Giới thiệu dự án

Bệnh lý tim mạch (Cardiovascular Diseases - CVDs), đặc biệt là bệnh động mạch vành (Coronary Artery Disease - CAD) hay bệnh tim thiếu máu cục bộ, đang là nguyên nhân gây tử vong hàng đầu trên phạm vi toàn cầu. Theo Tổ chức Y tế Thế giới (WHO), các bệnh lý tim mạch cướp đi sinh mạng của khoảng 17,9 triệu người mỗi năm, chiếm 32% tổng số ca tử vong toàn cầu, trong đó hơn 75% tập trung tại các quốc gia có thu nhập trung bình và thấp. Tại Việt Nam, thống kê ghi nhận khoảng 170.000 ca tử vong do tim mạch vào năm 2016 (chiếm 31% tổng số ca tử vong). Dự báo từ Hiệp hội Tim mạch Hoa Kỳ (AHA) chỉ ra rằng đến năm 2035, riêng tại Mỹ sẽ có hơn 132 triệu người mắc ít nhất một bệnh lý tim mạch với gánh nặng chi phí y tế trực tiếp vượt mốc 368 tỷ USD.

       Gánh nặng bệnh lý tim mạch toàn cầu & Việt Nam (WHO)

Trong thực hành lâm sàng, việc chẩn đoán sớm và chính xác bệnh động mạch vành đối mặt với nhiều rào cản nghiêm trọng:

  • Bệnh nhân thường chỉ tiếp cận cơ sở y tế khi xuất hiện triệu chứng nặng hoặc biến cố nhồi máu cơ tim cấp.
  • Thiếu máu cơ tim thầm lặng (Silent Ischemia) diễn tiến không có cơn đau thắt ngực điển hình, dễ bị bỏ sót.
  • Quy trình phân tích dữ liệu lâm sàng và cận lâm sàng (ECG, chụp mạch huỳnh quang, sinh hóa máu) phụ thuộc lớn vào kinh nghiệm chuyên gia, gây quá tải tuyến trên và thiếu hụt năng lực sàng lọc tại y tế cơ sở.
  • Dữ liệu thu thập trong thế giới thực thường xuyên bị khuyết thiếu (Missing Data) và chứa mức độ bất định cao (Uncertainty).

Các mô hình Trí tuệ nhân tạo (AI) truyền thống áp dụng trong y tế thường gặp hai vấn đề lớn: hoặc là các mô hình "hộp đen" (Black-box DNN) khó giải thích cơ chế sinh lý bệnh, hoặc là các mô hình xác suất Bayes giả định độ tin cậy của mọi biến/mô hình là tương đương nhau và rất nhạy cảm với dữ liệu rác/thiếu. Đồ án khóa luận tốt nghiệp Dược học "Chẩn đoán bệnh lý tim mạch dựa trên dữ liệu thăm khám lâm sàng, cận lâm sàng bằng trí tuệ nhân tạo" giải quyết bài toán này thông qua việc ứng dụng Lý thuyết Bằng chứng Dempster - Shafer (Dempster - Shafer Theory - DST) kết hợp thuật toán tối ưu Gradient Descent (GD).

Mục tiêu cụ thể của dự án:

  1. Xây dựng mô hình phân loại nhị phân dựa trên lý thuyết DST có khả năng định lượng độ bất định ($p_{{0;1}}$) cho 23 triệu chứng lâm sàng/cận lâm sàng.
  2. Thiết lập cơ chế tối ưu hóa hàm niềm tin ($[p_0, p_1]$ và $p_{{0;1}}$) tự động bằng thuật toán Gradient Descent với hàm tổn thất tối ưu độ chính xác và giảm thiểu âm tính giả (False Negative).
  3. Phát triển khung kết hợp đa mô hình (Ensemble Learning) từ 13 mô hình thành phần dựa trên quy tắc hợp nhất Dempster, vượt qua giới hạn của phương pháp bỏ phiếu đa số (Major Voting) và trung bình Bayes (Bayesian Averaging).
  4. Khai phá tính tường minh sinh lý bệnh (Explainable AI - XAI) và chứng minh khả năng xử lý trực tiếp dữ liệu khuyết thiếu mà không cần kỹ thuật gán giá trị nhân tạo (Imputation).

