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

Khóa luận tốt nghiệp nghiên cứu ứng dụng trí tuệ nhân tạo trong chẩn đoán bệnh lý tim mạch từ dữ liệu thăm khám lâm sàng và cận lâm sàng.

• Tác giả: Lê Trần Đạt
• 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 Tim Mạch Bằng Trí Tuệ Nhân Tạo
• 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 TÀI LIỆU
• 1.1. Cấu tạo hệ tim mạch
• 1.2. Bệnh lý mạch vành
• 1.2.1. Tổng quan về bệnh lý mạch vành
• 1.2.2. Các yếu tố nguy cơ của bệnh lý mạch vành
• 1.2.3. Chẩn đoán bệnh lý mạch vành
• 1.3. Trí tuệ nhân tạo và ứng dụng trong y học
• 1.3.1. Lý thuyết bằng chứng Dempster - Shafer
• 1.3.2. Các nghiên cứu liên quan
• 2. CHƯƠNG 2: ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Đối tượng nghiên cứu
• 2.2. Số mẫu và phương pháp lấy mẫu
• 2.3. Nội dung nghiên cứu
• 2.4. Phương pháp nghiên cứu
• 2.5. Tiền xử lý dữ liệu
• 2.6. Các mô hình sử dụng
• 2.7. Phương pháp đánh giá
• 3. CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU
• 3.1. Kết quả mô hình mô hình xây dựng dựa trên lý thuyết DST
• 3.1.1. Tối ưu hóa p{0;1} (uncertainty) bằng gradient descent
• 3.1.2. Tối ưu hóa [p0 , p1 ] bằng gradient descent
• 3.1.3. Kết quả mô hình logistic regression cho các biến phân loại
• 3.1.4. Kết quả kết hợp mô hình
• 4. CHƯƠNG 4: BÀN LUẬN
• 4.1. Đánh giá mô hình và phép kết hợp mô hình
• 4.1.1. Mô hình logistic regression
• 4.1.2. Mô hình xây dựng dựa trên DST
• 4.1.3. Kết hợp mô hình
• 4.2. Đánh giá các tham số của mô hình dựa theo DST
• 4.2.1. Phương pháp tối ưu hóa p{0;1}
• 4.2.2. Phương pháp tối ưu hóa [p0 , p1 ]
• 4.3. Đánh giá ảnh hưởng của dữ liệu thiếu tới mô hình
• 4.4. So sánh với các nghiên cứu đã thực hiện trên thế giới
• 4.5. Bộ dữ liệu
• 4.6. Kết quả nghiên cứu
• 4.7. Một số điểm hạn chế của nghiên cứu
• 4.8. Ý nghĩa của nghiên cứu
• 4.9. Đánh giá ứng dụng DST trong xây dựng mô hình chẩn đoán
• 4.10. Đánh giá ứng dụng DST trong kết hợp mô hình chẩn đoán
• 4.11. Hướng nghiên cứu tương lai
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng Quan Về Chẩn Đoán Bệnh Tim Mạch Bằng Trí Tuệ Nhân Tạo

Chẩn đoán bệnh tim mạch là một lĩnh vực quan trọng trong y học, đặc biệt khi tỷ lệ tử vong do bệnh tim mạch ngày càng gia tăng. Việc ứng dụng trí tuệ nhân tạo trong y tế đã mở ra những cơ hội mới trong việc chẩn đoán và điều trị bệnh. Các công nghệ AI giúp phân tích dữ liệu nhanh chóng và chính xác, từ đó hỗ trợ bác sĩ trong việc đưa ra quyết định điều trị kịp thời.

1.1. Tầm Quan Trọng Của Chẩn Đoán Bệnh Tim Mạch

Chẩn đoán sớm bệnh tim mạch giúp giảm thiểu nguy cơ tử vong. Theo WHO, bệnh tim mạch là nguyên nhân hàng đầu gây tử vong toàn cầu, với 17,9 triệu ca tử vong vào năm 2019. Việc phát hiện sớm các triệu chứng có thể cứu sống nhiều bệnh nhân.

