Luận văn thạc sĩ khoa học máy tính dự báo lượng bệnh nhân nhập viện tại phòng cấp cứu bằng mô hình lstm và mô hình lai giữa mạng nơ ron có tính mùa sann với phương pháp holt winters

Luận văn ThS: Dự báo lượng bệnh nhân nhập viện cấp cứu bằng LSTM & mô hình lai SANN-Holt Winters. Ứng dụng khoa học máy tính, phân tích dữ liệu hiệu quả.

• Tác giả: Cao Khắc Ngọc Lân
• Người hướng dẫn: Pgs.Ts Dương Tuấn Anh
• Trường học: Trường Đại học Bách Khoa
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Dự Báo Lượng Bệnh Nhân Nhập Viện Tại Phòng Cấp Cứu Bằng Mô Hình LSTM Và Mô Hình Lai Giữa Mạng Nơ – Ron Có Tính Mùa SANN Với Phương Pháp Holt – Winters
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2024
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• Lời cảm ơn
• Tóm tắt
• Abstract
• Lời cam đoan
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG
• 1. Chương 1: GIỚI THIỆU VẤN ĐỀ
• 1.1. Mục tiêu nghiên cứu
• 1.2. Kết quả đạt được
• 1.3. Cấu trúc của luận văn
• 2. Chương 2: CƠ SỞ LÍ THUYẾT
• 2.1. Dữ liệu chuỗi thời gian
• 2.2. Dự báo chuỗi thời gian
• 2.3. Hệ số tự tương quan và hàm tự tương quan
• 2.3.1. Hệ số tự tương quan
• 2.3.2. Hàm tự tương quan
• 2.4. Mô hình Holt – Winters
• 2.5. Mô hình ANN có tính mùa (SANN)
• 2.5.1. Giới thiệu mạng nơ – ron nhân tạo (Artificial Neural Network – ANN)
• 2.5.2. Cấu trúc mạng nơ – ron nhân tạo
• 2.5.3. Huấn luyện mạng nơ – ron nhân tạo
• 2.5.4. Mạng nơ – ron nhân tạo có tính mùa
• 2.5.5. Cách ước lượng độ dài mùa cho chuỗi thời gian có tính mùa
• 2.6. Mô hình mạng bộ nhớ dài – ngắn LSTM
• 2.6.1. Mạng nơ – ron nhân tạo hồi quy (Recurrent Neural Network – RNN)
• 2.6.2. Vấn đề phụ thuộc dài hạn (Long – term dependency)
• 2.6.3. Trình tự vận hành của mô hình LSTM
• 2.6.4. Mô hình mạng nơ – rơn nhân tạo LSTM xếp chồng
• 3. Chương 3: CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN
• 3.1. Một số công trình nghiên cứu của thế giới
• 3.2. Một số công trình nghiên cứu trong nước
• 3.3. Dự báo lượng bệnh nhân cấp cứu chàng ngày tại bệnh viện: một nghiên cứu tình huống
• 3.4. Một phương pháp lai để dự báo xu hướng và chuỗi thời gian có tính mùa (A Hybrid Method for Forecasting Trend and Seasonal Time Series)
• 4. Chương 4: PHƯƠNG PHÁP GIẢI QUYẾT VẤN ĐỀ
• 4.1. Bộ dữ liệu
• 4.2. Mô hình áp dụng
• 4.3. Công cụ hỗ trợ
• 5. Chương 5: HIỆN THỰC VÀ KẾT QUẢ THỰC NGHIỆM
• 5.1. Tiêu chí đánh giá
• 5.2. Hiện thực các mô hình
• 5.2.1. Hiện thực mô hình Holt – Winters
• 5.2.2. Hiện thực mô hình SANN
• 5.2.3. Hiện thực mô hình lai
• 5.2.4. Hiện thực mô hình LSTM xếp chồng
• 5.3. Kết quả thực nghiệm
• 5.4. Kết luận chương
• 6. Chương 6: KẾT LUẬN
• 6.1. Kết quả đạt được
• 6.2. Mặt hạn chế
• 6.3. Hướng nghiên cứu tiếp theo
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Dự Báo Lượng Bệnh Nhân Cấp Cứu LSTM

Phòng cấp cứu là một bộ phận quan trọng của bệnh viện, nơi cung cấp dịch vụ chăm sóc khẩn cấp cho những bệnh nhân trong tình trạng nguy hiểm. Việc dự báo chính xác lượng bệnh nhân nhập viện cấp cứu là vô cùng cần thiết để quản lý và phân bổ nguồn lực một cách hiệu quả. Nếu không có sự chuẩn bị tốt, phòng cấp cứu có thể bị quá tải, ảnh hưởng đến chất lượng dịch vụ và sự an toàn của bệnh nhân. Do đó, các mô hình dự báo bệnh nhân nhập viện đóng vai trò then chốt trong việc giúp các bệnh viện chủ động đối phó với những biến động bất ngờ. Nghiên cứu này tập trung vào việc so sánh và đánh giá hiệu quả của mô hình LSTM và mô hình lai Holt-Winters - SANN trong việc dự báo số lượng bệnh nhân cấp cứu tại Bệnh viện Đa khoa Khu vực Củ Chi, TP.HCM.

1.1. Tầm quan trọng của dự báo trong quản lý bệnh viện

Dự báo chính xác số lượng bệnh nhân cấp cứu giúp bệnh viện dự trù nguồn lực (nhân lực, giường bệnh, thuốc men, thiết bị y tế) một cách hợp lý, giảm thiểu tình trạng thiếu hụt hoặc lãng phí. Điều này đặc biệt quan trọng trong các tình huống khẩn cấp như dịch bệnh hoặc tai nạn hàng loạt, khi nhu cầu chăm sóc y tế tăng đột biến. Một hệ thống dự báo hiệu quả cho phép bệnh viện phản ứng nhanh chóng và linh hoạt với những thay đổi trong nhu cầu bệnh viện, đảm bảo rằng bệnh nhân luôn nhận được sự chăm sóc tốt nhất có thể. Quản lý nguồn lực bệnh viện một cách khoa học còn giúp nâng cao hiệu quả hoạt động và giảm chi phí.