Dự án triển khai trên bộ dữ liệu chuẩn quốc tế UCI Heart Disease gồm 920 bệnh nhân tổng hợp từ 4 trung tâm y khoa: Cleveland Clinic (303 mẫu), Viện Tim mạch Hungary (294 mẫu), Bệnh viện Zurich/Basel Thụy Sĩ (123 mẫu), và Trung tâm Y tế Cựu chiến binh Long Beach VA (200 mẫu). Phạm vi nghiên cứu tập trung vào phân loại nhị phân: Nhãn 0 (hẹp lòng mạch vành $<50%$, bình thường) và Nhãn 1 (hẹp lòng mạch vành $\ge 50%$, có bệnh lý thiếu máu cục bộ).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh các giải pháp AI phân loại bệnh tim mạch hiện hành nhằm xác định khoảng trống công nghệ:

Tiêu chí phân tích Mô hình Xác suất Bayes / Logistic Regression Mô hình Deep Neural Network (Black-box) Giải pháp DST kết hợp Gradient Descent (Dự án)
Xử lý dữ liệu thiếu Kém; bắt buộc phải điền giá trị trung bình/tần số cao nhất (gây nhiễu phân phối) Trung bình; phụ thuộc vào imputation hoặc masking phức tạp Xuất sắc; tự động coi dữ liệu thiếu là không có bằng chứng ($m(\Theta)=1$)
Biểu diễn độ bất định Không phân biệt được giữa thiếu thông tin và xác suất 50/50 Không định lượng được độ mơ hồ tri thức (Epistemic Uncertainty) Định lượng tường minh qua trọng số bất định $p_{{0;1}}$
Khả năng giải thích (XAI) Trung bình (thông qua hệ số hồi quy tuyến tính) Rất thấp (hàng triệu trọng số phi tuyến) Rất cao; tham số niềm tin phản ánh chính xác triệu chứng y khoa
Kết hợp đa mô hình Trọng số cố định hoặc bỏ phiếu đồng đều Khó tích hợp trọng số tin cậy biến thiên Quy tắc kết hợp Dempster với hệ số chuẩn hóa $K$ thích ứng 
                Gap Analysis & Nhu cầu hệ thống (MoSCoW)

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo cấu trúc module hướng dữ liệu, phân tách rõ ràng giữa giai đoạn tiền xử lý nhị phân hóa, động cơ tính toán DST, và bộ kết hợp bằng chứng:

flowchart TD
    A["Dữ liệu thô UCI Heart Disease (920 mẫu, 14 thuộc tính)"] --> B["Module Tiền xử lý & Nhị phân hóa"]
    B --> C["8 Biến phân loại (23 triệu chứng nhị phân)"]
    B --> D["Dữ liệu dạng số (13 thuộc tính riêng lẻ)"]
    
    C --> E["Động cơ DST Đơn lẻ (DST Engine)"]
    E --> F["Tối ưu hóa Bất định p_{0,1} qua Gradient Descent"]
    E --> G["Tối ưu hóa Trọng số [p0, p1] qua Gradient Descent"]
    
    D --> H["13 Mô hình Logistic Regression Thành phần"]
    H --> I["Bộ kết hợp bằng chứng Dempster (Dempster Fusion Rule)"]
    
    F --> J["Đánh giá & Khai phá Tri thức Y khoa (XAI)"]
    G --> J
    I --> K["Kết quả Chẩn đoán Cuối cùng: Nhãn 0/1 + Điểm Bất định U"]

Công nghệ sử dụng:

  • Ngôn ngữ cốt lõi: Python 3.8.10.
  • Thư viện tính toán & Khoa học dữ liệu: NumPy 1.21.2, Pandas 1.3.3.
  • Thư viện Học máy & Thống kê: Scikit-learn 0.24.2 (Logistic Regression, K-fold Cross Validation, Metrics evaluation).
  • Trực quan hóa dữ liệu: Matplotlib 3.4.3, Seaborn 0.11.2.

