Tổng quan nghiên cứu

Hơn 80% dữ liệu y tế lâm sàng giá trị hiện nay được lưu trữ dưới dạng văn bản tự do trong các bệnh án điện tử, tạo ra nhu cầu bức thiết về việc chia sẻ thông tin cho các tổ chức nghiên cứu và chăm sóc sức khỏe. Tuy nhiên, rào cản lớn nhất nằm ở nguy cơ lộ lọt thông tin nhận dạng cá nhân của người bệnh. Bài toán lọc thông tin riêng tư trong bệnh án điện tử đòi hỏi hệ thống phải nhận diện chính xác 18 nhóm thông tin nhạy cảm theo quy chuẩn bảo vệ dữ liệu y tế quốc tế và 25 phân loại mở rộng từ các tiêu chuẩn y tế hiện đại.

Nghiên cứu này tập trung giải quyết bài toán phát hiện và che giấu tự động thông tin y tế được bảo vệ trong bệnh án điện tử với cấu trúc đa dạng, từ định dạng có cấu trúc, bán cấu trúc cho đến văn bản tự do phi cấu trúc. Mục tiêu trọng tâm là thiết lập mô hình lai kết hợp học máy và hệ luật chuyên gia, tối ưu hóa hai chỉ số then chốt là độ nhạy bao quát và độ xác thực chính xác.

Được hoàn thành tại Trường Đại học Bách Khoa thuộc Đại học Quốc gia Thành phố Hồ Chí Minh vào tháng 08 năm 2016, đề tài sử dụng tập dữ liệu chuẩn hóa quốc tế để giải quyết điểm nghẽn khan hiếm dữ liệu ban đầu. Đóng góp nổi bật của nghiên cứu là xây dựng khung học bán giám sát nhiều mức, giúp các phân đoạn có cấu trúc đạt độ chính xác tuyệt đối 100%, đồng thời nâng cao khả năng khái quát hóa cho toàn bộ bệnh án lâm sàng mà không phụ thuộc hoàn toàn vào nguồn dữ liệu gán nhãn thủ công ban đầu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết trường ngẫu nhiên có điều kiện (Conditional Random Fields - CRF), một mô hình đồ thị vô hướng xác suất được tối ưu hóa bằng thuật toán L-BFGS và giải thuật quy hoạch động Viterbi. Khác với mô hình Markov ẩn (HMM) hay mô hình Entropy cực đại (MEMM), CRF khắc phục triệt để hiện tượng thiên lệch nhãn (label bias) khi tính toán phân phối xác suất trên toàn bộ chuỗi quan sát.

Bên cạnh đó, mô hình học bán giám sát theo cơ chế tự huấn luyện (self-training) được tích hợp để giải quyết triệt để vấn đề thiếu hụt dữ liệu gán nhãn ban đầu trong lĩnh vực y tế. Lược đồ gán nhãn thực thể B-I-O (Begin, Inside, Outside) được ứng dụng để ánh xạ từng từ ngữ lâm sàng, kết hợp ma trận chuyển tiếp trạng thái 12 trường hợp nhằm phân định ranh giới rõ ràng giữa các thực thể đơn từ và đa từ. Khung lý thuyết của nghiên cứu tuân thủ 18 nhóm thông tin cần che giấu theo luật pháp quốc tế và mở rộng thành 7 nhóm chính với 25 lớp chi tiết như tên bác sĩ, bệnh nhân, tuổi trên 89, số bệnh án và số liên lạc.

Phương pháp nghiên cứu

Nghiên cứu sử dụng tập dữ liệu đánh giá chuẩn từ cuộc thi quốc tế về tin học y sinh với hàng trăm văn bản lâm sàng phức tạp bao gồm tóm tắt xuất viện, báo cáo bệnh học và ghi chép của bác sĩ. Dữ liệu được phân tách theo 3 mức độ phức tạp về cấu trúc: phân đoạn có cấu trúc hoàn chỉnh, bán cấu trúc và văn bản tự do phi cấu trúc. Phương pháp chọn mẫu tập trung vào việc phân tầng cấu trúc để áp dụng các chiến lược xử lý riêng biệt.

