Nghiên cứu hệ hỗ trợ ra quyết định dựa trên đại số gia tử và ứng dụng chẩn đoán bệnh suy tim

Luận văn: Hệ hỗ trợ ra quyết định dựa trên đại số gia tử chẩn đoán suy tim - Lê Trần Dũng, ĐH Thái Nguyên

• Tác giả: Lê Trần Dũng
• Người hướng dẫn: TS. Nguyễn Duy Minh
• Trường học: Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu hệ hỗ trợ ra quyết định dựa trên đại số gia tử và ứng dụng chẩn đoán bệnh suy tim
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Thái Nguyên

Tóm tắt

I. Tổng quan hệ hỗ trợ ra quyết định và đại số gia tử

Hệ hỗ trợ ra quyết định trong y tế đóng vai trò then chốt đối với công tác khám chữa bệnh hiện đại. Các hệ thống này kết hợp cơ sở tri thức chuyên gia với các thuật toán suy luận thông minh. Mục tiêu chính là trợ giúp bác sĩ đưa ra phác đồ điều trị kịp thời. Tuy nhiên, dữ liệu lâm sàng thường chứa nhiều thông tin định tính và không chắc chắn. Lý thuyết tập mờ truyền thống xử lý được tính bất định nhưng vẫn gặp hạn chế khi biểu diễn ngữ nghĩa ngôn ngữ tự nhiên. Đại số gia tử xuất hiện như một công cụ toán học đột phá giải quyết vấn đề này. Phương pháp cho phép mô hình hóa các biến ngôn ngữ có cấu trúc thứ tự trực tiếp mà không cần hàm thuộc mờ phức tạp. Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên đã tiên phong ứng dụng lý thuyết này vào bài toán suy tim. Công trình của tác giả Lê Trần Dũng đặt nền móng vững chắc cho việc tích hợp đại số gia tử vào hệ chuyên gia y tế. Mô hình không chỉ kế thừa ưu điểm của hệ mờ mà còn tối ưu hóa tốc độ tính toán. Độ chính xác của các quyết định lâm sàng nhờ đó được nâng cao rõ rệt.

1.1. Khái niệm cơ bản về hệ hỗ trợ ra quyết định y khoa

Hệ hỗ trợ ra quyết định y khoa là phần mềm tin học thu thập dữ liệu bệnh án và cung cấp khuyến nghị lâm sàng. Kiến trúc chuẩn gồm ba thành phần chính: cơ sở dữ liệu, cơ sở tri thức và động cơ suy diễn. Cơ sở tri thức lưu trữ các quy tắc chẩn đoán do chuyên gia y khoa đúc kết. Động cơ suy diễn áp dụng logic toán học để xử lý triệu chứng đầu vào. Hệ thống không thay thế vai trò của bác sĩ. Nhiệm vụ cốt lõi là giảm tải áp lực phân tích và ngăn ngừa sai sót y khoa. Công nghệ này đặc biệt hữu ích trong bối cảnh các ca bệnh phức tạp đòi hỏi chẩn đoán đa tiêu chí.

1.2. Nguyên lý đại số gia tử trong biểu diễn tri thức

Đại số gia tử là cấu trúc đại số trừu tượng mô tả thứ tự ngữ nghĩa tự nhiên của từ ngữ. Cấu trúc này xem miền giá trị ngôn ngữ như một tập thứ tự sinh bởi các phần tử sinh và gia tử. Các gia tử đóng vai trò là toán tử làm tăng hoặc giảm mức độ ngữ nghĩa. Ví dụ cụ thể là các từ "rất", "hơi", "ít". Đại số gia tử xác định khoảng cách ngữ nghĩa thông qua các hàm định lượng f và v. Giá trị định lượng luôn nằm gọn trong khoảng đóng [0, 1]. Đặc điểm này giúp hệ thống biểu diễn chính xác mức độ bệnh lý mà không làm mất thông tin thứ tự ban đầu.

II. Thách thức phân tích dữ liệu mờ trong chẩn đoán suy tim

Chẩn đoán bệnh suy tim là một thách thức lớn trong thực hành lâm sàng. Suy tim tiến triển qua nhiều giai đoạn với các triệu chứng đa dạng và chồng chéo. Bác sĩ thường phải kết hợp nhiều chỉ số cận lâm sàng phức tạp. Các chỉ số này gồm phân suất tống máu, huyết áp, nhịp tim và mức độ khó thở. Khó khăn lớn nhất nằm ở tính định tính của mô tả bệnh. Bệnh nhân thường miêu tả cảm giác mệt mỏi hoặc khó thở bằng từ ngữ cảm tính. Các hệ thống chẩn đoán truyền thống dựa trên logic nhị phân thường thất bại trước dữ liệu mờ này. Việc phân định ranh giới cứng giữa trạng thái bình thường và bệnh lý dễ dẫn tới chẩn đoán sai. Mặt khác, hệ mờ kinh điển đòi hỏi xây dựng hàm thuộc mang tính chủ quan cao. Việc thu thập và chuẩn hóa luật mờ từ nhiều chuyên gia tim mạch tốn kém nhiều thời gian. Sự bùng nổ dữ liệu y tế càng làm tăng độ phức tạp của bài toán suy luận. Do đó, bài toán đòi hỏi một phương pháp mới có khả năng tính toán định lượng ngữ nghĩa khách quan và tự động.

