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

• 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

• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU VẤN ĐỀ
• 1.1. Mục tiêu nghiên cứu
• 1.2. Ý nghĩa đề tài
• 1.3. Kết quả đạt được
• 1.4. Cấu trúc của luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÍ THUYẾT
• 2.1. Dữ liệu chuỗi thời gian
• 2.2. Mô hình Holt – Winters
• 2.3. Mô hình ANN có tính mùa (SANN)
• 2.4. Mô hình mạng bộ nhớ dài – ngắn LSTM
• 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
• 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

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

Dự báo lượng bệnh nhân nhập viện tại phòng cấp cứu là một bài toán quan trọng trong quản lý bệnh viện. Phòng cấp cứu thường là nơi bận rộn nhất, đòi hỏi sự chuẩn bị kỹ lưỡng về nguồn lực. Mục tiêu chính là cung cấp dịch vụ chăm sóc khẩn cấp kịp thời cho bệnh nhân. Dự báo chính xác giúp tránh tình trạng quá tải, tối ưu hóa việc sử dụng nguồn lực như nhân lực và thiết bị y tế. Các phương pháp dự báo chuỗi thời gian khác nhau đã được áp dụng, sử dụng dữ liệu quá khứ được thu thập theo giờ, ngày, tuần hoặc tháng. Tuy nhiên, không có mô hình nào là hoàn hảo cho mọi trường hợp. Dữ liệu lượng bệnh nhân cấp cứu thường có tính mùa và biến động hàng tuần.

1.1. Tầm Quan Trọng của Dự Đoán Số Lượng Bệnh Nhân Cấp Cứu

Dự đoán số lượng bệnh nhân đến phòng cấp cứu giúp bệnh viện chủ động trong việc phân bổ nguồn lực. Điều này bao gồm việc bố trí nhân viên y tế, chuẩn bị giường bệnh và trang thiết bị cần thiết. Dự báo chính xác còn giúp giảm thời gian chờ đợi của bệnh nhân, nâng cao chất lượng dịch vụ và cải thiện trải nghiệm của người bệnh. Việc quản lý lưu lượng bệnh nhân hiệu quả là yếu tố then chốt để đảm bảo hoạt động trơn tru của bệnh viện.

1.2. Thách Thức Trong Dự Báo Lưu Lượng Bệnh Nhân

Dự báo lưu lượng bệnh nhân là một nhiệm vụ phức tạp do nhiều yếu tố ảnh hưởng. Các yếu tố này bao gồm dịch bệnh, thời tiết, các sự kiện đặc biệt và yếu tố nhân khẩu học. Sự biến động bệnh nhân không lường trước được làm cho việc dự báo trở nên khó khăn. Các mô hình dự báo cần có khả năng xử lý dữ liệu chuỗi thời gian phức tạp và tính đến các yếu tố bên ngoài để đưa ra dự đoán chính xác.

II. Vấn Đề Thiếu Chính Xác Trong Dự Báo Bệnh Nhân Cấp Cứu

Các phương pháp dự báo truyền thống thường gặp khó khăn trong việc nắm bắt các đặc tính phức tạp của dữ liệu lượng bệnh nhân nhập viện. Mạng nơ-ron nhân tạo (ANN), mặc dù hứa hẹn, lại không hiệu quả trong việc xử lý tính mùa và xu hướng biến đổi trên dữ liệu thô. Bài toán dự báo lượng bệnh nhân cấp cứu là một bài toán phức tạp, không có mô hình nào tỏ ra vượt trội so với các mô hình khác. Các nghiên cứu chỉ ra rằng dữ liệu lượng bệnh nhân cấp cứu có tính mùa và biến động hàng tuần. Việc cải thiện độ chính xác dự báo là rất cần thiết để tối ưu hóa nguồn lực và cải thiện chất lượng dịch vụ.

2.1. Hạn Chế Của Các Phương Pháp Dự Báo Truyền Thống

Các phương pháp như ARIMA và Holt-Winters có thể không hiệu quả khi dữ liệu có tính mùa phức tạp hoặc xu hướng phi tuyến tính. Chúng thường yêu cầu giả định về tính dừng của dữ liệu, điều này không phải lúc nào cũng đúng với dữ liệu lượng bệnh nhân nhập viện. Việc bỏ qua các yếu tố bên ngoài cũng có thể dẫn đến sai sót trong dự báo.

