Luận văn: Tiếp cận khai phá dữ liệu chẩn đoán bệnh tim ngoại trú

Luận văn thạc sĩ kỹ thuật nghiên cứu một cách tiếp cận trong khai phá dữ liệu để chuẩn đoán bệnh tim cho bệnh nhân ngoại trú công nghệ, khảo sát thực trạng, phân tích nguyên nhân,

• Tác giả: Bùi Xuân Trọng
• Người hướng dẫn: Tiến Sĩ. Vũ Thị Hồng Nhạn
• Trường học: Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Một Cách Tiếp Cận Trong Khai Phá Dữ Liệu Để Chẩn Đoán Bệnh Tim Cho Bệnh Nhân Ngoại Trú
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Hà Nội

Tóm tắt

I. Hướng dẫn chẩn đoán bệnh tim Vai trò khai phá dữ liệu

Bệnh tim mạch là nguyên nhân gây tử vong hàng đầu trên toàn cầu. Việc chẩn đoán sớm và chính xác đóng vai trò quyết định trong việc điều trị và phòng ngừa biến chứng. Trong bối cảnh đó, khai phá dữ liệu nổi lên như một công cụ mạnh mẽ, giúp các chuyên gia y tế phát hiện những mẫu tiềm ẩn trong các bộ dữ liệu sức khỏe khổng lồ. Cách tiếp cận này đặc biệt có giá trị đối với bệnh nhân ngoại trú, những người cần được theo dõi liên tục nhưng không thường xuyên có mặt tại cơ sở y tế. Bằng cách phân tích thông tin từ dữ liệu lâm sàng đến các tín hiệu sinh học theo thời gian thực, các hệ thống hỗ trợ chẩn đoán thông minh có thể cung cấp những cảnh báo sớm, hỗ trợ bác sĩ ra quyết định và nâng cao chất lượng chăm sóc sức khỏe.

1.1. Thực trạng bệnh tim mạch và nhu cầu chẩn đoán sớm

Theo Tổ chức Y tế Thế giới (WHO), bệnh tim mạch là nguyên nhân gây tử vong số một trên thế giới. Tại Việt Nam, thống kê cho thấy cứ ba người trưởng thành thì có một người nguy cơ mắc bệnh. Một trong những thách thức lớn nhất là sự tồn tại của “bệnh tim mạch vành yên lặng”, nơi người bệnh không có triệu chứng rõ ràng cho đến khi bệnh đã ở giai đoạn nguy hiểm như suy tim hay đột quỵ. Điều này nhấn mạnh tầm quan trọng của việc phát hiện và chẩn đoán sớm nguy cơ mắc bệnh. Một hệ thống chẩn đoán có độ tin cậy cao, có khả năng sàng lọc và phát hiện sớm các dấu hiệu bất thường sẽ giúp giảm thiểu hậu quả nghiêm trọng, cứu sống nhiều người bệnh và giảm gánh nặng cho hệ thống y tế.

1.2. Khai phá dữ liệu như một công cụ y tế đột phá

Các bệnh viện hiện nay lưu trữ một khối lượng dữ liệu khổng lồ về bệnh nhân. Tuy nhiên, phần lớn thông tin hữu ích trong đó vẫn chưa được khai thác triệt để. Khai phá dữ liệu là quá trình sử dụng các thuật toán máy tính để phân tích dữ liệu từ nhiều góc độ và tóm tắt nó thành những thông tin hữu ích. Trong y học, kỹ thuật này giúp tìm ra các mối liên hệ, các mẫu và các xu hướng tiềm ẩn trong dữ liệu bệnh án. Thay vì chỉ dựa vào kinh nghiệm, bác sĩ có thể sử dụng các mô hình dự báo được xây dựng từ dữ liệu để hỗ trợ việc chẩn đoán bệnh tim. Phương pháp này không chỉ tăng độ chính xác mà còn mở ra khả năng chẩn đoán cá thể hóa, phù hợp với từng bệnh nhân cụ thể.

