Luận Văn Tốt Nghiệp Về Chẩn Đoán Bệnh Lý Mạch Vành Sử Dụng Lý Thuyết Dempster Shafer

Khóa luận tốt nghiệp nghiên cứu Luận văn tốt nghiệp chẩn đoán bệnh lý mạch vành bằng phương pháp kết hợp bằng chứng sử dụng lý, vận dụng lý thuyết vào thực tế, đề xuất giải pháp

• Tác giả: Nguyễn Hữu Kiên
• Người hướng dẫn: ThS. Nguyễn Thái Hà Dương
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Dược học
• Đề tài: Chẩn Đoán Bệnh Lý Mạch Vành Bằng Phương Pháp Dempster Shafer
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Sinh lý tim mạch và giải phẫu tim mạch
• 1.2. Hình thể bên trong của tim
• 1.3. Cấu tạo của tim
• 1.4. Sinh lý bệnh của bệnh động mạch vành
• 1.5. Nguyên nhân gây bệnh động mạch vành
• 1.6. Hội chứng mạch vành mạn
• 1.7. Hội chứng mạch vành cấp
• 1.8. Trí tuệ nhân tạo và ứng dụng trong y học
• 1.9. Tổng quan về lịch sử trí tuệ nhân tạo trong y học và thách thức cần vượt qua
• 1.10. Học máy và hướng đi triển vọng giải quyết các vấn đề đặt ra
• 1.11. Quy trình làm việc khi áp dụng trí tuệ nhân tạo vào chẩn đoán lâm sàng
• 1.12. Lý thuyết kết hợp bằng chứng Dempster Shafer theory
• 1.12.1. Khái niệm lý thuyết Dempster Shafer
• 1.12.2. Luật kết hợp – Dempster’s Rule
• 1.12.3. So sánh thuyết Dempster Shafer với thuyết Bayes
• 1.13. Các nghiên cứu liên quan
• 2. CHƯƠNG 2: ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Đối tượng nghiên cứu
• 2.2. Phương pháp nghiên cứu
• 2.3. Tiền xử lý dữ liệu
• 2.4. Dempster Shafer Theory
• 2.5. Phương pháp Bayes classification (Logistics regression)
• 2.6. Kiểm tra chéo (Cross-validation)
• 2.7. Tối ưu hóa sườn dốc (Gradient descent)
• 2.8. Ma trận nhiễu (Confusion matrix)
• 3. CHƯƠNG 3: KẾT QUẢ
• 3.1. Mô hình sử dụng thuật toán Dempster Shafer kết hợp với tối ưu hóa trọng số cho phần uncertainty bằng gradient descent (DST + GD [p])
• 3.2. Mô hình sử dụng thuật toán Dempster Shafer kết hợp với tối ưu hóa trọng số cho phần khả năng bị bệnh và không bị bệnh của mỗi triệu chứng bằng gradient descent (DST + GD [p0 , p1 ])
• 3.3. Mô hình sử dụng lý thuyết xác suất Bayes kết hợp Logistic Regression
• 3.4. Bộ trọng số đối với khả năng không bị bệnh, khả năng bị bệnh và không xác định sau khi chạy gradient descent
• 4. CHƯƠNG 4: BÀN LUẬN
• 4.1. Hai mô hình sử dụng Dempster Shafer Theory
• 4.2. Mô hình sử dụng thuật toán Dempster Shafer kết hợp với tối ưu hóa trọng số cho phần uncertainty bằng gradient descent (DST + GD [p])
• 4.3. Mô hình sử dụng thuật toán Dempster Shafer kết hợp với tối ưu hóa trọng số cho phần khả năng bị bệnh và không bị bệnh của mỗi triệu chứng bằng gradient descent (DST + GD [p0 , p1 ])
• 4.4. Hạn chế và tiềm năng của mô hình sử dụng thuật toán Dempster Shafer Theory
• 4.5. So sánh kết quả giữa hai mô hình sử dụng Dempster Shafer Theory và mô hình sử dụng lý thuyết xác suất Bayes kết hợp Logistic Regression
• 4.6. Thuật toán Dempster Shafer
• 4.7. Hạn chế của nghiên cứu
• 4.8. Đề xuất của nhóm nghiên cứu
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về bệnh lý mạch vành

Bệnh lý mạch vành (bệnh lý mạch vành) là một trong những nguyên nhân hàng đầu gây tử vong trên toàn cầu. Theo Tổ chức Y tế Thế giới, bệnh tim mạch (CVDs) đã dẫn đến hàng triệu ca tử vong mỗi năm. Bệnh lý này chủ yếu do xơ vữa động mạch, dẫn đến hẹp lòng động mạch vành, gây ra các triệu chứng như đau thắt ngực và có thể dẫn đến nhồi máu cơ tim. Việc chẩn đoán sớm và chính xác là rất quan trọng để giảm thiểu nguy cơ tử vong. Các phương pháp chẩn đoán hiện tại bao gồm điện tâm đồ, siêu âm tim và chụp mạch vành. Tuy nhiên, những phương pháp này vẫn còn nhiều hạn chế trong việc phát hiện sớm và chính xác các bệnh lý mạch vành.