1.2. Xu Hướng Ứng Dụng Trí Tuệ Nhân Tạo Trong Y Tế

Trí tuệ nhân tạo đang được áp dụng rộng rãi trong y tế, từ việc phân tích dữ liệu đến chẩn đoán bệnh. Các mô hình AI như machine learning giúp cải thiện độ chính xác trong chẩn đoán bệnh tim mạch, từ đó nâng cao chất lượng chăm sóc sức khỏe.

II. Những Thách Thức Trong Chẩn Đoán Bệnh Tim Mạch

Chẩn đoán bệnh tim mạch gặp nhiều thách thức, từ việc bệnh nhân thường đến bệnh viện khi bệnh đã tiến triển nặng đến việc thiếu hụt nhân lực y tế. Những khó khăn này làm cho việc chẩn đoán trở nên chậm trễ và không chính xác.

2.1. Khó Khăn Trong Việc Phát Hiện Sớm

Nhiều bệnh nhân không có triệu chứng rõ ràng cho đến khi bệnh đã tiến triển nặng. Điều này dẫn đến việc chẩn đoán muộn và làm tăng nguy cơ tử vong.

2.2. Thiếu Hụt Nhân Lực Y Tế

Số lượng bệnh nhân lớn vượt quá khả năng xử lý của đội ngũ y tế. Điều này gây khó khăn trong việc chẩn đoán và điều trị kịp thời cho bệnh nhân mắc bệnh tim mạch.

III. Phương Pháp Chẩn Đoán Bệnh Tim Mạch Bằng AI

Việc ứng dụng công nghệ AI trong chẩn đoán bệnh tim mạch đã cho thấy nhiều tiềm năng. Các mô hình machine learning như Decision Tree, Random Forest và Neural Networks đang được sử dụng để phân tích dữ liệu y tế.

3.1. Mô Hình Machine Learning Trong Chẩn Đoán

Các mô hình machine learning giúp phân tích dữ liệu lớn và phát hiện các mẫu bệnh lý mà con người khó có thể nhận ra. Điều này giúp nâng cao độ chính xác trong chẩn đoán bệnh tim mạch.

3.2. Lý Thuyết Dempster Shafer Trong Chẩn Đoán

Lý thuyết Dempster - Shafer được áp dụng để đánh giá độ tin cậy của các mô hình chẩn đoán. Phương pháp này giúp kết hợp các mô hình khác nhau và đưa ra quyết định chính xác hơn.

IV. Ứng Dụng Thực Tiễn Của AI Trong Chẩn Đoán Bệnh Tim Mạch

Nhiều nghiên cứu đã chỉ ra rằng việc ứng dụng trí tuệ nhân tạo trong chẩn đoán bệnh tim mạch mang lại kết quả khả quan. Các mô hình AI không chỉ giúp chẩn đoán nhanh chóng mà còn nâng cao độ chính xác trong việc phát hiện bệnh.

4.1. Kết Quả Nghiên Cứu Về AI Trong Y Tế

Nghiên cứu cho thấy rằng các mô hình AI có thể đạt được độ chính xác cao trong việc chẩn đoán bệnh tim mạch, từ đó hỗ trợ bác sĩ trong việc đưa ra quyết định điều trị.

4.2. Tác Động Của AI Đến Chăm Sóc Sức Khỏe

Việc ứng dụng AI không chỉ giúp cải thiện chẩn đoán mà còn nâng cao chất lượng chăm sóc sức khỏe cho bệnh nhân. Điều này góp phần giảm thiểu gánh nặng cho hệ thống y tế.

V. Kết Luận Về Tương Lai Của Chẩn Đoán Bệnh Tim Mạch Bằng AI

Tương lai của chẩn đoán bệnh tim mạch bằng trí tuệ nhân tạo hứa hẹn sẽ mang lại nhiều tiến bộ. Việc phát triển các mô hình AI ngày càng tinh vi sẽ giúp cải thiện độ chính xác và tốc độ chẩn đoán.

5.1. Tiềm Năng Phát Triển AI Trong Y Tế

Với sự phát triển không ngừng của công nghệ, AI sẽ tiếp tục đóng vai trò quan trọng trong việc chẩn đoán và điều trị bệnh tim mạch, từ đó nâng cao chất lượng cuộc sống cho bệnh nhân.

