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 nơron có tính mùa sann với phương pháp holtwinters

Luận văn thạc sĩ phân tích máy tính dự báo lượng bệnh nhân nhập viện tại phòng cấp cứu bằng mô hình lstm và mô hình lai giữa, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải

• Tác giả: Cao Khắc Ngọc Lân
• Người hướng dẫn: PGS.TS Dương Tuấn Anh
• Trường học: Đại học Bách Khoa - ĐHQG - HCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Dự Báo Lượng Bệnh Nhân Nhập Viện Tại Phòng Cấp Cứu Bằng Mô Hình LSTM Và Phương Pháp Holt-Winters
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Thành phố 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. Giới thiệu vấn đề

Phòng cấp cứu là nơi bận rộn nhất trong bệnh viện, nơi cung cấp sự chăm sóc khẩn cấp cho bệnh nhân. Việc dự báo bệnh nhân nhập viện tại phòng cấp cứu là rất quan trọng để quản lý nguồn lực hiệu quả. Nghiên cứu này tập trung vào việc dự báo lượng bệnh nhân bằng các mô hình như mô hình LSTM và phương pháp Holt-Winters. Dữ liệu được thu thập từ Bệnh viện Đa Khoa Khu Vực Củ Chi từ 01/01/2018 đến 31/12/2020. Mục tiêu là phát hiện tính mùa của dữ liệu và đưa ra dự báo chính xác cho lượng bệnh nhân trong tương lai.

1.1 Tầm quan trọng của dự báo

Dự báo lượng bệnh nhân nhập viện giúp bệnh viện chuẩn bị tốt hơn cho các tình huống khẩn cấp. Việc này không chỉ giúp tối ưu hóa quy trình cấp cứu mà còn giảm thiểu tình trạng quá tải. Các phương pháp như Holt-Winters và mô hình LSTM đã được chứng minh là hiệu quả trong việc dự báo nhu cầu y tế. Nghiên cứu này sẽ so sánh hiệu quả của các mô hình này để tìm ra phương pháp tối ưu nhất cho việc dự báo bệnh nhân.

II. Cơ sở lý thuyết

Chương này trình bày các khái niệm cơ bản về dữ liệu chuỗi thời gian và các mô hình dự báo. Mô hình Holt-Winters là một phương pháp thống kê phổ biến cho dữ liệu có tính mùa. Mô hình LSTM là một loại mạng nơ-ron hồi quy, có khả năng ghi nhớ thông tin lâu dài, rất phù hợp cho việc dự báo chuỗi thời gian. Nghiên cứu này sẽ áp dụng các mô hình này để phân tích dữ liệu về lượng bệnh nhân nhập viện tại phòng cấp cứu.

2.1 Dữ liệu chuỗi thời gian

Dữ liệu chuỗi thời gian là tập hợp các giá trị được ghi nhận theo thời gian. Trong nghiên cứu này, dữ liệu về lượng bệnh nhân nhập viện được thu thập hàng ngày. Các thành phần của chuỗi thời gian bao gồm xu hướng, mùa và bất thường. Việc phân tích các thành phần này giúp xác định mô hình phù hợp cho dự báo bệnh nhân. Sử dụng các phương pháp như Holt-Winters và LSTM, nghiên cứu sẽ tìm ra cách tốt nhất để dự đoán lượng bệnh nhân trong tương lai.

III. Phương pháp nghiên cứu

Nghiên cứu này áp dụng các mô hình Holt-Winters, SANN và LSTM để dự báo lượng bệnh nhân. Dữ liệu được chia thành tập huấn luyện và tập kiểm tra. Các mô hình sẽ được đánh giá dựa trên các chỉ số như MAPE và MSE. Kết quả sẽ cho thấy mô hình nào có hiệu quả nhất trong việc dự báo lượng bệnh nhân nhập viện tại phòng cấp cứu.