1.2. Giới thiệu mô hình LSTM và Holt Winters SANN

Mô hình LSTM (Mạng nơ-ron hồi quy dài-ngắn hạn) là một loại mạng nơ-ron đặc biệt, có khả năng xử lý dữ liệu chuỗi thời gian và ghi nhớ thông tin trong quá khứ. Điều này giúp LSTM dự đoán các xu hướng và biến động phức tạp trong lượng bệnh nhân nhập viện. Mô hình lai Holt-Winters - SANN kết hợp phương pháp làm trơn hàm mũ Holt-Winters (phù hợp với dữ liệu có tính mùa) với mạng nơ-ron tự thích nghi SANN, nhằm tận dụng ưu điểm của cả hai phương pháp và cải thiện độ chính xác dự báo. Nghiên cứu này sẽ so sánh hiệu suất của hai mô hình này trên cùng một bộ dữ liệu thực tế.

II. Thách Thức Dự Báo Bệnh Nhân Cấp Cứu Yếu Tố Nào

Việc dự báo số lượng bệnh nhân cấp cứu là một bài toán phức tạp, chịu ảnh hưởng của nhiều yếu tố khác nhau. Tính mùa (ví dụ, số lượng bệnh nhân tăng vào mùa đông do các bệnh về đường hô hấp) và các sự kiện bất thường (ví dụ, dịch bệnh, tai nạn giao thông) có thể gây ra những biến động khó lường trong dữ liệu chuỗi thời gian. Bên cạnh đó, các yếu tố xã hội, kinh tế, và nhân khẩu học cũng có thể tác động đến thời gian nhập viện và lượng bệnh nhân nhập viện. Việc xây dựng một mô hình dự báo chính xác đòi hỏi phải thu thập và phân tích một lượng lớn dữ liệu, đồng thời phải có khả năng xử lý các yếu tố nhiễu và các biến động ngẫu nhiên. Việc này trở nên đặc biệt khó khăn ở những bệnh viện có nguồn lực hạn chế và chất lượng dữ liệu không cao.

2.1. Tính mùa và các yếu tố thời tiết ảnh hưởng đến nhập viện

Nhiều nghiên cứu chỉ ra rằng số lượng bệnh nhân nhập viện thường biến động theo mùa, với sự gia tăng đáng kể trong mùa đông do các bệnh về đường hô hấp như cúm và viêm phổi. Thời tiết khắc nghiệt (ví dụ, nắng nóng gay gắt, bão lũ) cũng có thể làm tăng số lượng bệnh nhân do các tai nạn và bệnh liên quan đến thời tiết. Các mô hình dự báo cần phải tính đến các yếu tố này để đưa ra dự đoán chính xác hơn.

2.2. Ảnh hưởng của dịch bệnh và các sự kiện bất thường

Dịch bệnh (ví dụ, COVID-19) và các sự kiện bất thường (ví dụ, tai nạn hàng loạt, khủng bố) có thể gây ra sự gia tăng đột biến trong lượng bệnh nhân cấp cứu, làm quá tải hệ thống y tế. Việc dự báo chính xác trong những tình huống này là vô cùng quan trọng để bệnh viện có thể chuẩn bị đầy đủ nguồn lực và ứng phó kịp thời. Tuy nhiên, việc dự đoán các sự kiện bất thường là rất khó khăn và đòi hỏi phải có các mô hình đặc biệt.

III. So Sánh Phương Pháp Dự Báo LSTM So Với Holt Winters SANN

Nghiên cứu này tập trung vào việc so sánh hiệu suất của hai mô hình dự báo chính: LSTM và mô hình lai Holt-Winters - SANN. Mô hình LSTM là một lựa chọn phổ biến cho các bài toán dự báo chuỗi thời gian phức tạp, nhờ khả năng học các mối quan hệ phi tuyến và ghi nhớ thông tin dài hạn. Mô hình lai Holt-Winters - SANN được thiết kế để tận dụng ưu điểm của cả phương pháp thống kê truyền thống (Holt-Winters) và mạng nơ-ron (SANN), đặc biệt phù hợp với dữ liệu có tính mùa. Việc so sánh hai mô hình này sẽ giúp xác định phương pháp nào phù hợp hơn với bài toán dự báo lượng bệnh nhân nhập viện cấp cứu tại Bệnh viện Đa khoa Khu vực Củ Chi.

3.1. Ưu điểm và nhược điểm của mô hình LSTM

LSTM có khả năng học các mẫu phức tạp và ghi nhớ thông tin trong quá khứ, giúp dự đoán các xu hướng và biến động dài hạn. Tuy nhiên, LSTM đòi hỏi lượng dữ liệu lớn để huấn luyện và có thể tốn kém về mặt tính toán. Việc điều chỉnh các tham số của LSTM cũng là một thách thức, đòi hỏi kinh nghiệm và kiến thức chuyên môn sâu. Ứng dụng của LSTM trong y tế ngày càng phổ biến do khả năng xử lý dữ liệu phức tạp.

3.2. Ưu điểm và nhược điểm của mô hình Holt Winters SANN

Mô hình lai Holt-Winters - SANN dễ triển khai và ít tốn kém về mặt tính toán hơn so với LSTM. Ứng dụng của Holt-Winters trong y tế cũng khá phổ biến. Nó cũng có khả năng xử lý dữ liệu có tính mùa và kết hợp với SANN để cải thiện độ chính xác dự báo. Tuy nhiên, mô hình này có thể không hiệu quả bằng LSTM trong việc dự đoán các xu hướng phi tuyến và các biến động phức tạp.

IV. Ứng Dụng LSTM và Holt Winters SANN Kết Quả Thực Nghiệm

Nghiên cứu đã áp dụng mô hình LSTM và mô hình lai Holt-Winters - SANN vào dữ liệu thực tế về lượng bệnh nhân nhập viện cấp cứu tại Bệnh viện Đa khoa Khu vực Củ Chi. Kết quả thực nghiệm cho thấy cả hai mô hình đều có khả năng dự báo khá tốt, nhưng có sự khác biệt về độ chính xác dự báo và sai số dự báo. Mô hình LSTM thường cho kết quả tốt hơn trong việc dự đoán các biến động ngắn hạn, trong khi mô hình lai Holt-Winters - SANN ổn định hơn trong việc dự đoán các xu hướng dài hạn.