II. Thách thức chẩn đoán bệnh tim cho bệnh nhân ngoại trú

Việc chẩn đoán bệnh tim cho bệnh nhân ngoại trú đối mặt với nhiều thách thức đặc thù. Không giống như bệnh nhân nội trú được theo dõi liên tục trong môi trường được kiểm soát, bệnh nhân ngoại trú sinh hoạt trong môi trường động, với các dữ liệu sức khỏe biến đổi không ngừng. Các phương pháp truyền thống thường dựa trên các xét nghiệm tại một thời điểm nhất định, có thể bỏ sót những dấu hiệu bất thường xảy ra trong các hoạt động hàng ngày. Hơn nữa, việc thu thập và phân tích dòng dữ liệu liên tục từ các thiết bị đeo đòi hỏi những thuật toán có khả năng học và thích ứng theo thời gian thực, một yêu cầu mà nhiều kỹ thuật khai phá dữ liệu truyền thống không đáp ứng được.

2.1. Hạn chế của các phương pháp chẩn đoán truyền thống

Các hệ thống chẩn đoán kinh điển thường dựa trên các chỉ số nguy cơ tĩnh, chẳng hạn như mô hình Framingham. Mặc dù hữu ích, các mô hình này chủ yếu dựa trên các dữ liệu lâm sàng như tuổi, giới tính, huyết áp tại một thời điểm. Chúng khó có thể nắm bắt được sự phức tạp và thay đổi động của tình trạng tim mạch. Một xét nghiệm đơn lẻ, như điện tâm đồ lúc nghỉ, chỉ phát hiện được khoảng 50% các trường hợp có bệnh. Điều này cho thấy sự cần thiết phải có một phương pháp tiếp cận toàn diện hơn, kết hợp cả dữ liệu tĩnh và dữ liệu động để đưa ra một bức tranh chẩn đoán hoàn chỉnh và chính xác hơn về nguy cơ bệnh tim mạch.

2.2. Vấn đề dữ liệu động và yêu cầu học liên tục

Dữ liệu sức khỏe của bệnh nhân ngoại trú, đặc biệt là tín hiệu điện tâm đồ (ECG) ghi lại trong các hoạt động hàng ngày, có tính thời gian thực và liên tục. Các kỹ thuật khai phá dữ liệu truyền thống được thiết kế cho các tập dữ liệu cố định và không phù hợp với môi trường động này. Chúng ta cần một thuật toán có khả năng học liên tục, tức là có thể tích hợp thông tin mới vào mô hình mà không cần huấn luyện lại từ đầu và không quên đi những tri thức đã học. Đây là một yêu cầu kỹ thuật quan trọng để xây dựng một hệ thống y tế có khả năng theo dõi và chẩn đoán sớm một cách hiệu quả cho bệnh nhân trong cuộc sống hàng ngày.

III. Phương pháp chẩn đoán bệnh tim qua dữ liệu lâm sàng

Để giải quyết các thách thức, một phương pháp chẩn đoán hai bước được đề xuất. Bước đầu tiên tập trung vào việc sàng lọc nguy cơ dựa trên các dữ liệu lâm sàng có sẵn. Đây là những thông tin tĩnh nhưng chứa đựng nhiều giá trị, bao gồm tuổi, giới tính, huyết áp, cholesterol, và các yếu tố lối sống. Bằng cách áp dụng các thuật toán khai phá dữ liệu, cụ thể là thuật toán Apriori, hệ thống có thể phát hiện các luật kết hợp mạnh mẽ giữa các yếu tố nguy cơ và khả năng mắc bệnh tim mạch. Quá trình này giúp xác định nhóm bệnh nhân có nguy cơ cao cần được theo dõi kỹ hơn ở bước thứ hai, tối ưu hóa nguồn lực và tăng hiệu quả của quá trình chẩn đoán bệnh tim.