1.1. Nguyên nhân và triệu chứng

Nguyên nhân chính gây ra bệnh lý mạch vành bao gồm xơ vữa động mạch, tăng huyết áp, tiểu đường và lối sống không lành mạnh. Triệu chứng điển hình của bệnh lý này là đau thắt ngực, thường xuất hiện khi gắng sức hoặc căng thẳng. Đau có thể lan ra các vùng khác như vai, cổ và hàm. Ngoài ra, bệnh nhân có thể gặp khó thở, mệt mỏi và cảm giác nặng nề ở ngực. Việc nhận biết sớm các triệu chứng này có thể giúp bệnh nhân tìm kiếm sự chăm sóc y tế kịp thời, từ đó giảm thiểu nguy cơ biến chứng nghiêm trọng.

II. Phương pháp Dempster Shafer trong chẩn đoán

Phương pháp Dempster Shafer (phương pháp Dempster Shafer) là một lý thuyết kết hợp bằng chứng, cho phép xử lý thông tin không chắc chắn trong y học. Lý thuyết này được phát triển để cải thiện khả năng chẩn đoán bệnh lý mạch vành. Trong nghiên cứu này, mỗi triệu chứng được xem như một bằng chứng để đưa ra kết luận về khả năng mắc bệnh. Phép kết hợp Dempster được sử dụng để tổng hợp các bằng chứng này, từ đó đưa ra quyết định chẩn đoán cuối cùng. Phương pháp này có thể giúp cải thiện độ chính xác trong chẩn đoán và giảm thiểu sai sót do thông tin không đầy đủ.

2.1. Lợi ích của phương pháp Dempster Shafer

Một trong những lợi ích lớn nhất của phương pháp Dempster Shafer là khả năng xử lý thông tin không chắc chắn. Trong lĩnh vực y tế, thông tin thường không hoàn chỉnh và có thể bị nhiễu. Phương pháp này cho phép kết hợp nhiều nguồn thông tin khác nhau, từ đó đưa ra một kết luận chính xác hơn về tình trạng sức khỏe của bệnh nhân. Hơn nữa, việc áp dụng lý thuyết này trong chẩn đoán bệnh lý mạch vành có thể giúp các bác sĩ đưa ra quyết định nhanh chóng và hiệu quả hơn, từ đó cải thiện kết quả điều trị cho bệnh nhân.

III. Kết quả nghiên cứu

Nghiên cứu đã áp dụng phương pháp Dempster Shafer để xây dựng mô hình chẩn đoán bệnh lý mạch vành. Kết quả cho thấy mô hình này có khả năng phân loại chính xác các triệu chứng và đưa ra dự đoán về khả năng mắc bệnh. So với các phương pháp truyền thống như lý thuyết Bayes, mô hình Dempster Shafer cho thấy độ chính xác cao hơn trong việc chẩn đoán bệnh lý mạch vành. Điều này chứng tỏ rằng việc áp dụng công nghệ mới trong y tế có thể mang lại những cải tiến đáng kể trong chẩn đoán và điều trị.

3.1. So sánh với phương pháp truyền thống

Khi so sánh với phương pháp truyền thống, mô hình Dempster Shafer cho thấy sự vượt trội về độ chính xác và khả năng xử lý thông tin không chắc chắn. Trong khi lý thuyết Bayes dựa vào các giả định về phân phối xác suất, Dempster Shafer cho phép kết hợp nhiều nguồn thông tin mà không cần phải giả định về phân phối. Điều này giúp mô hình có thể hoạt động hiệu quả hơn trong các tình huống thực tế, nơi mà thông tin thường không đầy đủ và có thể bị nhiễu. Kết quả nghiên cứu cho thấy rằng việc áp dụng lý thuyết Dempster Shafer có thể cải thiện đáng kể khả năng chẩn đoán bệnh lý mạch vành.

IV. Kết luận và triển vọng

Nghiên cứu về chẩn đoán bệnh lý mạch vành bằng phương pháp Dempster Shafer đã mở ra hướng đi mới trong việc ứng dụng trí tuệ nhân tạo trong y tế. Kết quả cho thấy rằng phương pháp này không chỉ cải thiện độ chính xác trong chẩn đoán mà còn giúp giảm thiểu thời gian và chi phí cho quá trình chẩn đoán. Triển vọng trong tương lai là tiếp tục phát triển và hoàn thiện mô hình này, đồng thời áp dụng vào thực tiễn lâm sàng để nâng cao chất lượng chăm sóc sức khỏe cho bệnh nhân mắc bệnh lý mạch vành.