3.1 Mô hình áp dụng

Mô hình Holt-Winters được sử dụng để dự báo dữ liệu có tính mùa. Mô hình SANN kết hợp giữa mạng nơ-ron và phương pháp thống kê, giúp cải thiện độ chính xác của dự báo. Cuối cùng, mô hình LSTM sẽ được áp dụng để so sánh hiệu quả dự báo. Kết quả thực nghiệm sẽ cho thấy mô hình nào là tối ưu nhất cho việc dự báo bệnh nhân tại phòng cấp cứu.

IV. Kết quả thực nghiệm

Kết quả thực nghiệm cho thấy mô hình lai giữa Holt-Winters và SANN cho hiệu quả dự báo tốt hơn so với từng mô hình đơn lẻ. Tuy nhiên, mô hình LSTM vẫn cho kết quả tốt nhất. Các chỉ số MAPE và MSE cho thấy sự khác biệt rõ rệt giữa các mô hình. Điều này chứng tỏ rằng việc kết hợp các phương pháp có thể nâng cao độ chính xác trong dự báo lượng bệnh nhân.

4.1 Đánh giá mô hình

Mô hình lai cho sai số dự báo thấp hơn trung bình 3.5% so với mô hình SANN và thấp hơn 4.5% so với mô hình Holt-Winters. Tuy nhiên, mô hình LSTM cho sai số cao hơn 1.2% so với mô hình lai. Kết quả này cho thấy rằng việc áp dụng mô hình LSTM có thể mang lại lợi ích lớn trong việc dự báo nhu cầu y tế tại phòng cấp cứu.

V. Kết luận

Nghiên cứu đã chỉ ra rằng việc dự báo lượng bệnh nhân nhập viện tại phòng cấp cứu là một nhiệm vụ quan trọng và cần thiết. Các mô hình như Holt-Winters, SANN và LSTM đều có những ưu điểm riêng. Tuy nhiên, mô hình LSTM cho kết quả dự báo tốt nhất. Nghiên cứu này mở ra hướng đi mới cho việc ứng dụng các mô hình học sâu trong lĩnh vực y tế.

5.1 Hướng nghiên cứu tiếp theo

Các nghiên cứu tiếp theo có thể tập trung vào việc cải thiện mô hình LSTM hoặc kết hợp thêm các yếu tố khác như thời tiết, ngày lễ để nâng cao độ chính xác trong dự báo bệnh nhân. Việc này sẽ giúp các bệnh viện chuẩn bị tốt hơn cho các tình huống khẩn cấp và tối ưu hóa quy trình cấp cứu.

Nội dung chính

Tổng quan nghiên cứu

Hoạt động tiếp nhận tại các phòng cấp cứu luôn đối mặt với áp lực quá tải cục bộ, đòi hỏi công tác quản trị y tế phải có phương án phân bổ nguồn lực chính xác và kịp thời. Thực tế tại Bệnh viện Đa khoa Khu vực Củ Chi cho thấy trong giai đoạn 3 năm từ 2018 đến 2020, tổng cộng 75.511 lượt bệnh nhân đã nhập viện cấp cứu, tạo nên một chuỗi dữ liệu biến động phức tạp từ 7 đến 122 ca mỗi ngày. Vấn đề cốt lõi đặt ra là sự thiếu hụt các công cụ dự báo định lượng có khả năng nắm bắt đồng thời các quy luật xu hướng dài hạn và đặc tính biến thiên theo chu kỳ ngắn hạn.

Mục tiêu chính của đề tài là xây dựng, hiện thực và đánh giá toàn diện hiệu năng của các mô hình dự báo chuỗi thời gian tiên tiến, bao gồm phương pháp làm trơn hàm mũ Holt - Winters, mạng nơ - ron nhân tạo có tính mùa (SANN), mô hình lai kết hợp giữa Holt - Winters và SANN, cùng kiến trúc học sâu LSTM xếp chồng (Stacked LSTM). Phạm vi nghiên cứu tập trung vào 1.096 điểm dữ liệu nhật ký tiếp nhận cấp cứu liên tục từ ngày 01/01/2018 đến ngày 31/12/2020 tại địa bàn huyện Củ Chi, thành phố Hồ Chí Minh.