2.1. Độ phức tạp của dữ liệu triệu chứng suy tim lâm sàng

Suy tim bao gồm nhiều phân nhóm bệnh lý phức tạp theo phân loại của Hội Tim mạch New York. Triệu chứng cơ năng bao gồm khó thở khi gắng sức, phù chi dưới và đau thắt ngực. Dữ liệu cận lâm sàng gồm điện tâm đồ, siêu âm tim và nồng độ peptide lợi niệu. Mỗi chỉ số y khoa lại có khoảng giá trị bình thường và bệnh lý khác nhau. Sự kết hợp giữa dấu hiệu định tính và chỉ số định lượng gây khó khăn cho việc xử lý dữ liệu. Thầy thuốc phải đối mặt với nguy cơ quá tải thông tin trong các ca bệnh cấp tính. Do đó, yêu cầu chuẩn hóa dữ liệu đầu vào là điều kiện tiên quyết để xây dựng hệ thống chẩn đoán.

2.2. Hạn chế của hệ chuyên gia mờ truyền thống trong y tế

Hệ chuyên gia mờ kinh điển phụ thuộc chặt chẽ vào hàm thuộc để xử lý tính không chắc chắn. Tuy nhiên, việc thiết lập hình dạng tam giác hay hình thang cho hàm thuộc thường mang tính cảm tính cá nhân. Bác sĩ chuyên khoa khó có thể xác định ranh giới số chính xác cho các khái niệm ngôn ngữ mờ. Ngoài ra, số lượng luật bùng nổ theo cấp số nhân khi số lượng biến đầu vào tăng cao. Hiện tượng này dẫn tới chi phí tính toán lớn và làm giảm hiệu năng hệ thống. Khi luật mờ bị xung đột, cơ chế suy diễn mờ thông thường khó tìm ra giải pháp tối ưu. Đây là rào cản lớn khiến hệ mờ cổ điển khó nhân rộng vào thực tiễn bệnh viện.

III. Giải pháp đại số gia tử hỗ trợ ra quyết định suy tim

Nghiên cứu của Đại học Thái Nguyên đề xuất giải pháp suy luận dựa trên cấu trúc đại số gia tử. Phương pháp lượng hóa trực tiếp các giá trị biến ngôn ngữ và khử mờ các số liệu y tế. Toàn bộ các giá trị đầu vào được quy đổi về đoạn chuẩn hóa [0, 1] qua hàm định lượng ngữ nghĩa. Cơ sở luật của hệ thống được biểu diễn dưới dạng các bộ quan hệ số học chặt chẽ. Để tối ưu hóa quá trình tính toán, hệ thống áp dụng kỹ thuật gom cụm dữ liệu trên tập luật. Quá trình này nhóm các luật tương đồng thành các cụm đặc trưng thông qua hàm mục tiêu khoảng cách. Khi tiếp nhận thông tin bệnh nhân mới, hệ thống tự động xác định cụm dữ liệu phù hợp nhất. Thuật toán sau đó tiến hành nội suy cục bộ kết quả chẩn đoán trên cụm tương ứng. Cơ chế nội suy dựa trên công thức cực tiểu khoảng cách sai lệch giữa các yếu tố. Cách tiếp cận này loại bỏ hoàn toàn việc dò tìm toàn cục trên toàn bộ cơ sở tri thức. Tốc độ xử lý của hệ thống nhờ đó tăng lên vượt trội. Độ tin cậy của chẩn đoán đáp ứng hoàn hảo tiêu chuẩn lâm sàng.

3.1. Phương pháp lượng hóa ngữ nghĩa và gom cụm tập luật

Đại số gia tử chuyển đổi biến ngôn ngữ đầu vào thành giá trị thực thông qua ánh xạ v(x). Mỗi thuộc tính y khoa như huyết áp hay mức độ khó thở nhận một giá trị khử mờ tương ứng. Không gian dữ liệu sau chuẩn hóa trở thành tích đề các của các khoảng số đơn vị. Cơ sở luật bao gồm tập hợp các vectơ quan hệ giữa triệu chứng và kết luận bệnh. Thuật toán tiến hành phân cụm cơ sở luật thành các nhóm dữ liệu Ci. Hàm mục tiêu tối thiểu hóa tổng bình phương khoảng cách giữa các phần tử và tâm cụm. Kỹ thuật này giúp giảm số chiều tính toán và cấu trúc hóa tri thức chuyên gia.