3.1. Tiền xử lý dữ liệu lâm sàng cho thuật toán Apriori

Dữ liệu lâm sàng thu thập được thường ở dạng số liên tục (ví dụ: tuổi, huyết áp) và không đồng nhất. Tuy nhiên, thuật toán Apriori lại hoạt động hiệu quả nhất với dữ liệu dạng rời rạc (item). Do đó, bước tiền xử lý dữ liệu là cực kỳ quan trọng. Quá trình này bao gồm việc làm sạch dữ liệu, xử lý các giá trị thiếu và quan trọng nhất là chuyển đổi dữ liệu dạng số sang dạng rời rạc. Ví dụ, thuộc tính “Tuổi” có thể được chia thành các khoảng như “trẻ”, “trung niên”, “cao tuổi”. Việc chuyển đổi này giúp thuật toán có thể xác định các mẫu phổ biến và xây dựng các luật kết hợp một cách hiệu quả, tạo nền tảng vững chắc cho bước phân tích tiếp theo.

3.2. Khai phá luật kết hợp để xác định yếu tố nguy cơ

Sau khi tiền xử lý dữ liệu, thuật toán Apriori được áp dụng để khai phá các luật kết hợp. Một luật kết hợp có dạng X → Y, ví dụ {huyết áp cao, hút thuốc lá} → {có bệnh tim}, cho biết rằng những bệnh nhân có đặc điểm X thường có khả năng cao mắc bệnh Y. Thuật toán hoạt động bằng cách tìm ra các tập thuộc tính thường xuyên xuất hiện cùng nhau (tập mục phổ biến) trong cơ sở dữ liệu. Từ đó, các luật có độ hỗ trợ (support) và độ tin cậy (confidence) cao hơn ngưỡng cho trước sẽ được tạo ra. Những luật này cung cấp tri thức quý giá, giúp bác sĩ nhận diện các tổ hợp yếu tố nguy cơ và sàng lọc những bệnh nhân ngoại trú cần được quan tâm đặc biệt.

IV. Bí quyết chẩn đoán bệnh tim từ thay đổi nhịp tim GNG

Đối với nhóm bệnh nhân được xác định là có nguy cơ cao từ bước một, quá trình chẩn đoán chuyển sang bước thứ hai, tập trung vào phân tích dữ liệu động. Trọng tâm của bước này là sự thay đổi nhịp tim (Heart Rate Variability - HRV), một chỉ số quan trọng phản ánh sức khỏe hệ thần kinh tự trị và được dùng để dự đoán các trường hợp đột tử. Dữ liệu này được thu thập liên tục từ các thiết bị cảm biến khi bệnh nhân thực hiện các hoạt động hàng ngày. Để phân tích dòng dữ liệu phức tạp này, nghiên cứu áp dụng thuật toán GNG (Growing Neural Gas), một mô hình mạng nơ-ron có khả năng học tăng cường, rất phù hợp cho việc chẩn đoán bệnh tim trong môi trường động của bệnh nhân ngoại trú.

4.1. Kỹ thuật Poincaré Chuyển đổi tín hiệu điện tâm đồ

Tín hiệu điện tâm đồ thô là một chuỗi thời gian phức tạp và nhiễu. Để mô hình mạng nơ-ron có thể xử lý hiệu quả, cần phải thực hiện tiền xử lý dữ liệu để trích xuất các đặc trưng quan trọng. Kỹ thuật Poincaré là một phương pháp hình học được sử dụng để biến đổi dữ liệu về sự thay đổi nhịp tim. Cụ thể, nó biểu diễn mỗi cặp khoảng thời gian RR liên tiếp thành một điểm trên đồ thị hai chiều. Đồ thị này sau đó được chia thành các ô lưới, tạo ra một véc-tơ đầu vào cho mạng nơ-ron. Cách tiếp cận này không chỉ nén thông tin và giảm độ phức tạp tính toán mà còn trực quan hóa được các mẫu biến thiên nhịp tim dài hạn và ngắn hạn.