Nghiên cứu mang ý nghĩa thực tiễn to lớn trong việc hỗ trợ các nhà quản lý bệnh viện giảm thiểu từ 15% đến 25% thời gian chờ đợi của người bệnh, tối ưu hóa công suất sử dụng giường bệnh và cải thiện độ chính xác dự báo khi chỉ số sai số phần trăm tuyệt đối trung bình (MAPE) đạt mức tối ưu dưới 12%. Kết quả nghiên cứu tạo tiền đề vững chắc cho việc ứng dụng trí tuệ nhân tạo vào quy trình 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 chuỗi thời gian kết hợp giữa phương pháp thống kê cổ điển và trí tuệ nhân tạo hiện đại. Đầu tiên, mô hình làm trơn hàm mũ Holt - Winters dạng nhân và dạng cộng được vận dụng để phân tách ba thành phần cơ bản của chuỗi số liệu: mức biên độ, độ dốc xu hướng và chỉ số mùa vụ. Mô hình này sử dụng bộ ba tham số làm trơn gồm alpha, beta và gamma nằm trong khoảng từ 0 đến 1 để gán trọng số giảm dần theo hàm mũ cho các quan sát quá khứ.

Thứ hai, mạng nơ - ron nhân tạo có tính mùa (SANN) kế thừa cấu trúc mạng truyền thẳng đa tầng Perceptron, tối ưu hóa số lượng nút đầu vào tương ứng với độ dài mùa nhằm nắm bắt các mối quan hệ phi tuyến phức tạp mà không cần khử mùa thô.

Thứ ba, kiến trúc mạng bộ nhớ dài - ngắn (LSTM) và LSTM xếp chồng được triển khai để giải quyết triệt để bài toán phụ thuộc dài hạn và triệt tiêu đạo hàm trong mạng nơ - ron hồi quy truyền thống. Cấu trúc LSTM tích hợp ô trạng thái trung tâm cùng 3 cổng kiểm soát thông tin gồm cổng quên, cổng vào và cổng ra thông qua các hàm kích hoạt phi tuyến sigmoid và hàm tang hyperbol.

Các khái niệm then chốt xuyên suốt đề tài bao gồm hàm tự tương quan (ACF), độ trễ thời gian, mô hình lai kết hợp tuyến tính - phi tuyến, sai số phần trăm tuyệt đối trung bình (MAPE) và sai số bình phương trung bình (MSE).

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được trích xuất từ hệ thống quản lý bệnh viện tại Khoa Cấp cứu thuộc Bệnh viện Đa khoa Khu vực Củ Chi trong suốt 36 tháng liên tục. Toàn bộ cỡ mẫu gồm 1.096 điểm quan sát tương ứng với 75.511 lượt bệnh nhân được thu thập theo phương pháp lấy mẫu toàn bộ chuỗi thời gian không gián đoạn nhằm bảo toàn tính liên tục của dữ liệu.

Phương pháp phân tích được lựa chọn dựa trên sự kết hợp chặt chẽ giữa thống kê toán học và giải thuật học máy chuyên sâu. Phép thử hàm tự tương quan (ACF) với khoảng tin cậy 95% được sử dụng để xác định chính xác độ dài mùa s = 7 ngày trước khi tiến hành huấn luyện. Lý do lựa chọn mô hình lai và mạng LSTM xếp chồng xuất phát từ đặc tính dữ liệu y tế thực tế luôn đan xen giữa các xu hướng tuyến tính ổn định và các biến động đột biến phi tuyến.