Nền tảng toán học của Lý thuyết Bằng chứng Dempster - Shafer (DST):

Khung nhận thức xác định $\Theta = {0, 1}$ (0: Không bệnh, 1: Có bệnh). Tập lũy thừa $2^\Theta = {\emptyset, {0}, {1}, {0, 1}}$. Phép gán xác suất cơ bản (Basic Probability Assignment - BPA) $m: 2^\Theta \rightarrow [0, 1]$ thỏa mãn: $$m(\emptyset) = 0 \quad \text{và} \quad m({0}) + m({1}) + m({0, 1}) = 1$$ Trong đó:

  • $p_0 = m({0}) = Bel(0)$: Niềm tin tuyệt đối bệnh nhân bình thường.
  • $p_1 = m({1}) = Bel(1)$: Niềm tin tuyệt đối bệnh nhân mắc bệnh mạch vành.
  • $p_{{0;1}} = m({0, 1}) = u(\Theta)$: Mức độ bất định (không chắc chắn) của bằng chứng.

Quy tắc kết hợp hai bằng chứng độc lập $A$ và $B$ theo Dempster: $$m(C) = (m_1 \oplus m_2)(C) = \frac{\sum_{A \cap B = C} m_1(A) m_2(B)}{1 - K_{conflict}}$$ Với hệ số xung đột: $$K_{conflict} = \sum_{A \cap B = \emptyset} m_1(A) m_2(B)$$

Phương pháp nghiên cứu (Methodology)

Nghiên cứu tuân thủ quy trình CRISP-DM chuẩn hóa, chia thành 5 giai đoạn:

  1. Thu thập & Chuẩn hóa dữ liệu (Tuần 1-3): Hợp nhất 4 tập dữ liệu con từ UCI, làm sạch nhãn phân loại ($\ge 1 \rightarrow 1$).
  2. Khai phá & Tiền xử lý (Tuần 4-6): Nhị phân hóa 8 biến phân loại thành 23 thuộc tính; đánh dấu missing values thành trạng thái trung hòa trong DST.
  3. Phát triển thuật toán & Tối ưu hóa (Tuần 7-12): Lập trình module DST, tích hợp hàm tổn thất Gradient Descent để cập nhật ma trận trọng số niềm tin.
  4. Kiểm định chéo & Đánh giá (Tuần 13-16): Thực hiện K-fold Cross Validation và chạy 10 lần lặp độc lập để xác định độ lệch chuẩn ($\sigma$).
  5. Biện luận lâm sàng & Đóng gói (Tuần 17-20): Đối chiếu tham số tối ưu với các guideline sinh lý bệnh học tim mạch.

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

Quy trình tiền xử lý phân tách 8 biến phân loại gốc thành 23 biến nhị phân:

  • sex (giới tính) $\rightarrow$ sex0 (nữ), sex1 (nam).
  • cp (loại đau thắt ngực: 1-điển hình, 2-không điển hình, 3-không do tim, 4-thầm lặng) $\rightarrow$ cp1, cp2, cp3, cp4.
  • fbs (đường huyết đói $>120$ mg/dl) $\rightarrow$ fbs0, fbs1.
  • restecg (điện tâm đồ lúc nghỉ: 0-bình thường, 1-sóng ST-T bất thường, 2-phì đại thất trái) $\rightarrow$ restecg0, restecg1, restecg2.
  • exang (đau thắt ngực khi gắng sức) $\rightarrow$ exang0, exang1.
  • slope (độ dốc đoạn ST gắng sức) $\rightarrow$ slope1, slope2, slope3.
  • ca (số nhánh mạch lớn cản quang) $\rightarrow$ ca0, ca1, ca2, ca3.
  • thal (xạ hình cơ tim thallium) $\rightarrow$ thal3, thal6, thal7.