4.2. Cách thuật toán GNG nhận diện mẫu nhịp tim bất thường

Thuật toán GNG là một mạng nơ-ron tự tổ chức có khả năng học liên tục. Khi một mẫu thay đổi nhịp tim mới được đưa vào, mạng sẽ xác định nút nơ-ron (mẫu) gần nhất và cập nhật trọng số của nút đó cùng các nút lân cận. Điểm đặc biệt của GNG là khả năng tự động thêm hoặc xóa các nút trong quá trình học dựa trên giá trị lỗi tích lũy. Điều này cho phép cấu trúc mạng phát triển và thích ứng linh hoạt với sự phân bố của dữ liệu. Nhờ vậy, thuật toán GNG có thể phân cụm và nhận diện các mẫu nhịp tim bình thường và bất thường một cách hiệu quả, ngay cả khi dữ liệu được cập nhật liên tục từ bệnh nhân ngoại trú.

V. Ứng dụng thực tiễn Kết quả chẩn đoán bệnh tim từ mô hình

Hiệu quả của phương pháp chẩn đoán hai bước đã được kiểm chứng thông qua các thực nghiệm trên bộ dữ liệu thực tế. Bước đầu tiên sử dụng dữ liệu lâm sàng để tìm luật kết hợp với thuật toán Apriori. Bước thứ hai phân tích tín hiệu điện tâm đồ đã được xử lý bằng kỹ thuật Poincaré và phân loại bằng thuật toán GNG. Kết quả thực nghiệm cho thấy cách tiếp cận này có độ chính xác cao và mang lại tiềm năng ứng dụng lớn trong việc xây dựng các hệ thống y tế hỗ trợ chẩn đoán sớm bệnh tim mạch, đặc biệt là cho việc theo dõi từ xa các bệnh nhân ngoại trú.

5.1. Đánh giá hiệu quả của thuật toán Apriori và GNG

Trong các thử nghiệm, hiệu quả của thuật toán Apriori được đánh giá dựa trên số lượng và chất lượng của các luật kết hợp sinh ra khi thay đổi các tham số đầu vào như độ hỗ trợ tối thiểu (minsup) và độ tin cậy tối thiểu (minconf). Đối với thuật toán GNG, kết quả cho thấy độ chính xác phân lớp rất cao. Một điểm đáng chú ý là khi so sánh với các mô hình mạng nơ-ron khác như SOM (Self-Organizing Map), GNG đạt được hiệu suất tương đương hoặc tốt hơn với số lượng nút và cạnh thấp hơn đáng kể. Điều này chứng tỏ GNG là một thuật toán hiệu quả và tiết kiệm tài nguyên tính toán, phù hợp cho các ứng dụng thời gian thực.

5.2. Tiềm năng trong hệ thống y tế hỗ trợ và theo dõi từ xa

Kết quả nghiên cứu chứng tỏ phương pháp này hoàn toàn có thể được tích hợp vào một hệ thống y tế thông minh. Hệ thống có thể hỗ trợ bác sĩ trong việc sàng lọc và chẩn đoán sớm các trường hợp bệnh tim mạch bất thường, từ đó phòng tránh các hậu quả nghiêm trọng. Đặc biệt, với khả năng học liên tục của thuật toán GNG, hệ thống này rất lý tưởng để theo dõi sức khỏe của bệnh nhân ngoại trú thông qua các thiết bị đeo. Nó có thể phân tích dữ liệu theo thời gian thực và gửi cảnh báo kịp thời trong các trường hợp cần cấp cứu, mang lại sự an tâm cho bệnh nhân và nâng cao hiệu quả quản lý bệnh mãn tính.