4.1. Đề xuất nghiên cứu tiếp theo

Để nâng cao hiệu quả của mô hình Dempster Shafer trong chẩn đoán bệnh lý mạch vành, cần thực hiện các nghiên cứu tiếp theo nhằm tối ưu hóa thuật toán và mở rộng dữ liệu đầu vào. Việc tích hợp thêm các yếu tố như di truyền, lối sống và các bệnh lý đi kèm có thể giúp cải thiện độ chính xác của mô hình. Hơn nữa, việc áp dụng mô hình này trong các bệnh viện và cơ sở y tế sẽ giúp đánh giá thực tế hiệu quả của nó trong việc hỗ trợ bác sĩ trong quá trình chẩn đoán và điều trị.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Bệnh tim mạch (Cardiovascular Diseases - CVDs) hiện là nguyên nhân hàng đầu gây bệnh tật và tử vong trên phạm vi toàn cầu, để lại gánh nặng kinh tế - xã hội nghiêm trọng. Thống kê dịch tễ học trong giai đoạn 1990–2015 cho thấy số ca tử vong do bệnh lý tim mạch đã gia tăng 42,4%. Năm 2016, nhóm bệnh lý này chiếm gần 1/3 tổng số ca tử vong toàn cầu. Đến năm 2017, CVDs đã cướp đi sinh mạng của hơn 17 triệu người, làm mất đi 330 triệu năm sống và gây ra 35,6 triệu năm sống chung với tàn tật. Hiện nay, mỗi năm thế giới ghi nhận khoảng 17,9 triệu ca tử vong do tim mạch và con số này được dự báo sẽ vượt mốc 23 triệu người vào năm 2030, trong đó hơn 3/4 các trường hợp xảy ra tại các quốc gia có thu nhập thấp và trung bình. Tại Việt Nam, thống kê năm 2016 ghi nhận bệnh tim mạch chiếm 31% tổng số ca tử vong (tương đương trên 170.000 trường hợp), trở thành nguyên nhân tử vong hàng đầu trong nhóm bệnh không lây nhiễm.

Thực tiễn lâm sàng cho thấy việc phát hiện và can thiệp sớm bệnh lý động mạch vành đóng vai trò quyết định trong việc giảm tỷ lệ biến cố và tử vong. Dù các kỹ thuật thăm khám lâm sàng và cận lâm sàng hiện đại đã hỗ trợ đáng kể cho bác sĩ, việc sàng lọc quy mô lớn cũng như xử lý các tình huống chẩn đoán kịp thời vẫn gặp nhiều thách thức. Các công cụ trí tuệ nhân tạo (AI) và học máy được kỳ vọng sẽ giải quyết bài toán này. Tuy nhiên, phần lớn các phương pháp phân loại hiện nay xây dựng dựa trên lý thuyết xác suất thống kê Bayes kinh điển, vốn đòi hỏi giả định nghiêm ngặt về tính độc lập của các biến và tính hoàn thiện của dữ liệu. Trong y học, dữ liệu bệnh án thường xuyên chứa đựng sự không chắc chắn (uncertainty), nhiễu thông tin hoặc thiếu hụt dữ liệu lâm sàng. Để khắc phục khiếm khuyết này, lý thuyết kết hợp bằng chứng Dempster-Shafer (Dempster-Shafer Theory - DST) được tác giả lựa chọn nghiên cứu vì có khả năng lượng hóa và quản lý thành phần không chắc chắn, mô phỏng sát thực hơn quy trình lập luận chẩn đoán của chuyên gia y tế.

Mục tiêu cụ thể của khóa luận được xác định gồm 2 nhiệm vụ:

1. Xây dựng mô hình chẩn đoán bệnh lý tim mạch bằng trí tuệ nhân tạo sử dụng lý thuyết Dempster-Shafer để kết hợp các bằng chứng.
2. So sánh kết quả chẩn đoán bệnh lý tim mạch của mô hình trí tuệ nhân tạo sử dụng lý thuyết Dempster-Shafer so với mô hình sử dụng lý thuyết Bayes truyền thống.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Bệnh nhân nghi ngờ hoặc mắc bệnh lý động mạch vành được ghi nhận trong cơ sở dữ liệu quốc tế UCI Heart Disease Dataset (công bố ngày 01/07/1988).
• Phạm vi dữ liệu và không gian: Dữ liệu thu thập từ 4 trung tâm y tế tại 3 quốc gia, bao gồm Phòng khám Cleveland (Hoa Kỳ), Viện Tim mạch Hungary, Trung tâm Quản lý Cựu chiến binh Long Beach (Long Beach VA - Hoa Kỳ), và các bệnh viện tại Zurich và Basel (Thụy Sĩ). Tổng cỡ mẫu là 920 bệnh nhân.
• Tiêu chí phân loại: Biến mục tiêu phân loại nhị phân dựa trên mức độ hẹp lòng động mạch vành (num): nhóm nguy cơ thấp khi độ hẹp < 50% và nhóm nguy cơ cao khi độ hẹp > 50%.

Cơ sở lý thuyết và phương pháp

Nghiên cứu tích hợp các nền tảng lý thuyết y học chuyên ngành, lý thuyết biểu diễn tri thức không chắc chắn và các kỹ thuật tối ưu hóa học máy có giám sát:

• Cơ sở giải phẫu và sinh lý bệnh mạch vành: Khóa luận hệ thống hóa cơ sở hình thái học của tim (gồm 4 buồng tim, hệ thống van hai lá, ba lá, cấu tạo 3 lớp: nội tâm mạc, cơ tim, ngoại tâm mạc) và hệ thống động mạch vành (động mạch vành phải và trái xuất phát từ gốc động mạch chủ qua xoang Valsalva). Về bệnh lý, nghiên cứu phân chia bệnh động mạch vành xơ vữa thành hai nhóm bệnh cảnh chính: Hội chứng động mạch vành mạn (đặc trưng bởi mảng xơ vữa ổn định, gây hẹp trên 70% đường kính lòng mạch, biểu hiện cơn đau thắt ngực khi gắng sức) và Hội chứng động mạch vành cấp (gồm nhồi máu cơ tim có ST chênh lên và hội chứng mạch vành cấp không có ST chênh lên, sinh bệnh học do nứt vỡ mảng xơ vữa dẫn tới hoạt hóa tiểu cầu và hình thành huyết khối bít tắc).
• Lý thuyết kết hợp bằng chứng Dempster-Shafer (DST): Được khởi xướng bởi Dempster (1968) và hoàn thiện bởi Shafer (1976). DST biểu diễn không gian giả thuyết trên tập lũy thừa $2^F$. Hàm khối niềm tin cơ sở (basic belief assignment) gán trọng số $m: 2^F \to [0, 1]$ thỏa mãn $m(\emptyset) = 0$ và $\sum_{A \subseteq 2^F} m(A) = 1$. DST cho phép gán khối niềm tin trực tiếp vào tập hợp không chắc chắn ${0, 1}$ (chưa rõ có bệnh hay không bệnh). Luật kết hợp Dempster tổng hợp hai nguồn bằng chứng độc lập qua công thức: $$m_{1,2}(A) = \frac{1}{1-K} \sum_{B \cap C = A \neq \emptyset} m_1(B)m_2(C)$$ trong đó $K = \sum_{B \cap C = \emptyset} m_1(B)m_2(C)$ đại diện cho mức độ xung đột giữa các bằng chứng.
• Mô hình đối chứng Bayes kết hợp Hồi quy Logistic (Logistic Regression): Sử dụng công thức xác suất có điều kiện Bayes kết hợp phân loại nhị phân bằng hàm Sigmoid, tối ưu hóa các tham số trọng số $w$ qua hàm mất mát.
• Phương pháp tối ưu hóa sườn dốc (Gradient Descent - GD): Thuật toán tối ưu hóa lặp được sử dụng để điều chỉnh bộ trọng số của các triệu chứng nhằm cực tiểu hóa hàm mất mát (dựa trên sai số dự đoán $\Delta accuracy$). Tốc độ học ($\alpha$) chi phối bước cập nhật tham số.
• Kỹ thuật kiểm định và đánh giá: Sử dụng phương pháp kiểm tra chéo 10 phân nhóm (10-fold cross-validation) nhằm đảm bảo tính khách quan và hạn chế hiện tượng quá khớp (overfitting). Hiệu năng phân loại được đánh giá toàn diện thông qua Ma trận nhầm lẫn (Confusion Matrix) với các chỉ số: Độ chính xác (Accuracy), Độ nhạy (Sensitivity/Recall), Độ đặc hiệu (Specificity), và Giá trị dự đoán dương (Precision).

Nguồn dữ liệu thực tế gồm 920 hồ sơ bệnh án từ bộ dữ liệu UCI Heart Disease. Trong 76 thuộc tính gốc, tác giả trích xuất 8 thuộc tính phân loại có giá trị chẩn đoán lâm sàng và phân rã thành 23 triệu chứng nhị phân (0 hoặc 1). Dữ liệu phân loại khuyết thiếu được quy ước là tình trạng không có bằng chứng và không đưa vào phép kết hợp DST; dữ liệu dạng số khuyết thiếu được bù đắp bằng giá trị trung bình hoặc giá trị có tần suất xuất hiện cao nhất (mode).

Nội dung chính theo từng chương

CHƯƠNG 1: TỔNG QUAN

Chương 1 hệ thống hóa toàn diện các kiến thức nền tảng từ lâm sàng tim mạch đến kỹ thuật trí tuệ nhân tạo. Tác giả trình bày chi tiết giải phẫu tim, cấu trúc hệ mạch vành và cơ chế bệnh sinh của bệnh động mạch vành từ giai đoạn mảng xơ vữa tiến triển ổn định đến giai đoạn nứt vỡ hình thành huyết khối cấp tính. Phần tổng quan về AI phân tích lịch sử ứng dụng máy tính trong phân tích điện tâm đồ (ECG) và hỗ trợ quyết định y khoa từ giữa thế kỷ XX, đồng thời chỉ ra rào cản lớn nhất của các hệ thống cũ là tính cứng nhắc và khó biểu diễn các tương tác tri thức phức tạp.

Tiếp đó, chương phân tích sâu nguyên lý của thuyết xác suất Bayes và thuyết Dempster-Shafer, chỉ rõ Bayes gặp hạn chế khi giả định tính độc lập biến số và ép buộc tổng xác suất bằng 1 mà không thể hiện được sự thiếu hụt thông tin. Ngược lại, DST thiết lập khoảng tin cậy giữa độ tin (Belief) và độ hợp lý (Plausibility), dành riêng một phần trọng số cho trạng thái không xác định. Phần nghiên cứu liên quan điểm lại các công bố dùng chung tập dữ liệu UCI: nghiên cứu của Ram Kumar và Sanjeeva Polepaka (2020) dùng Random Forest Classifier và Mạng nơ-ron đạt độ chính xác 80%; nghiên cứu của Charles Bemando và cộng sự (2021) dùng Gaussian Naïve Bayes, Bernoulli Naïve Bayes và Random Forest đạt độ chính xác lần lượt 85%, 85% và 75%; nghiên cứu của Rohit Bharti và cộng sự (2021) ứng dụng học sâu đạt 94,2%. Tác giả xác định khoảng trống nghiên cứu là việc khai thác DST kết hợp tối ưu trọng số để xử lý tính mơ hồ trong chẩn đoán lâm sàng.

