» — nó sẽ bị loại bỏ, trọng số được chuẩn hóa lại; và nếu dữ liệu có sẵn chiếm chưa đến một nửa tổng trọng số, hệ thống sẽ không đưa ra đánh giá.
Bảng tổng hợp buổi sáng của bác sĩ: mức sẵn sàng 49/100 kèm phân tích chi tiết — mỗi dòng đều có con số, mức nền tảng và lý do tương ứng×
Các lớp của hệ thống
Lớp
Chức năng
Xem chi tiết tại
Đầu vào
25 chỉ số từ đồng hồ và cân Garmin, phiếu khảo sát ban đầu, chỉ định của bác sĩ, nhật ký dinh dưỡng
Hệ thống quản lý khách sạn (PMS) có thể kết nối với Garmin Health API để nhận dữ liệu nhịp tim và giấc ngủ. Nhưng hệ thống này thiếu hai yếu tố tạo nên tập dữ liệu huấn luyện: chỉ định của bác sĩ và nhật ký dinh dưỡng. Vì vậy, nền tảng tích lũy hai bộ dữ liệu, và cả hai chỉ cùng tồn tại ở nơi mà dữ liệu sinh trắc học, chỉ định trị liệu và dinh dưỡng nằm chung trong một hệ thống khép kín.
Nhật ký quyết định — «chỉ số của khách → hành động của bác sĩ». Mọi thao tác chuyên môn trên bảng điều khiển đều được lưu lại cùng với ảnh chụp dữ liệu ẩn danh của khách tại thời điểm đó: tuổi, giới tính, ngày lưu trú, các chỉ số ban đêm, mức trung bình cá nhân, cờ cảnh báo. Hiện tại, nhật ký này đã đóng vai trò gợi ý: bác sĩ có thể thấy khách sạn từng xử lý ra sao trước những chỉ số tương tự.
Nhật ký kết quả — «tác động → phản ứng». Mỗi buổi sáng có đo lường, nền tảng sẽ tự động ghi lại một cặp dữ liệu: các trị liệu và tải trọng của ngày hôm trước (bao gồm cả bữa tối sau 20:00 và các cốc nước khoáng theo liệu trình) đặt cạnh những gì đồng hồ ghi nhận vào buổi sáng — nhịp tim khi nghỉ và HRV so với mức cơ sở cá nhân, giấc ngủ, Body Battery, mức sẵn sàng, cờ cảnh báo.
Tính ẩn danh và xóa dữ liệu. Các dòng dữ liệu không chứa họ tên hay ngày sinh; việc rút lại sự đồng ý cho phép xử lý dữ liệu sức khỏe cũng sẽ xóa các cặp dữ liệu của khách — điều này giúp bộ dữ liệu minh bạch hơn chứ không nghèo nàn đi. Dữ liệu được xuất dưới dạng các dòng JSONL từ trang quản trị.
Quan sát chứ không phải quan hệ nhân quả. Dựa trên các cặp dữ liệu đã tích lũy, bảng điều khiển hiển thị mức trung bình «có yếu tố / không có yếu tố»: trị liệu nhiệt vào ngày hôm trước, một trị liệu nặng, tải trọng tim cao hơn 50 % so với mức cơ sở, bữa tối muộn. Việc so sánh chỉ được hiển thị khi có từ 5 cặp dữ liệu trở lên ở mỗi bên và được gắn nhãn là quan sát: một buổi sáng có quá nhiều yếu tố tác động, không thể vội coi sự chênh lệch giữa các mức trung bình là nguyên nhân.
Kiểm tra dự báo: sai số thực tế thay vì những lời hứa hẹn
Bên kiểm toán có quyền yêu cầu chứng minh bằng số liệu cho nhận định «nền tảng ngày càng chính xác hơn». Để làm điều này, trang quản trị có tính năng kiểm tra dự báo: dựa trên toàn bộ lịch sử đã tích lũy, nền tảng sẽ dự báo hồi cứu cho từng buổi sáng — nhịp tim khi nghỉ, HRV, Body Battery và điểm số giấc ngủ — rồi tính sai số tuyệt đối trung bình (MAE): dự báo chệch trung bình bao nhiêu đơn vị.
Chỉ số này được tính toán theo phương pháp walk-forward — «chỉ tiến về phía trước»: dự báo cho một buổi sáng chỉ được xây dựng dựa trên những ngày trước đó, và ngay cả hệ số tải trọng cũng chỉ tiếp tục học từ các cặp dữ liệu đã thực sự diễn ra tính đến thời điểm đó. Về mặt cấu trúc, hệ thống hoàn toàn không thể biết trước tương lai để khớp kết quả.