VI. Tương lai của khai phá dữ liệu trong chẩn đoán bệnh tim

Cách tiếp cận kết hợp khai phá dữ liệu trên cả dữ liệu tĩnh và động mở ra một hướng đi đầy hứa hẹn cho y học hiện đại. Mô hình chẩn đoán hai bước không chỉ giải quyết được những hạn chế của phương pháp truyền thống mà còn tận dụng được sức mạnh của công nghệ để theo dõi sức khỏe một cách liên tục và chủ động. Trong tương lai, việc tích hợp các thuật toán thông minh hơn, kết hợp với sự phát triển của thiết bị IoT và cảm biến y tế, sẽ tiếp tục cách mạng hóa lĩnh vực chẩn đoán bệnh tim, hướng tới một nền y học dự phòng và cá thể hóa, nơi bệnh tật được phát hiện và can thiệp từ giai đoạn rất sớm.

6.1. Tóm tắt đóng góp của phương pháp chẩn đoán hai bước

Đóng góp chính của phương pháp này nằm ở việc xây dựng một quy trình chẩn đoán bệnh tim toàn diện và có hệ thống. Bước một, sử dụng luật kết hợp từ dữ liệu lâm sàng, hoạt động như một bộ lọc thông minh để xác định nhóm nguy cơ. Bước hai, sử dụng thuật toán GNG để phân tích sâu tín hiệu điện tâm đồ, cung cấp một chẩn đoán chi tiết và năng động. Sự kết hợp này tạo ra một hệ thống vừa có khả năng sàng lọc trên diện rộng, vừa có khả năng phân tích chuyên sâu, tối ưu hóa việc chẩn đoán cho cả bệnh nhân và bác sĩ. Đây là một bước tiến quan trọng trong việc ứng dụng khai phá dữ liệu vào thực tiễn lâm sàng.

6.2. Hướng phát triển và tích hợp công nghệ trong y học

Tương lai của lĩnh vực này rất rộng mở. Các nghiên cứu tiếp theo có thể tập trung vào việc áp dụng các mô hình học sâu (Deep Learning) để tự động trích xuất các đặc trưng phức tạp hơn từ tín hiệu điện tâm đồ. Việc tích hợp dữ liệu từ nhiều nguồn khác nhau như gen, hình ảnh y khoa, và dữ liệu từ thiết bị đeo thông minh sẽ tạo ra các mô hình dự báo toàn diện hơn. Mục tiêu cuối cùng là xây dựng một hệ thống y tế kết nối, có khả năng theo dõi sức khỏe của bệnh nhân ngoại trú một cách liền mạch, đưa ra các khuyến nghị cá nhân hóa và cảnh báo sớm, biến việc chăm sóc sức khỏe từ bị động sang chủ động.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu tổng quan động cơ nghiên cứu và đóng góp của luận văn. • Chương 2: Giới thiệu bệnh tim mạch và một số hệ thống để chẩn đoán bệnh 3 TIEU LUAN MOI download : [e-mail] tim mạch. Trong chương này, chúng tôi cũng giới thiệu qua một số kỹ thuật khai phá dữ liệu như K-means, Cây quyết định, Mạng Perception nhiều lớp và SOM. • Chương 3: Giới thiệu tổng quan quá trình chẩn đoán.

Trong đó, chúng tôi trình bày chi tiết hai bước của quá trình chẩn đoán bệnh tim mạch dựa trên thuật toán Apriori và GNG. • Chương 4: Đánh giá thuật toán Apriori trong khai phá luật kết hợp trên tập dữ liệu về bệnh tim trong bước đầu tiên. Sau đó, chúng tôi đánh giá hiệu quả của thuật toán GNG và so sánh với thuật toán SOM trên tập dữ liệu tín hiệu điện tâm đồ biểu diễn sự thay đổi nhịp tim. • Chương 5: Kết luận 4 TIEU LUAN MOI download : [e-mail] Chương 2 Cơ sở lý thuyết 2.1 Giới thiệu về bệnh tim mạch Trái tim của chúng ta hoạt động như một cái bơm để bơm máu đưa máu đi tới khắp các mô cơ quan trong cơ thể.