3.2. Thuật toán suy luận nội suy xác định mức độ suy tim

Quá trình suy luận bắt đầu khi hệ thống tiếp nhận vectơ triệu chứng của ca bệnh cụ thể. Đầu tiên, giải thuật tính khoảng cách để xác định cụm dữ liệu gần với ca bệnh nhất. Tiếp theo, hệ thống thực hiện phép nội suy trên tập luật thuộc cụm vừa tìm được. Công thức nội suy sử dụng trọng số nghịch đảo khoảng cách kết hợp hàm Min. Giá trị đầu ra y0 được tính toán thông qua tổng chập có trọng số của các kết luận luật. Kết quả cuối cùng là một giá trị định lượng chính xác về giai đoạn suy tim. Bác sĩ nhận được thông báo rõ ràng về mức độ bệnh kèm theo độ tin cậy tương ứng.

IV. Hiệu quả ứng dụng chẩn đoán bệnh suy tim tại ĐH Thái Nguyên

Đề tài nghiên cứu tại Đại học Thái Nguyên đã khẳng định tính khả thi vượt trội của mô hình. Ứng dụng đại số gia tử giúp chuyển đổi linh hoạt giữa ngôn ngữ tự nhiên và đại lượng tính toán. Kết quả thử nghiệm trên bộ dữ liệu bệnh nhân suy tim thực tế cho thấy độ chính xác rất cao. Tốc độ thực thi của thuật toán suy luận gom cụm vượt trội so với các hệ chuyên gia mờ truyền thống. Hệ thống giúp rút ngắn đáng kể thời gian chẩn đoán tại các phòng khám ban đầu. Bác sĩ điều trị có thêm một công cụ tham vấn độc lập, minh bạch và khoa học. Mô hình cũng giảm thiểu rủi ro chẩn đoán sót hoặc chẩn đoán muộn các giai đoạn suy tim đầu. Về mặt học thuật, công trình đóng góp phương pháp luận mới cho việc xử lý tri thức y khoa tại Việt Nam. Về mặt thực tiễn, giải pháp mở ra tiềm năng tích hợp sâu rộng vào bệnh án điện tử và các nền tảng y tế số. Nghiên cứu tạo tiền đề vững chắc để mở rộng sang chẩn đoán nhiều bệnh lý phức tạp khác.

4.1. Đánh giá độ chính xác và hiệu năng của hệ chuyên gia

Thực nghiệm so sánh giữa mô hình đại số gia tử và phương pháp mờ truyền thống cho thấy bước tiến rõ nét. Thời gian phản hồi của hệ thống giảm hơn bốn mươi phần trăm nhờ kỹ thuật gom cụm. Các luật suy diễn được tối ưu hóa giúp loại bỏ những bước tính toán trùng lặp. Tỷ lệ chẩn đoán phù hợp với ý kiến của các chuyên gia đầu ngành đạt mức ấn tượng. Hệ thống kiểm soát tốt các tình huống triệu chứng bệnh nhân có độ nhiễu cao. Kết quả khẳng định tính ổn định và năng lực xử lý vượt trội của giải pháp khi vận hành trên dữ liệu lâm sàng quy mô lớn.

4.2. Tiềm năng triển khai thực tế trong hệ thống y tế số

Hệ thống mở ra triển vọng ứng dụng to lớn trong môi trường bệnh viện thông minh và y tế số. Phần mềm có thể kết nối trực tiếp với hệ thống quản lý thông tin bệnh viện HIS. Việc này hỗ trợ trích xuất tự động dữ liệu xét nghiệm và triệu chứng người bệnh. Bác sĩ tuyến cơ sở có thể tiếp cận công cụ tư vấn chuyên môn chất lượng cao mọi lúc. Điều này giúp nâng cao năng lực chẩn đoán ở các địa phương vùng sâu vùng xa. Ngoài ra, giải pháp còn đóng vai trò như một môi trường đào tạo hữu ích cho sinh viên y khoa. Nghiên cứu tạo tiền đề vững chắc cho việc phát triển các trợ lý y tế số thông minh tại Việt Nam.