Mô hình phân loại chuỗi được huấn luyện qua phương pháp kiểm tra chéo 5-fold (k=5) nhằm hạn chế tối đa hiện tượng quá khớp (overfitting). Hệ thống trích xuất 10 nhóm đặc trưng then chốt bao gồm đặc trưng từ vựng, nhãn từ loại (POS), nhận dạng thực thể tên (NER) từ bộ công cụ xử lý ngôn ngữ tự nhiên của Đại học Stanford, tiền tố và hậu tố từ 1 đến 5 ký tự, hình dạng từ và từ điển chuyên ngành y tế. Quy trình đánh giá được thực hiện xuyên suốt từ tháng 01/2016 đến tháng 06/2016, đảm bảo tính chặt chẽ trong từng giai đoạn phân lớp và hậu xử lý.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, việc phân đoạn cấu trúc tài liệu mang lại hiệu quả đột phá. Ở các phân đoạn có cấu trúc rõ ràng như tiêu đề bệnh án và phần hành chính, hệ thống kết hợp 6 luật mẫu chính quy chuyên biệt đã đạt hiệu suất tối đa với chỉ số độ xác thực Precision đạt 100% và độ nhạy Recall đạt 100%.

Thứ hai, mô hình học bán giám sát kết hợp CRF trên dữ liệu phi cấu trúc giúp nâng cao đáng kể khả năng tự thích ứng của hệ thống. Khi bổ sung dần các bản ghi chưa gán nhãn có độ tin cậy cao vào tập huấn luyện lặp, chỉ số F-score tổng thể được cải thiện tăng thêm khoảng 3% đến 5% so với phương pháp học có giám sát truyền thống khi bị giới hạn dữ liệu khởi tạo.

Thứ ba, cơ chế hậu xử lý bằng tập luật đã khử nhập nhằng thành công cho 8 nhóm thông tin nhạy cảm phức tạp. Ma trận 12 trường hợp theo lược đồ B-I-O đã loại bỏ hoàn toàn các lỗi gán nhãn đứt gãy giữa các cụm từ chỉ định danh bệnh viện, số bệnh án và địa chỉ cư trú.

Thứ tư, việc kết hợp 10 nhóm đặc trưng từ vựng cùng cửa sổ ngữ cảnh kích thước 5 từ giúp hệ thống xử lý chính xác các biến thể viết tắt và lỗi chính tả y khoa, duy trì tỷ lệ nhận diện thực thể đúng trên 95% ở các đoạn ghi chép lâm sàng có độ nhiễu cao.

Thảo luận kết quả

Hiệu quả vượt trội của mô hình bắt nguồn từ việc tiếp cận đa tầng: mức từ, mức thực thể và mức phân đoạn văn bản. Dữ liệu bệnh án điện tử vốn có sự phân hóa sâu sắc; việc áp dụng đơn thuần một mô hình học máy cho toàn bộ văn bản sẽ làm suy giảm độ chính xác ở các trường dữ liệu cố định.

Dữ liệu kết quả thực nghiệm có thể được biểu diễn trực quan qua bảng ma trận nhầm lẫn (confusion matrix) chi tiết cho 25 nhóm định danh và biểu đồ cột so sánh tương quan hiệu năng giữa mô hình học có giám sát đơn thuần với mô hình lai bán giám sát. So với các hệ thống thương mại ra đời từ năm 2004 như De-Id hay các công trình nghiên cứu quy ước giai đoạn 2006-2014, hướng tiếp cận lai bán giám sát giúp cắt giảm khoảng 60% chi phí và thời gian gán nhãn thủ công từ các chuyên gia y tế, mở ra khả năng thích ứng cao khi tiếp nhận các nguồn bệnh án mới theo thời gian thực.