Để đảm bảo được chức năng bơm máu một cách đều đặn khoảng 70-80 lần/phút, từ ngày này sang ngày khác, bản thân trái tim cũng được nuôi dưỡng bởi một hệ thống mạch máu riêng. Hệ thống mạch máu này gọi là hệ mạch vành. Danh từ mạch vành để chỉ tình trạng bệnh lý làm cho lòng động mạch vành bị hẹp lại hoặc tắc nghẽn. Khi lòng động mạch vành bị hẹp đến một mức độ nào đó thì dòng máu đến nuôi tim sẽ không đủ và dẫn đến tình trạng thiếu máu cơ tim.

Bệnh mạch vành còn có nhiều tên gọi khác như: Thiểu năng vành, suy động mạch vành, thiếu máu cơ tim hay bệnh tim thiếu máu cục bộ [36].1: Bệnh Tim mạch vành 5 TIEU LUAN MOI download : [e-mail] Nguyên nhân Nguyên nhân thường gặp là do mảng xơ vữa bám vào lòng mạch, mảng xơ vữa gây phản ứng viêm, có thể lớn dần gây hẹp nặng lòng mạch và khi vỡ dễ dẫn đến nhồi máu cơ tim. Ngoài ra một số trường hợp mạch vành bị co thắt gây hẹp mạch vành từng lúc cũng gây ra triệu chứng đau thắt ngực do thiếu máu cơ tim. Nguyên nhân xơ vữa động mạch thì chưa được xác định rõ ràng tuy nhiên khi nói đến nguyên nhân của bệnh tim mạch người ta dùng đến khái niệm "yếu tố nguy cơ". Yếu tố nguy cơ của bệnh tim mạch là những yếu tố mà khi hiển diện ở một cá thể nào đó thì làm cho cá thể đó có tỷ lệ mắc bệnh tim cao hơn cá thể khác.

Những yếu tố nguy cơ của bệnh tim là: tăng huyết áp, rối loạn lipid máu, hút thuốc lá, béo phì, đái tháo đường, cuộc sống công việc có nhiều căng thẳng, ít vận động, gia đình có người bị bệnh tim sớm, nam giới, cao tuổi. Triệu chứng • Đau ngực: triệu chứng của chứng thiếu máu cơ tim thường hay gặp nhất là đau ngực. Đau khởi phát khi gắng sức, ở ngay sau xương ức, đau nhói, thắt chặt và lan ra vai trái, cánh tay trái, bàn tay trái. Đau giảm đi khi nghỉ ngơi hoặc dùng thuốc dãn mạch.

Nếu cơn đau xuất hiện lúc nghỉ ngơi hoặc cơn đau quá trầm trọng, cơn đau quá 30 phút thì phải nghĩ đến là bệnh nhân bị nhồi máu cơ tim cấp. • Một số người già, những người bị bệnh tiểu đường, bệnh phổi tắc nghẽn mãn tính khi mắc bệnh mạch vành có thể không có triệu chứng đau thắt ngực như trên mà thay vào đó là mệt hoặc khó thở khi gắng sức. Những trường hợp đó gọi là thiếu máu cơ tim yên lặng. Những thăm dò để chẩn đoán bệnh Tim mạch • Điện tâm đồ lúc nghỉ: thiếu máu cơ tim làm thay đổi điện học của cơ tim và điện tâm đồ phát hiện ra các thay đổi đó.

Tuy nhiên, chỉ khoảng 50% bệnh nhân bị bệnh tim có thay đổi tín hiệu điện tâm đồ. • Siêu âm tim: Tình trạng thiếu máu cơ tim làm ảnh hưởng đến sự co bóp của tim. Những vùng giảm động do thiếu máu cơ tim gây ra sẽ được phát hiện qua siêu âm tim. • Điện tâm đồ và Siêu âm tim lúc gắng sức: Nếu lòng động mạch vành chỉ hẹp nhẹ thì triệu chứng thiếu máu cơ tim chỉ xảy ra khi gắng sức.