4.1. Đánh giá độ chính xác dự báo bằng MAPE và MSE

Nghiên cứu sử dụng hai chỉ số chính để đánh giá độ chính xác dự báo: Sai số phần trăm tuyệt đối trung bình (MAPE) và Sai số bình phương trung bình (MSE). MAPE đo lường sai số dự báo dưới dạng phần trăm, giúp dễ dàng so sánh giữa các mô hình khác nhau. MSE đo lường sai số dự báo dưới dạng bình phương, giúp nhấn mạnh các sai số lớn. Kết quả cho thấy sai số dự báo của LSTM thường thấp hơn trong ngắn hạn, trong khi Holt-Winters - SANN có MAPE và MSE ổn định hơn trong dài hạn.

4.2. Phân tích kết quả dự báo trên dữ liệu thực tế

Phân tích chuỗi thời gian số lượng bệnh nhân cấp cứu cho thấy có sự biến động theo mùa và theo ngày trong tuần. Mô hình LSTM có khả năng nắm bắt các biến động này tốt hơn, nhưng cũng dễ bị ảnh hưởng bởi các sự kiện bất thường. Mô hình lai Holt-Winters - SANN ít nhạy cảm hơn với các sự kiện bất thường, nhưng có thể bỏ lỡ một số biến động quan trọng. Điều này cho thấy cần phải kết hợp cả hai mô hình để có được kết quả dự báo tốt nhất.

V. Giải Pháp Tối Ưu Kết Hợp LSTM và Holt Winters SANN

Dựa trên kết quả nghiên cứu, việc kết hợp LSTM và mô hình lai Holt-Winters - SANN có thể là một giải pháp tối ưu để cải thiện độ chính xác dự báo bệnh nhân. Một phương pháp tiếp cận là sử dụng LSTM để dự đoán các biến động ngắn hạn và sử dụng Holt-Winters - SANN để dự đoán các xu hướng dài hạn. Một phương pháp khác là sử dụng LSTM để lọc nhiễu và làm mịn dữ liệu đầu vào cho Holt-Winters - SANN. Việc kết hợp này đòi hỏi sự thử nghiệm và điều chỉnh để tìm ra cấu hình phù hợp nhất với từng bệnh viện và từng loại dữ liệu.

5.1. Đề xuất mô hình lai kết hợp ưu điểm của cả hai phương pháp

Một mô hình lai trong dự báo có thể được xây dựng bằng cách sử dụng LSTM để dự đoán phần dư (residual) của mô hình Holt-Winters - SANN. Điều này cho phép LSTM tập trung vào việc dự đoán các biến động không thể giải thích được bằng mô hình Holt-Winters - SANN, từ đó cải thiện độ chính xác dự báo tổng thể. Việc này đòi hỏi phải có một quy trình huấn luyện và đánh giá phức tạp hơn, nhưng có thể mang lại kết quả tốt hơn.

5.2. Các bước triển khai và đánh giá mô hình kết hợp

Việc triển khai mô hình kết hợp đòi hỏi phải thu thập và xử lý dữ liệu một cách cẩn thận, huấn luyện và đánh giá cả hai mô hình LSTM và Holt-Winters - SANN, và kết hợp kết quả dự báo của hai mô hình một cách hợp lý. Cần phải sử dụng các chỉ số như MAPE và MSE để đánh giá hiệu quả của mô hình kết hợp và so sánh với các mô hình đơn lẻ. Quá trình này cần được lặp lại nhiều lần để tìm ra cấu hình tối ưu.

VI. Tương Lai Dự Báo Bệnh Nhân Cấp Cứu Hướng Phát Triển

Nghiên cứu về dự báo lượng bệnh nhân nhập viện cấp cứu vẫn còn nhiều tiềm năng phát triển. Việc kết hợp các mô hình dự báo khác nhau, sử dụng các kỹ thuật học sâu tiên tiến, và tích hợp các yếu tố xã hội, kinh tế, và nhân khẩu học có thể giúp tối ưu hóa nguồn lực và cải thiện chất lượng dịch vụ của các bệnh viện. Dự báo trong y tế ngày càng trở nên quan trọng trong bối cảnh hệ thống y tế ngày càng chịu nhiều áp lực.

6.1. Nghiên cứu sâu hơn về các yếu tố ảnh hưởng đến nhập viện

Cần có các nghiên cứu sâu hơn về các yếu tố xã hội, kinh tế, và nhân khẩu học có thể ảnh hưởng đến lượng bệnh nhân nhập viện. Việc thu thập và phân tích dữ liệu về các yếu tố này có thể giúp cải thiện độ chính xác dự báo và cung cấp thông tin hữu ích cho các nhà quản lý bệnh viện.

6.2. Phát triển các mô hình dự báo thời gian thực real time

Việc phát triển các mô hình dự báo thời gian thực có thể giúp bệnh viện phản ứng nhanh chóng và linh hoạt với những thay đổi trong nhu cầu bệnh viện. Các mô hình này cần phải có khả năng xử lý dữ liệu liên tục và đưa ra dự đoán trong thời gian ngắn. Điều này đòi hỏi phải sử dụng các công nghệ điện toán đám mây và các thuật toán tối ưu hóa.

Nội dung chính

Tổng quan nghiên cứu

Tình trạng quá tải tại các khoa cấp cứu đang là một thách thức nghiêm trọng đối với hệ thống y tế hiện đại, làm suy giảm chất lượng chăm sóc khẩn cấp và gia tăng áp lực lên đội ngũ y tế. Tại Bệnh viện Đa khoa Khu vực Củ Chi, dữ liệu lịch sử ghi nhận tổng cộng 75.511 lượt bệnh nhân nhập viện cấp cứu trong giai đoạn 3 năm, dao động trung bình khoảng 68 đến 69 lượt khám mỗi ngày. Để giải quyết bài toán phân bổ nguồn lực y tế và tối ưu hóa quy trình điều phối nhân sự, luận văn thạc sĩ chuyên ngành Khoa học Máy tính của tác giả Cao Khắc Ngọc Lân, dưới sự hướng dẫn của Phó Giáo sư Tiến sĩ Dương Tuấn Anh và Phó Giáo sư Tiến sĩ Võ Thị Ngọc Châu tại Trường Đại học Bách Khoa, Đại học Quốc gia Thành phố Hồ Chí Minh, đã tập trung nghiên cứu giải pháp dự báo chuỗi thời gian có tính mùa.