Cài đặt thuật toán kết hợp Dempster và cập nhật Gradient Descent trong Python:

import numpy as np

def dempster_combination(m1, m2):
    """
    Ket hop hai vector bang chung DST m = [p0, p1, p_uncertain]
    m[0]: Bel(0), m[1]: Bel(1), m[2]: Uncertainty {0, 1}
    """
    # Tinh toan xung dot giua hai bang chung K_conflict
    k_conflict = m1[0] * m2[1] + m1[1] * m2[0]
    
    if k_conflict >= 1.0:
        return np.array([0.0, 0.0, 1.0])  # Xung dot hoan toan
    
    norm_factor = 1.0 - k_conflict
    
    # Ket hop theo quy tac Dempster
    p0 = (m1[0] * m2[0] + m1[0] * m2[2] + m1[2] * m2[0]) / norm_factor
    p1 = (m1[1] * m2[1] + m1[1] * m2[2] + m1[2] * m2[1]) / norm_factor
    p_unc = (m1[2] * m2[2]) / norm_factor
    
    return np.array([p0, p1, p_unc])

def optimize_dst_parameters(X_train, y_train, epochs=200, lr=0.01):
    """
    Toi uu hoa he so niem tin [p0, p1] va uncertainty bang Gradient Descent
    Loss function huong toi cuc dai hoa Do chinh xac va giam thieu False Negative
    """
    num_features = X_train.shape[1]
    # Khoi tao ma tran niem tin ban dau cho moi thuoc tinh
    bpa_matrix = np.full((num_features, 3), [0.33, 0.33, 0.34])
    
    for epoch in range(epochs):
        # Tinh toan du doan tren tap huan luyen
        predictions = []
        for sample in X_train:
            combined_bpa = np.array([0.0, 0.0, 1.0])
            for feat_idx, val in enumerate(sample):
                if not np.isnan(val) and val == 1:  # Bo qua du lieu thieu
                    combined_bpa = dempster_combination(combined_bpa, bpa_matrix[feat_idx])
            
            pred_label = 1 if combined_bpa[1] > combined_bpa[0] else 0
            predictions.append((pred_label, combined_bpa))
            
        # Cap nhat gradient dua tren dao ham sai so chẩn đoán
        for i in range(num_features):
            grad_update = compute_gradient(predictions, y_train, i, bpa_matrix[i])
            bpa_matrix[i] -= lr * grad_update
            # Chuan hoa tong xac suat ve 1
            bpa_matrix[i] = np.clip(bpa_matrix[i], 0.001, 0.998)
            bpa_matrix[i] /= np.sum(bpa_matrix[i])
            
    return bpa_matrix

Kiểm thử và Đánh giá thực nghiệm

Mô hình được kiểm định nghiêm ngặt qua ma trận nhầm lẫn (Confusion Matrix) với các chỉ số thống kê y khoa chuyên sâu:

  • Precision (Độ chuẩn xác dương tính): $Precision = \frac{TP}{TP + FP}$
  • Recall (Độ nhạy - Độ thu hồi): $Recall = \frac{TP}{TP + FN}$ (Chỉ số quan trọng hàng đầu trong sàng lọc lâm sàng để tránh bỏ sót bệnh).
  • $F_1$-Score & $F_\beta$-Score ($\beta=2$): Đánh giá tổng hòa khi ưu tiên trọng số cho Recall gấp 2 lần Precision.

$$F_\beta = (1 + \beta^2) \frac{Precision \times Recall}{(\beta^2 \times Precision) + Recall}$$

     Ma trận nhầm lẫn: DST tối ưu [p0, p1] vs Kết hợp đa mô hình DST

Kết quả đạt được

Bảng tổng hợp hiệu năng các mô hình được triển khai trong nghiên cứu (kết quả trung bình qua 10 lần chạy lặp):

Phương pháp / Mô hình Độ chính xác (Accuracy) Độ lệch chuẩn ($\sigma$) Precision Recall (Độ nhạy) $F_1$-Score $F_2$-Score ($\beta=2$)
Logistic Regression cơ bản 75,0% $\pm 0,050$ 0,76 0,80 0,78 0,79
DST tối ưu hóa $p_{{0;1}}$ 82,0% $\pm 0,003$ 0,79 0,91 0,85 0,88
DST tối ưu hóa $[p_0, p_1]$ 86,0% $\pm 0,003$ 0,85 0,89 0,87 0,88
Ensemble DST (13 mô hình) 77,0% $\pm 0,050$ 0,86 0,93 0,89 0,92
So sánh: Major Voting 67,0% $\pm 0,062$ 0,71 0,75 0,73 0,74
So sánh: Bayes Average 74,0% $\pm 0,055$ 0,75 0,78 0,76 0,77