6 TIEU LUAN MOI download : [e-mail] • Xạ hình tưới máu cơ tim: Dùng chất đồng vị phóng xạ bơm vào mạch máu. Những vùng nào của cơ tim bị thiếu máu nuôi sẽ giảm hoặc không bắt được đồng vị phóng xạ. Sau đó, dùng máy Scan để phát hiện các vùng đó. • Chụp động mạch vành chọn lọc: là tiêu chuẩn vàng để chẩn đoán bệnh tim mạch.

Thông qua thăm dò này, bác sĩ sẽ biết được tình trạng tim mạch của bạn như thế nào.2 Các hệ thống chuẩn đoán bệnh Tim 2.1 Các Hệ thống chẩn đoán dựa vào chỉ số nguy cơ mắc bệnh tim Nghiên cứu Framingham là một nghiên cứu được tiến hành trên một bộ phân dân cư của thị trấn Framingham (hạt Middlesex, bang Massachusettes, Hoa kỳ). Dân số ban đầu gồm 5029 người đàn ông và phụ nữ khỏe mạnh độ tuổi từ 30 đến 62, được theo dõi từ năm 1948. Đến năm 1971, các nhà nghiên cứu tuyển thêm một thế hệ thứ hai là con của những người tham gia ban đầu cùng với vợ (hoặc chồng) của những người con này. Cỡ mẫu nghiên cứu gồm 3969 người đàn ông và 4522 phụ nữ.

Trong quá trình theo dõi, các nhà nghiên cứu ghi nhận các biến cố tim mạch nặng xảy ra cho những người tham gia. Cùng với một số nghiên cứu dịch tễ khác, nghiên cứu Framingham cho phép xác định các yếu tố nguy cơ chính của bệnh tim mạch do xơ vữa động mạch: hút thuốc lá, tăng huyết áp, tăng cholesterol, đái tháo đường, HDL thấp. Từ các dữ liệu thu thập được, các nhà nghiên cứu dùng một mô hình toán học để ước tính xác suất bị các biến cố tim mạch trong 10 năm tới của một người dựa vào giới tính, tuổi, cholesterol toàn phần, HDL, huyết áp tâm thu, tình trạng hút thuốc lá, có đái tháo đường hay không, có điều trị tăng huyết áp hay không. Bước kế tiếp, các nhà nghiên cứu qui đổi từng khoảng trị số của các biến liên tục (tuổi, huyết áp.

Khi cộng tất cả các điểm lại ta có điểm tổng cộng cho từng người và ứng với mỗi điểm tổng cộng là một xác suất ( bị các biến cố tim mạch trong 10 năm tới) tương ứng. Hệ thống Framingham xây dựng hai bảng điểm riêng biệt cho nam và nữ. Trong hệ thống Framingham phiên bản năm 1998, biến cố được dự báo là sự xuất hiện của bệnh tim ( đau thắt ngực, nhồi máu cơ tim được nhận biết hoặc không, suy động mạch vành và chết do bệnh động mạch vành). Các biến được đưa vào bao gồm 7 TIEU LUAN MOI download : [e-mail] giới tính, tuổi, cholesterol toàn phần, HDL, huyết áp tâm thu, có đái tháo đường hay không, có hút thuốc lá hay không.