CHƯƠNG 2: ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Chương 2 mô tả chi tiết cơ cấu mẫu dữ liệu và quy trình xử lý thực nghiệm. Tổng số 920 bệnh nhân được tổng hợp từ 4 nguồn cụ thể:

• Bộ dữ liệu Cleveland: 303 bệnh nhân (139 người hẹp ĐMV > 50%, 164 người hẹp ĐMV < 50%).
• Bộ dữ liệu Hungary: 294 bệnh nhân (106 người hẹp ĐMV > 50%, 188 người hẹp ĐMV < 50%).
• Bộ dữ liệu Thụy Sĩ (Switzerland): 123 bệnh nhân (115 người hẹp ĐMV > 50%, 8 người hẹp ĐMV < 50%).
• Bộ dữ liệu Long Beach VA: 200 bệnh nhân (149 người hẹp ĐMV > 50%, 51 người hẹp ĐMV < 50%).

Từ 8 thuộc tính lâm sàng gốc, tác giả tiền xử lý và phân tách thành 23 triệu chứng nhị phân: giới tính (sex 0/1), 4 phân loại đau ngực (cp từ 1 đến 4), đường huyết lúc đói (fbs > 120 mg/dl), 3 phân loại điện tâm đồ khi nghỉ (restecg từ 0 đến 2), đau ngực do gắng sức (exang 0/1), 3 dạng độ dốc đoạn ST gắng sức (slope từ 1 đến 3), 4 mức số nhánh mạch nhuộm màu huỳnh quang (ca từ 0 đến 3), và 3 mức độ thiếu máu cơ tim Thalassemia (thal 3, 6, 7).

Quy trình nghiên cứu thiết lập 3 mô hình phân loại:

1. Mô hình DST + GD [p]: Gán trọng số không chắc chắn $p \in [0, 1]$ cho nhóm ${0, 1}$ bằng Gradient Descent; hai nhóm không bệnh ${0}$ và có bệnh ${1}$ nhận trọng số theo xác suất Bayes nhân với thừa số $(1 - p)$. Mô hình có 23 tham số $p$ độc lập cho 23 triệu chứng.
2. Mô hình DST + GD [p0, p1]: Tối ưu hóa trực tiếp hai trọng số $p_0$ (khả năng không bệnh ${0}$) và $p_1$ (khả năng có bệnh ${1}$) qua Gradient Descent. Trọng số không chắc chắn của nhóm ${0, 1}$ được tính bằng phần bù: $p = 1 - p_0 - p_1$. Mô hình tạo ra 23 bộ ba trọng số $[p_0, p_1, 1 - p_0 - p_1]$.
3. Mô hình Bayes kết hợp Hồi quy Logistic: Xây dựng hàm hồi quy logistic trên 23 biến triệu chứng làm chuẩn đối sánh. Toàn bộ các mô hình đều chạy thực nghiệm qua kiểm tra chéo 10 phân nhóm (10-fold cross-validation).

CHƯƠNG 3: KẾT QUẢ

Chương 3 trình bày các số liệu thực nghiệm sau khi chạy thuật toán trên toàn bộ 920 mẫu bệnh nhân thông qua kiểm tra chéo 10 lần. Kết quả phân loại của 3 mô hình được lượng hóa cụ thể:

Chỉ số đánh giá	Mô hình DST + GD [p]	Mô hình DST + GD [p0, p1]	Mô hình Bayes + Logistic Regression
Độ chính xác (Accuracy)	83%	86%	75%
Độ nhạy (Recall)	88%	89%	81%
Độ đặc hiệu (Specificity)	76%	81%	70%
Giá trị dự đoán dương (Precision)	82%	85%	72%

Chi tiết từ ma trận nhầm lẫn (Confusion Matrix) của từng mô hình:

• Mô hình DST + GD [p]: Số ca đúng dương (TP) = 450, đúng âm (TN) = 311, dương giả (FP) = 100, âm giả (FN) = 59.
• Mô hình DST + GD [p0, p1]: Số ca đúng dương (TP) = 453, đúng âm (TN) = 334, dương giả (FP) = 77, âm giả (FN) = 56.
• Mô hình Bayes + Hồi quy Logistic: Số ca đúng dương (TP) = 367, đúng âm (TN) = 325, dương giả (FP) = 142, âm giả (FN) = 86.

Chương này cũng trích xuất các bộ trọng số tối ưu. Đáng chú ý, mức độ không chắc chắn ($p$) của nhóm ${0, 1}$ phản ánh chính xác vai trò sàng lọc của triệu chứng: các triệu chứng bình thường hoặc không đặc hiệu có giá trị $p$ rất cao, như điện tâm đồ lúc nghỉ bình thường ($p = 0,98$), đường huyết lúc đói < 120 mg/dl ($p = 0,96$), không đau thắt ngực do tập thể dục ($p = 0,88$), và không có triệu chứng đau thắt ngực ($p = 0,69$).