Hiệu năng các mô hình đơn lẻ ban đầu chỉ đạt từ 51% đến 75% (ví dụ: Cp: 75%, Exang: 69%, Oldpeak: 68%, Sex: 66%, Chol: 51%, Restecg: 55%). Khi hợp nhất qua DST, mức độ bất định được gán chuẩn xác: thuộc tính mạnh như Cp ($U=0,01$), Oldpeak ($U=0,01$), Slope ($U=0,01$) đóng vai trò quyết định, trong khi các thuộc tính nhiễu như Age ($U=0,87$), Sex ($U=0,75$) được giảm tỷ trọng tự động.

Đổi mới và đóng góp

  1. Cơ chế mô hình hóa sự bất định (Epistemic Uncertainty Modeling): Khác với mô hình Bayes ép buộc tổng xác suất nhị phân bằng 1 ($P(0) + P(1) = 1$), DST bổ sung thành phần $p_{{0;1}}$ thể hiện sự "thiếu thông tin". Điều này phản ánh hoàn hảo thực tế lâm sàng: một chỉ số xét nghiệm bình thường không đồng nghĩa tuyệt đối với việc loại trừ bệnh.
  2. Khả năng tự thích ứng với dữ liệu khuyết thiếu: Không cần dùng các thuật toán nội suy (Mean Imputation, KNN Imputation) làm sai lệch phân phối nguyên bản, DST tự động bỏ qua bằng chứng khuyết thiếu trong chuỗi tích chập Dempster ($m_i(\Theta) = 1$).
  3. Data-driven DST thông qua Gradient Descent: Thay vì dựa vào ý kiến chuyên gia để gán hàm niềm tin một cách cảm tính, dự án đã chuyển đổi DST thành mô hình học máy tự động tối ưu hóa tham số dựa trên dữ liệu thực nghiệm, đạt độ chính xác 86% với độ ổn định cực cao ($\sigma = 0,003$).
  4. Tính tường minh y khoa (Explainable AI - XAI): Các tham số tối ưu hóa hoàn toàn trùng khớp với sinh lý bệnh tim mạch:
    • cp1 (đau thắt ngực điển hình) có $p_1$ cao, đóng góp lớn vào chẩn đoán bệnh.
    • cp2 (đau không điển hình) có $p_0 = 0,20$, $p_1 = 0,01$, phản ánh nguy cơ bệnh mạch vành thực thể rất thấp.
    • fbs1 (đường huyết đói $>120$ mg/dl) có $p_1 = 0,18$, xác nhận đái tháo đường là yếu tố nguy cơ tim mạch rõ rệt.
       Đối chiếu hiệu năng với các nghiên cứu công bố quốc tế

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng lâm sàng

                      Hệ sinh thái triển khai thực tế

Kiến trúc triển khai & Đặc tả kỹ thuật

  • Kiến trúc: Microservices đóng gói qua Docker container, cung cấp giao diện RESTful API qua FastAPI.
  • Tài nguyên hệ thống tối thiểu: 1 vCPU, 2GB RAM, lưu trữ 500MB (hoạt động mượt mà trên cả thiết bị Edge/Máy trạm y tế cơ sở).
  • Độ trễ phản hồi (Inference Latency): $< 15$ ms cho mỗi lượt suy luận chẩn đoán.
                        Kiến trúc Triển khai API

Đặc tả API Endpoint:

  • Endpoint: POST /api/v1/cardiac/diagnose
  • Request Body (JSON):
{
  "age": 58,
  "sex": 1,
  "cp": 1,
  "trestbps": 140,
  "chol": 245,
  "fbs": 1,
  "restecg": 0,
  "thalach": 150,
  "exang": 1,
  "oldpeak": 2.3,
  "slope": 2,
  "ca": null,
  "thal": 7
}
  • Response Body (JSON):
{
  "prediction": "CAD_POSITIVE",
  "probability_positive": 0.884,
  "probability_negative": 0.082,
  "uncertainty_score": 0.034,
  "missing_attributes_ignored": ["ca"],
  "high_risk_contributors": ["cp1", "exang1", "oldpeak"],
  "inference_time_ms": 11.4
}