2.2. Sự Cần Thiết Của Các Mô Hình Dự Báo Nâng Cao

Để khắc phục những hạn chế của các phương pháp truyền thống, cần sử dụng các mô hình dự báo nâng cao như mô hình LSTM và mô hình lai. Các mô hình này có khả năng học các đặc trưng phức tạp từ dữ liệu và xử lý tính mùa hiệu quả hơn. Chúng cũng có thể kết hợp các yếu tố bên ngoài để cải thiện độ chính xác dự báo.

III. Phương Pháp Ưu Điểm của Mô Hình LSTM Trong Dự Báo

Mô hình LSTM (Long Short-Term Memory) là một loại mạng nơ-ron hồi quy (RNN) được thiết kế để xử lý các chuỗi thời gian dài. LSTM có khả năng ghi nhớ thông tin quan trọng trong quá khứ và sử dụng nó để dự đoán tương lai. Điều này làm cho LSTM trở thành một công cụ mạnh mẽ để dự báo lượng bệnh nhân nhập viện, đặc biệt khi dữ liệu có tính mùa và xu hướng phức tạp. Tuy nhiên, hiệu suất mô hình dự báo còn có thể được cải thiện.

3.1. Khả Năng Học Các Đặc Trưng Thời Gian Dài Của LSTM

LSTM sử dụng các cổng (gates) để kiểm soát luồng thông tin vào và ra khỏi bộ nhớ. Các cổng này cho phép LSTM học các phụ thuộc thời gian dài và bỏ qua thông tin không liên quan. Điều này làm cho LSTM phù hợp để dự báo lượng bệnh nhân nhập viện, vì các yếu tố ảnh hưởng có thể kéo dài trong nhiều ngày, tuần hoặc thậm chí tháng.

3.2. Ứng Dụng LSTM Trong Dự Báo Chuỗi Thời Gian Y Tế

Ứng dụng LSTM trong y tế đang ngày càng phổ biến. Ngoài dự báo lượng bệnh nhân nhập viện, LSTM còn được sử dụng để dự đoán sự lây lan của dịch bệnh, phát hiện bất thường trong dữ liệu bệnh nhân và cá nhân hóa điều trị. Khả năng của LSTM trong việc xử lý dữ liệu chuỗi thời gian phức tạp làm cho nó trở thành một công cụ vô giá cho các nhà nghiên cứu và các nhà lâm sàng.

IV. Giải Pháp Mô Hình Lai SANN Holt Winters Cho Phòng Cấp Cứu

Mô hình lai kết hợp ưu điểm của cả mạng nơ-ron có tính mùa (SANN) và phương pháp Holt-Winters. SANN có khả năng nắm bắt các đặc tính mùa vụ phức tạp, trong khi Holt-Winters xử lý xu hướng và thành phần không mùa vụ. Kết hợp hai mô hình này có thể cải thiện đáng kể độ chính xác dự báo. Trong nghiên cứu, mô hình lai này cho thấy hiệu quả dự báo tốt hơn so với Holt-Winters hoặc SANN đơn lẻ.

4.1. Cơ Chế Hoạt Động Của Mô Hình SANN Holt Winters

Mô hình SANN-Holt-Winters hoạt động bằng cách chia chuỗi thời gian thành hai thành phần: thành phần mùa vụ và thành phần không mùa vụ. SANN được sử dụng để dự báo thành phần mùa vụ, trong khi Holt-Winters được sử dụng để dự báo thành phần không mùa vụ. Kết quả dự báo từ hai mô hình này được kết hợp để tạo ra dự báo cuối cùng.

4.2. Lợi Ích Của Mô Hình Lai Trong Dự Báo Bệnh Nhân

Mô hình lai có thể cải thiện độ chính xác dự báo bằng cách kết hợp các điểm mạnh của các mô hình khác nhau. Nó cũng có thể làm giảm sự phụ thuộc vào các giả định cụ thể về dữ liệu. Điều này làm cho mô hình lai trở nên mạnh mẽ hơn và linh hoạt hơn so với các mô hình đơn lẻ, đặc biệt trong môi trường y tế.

4.3. Áp Dụng Mô Hình Lai SANN Holt Winters Trong Y Tế

Ứng dụng SANN-Holt-Winters trong y tế đặc biệt phù hợp với dữ liệu có tính chu kỳ hoặc mùa vụ. Việc dự báo chính xác lượng bệnh nhân giúp quản lý hiệu quả các nguồn lực, cải thiện chất lượng dịch vụ, và tối ưu hóa hoạt động của bệnh viện. Mô hình này có tiềm năng lớn trong việc hỗ trợ quyết định quản lý và điều hành trong ngành y tế.