CHƯƠNG 4: BÀN LUẬN

Chương 4 tập trung giải thích cơ chế dẫn đến sự khác biệt về hiệu năng giữa các mô hình. Cả hai mô hình dựa trên DST đều đạt độ chính xác vượt trội (83% và 86%) so với mô hình Bayes (75%). Mô hình DST + GD [p0, p1] đạt hiệu quả tối ưu nhất (86%) do Gradient Descent can thiệp tối ưu độc lập cả hai chiều xác suất có bệnh và không bệnh, loại bỏ hoàn toàn sự phụ thuộc vào ước lượng tiên nghiệm Bayes ban đầu. Ở mô hình DST + GD [p], vì các trọng số thành phần vẫn dựa trên xác suất Bayes nhân với $(1 - p)$, độ chính xác (83%) bị chi phối bởi các sai số mẫu vốn có của phân phối Bayes khi dữ liệu chưa đủ lớn.

Khi so sánh với các công bố quốc tế trên cùng tập dữ liệu UCI, mô hình DST + GD [p0, p1] (86%) vượt qua kết quả của Ram Kumar và cộng sự (80,32% với Random Forest) và vượt mức 85% của Bemando (sử dụng Naïve Bayes). Bàn luận về mặt lâm sàng, tác giả nhấn mạnh giá trị của việc trích xuất được tham số không chắc chắn $p$: các triệu chứng bình thường có $p$ tiệm cận 1 cho thấy chúng mang ít giá trị định hướng hẹp động mạch vành có ý nghĩa (> 50%), hoàn toàn phù hợp với thực tiễn chẩn đoán của bác sĩ. Về mặt kỹ thuật, chương thảo luận thẳng thắn các hạn chế của việc kết hợp Gradient Descent vào DST: thuật toán tối ưu có độ phức tạp tính toán lớn, nghiệm thu được giữa các lần chạy có độ biến thiên và phụ thuộc nhiều vào điểm khởi tạo, tiềm ẩn nguy cơ rơi vào cực tiểu địa phương (local minimum) gây lặp vô hạn.

Kết quả và đóng góp

Khóa luận đã giải quyết hoàn chỉnh các mục tiêu nghiên cứu đề ra và mang lại các kết quả thực nghiệm rõ ràng:

• Kết quả định lượng: Xây dựng thành công mô hình chẩn đoán phân loại nguy cơ hẹp động mạch vành bằng lý thuyết kết hợp bằng chứng Dempster-Shafer tối ưu hóa qua Gradient Descent (DST + GD [p0, p1]), đạt độ chính xác 86%, độ nhạy 89%, độ đặc hiệu 81% và precision 85% trên 920 bệnh nhân. Kết quả này vượt trội có ý nghĩa thống kê so với mô hình chuẩn Bayes kết hợp Hồi quy Logistic (đạt độ chính xác 75%, độ nhạy 81%, độ đặc hiệu 70%, precision 72%).
• Đóng góp về mặt phương pháp luận: Chứng minh tính tương thích cao của lý thuyết Dempster-Shafer đối với dữ liệu y tế lâm sàng. DST khắc phục được nhược điểm cốt lõi của xác suất thống kê Bayes kinh điển nhờ cơ chế tách biệt và định lượng tường minh thành phần "không chắc chắn" (uncertainty) thay vì phân bổ bắt buộc toàn bộ xác suất vào các biến cố đơn lẻ.
• Đóng góp so với các nghiên cứu tiền nhiệm: Nghiên cứu cải thiện độ chính xác phân loại so với công bố của Ram Kumar (2020, đạt 80%) và Bemando (2021, đạt 85%) trên cùng tập dữ liệu chuẩn UCI. Điểm ưu việt là mô hình không chỉ đưa ra nhãn phân loại mà còn cung cấp trọng số về mức độ không chắc chắn cho từng triệu chứng, cho phép giải thích được mối liên hệ lâm sàng giữa triệu chứng và nguy cơ bệnh.
• Đề xuất và kiến nghị ứng dụng: Tác giả kiến nghị đẩy mạnh tích hợp các mô hình khoa học dữ liệu có khả năng xử lý tính không chắc chắn vào hệ thống hồ sơ bệnh án điện tử và các công cụ hỗ trợ quyết định lâm sàng. Điều này giúp nhân viên y tế có thêm căn cứ phân tầng nguy cơ và hỗ trợ người bệnh tự theo dõi sức khỏe để phối hợp điều trị kịp thời.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận tự chỉ ra các hạn chế nội tại cần tiếp tục giải quyết:

• Hạn chế về tập dữ liệu: Bộ dữ liệu UCI Heart Disease với 920 mẫu chưa phải là tập dữ liệu tối ưu do cỡ mẫu còn tương đối nhỏ, số lượng và các loại triệu chứng thu thập chưa thực sự đa dạng và chưa bao quát hết các biến số lâm sàng, cận lâm sàng phức tạp trong thực tế.
• Hạn chế về thuật toán tối ưu: Việc kết hợp thuật toán tối ưu hóa sườn dốc (Gradient Descent) với lý thuyết DST làm cấu trúc tính toán trở nên cồng kềnh. Quá trình tối ưu phụ thuộc đáng kể vào các tham số khởi tạo ban đầu, khiến nghiệm thu được giữa các lần huấn luyện có thể không đồng nhất và dễ mắc kẹt tại các cực tiểu địa phương (local minimum), dẫn tới nguy cơ thuật toán lặp vô hạn.
• Hướng mở rộng nghiên cứu: Tiếp tục tối ưu hóa thuật toán hồi quy và phương pháp tìm kiếm điểm tối ưu toàn cục; thử nghiệm mô hình trên các tập dữ liệu bệnh án lâm sàng quy mô lớn hơn với nhiều biến số xét nghiệm chuyên sâu; hoàn thiện mô hình toán học nhằm ứng dụng trực tiếp vào các phần mềm hỗ trợ chẩn đoán tại cơ sở y tế.