Mục tiêu cụ thể của đề tài là xây dựng, hiện thực và so sánh hiệu năng dự báo một bước lượng bệnh nhân cấp cứu hàng ngày thông qua 4 mô hình: mô hình thống kê Làm trơn hàm mũ Holt - Winters, mô hình Mạng nơ-ron nhân tạo có tính mùa SANN, mô hình lai kết hợp giữa Holt - Winters và SANN, cùng mô hình mạng nơ-ron học sâu Bộ nhớ dài - ngắn xếp chồng (Stacked LSTM). Phạm vi nghiên cứu sử dụng chuỗi dữ liệu thực nghiệm gồm 1.096 điểm đo đạc hàng ngày từ ngày 01 tháng 01 năm 2018 đến ngày 31 tháng 12 năm 2020 tại địa bàn huyện Củ Chi, Thành phố Hồ Chí Minh. Ý nghĩa nghiên cứu được định lượng thông qua hai độ đo chuẩn xác là Sai số phần trăm tuyệt đối trung bình (MAPE) và Sai số bình phương trung bình (MSE), đóng góp cơ sở lý thuyết và ứng dụng thực tiễn quan trọng trong việc ứng dụng trí tuệ nhân tạo vào quản lý vận hành bệnh viện thông minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết phân tích chuỗi thời gian và các kiến trúc mạng nơ-ron học máy tiên tiến:

• Lý thuyết phân tách chuỗi thời gian và Phân tích tự tương quan (ACF): Chuỗi thời gian được cấu thành từ 4 thành phần chính gồm xu hướng, chu kỳ, tính mùa và thành phần bất thường. Hàm tự tương quan (ACF) với độ tin cậy 95% và 98% được sử dụng để xác định tương quan giữa các độ trễ, qua đó phát hiện chính xác độ dài mùa tuần hoàn s bằng 7 ngày.
• Mô hình Làm trơn hàm mũ Holt - Winters: Đây là phương pháp thống kê tuyến tính mở rộng từ làm trơn hàm mũ đơn giản, sử dụng 3 tham số làm trơn gồm alpha cho biên độ, beta cho xu hướng và gamma cho thành phần mùa, giúp nắm bắt toàn diện các biến động tuyến tính và tính mùa dạng nhân hoặc cộng.
• Mô hình Mạng nơ-ron nhân tạo có tính mùa (SANN): Dựa trên kiến trúc mạng nơ-ron truyền thẳng 3 tầng (gồm tầng nhập, tầng ẩn và tầng xuất), mô hình SANN cấu hình số nút tầng nhập đúng bằng độ dài mùa s bằng 7, giúp mô hình học trực tiếp các đặc trưng phi tuyến và tính mùa mà không cần khử thành phần mùa ở bước tiền xử lý.
• Mô hình Mạng nơ-ron học sâu LSTM xếp chồng (Stacked LSTM): Mở rộng từ mạng nơ-ron hồi quy RNN nhằm khắc phục hiện tượng triệt tiêu đạo hàm và giải quyết vấn đề phụ thuộc dài hạn. Kiến trúc gồm ô trạng thái trung tâm được kiểm soát chặt chẽ bởi 3 cổng chức năng (cổng quên, cổng vào và cổng ra) tạo bởi 3 tầng hàm sigmoid và 1 tầng hàm tanh. Việc xếp chồng nhiều tầng ẩn LSTM liên tiếp giúp mô hình học sâu các quan hệ phi tuyến phức tạp trong chuỗi dữ liệu.

Phương pháp nghiên cứu

Nghiên cứu tuân thủ quy trình thực nghiệm chuẩn hóa trong lĩnh vực khoa học máy tính và khai phá dữ liệu chuỗi thời gian:

• Nguồn dữ liệu và Cỡ mẫu: Bộ dữ liệu thứ cấp được thu thập trọn vẹn từ sổ tiếp nhận Khoa Cấp cứu của Bệnh viện Đa khoa Khu vực Củ Chi trong thời gian 36 tháng liên tục (từ 01/01/2018 đến 31/12/2020), đạt quy mô 1.096 quan sát tương ứng với 75.511 lượt bệnh nhân. Phương pháp chọn mẫu là thu thập toàn bộ dữ liệu theo trình tự thời gian, phản ánh đầy đủ các biến động thực tế bao gồm ngày làm việc, ngày cuối tuần và các dịp lễ tết.
• Phân chia dữ liệu và Tiền xử lý: Toàn bộ 1.096 điểm dữ liệu được phân chia theo tỷ lệ thời gian tiêu chuẩn: 70% dữ liệu ban đầu (767 ngày đầu tiên) dùng để huấn luyện mô hình và 30% dữ liệu còn lại (329 ngày tiếp theo) dùng cho quá trình kiểm thử độc lập.
• Phương pháp phân tích và Tối ưu hóa:
  • Với mô hình Holt - Winters, thuật toán Tìm kiếm lưới (Grid Search) được áp dụng để quét bộ ba tham số alpha, beta, gamma từ 0.01 đến 1.0 với bước nhảy 0.01 nhằm tìm điểm cực tiểu hóa sai số MSE.
  • Với mô hình SANN, cấu trúc mạng được thiết lập với 7 nút tầng nhập, kết hợp thuật toán Lan truyền ngược (Back-propagation) và hàm kích hoạt phi tuyến.
  • Với mô hình lai, trọng số kết hợp omega được xác định thông qua phương pháp tối ưu hóa cực tiểu sai số bình phương giữa dự báo tuyến tính của Holt - Winters và dự báo phi tuyến của SANN.
  • Với mô hình Stacked LSTM, các tầng ẩn hồi quy được thiết kế sâu để học biểu diễn đa tầng từ chuỗi thời gian tuần tự.