Việc kết hợp phương pháp làm trơn Holt - Winters với mạng SANN thông qua kỹ thuật tìm kiếm lưới để tối ưu trọng số omega giúp tận dụng tối đa ưu thế của cả hai phương pháp. Toàn bộ tập dữ liệu 1.096 ngày được phân chia theo tỷ lệ chuẩn: 70% dữ liệu đầu (767 ngày) phục vụ giai đoạn huấn luyện và 30% dữ liệu sau (329 ngày) dành cho kiểm thử độc lập thông qua kỹ thuật dự báo một bước tiến.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm trên 1.096 điểm dữ liệu ghi nhận bốn phát hiện quan trọng có giá trị khoa học và ứng dụng thực tiễn cao:

Thứ nhất, phân tích hàm tự tương quan ACF khẳng định chuỗi dữ liệu bệnh nhân cấp cứu mang đặc tính mùa rõ nét với chu kỳ lặp lại đúng 7 ngày (1 tuần). Lượng tiếp nhận trung bình đạt mức 68 đến 69 bệnh nhân mỗi ngày, trong đó ngày thấp nhất ghi nhận 7 ca (ngày 12/02/2019) và ngày cao nhất lên tới 122 ca (ngày 03/09/2019), phản ánh mức chênh lệch biên độ cực đại gấp hơn 17 lần giữa các thời điểm.

Thứ hai, mô hình lai giữa Holt - Winters và SANN thể hiện sự vượt trội rõ rệt khi cải thiện độ chính xác dự báo so với các mô hình thành phần đơn lẻ. Cụ thể, mô hình lai giúp giảm sai số MAPE trung bình 0,5% so với mô hình SANN độc lập và giảm tới 4,507% sai số MAPE so với mô hình Holt - Winters thuần túy.

Thứ ba, mô hình mạng nơ - ron học sâu LSTM xếp chồng đạt hiệu năng dự báo xuất sắc nhất trên toàn bộ tập kiểm thử. Sai số MAPE của LSTM xếp chồng thấp hơn mô hình lai trung bình 1,231%, thiết lập chuẩn mực độ chính xác cao nhất trong toàn bộ các cấu trúc được thử nghiệm.

Thứ tư, trọng số tối ưu omega trong mô hình lai chứng minh rằng việc kết hợp đồng thời thành phần tuyến tính và phi tuyến giúp triệt tiêu các sai số cực trị, tạo ra đường dự báo có độ ổn định vượt bậc so với phương pháp đơn lẻ.

Thảo luận kết quả

Hiệu quả vượt trội của mô hình lai được lý giải bởi nguyên lý bù trừ cấu trúc: mô hình Holt - Winters xử lý triệt để các biến động mùa vụ tuyến tính lặp lại hàng tuần, trong khi mạng SANN tiếp thu và xấp xỉ các yếu tố phi tuyến ngẫu nhiên phát sinh từ hành vi cộng đồng. Sự bứt phá của mô hình LSTM xếp chồng bắt nguồn từ chiều sâu kiến trúc đa tầng, cho phép các ô nhớ trích xuất sâu các đặc trưng phụ thuộc thời gian phức tạp qua cơ chế 3 cổng chuyên biệt. Kết quả này hoàn toàn nhất quán với các công bố quốc tế của Yousefi năm 2019 tại Brazil và nghiên cứu của Zhang năm 2017 tại Trung Quốc, đồng thời củng cố nhận định rằng không có một mô hình thống kê tuyến tính đơn lẻ nào đủ khả năng bao quát toàn diện chuỗi dữ liệu cấp cứu.

Để phục vụ công tác theo dõi trực quan của đội ngũ quản lý y tế, toàn bộ dữ liệu nghiên cứu có thể được trình bày sinh động qua các hệ thống biểu đồ chuyên dụng. Biểu đồ đường thời gian thực cho phép đặt cạnh nhau chuỗi giá trị thực tế và chuỗi dự báo của 4 mô hình trên 329 ngày kiểm thử. Biểu đồ phân rã chuỗi thời gian phân tách rõ nét 3 lớp thông tin: đường xu hướng tổng thể, sóng chu kỳ mùa 7 ngày và dao động nhiễu ngẫu nhiên. Đồng thời, bảng tổng hợp ma trận đối chuẩn MAPE và MSE cung cấp thước đo định lượng minh bạch, giúp người quản trị dễ dàng lựa chọn thuật toán phù hợp nhất cho từng kịch bản vận hành.