Giá trị tham khảo

Công trình là tài liệu tham khảo học thuật hữu ích cho:

• Sinh viên và học viên ngành Dược học, Y đa khoa và Kỹ thuật Y sinh: Cung cấp bức tranh toàn diện về sinh lý bệnh học mạch vành, các hội chứng lâm sàng cấp - mạn tính, đồng thời minh họa phương pháp luận ứng dụng toán học và tin sinh học trong giải quyết các bài toán y dược thực tế.
• Người nghiên cứu về Trí tuệ nhân tạo và Khoa học dữ liệu y tế: Cung cấp khung phương pháp cụ thể về việc triển khai lý thuyết Dempster-Shafer (DST) để xử lý dữ liệu lâm sàng bị khuyết thiếu hoặc chứa đựng yếu tố không chắc chắn cao.
• Các phần đáng tham khảo nhất trong văn bản:
  • Phương pháp phân rã 8 biến phân loại gốc thành 23 triệu chứng nhị phân tại Bảng 2.2.
  • Công thức và thuật toán thiết lập 3 trạng thái niềm tin $[{0}, {1}, {0, 1}]$ kết hợp hàm mất mát Gradient Descent tại Chương 2.
  • Phân tích tương quan giữa hệ số không chắc chắn $p$ với ý nghĩa lâm sàng của từng triệu chứng tại Chương 4.

Câu hỏi thường gặp

1. Vì sao lý thuyết Dempster-Shafer lại phù hợp với dữ liệu y tế hơn lý thuyết xác suất Bayes truyền thống?
Lý thuyết Bayes giả định dữ liệu phải đầy đủ, các biến độc lập và ép buộc tổng xác suất rơi vào các biến cố bằng 1, bỏ qua yếu tố mơ hồ. Trong khi đó, dữ liệu y tế thường xuyên có nhiễu, thiếu hụt hoặc triệu chứng không rõ ràng. DST giải quyết điểm này bằng cách cho phép gán niềm tin trực tiếp vào trạng thái không xác định ${0, 1}$ (uncertainty), phản ánh đúng thực tế nhận thức và lập luận chẩn đoán của chuyên gia y tế khi chưa đủ bằng chứng kết luận.

2. Hai mô hình DST + GD [p] và DST + GD [p0, p1] khác nhau như thế nào về mặt cấu trúc trọng số?
Ở mô hình DST + GD [p], Gradient Descent chỉ tối ưu duy nhất một trọng số $p$ đại diện cho mức độ không chắc chắn ${0, 1}$; hai trọng số còn lại phụ thuộc vào xác suất Bayes nhân với $(1 - p)$. Ở mô hình DST + GD [p0, p1], Gradient Descent tối ưu độc lập cả hai trọng số $p_0$ (khả năng không bệnh) và $p_1$ (khả năng có bệnh), còn mức độ không chắc chắn là phần bù $(1 - p_0 - p_1)$. Do tách biệt hoàn toàn khỏi xác suất Bayes ban đầu, mô hình [p0, p1] đạt hiệu năng cao hơn (độ chính xác 86% so với 83%).

3. Tiêu chí phân loại bệnh nhân trong nghiên cứu dựa trên chỉ số nào?
Nghiên cứu sử dụng thuộc tính num trong bộ dữ liệu UCI để phân loại nhị phân mức độ nguy cơ dựa trên mức độ hẹp lòng động mạch vành: hẹp lòng mạch dưới 50% được phân loại vào nhóm nguy cơ tim mạch thấp (num = 0), và hẹp lòng mạch trên 50% được phân loại vào nhóm nguy cơ tim mạch cao (num = 1).

4. Dữ liệu thực nghiệm của nghiên cứu được thu thập từ những trung tâm y tế nào?
Bộ dữ liệu gồm 920 bệnh nhân được trích xuất từ 4 nguồn thuộc cơ sở dữ liệu UCI Heart Disease: Phòng khám Cleveland - Hoa Kỳ (303 bệnh nhân), Viện Tim mạch Hungary (294 bệnh nhân), Bệnh viện Thụy Sĩ tại Zurich và Basel (123 bệnh nhân), và Trung tâm Quản lý Cựu chiến binh Long Beach - Hoa Kỳ (200 bệnh nhân).