5.2. Hướng Nghiên Cứu Tương Lai

Cần tiếp tục nghiên cứu và phát triển các mô hình AI mới, đồng thời cải thiện khả năng giải thích của các mô hình này để đảm bảo tính chính xác và độ tin cậy trong chẩn đoán.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN TÀI LIỆU 1. Cấu tạo hệ tim mạch Hệ thống tim mạch gồm có tim và hệ mạch máu. Đảm nhiệm 3 chức năng chính bao gồm: vận chuyển oxi, chất dinh dưỡng, hormone và các enzyme đi nuôi cơ thể, vận chuyển chất thải đến các cơ quan để đào thải ra ngoài cơ thể; chức năng bảo vệ: các tế bào miễn dịch và các kháng thể được máu vận chuyển đi khắp cơ thể có nhiệm vụ bảo vệ cơ thể đối với các yếu tố từ bên ngoài; điều chỉnh nhiệt độ, pH cơ thể [1]. Trái tim là một khối cơ nằm ở giữa 2 lá phổi và trung thất trước với mỏm tim nằm lệch về phía bên trái.

Có chức năng hút máu từ tĩnh mạch phổi và tĩnh mạch chủ, bơm máu và dộng mạch phổi và động mạch chủ [2]. Trái tim có 4 buồng, 2 tâm nhĩ ở trên và 2 tâm thất ở dưới. Buồng nhĩ có thành mỏng, làm nhiệm vụ chứa máu được hút về từ tĩnh mạch phổi và tĩnh mạch chủ, 2 tâm nhĩ được ngăn cách nhau bởi vách ngăn liên nhĩ. Buồng thất có thành dày hơn, có nhiệm vụ cung cấp lực đẩy để bơm máu từ tim vào mạch máu, 2 tâm thất được ngăn cách với nhau bởi vách liên thất.

Hệ thống van tim bao gồm các van ngăn cách giữa nhĩ - thất và giữa thất - động mạch. Các van tim có nhiệm vụ điều hướng cho dòng máu chảy trong tim, cho máu chảy một chiều và ngăn máu chảy theo chiều ngược lại.1: Vị trí giải phẫu của tim [1] 4 Hệ thống mạch vành là hệ thống mạch đặc biệt bao quanh trái tim có chức năng duy trì dinh dưỡng cho cơ tim. Hệ động mạch vành bao gồm 2 động mạch lớn và các vi mạch, có chức năng nuôi dưỡng cho tim. Hai động mạch chính ở hệ động mạch vành là động mạch vành trái và động mạch vành phải, cả 2 động mạch vành này đều có gốc từ động mạch chủ.

Cấu tạo và phân nhánh của các động mạch vành này rất biến động tùy từng cá thể [3].2: Giải phẫu mạch vành [4] 1. Bệnh lý mạch vành 1. Tổng quan về bệnh lý mạch vành Bệnh mạch vành, hay còn gọi là bệnh tim thiếu máu cục bộ là thuật ngữ dùng để chỉ tình trạng thiếu máu của cơ tim. Biểu hiện của bệnh tim thiếu máu cục bộ là các cơn đau thắt ngực (ổn định hoặc không ổn định), nhồi máu cơ tim hoặc ngưng tim đột ngột do thiếu máu [5].Tình trạng này gây ra do sự hẹp hoặc tắc lòng động mạch vành, ảnh hưởng đến sự cung cấp máu cho cơ tim.

Nguyên nhân chính dẫn đến tình trạng hẹp mạch vành là do tình trạng xơ vữa động mạch. Ngoài ra, sự hẹp tắc lòng mạch có thể gây ra bởi các yếu tố khác như: bệnh cơ tim phì đại, các khiếm khuyết bẩm sinh, chấn thương,. Các yếu tố nguy cơ của bệnh lý mạch vành Các yếu tố nguy cơ của bệnh lý mạch vành rất đa dạng và phức tạp, các yếu tố này bao gồm: • Yếu tố di truyền: các nghiên cứu cho thấy có nhưng gene chịu trách nhiệm cho việc thúc đẩy sự tạo thành của mảng xơ vữa. Các gene này bao gồm: gene gây bệnh, gene mẫn cảm với các yếu tố gây bệnh, gen liên kết gây bệnh [6].