Dạng trình bày là cac bảng điểm dành riêng cho nam và nữ. Trong hệ thống Framingham phiên bản 2008, biến cố được dự báo ngoài bệnh động mạch vành còn có bệnh mạch máu não( đột quỵ dạng thiếu máu cục bộ, đột quỵ dạng xuất huyết, cơn thiếu máu não thoáng qua), bệnh động mạch ngoại vi (khập khiễng cách hồi) và suy tim. Hệ thống chẩn đoán nguy cơ mắc bệnh tim mạch cho các nước Châu âu (SCORE) được xây dựng từ số liệu của 12 nghiên cứu đoàn hệ ở các nước Châu âu (khoảng 2,1 triệu người theo dõi), hầu hết được thực hiện trong dân số chung. Các biến được đưa vào hệ thống SCORE gồm: giới tính, tuổi, cholesterol toàn phần, Huyết áp tâm thu, có hút thuốc lá hay không( người đái tháo đường được xếp vào nhóm có nguy cơ cao hoặc rất cao, không cần phải ước tính nguy cơ theo SCORE).

Biến cố được dự báo là chết do nguyên nhân tim mạch gồm tất cả các trường hợp chết vì một bệnh tim mạch có nguồn gốc xơ vữa động mạch: nhồi máu cơ tim, đột quỵ, phình động mạch chủ. Việc dùng biến cố này có lợi điểm là dễ chuẩn hóa. Dạng trình bày là biểu đồ màu, có hai biểu đồ riêng cho nhóm các nước có tử vong tim mạch thấp và các nước có tử vong tim mạch cao. Hệ thống chẩn đoán chẩn đoán bệnh tim mạch của Hiệp hội tim mạch Hoa Kỳ (Pooled Cohort Equations - PCE) do nhóm chuyên gia thuộc Trường Tim Mạch và Hiệp hội Tim Hoa Kỳ đưa ra năm 2013.

Nhóm chuyên gia này tập hợp số liệu các nghiên cứu đoàn hệ cộng đồng trên những người Mỹ gốc Phi và Mỹ da trắng không phải gốc Latinh được theo dõi ít nhất 12 năm. Biến cố kết cục của hệ thống là chết do bệnh động mạch vành, nhồi máu cơ tim nhưng không chết, đột quỵ hoặc đột quỵ nhưng không chết. Các biến được đưa vào hệ thống bao gồm: giới tính, tuổi, chủng tộc, cholesterol toàn phần, HDL, huyết áp tâm thu, có đang điều trị tăng huyết áp hay không, có đái tháo đường hay không, có hút thuốc lá hay không. Nghiên cứu của Reynolds được xây dựng từ số liệu của 2 thử nghiệm lâm sàng là Nghiên cứu về sức khỏe phụ nữ( Women Health Studay - 24.558 phụ nữ là nhân viên y tế) và Nghiên cứu về sức khỏe thầy thuốc (Physician’s Health Study - 10724 bác sĩ nam), với biến cố được dự báo là nhồi máu cơ tim, đột quỵ, tái tưới máu mạch vành và chết do nguyên nhân tim mạch.

Các biến được đưa vào là giới tính, tuổi, huyết áp tâm thu, cholesterol toàn phần, HDL, có hút thuốc lá hay không, có tiền sử gia đình mắc nhồi máu cơ tim sớm, HbA1c , hsCRP. 8 TIEU LUAN MOI download : skknchat@gmail.2: Đặc điểm của các hệ thống ước tính nguy cơ bệnh Tim mạch 2.2 Hệ thống hỗ trợ chuẩn đoán bệnh Tim mạch sử dụng kỹ thuật khai phá dữ liệu Ngày nay, các bệnh viện đều lưu trữ và quản lý thông tin về tình hình sức khỏe của bệnh nhân trên các hệ thống thông tin. Những hệ thống này chứa một lượng lớn dữ liệu, trong đó có rất nhiều thông tin hữu ích chưa được khai phá để hỗ trợ cho bác sĩ trong việc chuẩn đoán, cũng như dự đoán tình trạng của bệnh nhân. Với sự phát triển của khoa học máy tính và các kỹ thuật khai phá dữ liệu, có nhiều nghiên cứu và hệ thống hỗ trợ chẩn đoán sớm nguy cơ mắc bệnh tim mạch đã được thực hiện.