5. Tham số không chắc chắn $p$ tối ưu phản ánh điều gì trên lâm sàng?
Tham số $p$ của nhóm ${0, 1}$ đại diện cho mức độ không liên quan hoặc không đặc hiệu của triệu chứng đối với nguy cơ hẹp động mạch vành > 50%. Giá trị $p$ càng cao thì triệu chứng càng ít ảnh hưởng đến khả năng mắc bệnh. Thực nghiệm cho thấy các dấu hiệu bình thường đều có $p$ rất cao (điện tâm đồ bình thường $p = 0,98$; đường huyết đói bình thường $p = 0,96$; không đau thắt ngực do tập thể dục $p = 0,88$), hoàn toàn trùng khớp với thực tiễn phân loại lâm sàng.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Hữu Kiên đã nghiên cứu và ứng dụng thành công lý thuyết kết hợp bằng chứng Dempster-Shafer (DST) tích hợp tối ưu hóa Gradient Descent trong bài toán chẩn đoán hẹp động mạch vành trên 920 bệnh nhân từ bộ dữ liệu quốc tế UCI. Kết quả thực nghiệm khẳng định mô hình DST + GD [p0, p1] đạt độ chính xác 86%, vượt trội rõ rệt so với mô hình xác suất Bayes kết hợp Hồi quy Logistic truyền thống (75%) và các mô hình học máy trong các công bố tiền nhiệm. Công trình đã chứng minh tính ưu việt của DST trong việc mô hình hóa và xử lý tính không chắc chắn của dữ liệu y tế, đồng thời mở ra hướng tiếp cận triển vọng cho việc phát triển các hệ thống hỗ trợ ra quyết định lâm sàng trong tim mạch học.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN 1. Sinh lý tim mạch và giải phẫu tim mạch Tim là cơ quan quan trọng bậc nhất của cơ thể, là cơ quan trung tâm của hệ tuần hoàn giúp máu có thể đi đến tất cả các bộ phận cơ thể cùng với đó là dinh dưỡng và các chất cần thiết giúp nuôi sống cơ thể. Thực tế tim là một khối cơ mật độ dày và chắc, với các khoang rỗng và các van tim, cùng nhau hoạt động nhịp nhàng giúp luân chuyển máu trong cơ thể, đảm nhiệm vai trò trạm đầu mối của các vòng tuần hoàn phổi và tuần hoàn hệ thống. Tim nằm trong lồng ngực, giữa hai phổi, trên cơ hoành, sau xương ức và tấm ức - sụn sườn và hơi lệch sang trái.1: Vị trí của trái tim trong lồng ngực (Nguồn: https://healthvietnam.

Hình thể bên trong của tim Tim được ngăn thành 2 ngăn trái và phải bởi các vách, mỗi ngăn chia thành 2 phần là tâm nhĩ và tâm thất liên kết với nhau qua lỗ nhĩ thất. Như vậy tim được chia làm 4 buồng nhĩ phải, nhĩ trái, thất phải và thất trái. Hai buồng nhĩ ngăn cách nhau bởi vách 3 Luan van gian nhĩ mỏng, hai buồng thất ngăn cách nhau bởi vách gian thất dày dần về phía dưới, tâm nhĩ phải thông với tâm thất phải qua lỗ nhĩ thất phải có van ba lá cho phép máu chảy từ tâm nhĩ xuống tâm thất. Tâm nhĩ trái thông với tâm thất trái qua lỗ nhĩ- thất trái và được đậy bằng van hai lá.

Các tâm nhĩ có thành mỏng nhẵn, tiếp nhận máu từ tĩnh mạch chủ trên, tĩnh mạch chủ dưới và xoang tĩnh mạch, bốn tĩnh mạch phổi. Các tâm thất có thành dày, bên trong có nhiều gờ và cột cơ nổi lên chúng được gọi là các cơ nhú. Các cơ nhú có những thừng gân bám vào mặt dưới của lá van 1. Cấu tạo của tim Tim được cấu tạo từ ba lớp từ trong ra ngoài là: nội tâm mạc, cơ tim, và ngoại tâm mạc ở ngoài cùng.

Ngoại tâm mạc là một bao kép gồm 2 lớp: ngoại tâm mạc sợi ở ngoài và bao ngoại tâm mạc thanh mạc bên trong. Ngoại tâm mạc sợi là một bao xơ chun giãn, bao bọc quanh tim, với miệng túi phía trên liên tiếp lớp ngoài của mạch máu thông với tim. Ngoại tâm mạc thanh mạc là một túi kín gồm 2 lá (lá thành lót ở mặt trong, lá tạng phủ mặt ngoài cơ tim và các mạch vành) liên kết với nhau, ở đoạn tiếp xúc với mạch máu thông với tim thì lá tạng quặt lại để liên tiếp với lá thành. Cơ tim là lớp cơ chiếm phần lớn khối lượng của tim, các sợi cơ nối với nhau thành các phiến cơ.

Chúng là các sợi cơ có vân ngang nhưng không thể hoạt động theo ý muốn như cơ vân, chúng hoạt động nhịp điệu theo sự dẫn truyền của các xung động thần kinh. Sự dẫn truyền này được phát ra từ chính những tế bào cơ tim biệt hóa thành các tế bào tự phát nhịp và tổ chức thành hệ thống dẫn truyền của tim. Nội tâm mạc là một lớp màng mỏng lót ở mặt trong các buồng tim và các mặt các van tim tiếp liền với nội mạc của mạch máu thông với tim. Bệnh mạch vành Hệ thống động mạch vành là hệ thống mạch máu cung cấp máu và các chất cần thiết giúp nuôi dưỡng quả tim, hệ động mạch vành gồm 2 động mạch vành là: ĐMV phải và ĐMV trái, hai động mạch này xuất phát từ gốc của động mạch chủ qua các van Valsalva chạy trên bề mặt của tim.

Khi các động mạch này xuất hiện các mảng xơ vữa 4 Luan van dẫn đến hình thành các bệnh động mạch vành.2: Hình ảnh hệ thống động mạch vành (Nguồn: https://careplusvn.