Lý do lựa chọn phương pháp phân tích kết hợp này xuất phát từ bản chất dữ liệu y tế cấp cứu luôn chứa đồng thời các biến động xu hướng tuyến tính và các quy luật phi tuyến phức tạp, đòi hỏi các mô hình có năng lực biểu diễn linh hoạt để đạt độ chính xác cao nhất.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm trên 329 ngày kiểm thử của bộ dữ liệu Bệnh viện Đa khoa Khu vực Củ Chi đã mang lại những kết quả định lượng cụ thể:

• Đặc trưng biến thiên mạnh và chu kỳ tuần hoàn rõ nét: Dữ liệu tiếp nhận bệnh nhân cấp cứu dao động biên độ lớn, thấp nhất là 7 bệnh nhân vào ngày 12/02/2019 và đạt đỉnh lên đến 122 bệnh nhân vào ngày 03/09/2019. Phân tích hàm ACF chứng minh chuỗi dữ liệu mang tính mùa đặc trưng theo chu kỳ đúng 7 ngày, với lưu lượng bệnh nhân tăng vọt vào các ngày nghỉ cuối tuần và dịp lễ tết.
• Mô hình lai vượt trội so với các mô hình thành phần đơn lẻ: Mô hình lai giữa Holt - Winters và SANN đạt hiệu quả dự báo vượt bậc so với từng phương pháp đứng riêng lẻ. Cụ thể, sai số MAPE của mô hình lai thấp hơn trung bình 0.5% so với mô hình SANN đơn lẻ và thấp hơn trung bình 4.507% so với mô hình Holt - Winters đơn lẻ.
• Mô hình học sâu Stacked LSTM đạt hiệu năng cao nhất: Khi đưa mạng nơ-ron học sâu vào đối sánh, mô hình Stacked LSTM thể hiện khả năng dự báo một bước chính xác nhất toàn diện. Sai số MAPE của mô hình lai vẫn cao hơn mô hình Stacked LSTM đơn lẻ khoảng 1.231%, khẳng định ưu thế vượt trội của kiến trúc học sâu nhiều tầng trong việc nắm bắt mẫu dữ liệu tuần tự.

Thảo luận kết quả

Hiệu năng vượt trội của mô hình lai so với Holt - Winters và SANN đơn lẻ được lý giải bởi nguyên lý bù trừ đặc trưng: mô hình Holt - Winters xử lý hiệu quả các yếu tố xu hướng tuyến tính và chỉ số mùa vụ, trong khi SANN đóng vai trò xấp xỉ các thành phần phi tuyến còn sót lại. Sự kết hợp giữa hai phương pháp thông qua trọng số tối ưu giúp triệt tiêu độ lệch của từng mô hình thành phần.

Tuy nhiên, mô hình Stacked LSTM lại đạt độ chính xác cao hơn mô hình lai khoảng 1.231% MAPE. Nguyên nhân cốt lõi là do cấu trúc các cổng nhớ thông minh và ô trạng thái trong LSTM có khả năng lưu giữ thông tin qua nhiều bước thời gian mà không bị suy giảm tín hiệu đạo hàm, đồng thời việc xếp chồng nhiều tầng ẩn giúp mạng tự động trích xuất các đặc trưng phi tuyến sâu sắc hơn nhiều so với mạng SANN truyền thẳng một tầng ẩn.

Kết quả này hoàn toàn nhất quán với các công trình quốc tế như nghiên cứu của Yousefi và cộng sự năm 2019 tại Brazil hay Zhang và cộng sự năm 2017 tại Trung Quốc, khẳng định tiềm năng to lớn của mạng học sâu trong dự báo y tế. Khi trình bày trong báo cáo quản trị hoặc nghiên cứu khoa học, toàn bộ kết quả này có thể được trực quan hóa sinh động thông qua biểu đồ đường so sánh giữa giá trị thực tế và giá trị dự báo qua 329 ngày kiểm thử, kết hợp bảng thống kê chi tiết các chỉ số MAPE, MSE và thời gian thực thi tính bằng giây của cả 4 cấu trúc mô hình.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm với độ tin cậy cao, nghiên cứu đề xuất 4 nhóm giải pháp cụ thể nhằm ứng dụng mô hình dự báo vào thực tiễn quản lý bệnh viện:

• Xây dựng và tích hợp hệ thống phần mềm dự báo tự động: Ban Giám đốc cùng Phòng Công nghệ Thông tin cần phối hợp triển khai tích hợp mô hình Stacked LSTM và mô hình lai vào Hệ thống Thông tin Bệnh viện (HIS) trong vòng 6 tháng. Mục tiêu đặt ra là tự động xuất dự báo lượng bệnh nhân cấp cứu trước 24 giờ với độ lệch chuẩn dưới 8%, giúp bộ phận điều hành chủ động lên kế hoạch tiếp nhận.
• Tái cấu trúc lịch trực và điều phối nhân sự y tế: Phòng Tổ chức Cán bộ và Trưởng khoa Cấp cứu cần áp dụng kết quả dự báo chu kỳ tuần 7 ngày để điều chỉnh định biên ca trực. Tăng cường khoảng 25% đến 30% nhân lực bác sĩ và điều dưỡng vào các ngày cao điểm cuối tuần và dịp lễ, nhằm giảm tỷ lệ quá tải ca trực từ 15% hiện tại xuống dưới 5% trong lộ trình 3 quý.
• Tối ưu hóa quản lý dự phòng giường bệnh và vật tư tiêu hao: Khoa Dược và Phòng Vật tư Trang thiết bị Y tế thiết lập định mức tồn kho an toàn cho thuốc cấp cứu và giường bệnh lưu động dựa trên dải dự báo từ 7 đến 122 ca/ngày. Kế hoạch này giúp cắt giảm 10% đến 12% chi phí lưu kho lãng phí và đảm bảo sẵn sàng 100% cơ số thuốc khẩn cấp định kỳ hàng quý.
• Mở rộng cơ sở dữ liệu và nâng cấp mô hình đa biến: Nhóm nghiên cứu thuộc bộ phận phân tích dữ liệu cần tiếp tục thu thập thêm các biến ngoại sinh như dữ liệu thời tiết, chỉ số dịch tễ, thông tin tai nạn giao thông khu vực cửa ngõ công nghiệp Củ Chi trong vòng 12 tháng tới. Việc nâng cấp từ dự báo đơn biến sang đa biến đặt mục tiêu cải thiện chỉ số sai số MAPE xuống dưới ngưỡng 10%.