Đề xuất và khuyến nghị

Thứ nhất, chuẩn hóa và xây dựng kho ngữ liệu bệnh án điện tử tiếng Việt gán nhãn chuẩn. Các cơ sở y tế đầu ngành cần phối hợp cùng các viện nghiên cứu công nghệ để thu thập và xử lý khoảng 10.000 hồ sơ bệnh án mẫu trong lộ trình 12 tháng, tạo tài nguyên huấn luyện vững chắc cho mô hình xử lý ngôn ngữ y khoa trong nước.

Thứ hai, triển khai tích hợp mô hình lai bán giám sát vào hệ thống thông tin bệnh viện (HIS/EMR). Các doanh nghiệp phát triển phần mềm y tế cần thiết lập module ẩn danh hóa tự động ngay tại cổng trích xuất dữ liệu, đặt mục tiêu lọc bỏ chính xác 99% thông tin định danh cá nhân trước khi chia sẻ dữ liệu nghiên cứu, hoàn thành thử nghiệm trong vòng 6 đến 9 tháng.

Thứ ba, nâng cấp và tinh chỉnh bộ nhận diện thực thể tên y tế chuyên dụng. Đội ngũ kỹ sư xử lý ngôn ngữ tự nhiên cần bổ sung danh mục từ điển thuật ngữ chuyên ngành và hoàn thiện các biểu thức chính quy cho 8 nhóm thực thể phức tạp, nhằm rút ngắn 40% thời gian tiền xử lý và duy trì F-score ổn định trên 96% trong 6 tháng tới.

Thứ tư, ban hành khung pháp lý và tiêu chuẩn kỹ thuật quốc gia về bảo mật dữ liệu y tế điện tử. Cơ quan quản lý nhà nước về y tế và an toàn thông tin cần xây dựng hướng dẫn chi tiết về 18 danh mục dữ liệu sức khỏe cần che giấu trong vòng 18 tháng, tạo hành lang pháp lý minh bạch cho các hoạt động nghiên cứu khoa học liên viện.

Đối tượng nên tham khảo luận văn

Nghiên cứu mang lại giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng chính:

Nhóm nghiên cứu và học viên cao học ngành Khoa học máy tính, Trí tuệ nhân tạo và Xử lý ngôn ngữ tự nhiên: Luận văn cung cấp phương pháp luận chi tiết về mô hình CRF, thuật toán học bán giám sát nhiều mức và kỹ thuật trích xuất 10 nhóm đặc trưng trong môi trường dữ liệu có độ nhiễu cao.

Kỹ sư phát triển phần mềm y tế và kiến trúc sư hệ thống y tế số: Luận văn đóng vai trò là tài liệu thiết kế hệ thống chi tiết, hướng dẫn quy trình 3 pha từ tiền xử lý, gán nhãn thực thể B-I-O đến module hậu xử lý khử nhập nhằng dữ liệu bệnh án.

Cán bộ quản lý dữ liệu, giám đốc công nghệ thông tin tại các bệnh viện và cơ sở y tế: Nghiên cứu cung cấp giải pháp bảo vệ quyền riêng tư người bệnh với độ tin cậy cao, phục vụ trực tiếp cho nhu cầu chia sẻ dữ liệu liên viện và chuyển đổi số y tế an toàn.

Cơ quan quản lý chính sách và chuyên gia an toàn thông tin y tế: Nội dung phân loại 25 nhóm dữ liệu nhạy cảm theo tiêu chuẩn quốc tế là cơ sở tham chiếu giá trị để xây dựng quy chuẩn bảo mật hồ sơ sức khỏe điện tử.

Câu hỏi thường gặp

Mô hình CRF có ưu điểm gì vượt trội so với HMM và MEMM trong bài toán lọc thông tin bệnh án? Mô hình CRF tính toán xác suất có điều kiện trên toàn bộ chuỗi quan sát thay vì từng trạng thái độc lập, giúp loại bỏ hoàn toàn hiện tượng thiên lệch nhãn (label bias). Trong thực nghiệm xử lý ngôn ngữ tự nhiên y khoa, CRF đạt tỷ lệ lỗi phân lớp thấp hơn từ 10% đến 15% so với HMM và MEMM.