• Các yếu tố có thể kiểm soát: béo phì, chế độ ăn và sinh hoạt, stress,. • Các yếu tố không thể kiểm soát: tuổi tác, giới tính,. Chẩn đoán bệnh lý mạch vành Hiện nay, việc chẩn đoán bệnh tim thiếu máu cục bộ dựa vào các triệu chứng lâm sàng và xét nghiệm cận lâm sàng như sau [5, 7]: • Đau thắt ngực: triệu chứng lâm sàng điển hình của bệnh tim thiếu máu cục bộ là biểu hiện đau thắt ngực, triệu chứng này có thể xảy ra lúc vận động mạnh hoặc ngay cả lúc nghỉ ngơi tùy theo mức độ nặng của bệnh. Tuy nhiên, ở một số bệnh nhân có thể không biểu hiện triệu chứng này (thiếu máu cơ tim thầm lặng).

• Một số triệu chứng khác đi kèm với đau thắt ngực có thể là hụt hơi, khó thở, buồn nôn, đổ mồ hôi. • Đo huyết áp, nhịp tim: xác định sự bất thường trong nhịp tim và huyết áp giúp đánh giá các yếu tố nguy cơ có thể dẫn đến bệnh mạch vành, đồng thời bước đầu xác định vị trí tổn thương của tim (VD: thiếu máu cơ tim ở thành dưới sẽ làm chậm nhịp tim do nút nhĩ thất không được cung cấp máu đầy đủ). Triệu chứng đau thắt ngực cũng là triệu chứng điển hình của một số bệnh tim khác. Vậy nên, việc chẩn đoán xác định bệnh tim thiếu máu cục bộ cần phải dựa rất nhiều vào kết quả cận lâm sàng.

Các xét nghiệm cận lâm sàng cung cấp thông tin nhằm chẩn đoán xác định bệnh tim thiếu máu cục bộ bao gồm: 6 • Điện tâm đồ: đo điện tâm đồ lúc nghỉ ngơi và khi vận động được khuyến cáo cho tất cả các trường hợp nghi ngờ mắc bệnh tim thiếu máu cục bộ. Điện tâm đồ cung cấp thông tin về sự phì đại cơ tim, đây là một bằng chứng góp phần chẩn đoán cho bệnh nhân nghi ngờ mắc bệnh. Ngoài ra, sự thay đổi đoạn ST-T và sóng T trên bản ghi điện tâm đồ phản ánh sự thay đổi điện tim liên quan đến bệnh lý thiếu máu cơ tim. • Nồng độ cholesterol máu: nồng độ cholesterol trong máu phản ánh nguy cơ xơ vữa động mạch và hình thành các mảng bám làm hẹp lòng mạch.

Thông thường, ở bệnh nhân mắc bệnh tim thiếu máu cục bộ có nồng độ cholesterol trong máu cao (>120mg/dl). • Các kỹ thuật cận lâm sàng nhằm quan sát tim và hệ thống mạch vành: các kỹ thuật này thường được sử dụng nhằm phát hiện các bất thường của tim nói chung và hệ thống mạch vành nói riêng, các bất thường đó phản ánh nguy cơ mắc bệnh ở các cá nhân khác nhau. Ngoài ra, kết quả thu được còn giúp chẩn đoán phân biệt bệnh tim thiếu máu cục bộ với một số bệnh khác. Các kỹ thuật theo dõi điện tâm đồ và các kỹ thuật quan sát hình ảnh tim và hệ thống mạch vành có thể được thực hiện lúc bệnh nhân vận động hoặc nghỉ ngơi.

Các kỹ thuật này đều cung cấp những bằng chứng về hoạt động của hệ tim mạch để góp phần phục vụ chẩn đoán. Ngoài các triệu chứng lâm sàng và các kỹ thuật cận lâm sàng nêu trên, việc điều tra về tiền sử bệnh, các bệnh nền và chế độ sinh hoạt của bệnh nhân cũng góp phần rất quan trọng trong chẩn đoán bệnh tim thiếu máu cục bộ.3: Hình ảnh nội soi huỳnh quang mạch vành [8] 1. Trí tuệ nhân tạo và ứng dụng trong y học Trí tuệ nhân tạo là một nhánh của khoa học máy tính. Hiện có rất nhiều định nghĩa cho thuật ngữ trí tuệ nhân tạo, tuy nhiên ta có thể hiểu trí tuệ nhân tạo là ngành khoa học nhằm nghiên cứu và tạo ra trí thông minh giống với trí thông minh của con người.