Đối tượng nên tham khảo luận văn

Nghiên cứu mang lại giá trị học thuật và ứng dụng sâu rộng cho nhiều nhóm đối tượng:

• Ban Lãnh đạo và Nhà Quản lý Bệnh viện: Cung cấp công cụ khoa học chính xác để hoạch định chiến lược vận hành, phân bổ tối ưu nguồn ngân sách y tế và cắt giảm từ 15% đến 20% chi phí vận hành ca trực lãng phí thông qua dự báo nhu cầu chính xác.
• Kỹ sư Trí tuệ Nhân tạo và Chuyên gia Phân tích Dữ liệu Y tế: Tham khảo kiến trúc hiện thực mô hình lai giữa thống kê truyền thống và học máy, kỹ thuật tối ưu trọng số omega và phương pháp triển khai Stacked LSTM trên bộ dữ liệu chuỗi thời gian y tế thực tế gồm 1.096 quan sát.
• Học viên Cao học và Nghiên cứu sinh ngành Khoa học Máy tính: Luận văn là tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu chuỗi thời gian, cách ứng dụng hàm ACF để xác định độ dài mùa s bằng 7, cùng quy trình so sánh đánh giá đa mô hình thông qua tiêu chí MAPE và MSE.
• Cơ quan Quản lý Y tế và Trung tâm Y tế Dự phòng: Sử dụng khung phân tích để đánh giá mô hình bệnh tật và nhu cầu cấp cứu tại các vùng đô thị cửa ngõ có nhiều khu công nghiệp với quy mô hơn 75.000 lượt phục vụ, hỗ trợ xây dựng chính sách y tế công cộng hiệu quả.

Câu hỏi thường gặp

• Mô hình SANN khác biệt như thế nào so với mạng nơ-ron ANN truyền thống trong dự báo chuỗi thời gian? Mô hình SANN thiết lập số lượng nơ-ron ở tầng nhập bằng đúng độ dài chu kỳ mùa của dữ liệu (trong nghiên cứu này s bằng 7). Thiết kế này cho phép mạng trực tiếp học và ghi nhớ các đặc tính tuần hoàn của chuỗi thời gian mà không cần trải qua bước tiền xử lý khử tính mùa, giúp duy trì độ chính xác cao hơn mạng ANN thông thường trên chuỗi dữ liệu 1.096 ngày.
• Tại sao mô hình học sâu Stacked LSTM lại đạt hiệu quả dự báo vượt trội hơn mô hình lai? Mô hình Stacked LSTM sở hữu kiến trúc nhiều tầng ẩn hồi quy lặp lại cùng các cổng đóng mở thông tin linh hoạt. Cấu trúc này giúp mạng trích xuất sâu các mối tương quan phi tuyến và các phụ thuộc thời gian dài hạn trong 75.511 lượt bệnh nhân, giúp sai số MAPE thấp hơn mô hình lai khoảng 1.231%.
• Tính mùa của lượng bệnh nhân cấp cứu tại Bệnh viện Củ Chi được phát hiện ra sao? Dựa trên phân tích biểu đồ hàm tự tương quan ACF với mức ý nghĩa 5% và đường bao độ tin cậy 98%, các khoảng cách giữa các điểm tần số cao xuất hiện lặp lại đều đặn ở độ trễ 7 ngày. Điều này phản ánh rõ quy luật biến thiên theo tuần, với mức tiếp nhận thấp nhất 7 ca và cao nhất 122 ca mỗi ngày.
• Cách thức kết hợp giữa Holt - Winters và SANN trong mô hình lai được thực hiện như thế nào? Dữ liệu chuỗi thời gian đầu vào được truyền đồng thời qua mô hình Holt - Winters và mạng SANN. Kết quả đầu ra của hai mô hình được kết hợp tuyến tính thông qua trọng số omega, trong đó omega được tính toán tối ưu bằng thuật toán cực tiểu hóa sai số bình phương MSE, giúp giảm 4.507% MAPE so với Holt - Winters độc lập.
• Mô hình nghiên cứu trong luận văn có thể chuyển giao cho các bệnh viện khác không? Khung phương pháp luận và mã nguồn hoàn toàn có thể áp dụng cho các cơ sở y tế khác. Tuy nhiên, mỗi bệnh viện cần thu thập chuỗi dữ liệu tối thiểu từ 1 đến 3 năm và thực hiện lại bước phân tích ACF để xác định đúng chu kỳ mùa cũng như tối ưu lại các tham số huấn luyện tương ứng.

Kết luận

• Luận văn đã giải quyết trọn vẹn bài toán dự báo một bước lượng bệnh nhân cấp cứu hàng ngày dựa trên tập dữ liệu thực tế gồm 1.096 quan sát và 75.511 lượt bệnh nhân tại Bệnh viện Đa khoa Khu vực Củ Chi.
• Chứng minh tính hiệu quả vượt trội của mô hình lai giữa Holt - Winters và SANN khi giảm sai số MAPE trung bình 0.5% so với SANN và 4.507% so với Holt - Winters đơn lẻ.
• Xác định mô hình học sâu Stacked LSTM là giải pháp đạt độ chính xác cao nhất toàn diện, cải thiện 1.231% MAPE so với mô hình lai đề xuất.
• Đóng góp khung lý thuyết và thực nghiệm vững chắc trong việc kết hợp giữa phương pháp thống kê cổ điển và trí tuệ nhân tạo hiện đại phục vụ y tế thông minh.
• Đề ra lộ trình 12 tháng tiếp theo nhằm mở rộng nghiên cứu sang mô hình dự báo đa biến tích hợp các yếu tố khí tượng và dịch tễ.

Các đơn vị y tế, nhà khoa học dữ liệu và cơ sở nghiên cứu hãy ứng dụng ngay khung mô hình Stacked LSTM và mô hình lai này vào hệ thống quản lý bệnh viện để nâng cao năng lực điều hành và chất lượng cấp cứu bệnh nhân.