Đề xuất và khuyến nghị

Dựa trên các bằng chứng thực nghiệm thu được, nghiên cứu đưa ra 4 nhóm giải pháp chiến lược nhằm hiện đại hóa quy trình quản trị y tế:

Thứ nhất, triển khai tích hợp mô-đun dự báo tự động dựa trên mô hình LSTM xếp chồng vào hệ thống phần mềm quản lý bệnh viện (HIS). Ban Giám đốc cùng Phòng Công nghệ Thông tin cần chỉ đạo hoàn thành trong thời hạn 6 tháng, hướng tới mục tiêu duy trì sai số dự báo MAPE dưới ngưỡng 11% tại Khoa Cấp cứu.

Thứ hai, thiết lập quy trình điều phối nhân sự y tế linh hoạt theo kết quả dự báo chu kỳ 7 ngày. Trưởng khoa Cấp cứu phối hợp với Phòng Tổ chức Cán bộ áp dụng từ quý 2 năm 2024, đặt mục tiêu cắt giảm 20% tình trạng quá tải nhân lực vào các ngày cuối tuần và các dịp nghỉ lễ lớn.

Thứ ba, chuẩn hóa hệ thống quản trị dữ liệu chuỗi thời gian y tế phục vụ phân tích dự báo. Phòng Kế hoạch Tổng hợp chủ trì triển khai trong lộ trình 12 tháng, đảm bảo 100% dữ liệu tiếp nhận và chuyển khoa được số hóa tự động với độ trễ cập nhật dưới 1 giờ.

Thứ tư, mở rộng nghiên cứu mô hình dự báo đa biến tích hợp các chỉ số môi trường và dịch tễ. Nhóm nghiên cứu Trí tuệ nhân tạo phối hợp với các chuyên gia y tế công cộng triển khai trong 18 tháng, bổ sung dữ liệu lượng mưa, chỉ số ô nhiễm không khí và tình hình dịch bệnh nhằm nâng cao độ chính xác dự báo thêm từ 5% đến 8%.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và ứng dụng chuyên sâu cho 4 nhóm đối tượng trọng tâm:

Thứ nhất, Ban Giám đốc và các nhà quản lý bệnh viện tuyến quận, huyện và thành phố. Tài liệu cung cấp cơ sở định lượng vững chắc để xây dựng kế hoạch dự trữ vật tư y tế, bố trí giường bệnh và phân ca trực khoa học, giúp tiết kiệm từ 10% đến 15% chi phí vận hành không cần thiết.

Thứ hai, kỹ sư dữ liệu và chuyên gia phát triển trí tuệ nhân tạo trong lĩnh vực y tế. Nghiên cứu cung cấp trọn vẹn quy trình xây dựng mô hình lai giữa Holt - Winters và SANN, cũng như phương pháp tinh chỉnh siêu tham số cho mạng LSTM xếp chồng trên dữ liệu chuỗi thời gian thực tế.

Thứ ba, giảng viên, nghiên cứu sinh và học viên cao học chuyên ngành Khoa học Máy tính và Hệ thống Thông tin. Luận văn đóng vai trò là tài liệu tham khảo chuẩn mực về phương pháp luận xử lý dữ liệu có tính mùa, kiểm định tự tương quan ACF và kỹ thuật tối ưu hóa trọng số kết hợp.

Thứ tư, các cơ quan quản lý nhà nước và Sở Y tế. Báo cáo gợi mở phương thức xây dựng trung tâm điều hành cấp cứu thông minh cấp vùng, tối ưu hóa mạng lưới chuyển tuyến và điều phối xe cứu thương trong phạm vi toàn đô thị.