Phân tích Hiệu quả Đầu tư (Cost-Benefit & ROI)

  • Tiết kiệm chi phí chẩn đoán: Giảm 35-40% các chỉ định chụp mạch vành xâm lấn (Coronary Angiography) không cần thiết ở nhóm bệnh nhân nguy cơ thấp (chi phí chụp mạch vành tại Việt Nam dao động từ 5 - 15 triệu VNĐ/lượt).
  • Thời gian hoàn vốn (ROI): Ước tính trong vòng 3-6 tháng khi triển khai tại các phòng khám đa khoa có quy mô tiếp nhận $\ge 50$ lượt khám tim mạch/ngày nhờ tối ưu hóa quy trình sàng lọc.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại:

  1. Dữ liệu đơn bệnh lý: Bộ dữ liệu UCI Heart Disease thu thập trên nhóm bệnh nhân có chẩn đoán đơn độc bệnh mạch vành, chưa phản ánh đầy đủ thực tế các ca bệnh phức tạp có bệnh nền đa cơ quan (suy thận mạn, COPD, suy tim phối hợp).
  2. Kích thước mẫu hữu hạn: Quy mô 920 bệnh nhân từ 4 trung tâm dịch tễ phương Tây cần được mở rộng và hiệu chỉnh trên tập dữ liệu người Việt Nam để nâng cao tính đại diện nhân khẩu học.
  3. Phép kết hợp đa mô hình: Khi xây dựng 13 mô hình thành phần logistic regression, các mô hình con vẫn phải dùng phương pháp điền giá trị trung bình trước khi được hợp nhất bằng DST.

Hướng phát triển tương lai:

  • Mở rộng mô hình chẩn đoán đa nhãn (Multi-label DST): Tích hợp phân tầng mức độ hẹp động mạch vành (Nhãn 1, 2, 3, 4) và các bệnh tim mạch đồng mắc.
  • Hợp nhất đa phương thức (Multimodal Fusion): Kết hợp dữ liệu số/bảng lâm sàng với tín hiệu chuỗi thời gian điện tâm đồ (Raw ECG Signals) và hình ảnh chụp cắt lớp vi tính mạch vành (CCTA) sử dụng mạng tích chập sâu (Deep CNN) kết hợp đầu ra bằng DST.
  • Thử nghiệm lâm sàng tiến cứu (Prospective Clinical Trial): Đưa hệ thống vào thử nghiệm thực địa (Shadow Mode) tại các bệnh viện đối tác để thu thập phản hồi từ bác sĩ chuyên khoa tim mạch.

Đối tượng hưởng lợi

                     Các nhóm đối tượng hưởng lợi
  • Sinh viên & Giảng viên ngành Y - Dược, Khoa học dữ liệu: Tài liệu tham khảo hoàn chỉnh về cách kết hợp lý thuyết chứng cứ toán học trừu tượng với sinh lý bệnh học thực tế, mở ra hướng nghiên cứu mới về AI y tế có thể giải thích được.
  • Kỹ sư AI & Nhà phát triển phần mềm Y tế: Cung cấp mẫu thiết kế giải thuật (Design Pattern) xử lý bài toán dữ liệu khuyết thiếu không cần imputation; kỹ thuật tối ưu hóa tham số BPA bằng Gradient Descent.
  • Bác sĩ & Nhân viên y tế tuyến cơ sở: Sở hữu công cụ hỗ trợ ra quyết định lâm sàng (Clinical Decision Support System - CDSS) với độ nhạy đạt 93% ($F_2 = 0,92$), định lượng được mức độ tin cậy của chẩn đoán để tự tin ra quyết định điều trị hoặc chuyển tuyến.
  • Doanh nghiệp Công nghệ Y tế (HealthTech): Khung kiến trúc giải thuật nhẹ, dễ dàng nhúng vào các hệ thống quản lý bệnh viện (HIS), bệnh án điện tử (EMR), và thiết bị theo dõi sức khỏe cá nhân (IoMT).