Trích đoạn nội dung tài liệu

Chương 1 – Giới thiệu vấn đề. Giới thiệu tổng quan bài toán dự báo lượng bệnh nhân nhập viện tại phòng cấp cứu bằng mô hình lai giữa mạng nơ – ron có tính mùa SANN và phương pháp Holt – Winters và phương pháp giải quyết. • Chương 2 – Cơ sở lí thuyết. Trình bày những lí thuyết liên quan được sử dụng trong bài nghiên cứu.

• Chương 3 – Các nghiên cứu liên quan. Bao gồm các công trình nghiên cứu liên quan đến bài toán dự đoán lượng bệnh nhân nhập viện tại phòng cấp cứu, ứng dụng của bài toán này cùng kĩ thuật dự báo một bước trong chuỗi dữ liệu thời gian. • Chương 4 – Phương pháp nghiên cứu. Phân tích đặc điểm của bộ dữ liệu và trình bày mô hình áp dụng để dự báo.

• Chương 5 – Kết quả thực nghiệm. Kết quả đánh giá của mô hình áp dụng và so sánh hiệu suất từng mô hình SANN, Holt – Winters đơn lẻ cùng mô hình LSTM xếp chồng. • Chương 6 – Kết luận. Đưa ra các kết luận đúc kết được trong quá trình nghiên cứu và hướng phát triển tiếp theo trong tương lai.

• Tài liệu tham khảo – Danh sách các tài liệu tham khảo được sử dụng trong quá trình hiện thực luận văn. • Phụ lục – Bảng đối chiếu các thuật ngữ Anh – Việt xuất hiện trong báo cáo luận văn. 4 Chương 2 CƠ SỞ LÍ THUYẾT Trong chương này, chúng tôi sẽ trình bày các khái niệm cơ bản về dữ liệu chuỗi thời gian, các thành phần của chuỗi thời gian và cách ước lượng độ dài mùa của chuỗi thời gian. Đồng thời, chúng tôi cũng trình bày cơ sở lí thuyết về các mô hình được áp dụng trong bài nghiên cứu này: mô hình mạng nơ – ron nhân tạo có tính mùa (SANN), mô hình Holt – Winters.

Ngoài ra, chúng tôi còn trình bày cơ sở lí thuyết của mô hình bộ nhớ dài – ngắn (LSTM) được dùng để so sánh hiệu suất dự báo với mô hình lai. Dữ liệu chuỗi thời gian Chuỗi thời gian (time series) có thể được xem là tập hợp dữ liệu trong không gian hai chiều, với bộ giá trị (T, V), trong đó T là thời điểm giá trị được xác định, V là giá trị quan sát tương ứng. Vì khoảng thời gian quan sát là bằng nhau nên có thể không quan tâm đến T. Lúc này, chuỗi thời gian có thể xem là dữ liệu n chiều.

Trong phạm vi đề tài này, chuỗi thời gian được nhìn dưới góc độ là dữ liệu n chiều, được ký hiệu là {X𝑡 | t = 1, 2, 3, … , n}.1 dưới đây là một ví dụ về dữ liệu chuỗi thời gian thể hiện lượng mưa hàng năm ghi nhận tại Los Angeles – California (từ năm 1880 đến năm 1980). Minh họa chuỗi thời gian lượng mưa hàng năm ghi nhận tại Los Angeles – California [21] Trong thực tế, khi quan sát chuỗi thời gian ta nhận thấy bốn thành phần ảnh hưởng lên mỗi giá trị của chuỗi thời gian đó là thành phần xu hướng, thành phần chu kỳ, thành phần mùa và thành phần bất thường: 5 • Thành phần xu hướng (trend): đây là khuôn mẫu trong dữ liệu thể hiện những chuyển động của chuỗi dữ liệu đối với các giá trị tăng dần hay giảm dần trên một khoảng thời gian dài quan sát (xem hình 2. Một số loại chuỗi thời gian có chứa thành phần xu hướng thường gặp • Thành phần chu kì (cyclical): là những giá trị biến thiên trong tăng lên hoặc giảm xuống trong những khoảng thời gian khác nhau và thành phần này dao động dạng sóng quanh trục xu hướng. • Thành phần mùa (seasonal): là những thành phần thay đổi lặp lại theo năm.

Chu kì của chuỗi thời gian có thể là 1 tháng, quí (3 tháng), nửa năm (6 tháng) (xem hình 2. • Thành phần bất thường (irregular): các thành phần thể hiện sự bất thường không thể đoán trước được trong chuỗi thời gian. Chuỗi thời gian có tính xu hướng tăng ([19]) Hình 2. Chuỗi thời gian có tính mùa ([19]) 6 Việc xác định một chuỗi thời gian có thành phần xu hướng hay thành phần mùa hay không rất quan trọng trong bài toán dự báo chuỗi thời gian.

Nó giúp ta lựa chọn được mô hình dự báo phù hợp hay giúp cải tiến mô hình đã có chính xác hơn. Và các mẫu quan sát được theo thời gian dựa trên các chuỗi thời gian chính là cơ sở để hiểu được đặc tính cũng như là dự báo các hành vi tương lai của đối tượng đó. Dự báo chuỗi thời gian Công tác dự báo chuỗi thời gian là một nhu cầu bức thiết, quan trọng với các cá nhân, tổ chức và hiện hữu trải dài trên nhiều lĩnh vực như: kinh tế, xã hội, môi trường, khoa học kĩ thuật. Các nhiệm vụ chính được bao hàm trong các bài toán dự báo trên các lĩnh vực là: phân tích vấn đề, thu thập dữ liệu, lựa chọn mô hình, hiện thực phương thức, đánh giá tính hiệu quả của phương thức, áp dụng phương thức vào thực tế.

Ở bước đánh giá, nếu phương thức hay mô hình không thỏa mãn yêu cầu thì ta cần quay lại bước lựa chọn mô hình hay phương thức khác.2 minh họa thứ tự các bước trong bài toán dự báo. Các công tác trong bài toán dự báo Đối với bài toán dự báo chuỗi thời gian, các chuyên gia thường chia phương thức dự báo thành 2 lớp: • Phương thức dự báo đơn biến (Univariate Method): kết quả dự báo phụ thuộc vào một chuỗi giá trị được thu thập ở quá khứ và hiện tại. • Phương thức dự báo đa biến (Multivariate Method): giá trị dự báo phụ thuộc vào nhiều chuỗi giá trị thu thập được. Hệ số tự tương quan và hàm tự tương quan Để nhận dạng các đặc điểm và thành phần của chuỗi thời gian, các nhà dự báo thường dùng các công cụ toán học.