Câu hỏi thường gặp

1. Tại sao chuỗi dữ liệu bệnh nhân cấp cứu tại Bệnh viện Củ Chi lại có chu kỳ mùa 7 ngày? Phân tích hàm tự tương quan ACF trên 1.096 ngày cho thấy các đỉnh tương quan lặp lại đều đặn sau mỗi 7 độ trễ. Trong thực tế, huyện Củ Chi tập trung nhiều khu công nghiệp và đầu mối giao thông, khiến lưu lượng bệnh nhân tai nạn và cấp cứu biến động mạnh vào cuối tuần so với các ngày làm việc thường nhật.

2. Mô hình lai giữa Holt - Winters và SANN mang lại lợi thế kỹ thuật gì nổi bật? Mô hình lai kết hợp hài hòa giữa khả năng làm trơn tuyến tính của phương pháp Holt - Winters và năng lực học các mẫu phi tuyến của mạng SANN. Thông qua trọng số omega tối ưu theo sai số MSE, mô hình giảm sai số MAPE 4,507% so với Holt - Winters và 0,5% so với SANN đơn lẻ trên dữ liệu thực tế.

3. Vì sao mạng LSTM xếp chồng lại cho kết quả dự báo vượt trội hơn mô hình lai? Kiến trúc LSTM xếp chồng sở hữu nhiều tầng ẩn liên kết sâu, vận hành qua cơ chế 3 cổng kiểm soát và ô trạng thái bộ nhớ dài hạn. Cấu trúc này giúp mạng học sâu giải quyết trọn vẹn hiện tượng triệt tiêu đạo hàm, từ đó đạt sai số MAPE thấp hơn mô hình lai khoảng 1,231%.

4. Độ đo sai số MAPE và MSE đóng vai trò gì trong việc đánh giá mô hình dự báo y tế? Độ đo MSE lượng hóa độ lệch bình phương giữa giá trị thực tế và dự báo, đóng vai trò hàm mục tiêu để tối ưu trọng số kết hợp. Trong khi đó, độ đo MAPE biểu thị sai số phần trăm tương đối, giúp các nhà quản lý y tế dễ dàng so sánh hiệu năng trực quan giữa các thuật toán dự báo khác nhau.

5. Luận văn có thể ứng dụng cho các cơ sở y tế tuyến khác hoặc chuyên khoa khác không? Khung phương pháp luận của luận văn hoàn toàn có thể nhân rộng cho các bệnh viện tuyến trung ương hoặc các khoa phòng có lưu lượng lớn như Khoa Khám bệnh. Khi triển khai tại cơ sở mới, hệ thống chỉ cần ước lượng lại độ dài mùa s và tái huấn luyện mô hình trên tập dữ liệu đặc thù của đơn vị đó.

Kết luận

• Khẳng định tính chu kỳ mùa 7 ngày đặc trưng của chuỗi dữ liệu cấp cứu y tế với 1.096 điểm quan sát thực tế.
• Chứng minh tính ưu việt của mô hình lai khi hạ thấp sai số MAPE 4,507% so với Holt - Winters và 0,5% so với SANN.
• Xác lập vị trí dẫn đầu về độ chính xác dự báo của mạng nơ - ron học sâu LSTM xếp chồng.
• Cung cấp mô hình tham chiếu hoàn chỉnh cho chiến lược chuyển đổi số và tối ưu hóa vận hành tại các bệnh viện công lập.
• Định hình rõ nét lộ trình nâng cấp thuật toán sang hệ thống dự báo đa biến tích hợp trí tuệ nhân tạo.

Đóng góp lớn nhất của công trình là xây dựng thành công bộ khung thử nghiệm và đối chuẩn thực nghiệm chuyên sâu trên 75.511 lượt bệnh nhân tại Việt Nam. Trong lộ trình 12 đến 24 tháng tới, hệ thống dự báo cần được tích hợp trực tiếp vào môi trường vận hành thực tế tại các bệnh viện đa khoa. Các nhà quản lý y tế và chuyên gia công nghệ hãy chủ động liên hệ, phối hợp chuyển giao giải pháp nhằm nâng cao năng lực cấp cứu và bảo vệ sức khỏe cộng đồng.

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.