Tại sao phương pháp học bán giám sát lại là lựa chọn tối ưu cho dữ liệu y tế tại Việt Nam? Dữ liệu y tế gán nhãn thủ công tại Việt Nam rất khan hiếm do đòi hỏi chuyên môn cao và ràng buộc bảo mật. Học bán giám sát cho phép hệ thống khởi tạo chỉ với một lượng nhỏ dữ liệu mẫu ban đầu, sau đó tự học và mở rộng tập dữ liệu huấn luyện khi tiếp nhận hồ sơ mới theo thời gian.

Giai đoạn hậu xử lý bằng tập luật giải quyết vấn đề gì mà mô hình học máy bỏ sót? Học máy có thể gán nhãn sai do biến thể từ vựng hoặc thiếu ngữ cảnh. Tập luật hậu xử lý dựa trên 6 nhóm quy tắc và ma trận 12 trạng thái B-I-O giúp khôi phục các thực thể bị gán nhãn nhầm thành từ thông thường, đặc biệt ở các mẫu định dạng chuẩn như ngày tháng, mã số bệnh án và số điện thoại.

Hệ thống xử lý các lỗi chính tả và từ viết tắt lâm sàng bằng cách nào? Hệ thống kết hợp đặc trưng hình dạng từ, độ dài tiền tố hậu tố từ 1 đến 5 ký tự và cửa sổ ngữ cảnh 5 từ xung quanh. Nhờ vậy, ngay cả khi từ chuyên ngành bị viết tắt hoặc sai chính tả, mô hình vẫn nhận diện đúng vai trò thực thể với độ chính xác trên 95%.

Giải pháp trong luận văn có thể mở rộng cho tiếng Việt và các ngôn ngữ khác không? Khung kiến trúc 3 pha và giải thuật học bán giám sát được thiết kế độc lập với ngôn ngữ. Khi triển khai cho tiếng Việt, hệ thống chỉ cần thay thế bộ tách từ và cập nhật hệ thống từ điển địa danh, tên người và cấu trúc ngữ pháp tương ứng mà không cần thay đổi thuật toán lõi.

Kết luận

Nghiên cứu đã giải quyết thành công những thách thức cốt lõi trong bài toán lọc thông tin riêng tư trên bệnh án điện tử thông qua các đóng góp nổi bật:

  • Xây dựng thành công kiến trúc lai nhiều mức kết hợp giữa trường ngẫu nhiên có điều kiện CRF và hệ luật chuyên gia hậu xử lý.
  • Thiết lập quy trình học bán giám sát tự huấn luyện, giải quyết triệt để điểm nghẽn thiếu hụt dữ liệu gán nhãn ban đầu trong y tế.
  • Chuẩn hóa ma trận chuyển tiếp trạng thái 12 trường hợp theo lược đồ B-I-O, xử lý dứt điểm tình trạng nhập nhằng cho 8 nhóm thông tin nhạy cảm.
  • Đạt độ chính xác tuyệt đối 100% trên các phân đoạn có cấu trúc và duy trì F-score vượt trội trên toàn bộ khối văn bản lâm sàng tự do.
  • Mở ra hướng phát triển hệ thống bảo mật dữ liệu y tế linh hoạt, sẵn sàng mở rộng cho tiếng Việt và các ngôn ngữ khác.

Trong giai đoạn 12 đến 24 tháng tới, việc tiếp tục mở rộng mô hình sang xử lý dữ liệu lâm sàng đa phương thức và tối ưu hóa bộ từ điển tiếng Việt sẽ là bước đi mang tính quyết định. Các tổ chức y tế và viện nghiên cứu hãy bắt đầu chuẩn hóa hạ tầng dữ liệu và ứng dụng ngay giải pháp lọc thông tin tự động để khai phóng tiềm năng to lớn của bệnh án điện tử một cách an toàn và bền vững.