Mô hình
Cách dự báo
Mục đích trong bảng
«Như hôm qua»
ngày mai sẽ có chỉ số giống hệt hôm nay
chuẩn đối sánh ngây thơ: một mô hình không vượt qua được mức này thì không thể coi là mô hình dự báo
«Mức cơ sở cá nhân»
mức trung bình của khách trong đợt lưu trú — chính là chỉ số in trên bảng tổng hợp buổi sáng
cho thấy giá trị thực sự của việc cá nhân hóa
«Mức cơ sở + tải trọng»
mức cơ sở cá nhân có hiệu chỉnh theo mức quá tải hôm qua; hệ số này bắt đầu hoạt động sau khi tích lũy đủ 8 cặp dữ liệu
thành phần tự học đầu tiên — và hiệu quả đóng góp của nó được hiển thị riêng biệt
Bảng này được thiết kế có chủ đích để chỉ ra những thực tế không như mong đợi: khi dữ liệu lịch sử còn ít, cách tiếp cận ngây thơ «như hôm qua» thường chính xác hơn các phương pháp hiệu chỉnh — và đó là kết quả hoàn toàn bình thường chứ không phải lỗi. Tiêu chuẩn cho các mô hình tương lai cũng do chính bảng này xác lập: một mô hình chỉ được đưa vào sử dụng thực tế khi vượt trội một cách ổn định so với mô hình ngây thơ trên dữ liệu của khách sạn, chứ không phải vì nghe có vẻ ấn tượng.
Lộ trình phát triển
Hiện tại. Các quy tắc dựa trên dữ liệu nền tảng cá nhân; nhật ký quyết định và kết quả tự động tích lũy; sai số dự báo được đo lường chỉ bằng một nút bấm.
Tiếp theo. Các mô hình dự đoán dựa trên nhật ký kết quả — khi có đủ số lượng cặp dữ liệu để vượt qua mức cơ sở giản đơn trong bảng trên một cách ổn định. Cho đến lúc đó, không dùng những từ ngữ «thông minh» để quảng bá.
Luôn luôn. Tự động chỉ định chỉ đóng vai trò là bản nháp để bác sĩ ký duyệt: đó là cách bản ghi buổi sáng đang vận hành, và cũng là cách gợi ý chỉ định dựa trên nhật ký quyết định sẽ hoạt động.
Hỏi và đáp
Đây là học máy hay các quy tắc cố định? Cốt lõi là các quy tắc có thể giải thích được dựa trên dữ liệu nền tảng của khách. Những yếu tố có khả năng tự học đã tồn tại — hệ số tải trong dự báo và tính năng tìm kiếm các ca tương tự trong nhật ký quyết định — còn các mô hình hoàn chỉnh sẽ được triển khai dựa trên nhật ký kết quả, với chất lượng hiện đã được đo lường qua bảng sai số.
Tại sao không dùng mạng nơ-ron? Vì phiếu chỉ định do bác sĩ ký duyệt và tính minh bạch, dễ giải thích là một yêu cầu lâm sàng chứ không phải sở thích; Đạo luật EU AI Act kiểm soát các khuyến nghị y tế thiếu minh bạch nghiêm ngặt hơn nhiều so với các quy tắc; và vì các mô hình thiếu dữ liệu còn kém hơn quy tắc — trong khi nền tảng vẫn đang tích lũy dữ liệu.
Điều gì khiến một hệ thống PMS thông thường không thể sao chép điều này? Garmin Health API chỉ cung cấp dữ liệu sinh trắc học chứ không có chỉ định của bác sĩ hay nhật ký ăn uống. Cặp «tác động → phản hồi» chỉ được hình thành khi cả ba luồng dữ liệu cùng nằm trong một vòng khép kín — và tập dữ liệu đó được lưu giữ riêng tại khách sạn.
Có thể xem tất cả những điều này ở đâu? Trong bảng điều khiển: Cài đặt → Trợ lý — các thẻ của cả hai nhật ký, quan sát theo yếu tố, nút kiểm tra dự báo và xuất tệp JSONL (màn hình quản trị).
Nền tảng có khẳng định mối quan hệ nhân quả không? Không. Các giá trị trung bình «có yếu tố / không có yếu tố» chỉ được ghi nhận là quan sát; các kết luận nhân quả đòi hỏi quy mô mẫu và thiết kế nghiên cứu mà một khách sạn đơn lẻ không thể có — và trang này nêu rõ điều đó một cách thẳng thắn.