Cụ thể ở đây là giúp máy tính có thể hiểu và học được từ tập dữ liệu cung cấp từ trước mà không qua từng bước xử lý được con người quy định sẵn như trong lập trình truyền thống. Kể từ khi lần đầu được định nghĩa năm 1956, cho đến nay trí tuệ nhân tạo đã phát triển vượt bậc và được ứng dụng trong nhiều lĩnh vực của đời sống như: nhận dạng (ký tự, khuôn mặt, vân tay, giọng nói. ), công nghiệp tự động hóa (ô tô, máy móc. ) và đặc biệt là trong phân tích dữ liệu.

Ứng dụng trí tuệ nhân tạo trong y học được biết đến với thuật ngữ medical info- matics (health infomatics). Đây là ngành khoa học mới, bắt đầu phát triển từ khi các khái niệm về trí tuệ nhân tạo được hình thành và ứng dụng trong các lĩnh vực đời sống.Kể từ lần đầu khái niệm trí tuệ nhân tạo hình thành, người ta nhận thấy được tiềm năng rất lớn của trí tuệ nhân tạo khi ứng dụng vào y học. Ngành y học hiện đại đang phải đối mặt với thách thức lớn trong việc thu thập, phân tích và xử lý dữ liệu. Với sự phát triển của mạng internet, các dữ liệu y học càng trở nên ngày một nhiều, vượt quá khả năng tiếp thu của con người.

Cùng với việc phân tích các dữ liệu phức tạp và đòi hỏi tính chính xác cao như điện tim đồ, các hình ảnh y tế như siêu âm hay hình ảnh X-quang khiến việc chẩn đoán và điều trị cho bệnh nhân ngày càng khó khăn hơn, trí tuệ nhân tạo được xem là phương 8 pháp tiếp cận hiệu quả để có thể giúp ngành y tế giải quyết được các vấn đề nêu trên. Các ứng dụng trong lĩnh vực y học của trí tuệ nhân tạo bao gồm: phục vụ chẩn đoán (thu thập, lưu trữ, sắp xếp và quản lý dữ liệu, phân tích dữ liệu), chăm sóc và điều trị bệnh nhân (các thiết bị chăm sóc y tế, robot chăm sóc sức khỏe, robot trợ giúp phẫu thuật,.4: Trí tuệ nhân tạo trong chăm sóc sức khỏe [9] Trong lĩnh vực tim mạch, ứng dụng chủ yếu của trí tuệ nhân tạo là phục vụ chẩn đoán. Trong bệnh tim mạch, việc chẩn đoán sớm có vai trò quan trọng trong điều trị và giảm thiểu nguy cơ tử vong của người bệnh. Yếu tố trên kết hợp với các cơ sở dữ liệu mở về bệnh tim mạch vô cùng đa dạng khiến việc ứng dụng trí tuệ nhân tạo vào chẩn đoán bệnh tim mạch trở thành một hướng tiếp cận đầy tiềm năng.

Hiện tại trên thế giới đã có rất nhiều nghiên cứu nhằm áp dụng trí tuệ nhân tạo phục vụ chẩn đoán bệnh tim mạch và thu được những kết quả khả quan. Các nghiên cứu ứng dụng nhiều cách thức xử lý dữ liệu khác nhau và các mô hình thuật toán khác nhau, có thể kể đến một số thuật toán thường được sử dụng bao gồm: Decision tree, naive Bayes, k-means clustering, artificial neural network,. Tuy vậy, các nghiên cứu hiện nay chưa thể làm rõ được cách thức mà thuật toán 9 hoạt động, điều này ảnh hưởng lớn đến tính chính xác và sự đáng tin cậy của mô hình xây dựng được khi phân tích các dữ liệu không thuộc bộ dữ liệu ban đầu sử dụng để xây dựng mô hình. Điều này đặt ra vấn đề cần giải quyết là phải hiểu được các mô hình xây dựng được từ nghiên cứu thật sự đã học được gì từ bộ dữ liệu đưa vào và mô hình đã thao tác gì với từng phần trong dữ liệu đó, sự quan trọng của từng yếu tố trong bộ dữ liệu với mô hình xây dựng được.