V. Ứng Dụng Đánh Giá So Sánh Hiệu Suất Mô Hình Dự Báo

Nghiên cứu so sánh hiệu quả dự báo của mô hình LSTM và mô hình lai SANN-Holt-Winters trên dữ liệu thực tế từ Bệnh Viện Đa Khoa Khu Vực Củ Chi. Các tiêu chí đánh giá bao gồm sai số phần trăm tuyệt đối trung bình (MAPE) và sai số bình phương trung bình (MSE). Kết quả cho thấy mô hình lai có hiệu quả hơn Holt-Winters và SANN đơn lẻ, nhưng kém hơn LSTM. Tuy nhiên, việc kết hợp LSTM với SANN-Holt-Winters có thể mang lại kết quả tốt hơn.

5.1. Phương Pháp Đánh Giá Mô Hình LSTM Và Mô Hình SANN Holt Winters

Để đánh giá hiệu quả của mỗi mô hình, chúng tôi sử dụng hai phương pháp chính: 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 tỷ lệ phần trăm, trong khi MSE đo lường sai số dự báo dưới dạng bình phương của sự khác biệt giữa giá trị dự đoán và giá trị thực tế. Cả hai phương pháp này đều cung cấp thông tin quan trọng về độ chính xác của mô hình.

5.2. Kết Quả So Sánh Thảo Luận Về Độ Chính Xác Dự Báo

Kết quả cho thấy mô hình LSTM có hiệu suất tốt hơn so với mô hình lai SANN-Holt-Winters trong việc dự báo lượng bệnh nhân nhập viện. Tuy nhiên, mô hình lai vẫn cho thấy hiệu quả cải thiện so với việc sử dụng Holt-Winters hoặc SANN đơn lẻ. Điều này cho thấy tiềm năng của việc kết hợp các mô hình khác nhau để cải thiện độ chính xác dự báo. Hơn nữa, độ chính xác dự báo cao cho phép các bệnh viện quản lý tốt hơn các nguồn lực sẵn có và cải thiện chất lượng dịch vụ.

VI. Kết Luận Hướng Nghiên Cứu Tiếp Theo Về Dự Báo

Nghiên cứu này đã khám phá tiềm năng của mô hình LSTM và mô hình lai SANN-Holt-Winters trong việc dự báo lượng bệnh nhân nhập viện. Kết quả cho thấy cả hai mô hình đều có thể cải thiện độ chính xác dự báo so với các phương pháp truyền thống. Hướng nghiên cứu tiếp theo có thể tập trung vào việc kết hợp LSTM với SANN-Holt-Winters để tạo ra một mô hình dự báo mạnh mẽ hơn nữa.

6.1. Tóm Tắt Kết Quả Nghiên Cứu Về Mô Hình Dự Báo

Nghiên cứu đã chứng minh rằng cả mô hình LSTM và mô hình lai SANN-Holt-Winters đều có khả năng cải thiện độ chính xác dự báo lượng bệnh nhân nhập viện. Đánh giá mô hình LSTM cho thấy hiệu năng vượt trội hơn so với mô hình lai, tuy nhiên, việc kết hợp các yếu tố từ cả hai mô hình có thể mang lại kết quả tốt hơn nữa.

6.2. Các Hướng Phát Triển Tiếp Theo Cho Nghiên Cứu Dự Báo

Các hướng phát triển tiếp theo có thể bao gồm việc kết hợp các yếu tố bên ngoài như thời tiết và dịch bệnh vào mô hình dự báo. Ngoài ra, việc sử dụng các kỹ thuật học sâu khác như Transformer có thể mang lại kết quả tốt hơn nữa. Cuối cùng, việc triển khai các mô hình dự báo này trong môi trường thực tế có thể giúp các bệnh viện quản lý nguồn lực tốt hơn và cải thiện chất lượng dịch vụ.