Trong phần này, chúng tôi giới thiệu hai công cụ phổ biến và quan trọng là hệ số tự tương quan và hàm tự tương quan. Hệ số tự tương quan Trong quá trình nghiên cứu chuỗi thời gian, ta nhận thấy khi một biến được ghi nhận giá trị theo thời gian, các giá trị ở những thời điểm khác nhau có mối tương quan với nhau. Để đo mức độ tương quan này, ta sử dụng hệ số tự tương quan (Autocorrelation Coefficient). Sự tự tương quan là sự tương quan giữa một biến với chính nó theo những độ trễ thời gian khác nhau.

Hệ số tự tương quan của biến Xt với độ trễ k được tính theo công thức: 𝐸[(𝑋𝑡−𝜇)(𝑋𝑡+𝑘 −𝜇)] 𝜌𝑘 = (1) √𝑉𝑎𝑟(𝑋𝑡 )(𝑉𝑎𝑟(𝑋𝑡+𝑘 )) Với: • 𝜌: hệ số tự tương quan của X ở độ trễ K • 𝜇: trung bình của Xt • 𝑣𝑎𝑟(𝑋𝑡 ): phương sai của Xt • 𝑣𝑎𝑟(𝑋𝑡+𝑘 ): phương sai của Xt+k Nếu 𝜌𝑘 khác 0 thì giữa Xt và Xt+k có sự tương quan với nhau. Hàm tự tương quan Để biểu diễn sự tự tương quan của một biến theo nhiều độ trễ khác nhau một các trực quan, ta dùng hàm tự tương quan (Autocorrelation Function – ACF). Hàm tự tương quan là một đồ thị biểu diễn các hệ số tự tương quan với các độ trễ khác nhau [23].5 là một ví dụ minh họa về hàm tự tương quan. Một ví dụ minh họa cho hàm tự tương quan ([19]) 8 Trong thực tế, ta chỉ có thể tính được hệ số tự tương quan lấy mẫu và dùng thống kê để ước lượng các hệ số tự tương quan của tập mẫu.

Công thức tính hệ số tự tương quan lấy mẫu như bên dưới: ∑𝑇−𝑘 ̅ ̅ 𝑘=1 (𝑋−𝑋)(𝑋𝑡+𝑘 −𝑋 ) 𝑟𝑘 = ∑𝑇 ̅ 2 (2) 𝑡=1(𝑋𝑡 −𝑋) Với: • 𝑟𝑘 : hệ số tự tương quan lấy mẫu ở độ trễ k • 𝑋̅ : trung bình mẫu của Xt • T: số phần tử của mẫu Để kiểm tra hệ số tự tương quan ở độ trễ k của một chuỗi thời gian có khác 0 hay không, ta dùng phép thử t: 𝑟𝑘 𝑡= (3) 1+2 ∑𝑘−1 2 𝑖=1 𝑟𝑖 √ 𝑛 Với: • 𝑟𝑘 : hệ số tự tương quan mẫu ở độ trễ i • k: độ trễ • n: kích cỡ mẫu Nếu 𝜌k bằng 0 thì t sẽ có phân phối student với n – 1 bậc tự do. Đối với mẫu có kích 2 thước lớn, với mức ý nghĩa 5% nếu hệ số tự tương quan mẫu nằm trong khoảng thì ta có √𝑛 thể kết luận hệ số tự tương quan của đám đông bằng 0 với mức ý nghĩa 5%. Việc đánh giá các hệ số tự tương quan có ý nghĩa quan trọng trong việc phân tích chuỗi thời gian. Hàm tự tương quan của dữ liệu giúp ta xác định được các thành phần của chuỗi thời gian từ đó có thể lựa chọn mô hình dự báo hợp lí cũng như đánh giá tính đầy đủ của mô hình.

Mô hình Holt – Winters Làm trơn hàm mũ (Exponential Smoothing) là một loại mô hình tuyến tính có thể nắm bắt các đặc trưng tuyến tính trong một chuỗi thời gian. Một trong những ý tưởng căn bản của mô hình làm trơn hàm mũ là tạo ra những giá trị tương lai như là những giá trị trung bình có 9 trọng số của những giá trị trong quá khứ theo đó những giá trị quan sát gần đây được đánh trọng số cao hơn những giá trị quan sát rất xa trong quá khứ. Bằng cách hình thành những giá trị dự báo dựa vào những giá trị trung bình có trọng số, chúng ta đang sử dụng một phương pháp “làm trơn” (smoothing). Thuật ngữ “hàm mũ” (exponential) xuất phát từ sự kiện các mô hình làm trơn hàm mũ không chỉ đánh trọng số giảm dần theo thời gian mà còn giảm dần theo kiểu hàm mũ.

Để ứng dụng mô hình làm trơn hàm mũ, có ba dạng của mô hình này được áp dụng rộng rãi cho những chuỗi thời gian khác nhau ([23]). Làm trơn hàm mũ đơn giản (Simple exponential smoothing) (Loại I) được dùng khi chuỗi thời gian không có xu hướng và không có tính mùa. Giả sử chúng ta có chuỗi thời gian Yt, đo đạc tại những thời điểm t = 1,…,T. Mô hình làm trơn hàm mũ đơn giản được định nghĩa bằng công thức đệ quy như sau: 𝑌̂𝑡 + 1 = 𝛼𝑌𝑡 + (1 − 𝛼)𝑌̂𝑡 (4) Với: • 𝑌̂𝑡 + 1: giá trị dự báo tại thời điểm t + 1 • : hằng số làm trơn (smoothing constant) • Yt: giá trị dữ liệu thực sự tại thời điểm t • 𝑌̂𝑡 : giá trị dự báo tại thời điểm t Khi có tồn tại xu hướng (trend) trong chuỗi thời gian, mô hình hàm mũ Holt (Loại II) có thể được dùng.

Phương pháp Holt đòi hỏi ước lượng độ dốc (slope) hiện hành và biên độ (level) hiện hành, do đó phương pháp dùng hai hằng số làm trơn cho mỗi công thức ước lượng.