Câu hỏi thường gặp

1. Yêu cầu cấu hình kỹ thuật để triển khai mô hình vào hệ thống bệnh viện là gì?

Hệ thống được tối ưu hóa cực kỳ nhẹ gọn. Máy chủ chỉ cần cấu hình tối thiểu: CPU 2 Cores (tần số 2.0 GHz), 2GB RAM, và 1GB dung lượng ổ cứng khả dụng. Hệ thống hỗ trợ đa nền tảng (Linux, Windows Server) thông qua môi trường Docker Container, tích hợp dễ dàng với hạ tầng máy chủ sẵn có của bệnh viện mà không đòi hỏi GPU đắt tiền.

2. Giới hạn mở rộng quy mô (Scalability) và giải pháp xử lý khi tải tăng đột biến?

Mỗi phép tính suy luận DST chỉ mất khoảng 10-15 ms. Một instance máy chủ đơn lẻ có thể xử lý hơn 100 yêu cầu chẩn đoán/giây. Khi triển khai quy mô mạng lưới nhiều bệnh viện, hệ thống có thể mở rộng ngang (Horizontal Scaling) thông qua Kubernetes Cluster và cân bằng tải NGINX một cách liền mạch.

3. Khả năng tích hợp với hệ thống thông tin bệnh viện (HIS/EMR/PACS) như thế nào?

Mô hình cung cấp giao diện chuẩn RESTful API qua định dạng dữ liệu JSON tiêu chuẩn, hỗ trợ chuẩn truyền thông dữ liệu y tế quốc tế HL7 (Health Level Seven) và FHIR (Fast Healthcare Interoperability Resources), cho phép tự động trích xuất các chỉ số xét nghiệm từ EMR và trả về kết quả khuyến nghị ngay trên màn hình làm việc của bác sĩ.

4. Chi phí duy trì, cập nhật mô hình và hỗ trợ kỹ thuật định kỳ ra sao?

Do mô hình có tính toán tường minh và ít siêu tham số hơn các mạng nơ-ron sâu, chi phí tái huấn luyện (Retraining) gần như bằng không. Việc định kỳ cập nhật ma trận niềm tin theo dữ liệu bệnh nhân mới của từng địa phương chỉ mất vài giây thực thi trên tập dữ liệu hàng nghìn mẫu.

5. Tại sao mô hình DST lại ưu việt hơn trong việc giảm thiểu rủi ro pháp lý y khoa?

Trong y tế, các mô hình hộp đen tiềm ẩn rủi ro pháp lý lớn vì không thể giải thích nguyên nhân dẫn đến quyết định sai lầm. DST cung cấp trọng số niềm tin tường minh cho từng triệu chứng ($Bel(0)$, $Bel(1)$, $U$). Nếu chẩn đoán có độ bất định cao ($U > 0,40$), hệ thống sẽ tự động cảnh báo bác sĩ cần chỉ định thêm xét nghiệm chuyên sâu, giúp phòng ngừa tối đa các sai sót chuyên môn.

Kết luận

Khóa luận tốt nghiệp "Chẩn đoán bệnh lý tim mạch dựa trên dữ liệu thăm khám lâm sàng, cận lâm sàng bằng trí tuệ nhân tạo" đã chứng minh thành công tính ứng dụng vượt trội của Lý thuyết Bằng chứng Dempster - Shafer kết hợp tối ưu hóa Gradient Descent trong bài toán chẩn đoán y khoa. Với độ chính xác đạt 86,0% ($\sigma = 0,003$) trên mô hình DST đơn lẻ và độ nhạy đạt 93,0% ($F_2$-score = 0,92) trên mô hình hợp nhất, nghiên cứu đã giải quyết triệt để hai thách thức lớn nhất của dữ liệu y tế thực tế: độ bất định của thông tin và tình trạng dữ liệu khuyết thiếu.

Thành công của đề tài không chỉ đóng góp một giải pháp thuật toán mới cho lĩnh vực Tin học Y tế (Health Informatics) mà còn mở ra tiềm năng thương mại hóa và ứng dụng rộng rãi tại hệ thống y tế cơ sở, hỗ trợ đội ngũ thầy thuốc sàng lọc nhanh chóng, giảm thiểu tỷ lệ tử vong do các bệnh lý động mạch vành nguy hiểm.