Tổng quan nghiên cứu

Dự báo lượng bệnh nhân nhập viện tại phòng cấp cứu là một bài toán quan trọng trong quản lý y tế nhằm tối ưu hóa nguồn lực và nâng cao chất lượng dịch vụ. Bộ dữ liệu nghiên cứu được thu thập từ Bệnh Viện Đa Khoa Khu Vực Củ Chi, thành phố Hồ Chí Minh, với 1096 điểm dữ liệu hàng ngày từ 01/01/2018 đến 31/12/2020, ghi nhận lượng bệnh nhân trung bình 69 người/ngày, thấp nhất 7 và cao nhất 122 người/ngày. Chuỗi dữ liệu này có tính mùa rõ rệt với chu kỳ 7 ngày, phản ánh sự biến động theo tuần.

Mục tiêu nghiên cứu tập trung vào việc xây dựng và so sánh hiệu quả dự báo của các mô hình dự báo chuỗi thời gian có tính mùa, bao gồm mô hình Holt – Winters, mạng nơ-ron nhân tạo có tính mùa (SANN), mô hình lai giữa Holt – Winters và SANN, cùng mô hình học sâu LSTM xếp chồng. Việc đánh giá dựa trên các chỉ số sai số dự báo phổ biến như MAPE và MSE nhằm xác định mô hình phù hợp nhất cho bài toán dự báo lượng bệnh nhân cấp cứu hàng ngày.

Phạm vi nghiên cứu giới hạn trong dữ liệu thu thập tại bệnh viện Củ Chi trong giai đoạn 2018-2020, tập trung vào dự báo một bước tiếp theo (one step-ahead prediction). Ý nghĩa của nghiên cứu không chỉ giúp bệnh viện hoạch định nguồn lực hiệu quả mà còn đóng góp vào lĩnh vực khoa học máy tính trong ứng dụng mô hình dự báo chuỗi thời gian có tính mùa, đặc biệt là trong môi trường y tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình dự báo chuỗi thời gian có tính mùa, bao gồm:

• Mô hình Holt – Winters: Làm trơn hàm mũ có khả năng xử lý chuỗi thời gian có xu hướng và tính mùa, với hai phiên bản chính là dạng nhân và dạng cộng. Mô hình này sử dụng ba tham số làm trơn (α, β, γ) để ước lượng biên độ, xu hướng và thành phần mùa, giúp dự báo chính xác các chuỗi có tính mùa.

• Mạng nơ-ron nhân tạo có tính mùa (SANN): Mạng nơ-ron truyền thẳng với cấu trúc đặc biệt, trong đó số nút tầng nhập bằng độ dài mùa của chuỗi thời gian (ở đây là 7), giúp mạng nắm bắt đặc tính mùa mà không cần tiền xử lý khử mùa. SANN có khả năng mô hình hóa các đặc tính phi tuyến của chuỗi thời gian.

• Mô hình lai Holt – Winters và SANN: Kết hợp ưu điểm của mô hình tuyến tính Holt – Winters và mô hình phi tuyến SANN để cải thiện hiệu quả dự báo. Kết quả dự báo cuối cùng là sự kết hợp trọng số giữa hai mô hình thành phần, trọng số được tối ưu hóa dựa trên sai số dự báo.

• Mạng nơ-ron học sâu LSTM xếp chồng: Mạng hồi quy có khả năng ghi nhớ thông tin dài hạn, khắc phục vấn đề phụ thuộc dài hạn trong chuỗi thời gian. Mô hình xếp chồng nhiều tầng LSTM giúp học sâu hơn các đặc trưng phi tuyến phức tạp của dữ liệu.

Các khái niệm chính bao gồm chuỗi thời gian, thành phần xu hướng, thành phần mùa, hệ số tự tương quan, hàm tự tương quan, và các chỉ số đánh giá sai số dự báo như MAPE và MSE.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu lượng bệnh nhân nhập viện hàng ngày tại phòng cấp cứu Bệnh Viện Đa Khoa Khu Vực Củ Chi, thu thập từ 01/01/2018 đến 31/12/2020, gồm 1096 điểm dữ liệu. Bộ dữ liệu được chia thành 70% cho huấn luyện và 30% cho kiểm thử.

Phương pháp phân tích bao gồm:

• Tiền xử lý dữ liệu và xác định tính mùa dựa trên biểu đồ hàm tự tương quan (ACF), xác định độ dài mùa là 7 ngày.

• Hiện thực các mô hình Holt – Winters, SANN, mô hình lai giữa Holt – Winters và SANN, cùng mô hình LSTM xếp chồng.

• Huấn luyện mạng nơ-ron sử dụng thuật toán lan truyền ngược (backpropagation), với cấu trúc mạng SANN gồm 7 nút tầng nhập, 7 nút tầng ẩn và 1 nút tầng xuất.

• Mô hình Holt – Winters được tối ưu tham số α, β, γ bằng phương pháp vét cạn (brute force) với bước nhảy 0.01.

• Mô hình lai kết hợp dự báo của Holt – Winters và SANN theo công thức trọng số tối ưu hóa dựa trên sai số MSE.

• Mô hình LSTM xếp chồng gồm nhiều tầng ẩn LSTM, được huấn luyện để so sánh hiệu quả dự báo.

• Đánh giá hiệu quả dự báo dựa trên các chỉ số MAPE và MSE, so sánh sai số giữa các mô hình.

Timeline nghiên cứu kéo dài từ tháng 9/2023 đến tháng 12/2023, bao gồm các bước thu thập dữ liệu, xây dựng mô hình, huấn luyện, thử nghiệm và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Mô hình lai Holt – Winters và SANN cho hiệu quả dự báo vượt trội so với từng mô hình đơn lẻ: Sai số MAPE của mô hình lai thấp hơn trung bình 3.5% so với mô hình SANN và thấp hơn 4.5% so với mô hình Holt – Winters đơn lẻ trên bộ dữ liệu 1096 điểm.

2. Mô hình LSTM xếp chồng đạt hiệu quả dự báo tốt nhất: Sai số MAPE của mô hình LSTM thấp hơn mô hình lai trung bình 1.23%, cho thấy khả năng ghi nhớ thông tin dài hạn và học sâu giúp cải thiện độ chính xác dự báo.

3. Tính mùa của chuỗi thời gian được xác nhận rõ ràng với chu kỳ 7 ngày: Biểu đồ ACF cho thấy các điểm tự tương quan vượt ngưỡng tin cậy tại các độ trễ bội số của 7, phù hợp với đặc điểm biến động theo tuần của lượng bệnh nhân.

4. Biến động lượng bệnh nhân có sự khác biệt rõ rệt vào cuối tuần và ngày lễ: Điều này làm tăng tính phức tạp của bài toán dự báo, đòi hỏi mô hình phải nắm bắt được đặc tính phi tuyến và tính mùa.

Thảo luận kết quả

Kết quả cho thấy mô hình lai giữa Holt – Winters và SANN tận dụng được ưu điểm của cả hai mô hình: Holt – Winters xử lý tốt thành phần tuyến tính và tính mùa, trong khi SANN nắm bắt được các đặc tính phi tuyến của chuỗi thời gian. Do đó, mô hình lai cải thiện đáng kể hiệu quả dự báo so với từng mô hình riêng lẻ.

Mô hình LSTM xếp chồng vượt trội hơn nhờ khả năng học sâu và ghi nhớ thông tin dài hạn, phù hợp với dữ liệu chuỗi thời gian có tính mùa và biến động phức tạp. Kết quả này tương đồng với các nghiên cứu quốc tế về ứng dụng LSTM trong dự báo chuỗi thời gian y tế.

Dữ liệu có thể được trình bày qua biểu đồ so sánh sai số MAPE và MSE của các mô hình, cùng biểu đồ đường biểu diễn lượng bệnh nhân thực tế và dự báo trong một tháng để minh họa độ chính xác của từng mô hình.

Đề xuất và khuyến nghị

1. Áp dụng mô hình LSTM xếp chồng trong dự báo lượng bệnh nhân cấp cứu hàng ngày nhằm nâng cao độ chính xác dự báo, giúp bệnh viện chủ động trong phân bổ nguồn lực. Thời gian triển khai: 6 tháng; chủ thể: phòng công nghệ thông tin và quản lý bệnh viện.

2. Phát triển hệ thống dự báo tự động tích hợp mô hình lai Holt – Winters và SANN để làm công cụ hỗ trợ ra quyết định trong trường hợp không có đủ nguồn lực triển khai LSTM. Thời gian: 4 tháng; chủ thể: nhóm nghiên cứu và kỹ thuật viên CNTT.

3. Tăng cường thu thập và cập nhật dữ liệu liên tục để cải thiện chất lượng dữ liệu đầu vào, đặc biệt chú ý các biến động theo ngày lễ, cuối tuần. Thời gian: liên tục; chủ thể: bộ phận quản lý dữ liệu bệnh viện.

4. Đào tạo nhân viên y tế và quản lý về ứng dụng mô hình dự báo nhằm nâng cao nhận thức và khả năng sử dụng kết quả dự báo trong công tác điều phối bệnh nhân và nguồn lực. Thời gian: 3 tháng; chủ thể: phòng đào tạo và quản lý bệnh viện.

Đối tượng nên tham khảo luận văn

1. Quản lý bệnh viện và phòng cấp cứu: Nhận được công cụ dự báo chính xác để tối ưu hóa phân bổ nhân lực và trang thiết bị, giảm thiểu tình trạng quá tải.

2. Nhà nghiên cứu khoa học máy tính và trí tuệ nhân tạo: Tham khảo phương pháp kết hợp mô hình thống kê và mạng nơ-ron nhân tạo trong dự báo chuỗi thời gian có tính mùa.

3. Chuyên gia y tế công cộng và hoạch định chính sách y tế: Sử dụng kết quả dự báo để xây dựng các kế hoạch ứng phó kịp thời với biến động bệnh nhân cấp cứu.

4. Sinh viên và học viên cao học ngành khoa học máy tính, y sinh học: Học tập mô hình LSTM xếp chồng và mô hình lai trong ứng dụng thực tế, phát triển kỹ năng nghiên cứu và ứng dụng mô hình dự báo.

Câu hỏi thường gặp

1. Mô hình nào phù hợp nhất để dự báo lượng bệnh nhân cấp cứu?
   Mô hình LSTM xếp chồng cho kết quả dự báo chính xác nhất với sai số MAPE thấp hơn mô hình lai khoảng 1.23%, nhờ khả năng học sâu và ghi nhớ thông tin dài hạn.

2. Tại sao cần kết hợp mô hình Holt – Winters và SANN?
   Mô hình lai tận dụng ưu điểm của Holt – Winters trong xử lý thành phần tuyến tính và tính mùa, cùng khả năng nắm bắt phi tuyến của SANN, giúp cải thiện hiệu quả dự báo so với từng mô hình riêng lẻ.

3. Chu kỳ mùa của dữ liệu là bao nhiêu?
   Chu kỳ mùa được xác định là 7 ngày, tương ứng với biến động theo tuần, được phát hiện qua phân tích hàm tự tương quan (ACF).

4. Sai số dự báo được đánh giá bằng chỉ số nào?
   Chủ yếu sử dụng sai số phần trăm tuyệt đối trung bình (MAPE) và sai số bình phương trung bình (MSE) để đánh giá độ chính xác của các mô hình dự báo.

5. Có thể áp dụng mô hình này cho các bệnh viện khác không?
   Có thể, tuy nhiên cần thu thập dữ liệu tương ứng và điều chỉnh mô hình phù hợp với đặc điểm chuỗi thời gian của từng bệnh viện để đảm bảo hiệu quả dự báo.

Kết luận

• Xây dựng thành công mô hình lai giữa Holt – Winters và SANN, cải thiện hiệu quả dự báo lượng bệnh nhân cấp cứu so với từng mô hình đơn lẻ.
• Mô hình LSTM xếp chồng cho kết quả dự báo tốt nhất, thể hiện tiềm năng ứng dụng mạng nơ-ron học sâu trong dự báo chuỗi thời gian y tế.
• Bộ dữ liệu 1096 điểm thu thập từ Bệnh Viện Đa Khoa Khu Vực Củ Chi trong giai đoạn 2018-2020 có tính mùa rõ rệt với chu kỳ 7 ngày.
• Kết quả nghiên cứu góp phần nâng cao hiệu quả quản lý nguồn lực bệnh viện và mở rộng ứng dụng khoa học máy tính trong y tế.
• Đề xuất triển khai ứng dụng mô hình LSTM và mô hình lai trong thực tế, đồng thời tiếp tục nghiên cứu mở rộng với dữ liệu đa biến và dự báo nhiều bước.

Hành động tiếp theo là triển khai thử nghiệm mô hình LSTM trong môi trường thực tế bệnh viện, đồng thời phát triển hệ thống dự báo tự động hỗ trợ quản lý phòng cấp cứu. Các nhà quản lý và chuyên gia công nghệ thông tin được khuyến khích phối hợp để ứng dụng kết quả nghiên cứu vào thực tiễn nhằm nâng cao chất lượng dịch vụ y tế.