Nội dung chính

Tổng quan nghiên cứu

Suy tim hiện là một trong những hội chứng tim mạch có tỷ lệ tử vong và gánh nặng y tế hàng đầu trên phạm vi toàn cầu. Theo báo cáo năm 2020 của Hiệp hội Tim mạch Hoa Kỳ, tại Mỹ có khoảng 6,2 triệu người trưởng thành đang phải sống chung với bệnh suy tim, và chỉ riêng trong năm 2018 căn bệnh này đã cướp đi sinh mạng của khoảng 379.800 người. Tại Việt Nam, theo Khuyến cáo về chẩn đoán và điều trị suy tim năm 2015 của Hội Tim mạch học Quốc gia, dù chưa có thống kê dịch tễ học toàn quốc nhưng ước tính có khoảng 360.000 đến 1,8 triệu bệnh nhân cần được điều trị y khoa trên tổng quy mô dân số hơn 90 triệu dân. Đáng chú ý, tần suất mắc suy tim gia tăng nhanh chóng theo tuổi tác, ghi nhận khoảng 20 ca trên 1.000 dân ở độ tuổi từ 65 đến 69 và vọt lên mức trên 80 ca trên 1.000 dân ở độ tuổi từ 85 trở lên, đồng thời có tới 80% trường hợp nhập viện do suy tim rơi vào nhóm bệnh nhân trên 65 tuổi. Dù y học hiện đại đã ghi nhận nhiều bước tiến với các thiết bị hỗ trợ và phác đồ tiên tiến, tỷ lệ tử vong của bệnh nhân sau 5 năm kể từ thời điểm phát hiện bệnh vẫn ở mức báo động xấp xỉ 50%.

Thách thức lớn nhất trong thực tiễn lâm sàng là các dấu hiệu suy tim thường diễn biến mơ hồ, chồng lấn với nhiều bệnh lý nền như tăng huyết áp, đái tháo đường, thiếu máu cục bộ hay bệnh van tim. Logic kinh điển chỉ xử lý hai trạng thái đúng hoặc sai không thể mô phỏng chính xác những nhận định định tính, mang tính ước lệ của người thầy thuốc. Trước thực trạng đó, luận văn thạc sĩ chuyên ngành Khoa học máy tính của tác giả Lê Trần Dũng, dưới sự hướng dẫn khoa học của Tiến sĩ Nguyễn Duy Minh tại Trường Đại học Công nghệ Thông tin và Truyền thông thuộc Đại học Thái Nguyên, đã tập trung giải quyết bài toán: "Nghiên cứu hệ hỗ trợ ra quyết định dựa trên đại số gia tử và ứng dụng chẩn đoán bệnh suy tim". Mục tiêu cụ thể của công trình là xây dựng thành công một hệ chuyên gia hỗ trợ chẩn đoán lâm sàng có khả năng biểu diễn và tính toán trực tiếp trên các biến ngôn ngữ y khoa nhờ công cụ Đại số gia tử. Nghiên cứu giới hạn phạm vi khảo sát trên tập dữ liệu triệu chứng lâm sàng và cận lâm sàng được chuẩn hóa tại các cơ sở y tế trong giai đoạn 2015 đến 2022, phân loại chi tiết theo 4 cấp độ chức năng của Hội Tim mạch New York. Ý nghĩa cốt lõi của đề tài là cung cấp một giải pháp tin học hóa thông minh, giúp giảm thiểu từ 20% đến 35% thời gian chẩn đoán ban đầu, đồng thời hạn chế tối đa nguy cơ chẩn đoán sót hoặc nhầm lẫn giai đoạn bệnh, góp phần bảo vệ an toàn tính mạng cho người bệnh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nền tảng học thuật của luận văn được xây dựng trên sự kết hợp giữa ba trụ cột: Lý thuyết tập mờ do Lotfi Zadeh đề xuất từ năm 1965, Lý thuyết Đại số gia tử phát triển bởi các nhà khoa học Việt Nam và Kiến trúc Hệ chuyên gia dựa trên tri thức. Tập mờ mở rộng khái niệm tập hợp cổ điển bằng cách cho phép hàm liên thuộc nhận toàn bộ các giá trị liên tục trong đoạn từ 0 đến 1, từ đó biểu diễn tính không chắc chắn của thông tin y học. Tuy nhiên, để vượt qua rào cản của việc phải xác định hàm liên thuộc một cách chủ quan, luận văn sử dụng Đại số gia tử như một cấu trúc đại số trừu tượng trên miền giá trị của biến ngôn ngữ. Cấu trúc này được biểu diễn qua bộ đại số tuyến tính gồm tập cơ sở, tập phần tử sinh nguyên thủy chứa phần tử âm và phần tử dương, cùng tập các gia tử ngôn ngữ đóng vai trò như các toán tử một ngôi làm tăng hoặc giảm sắc thái ngữ nghĩa.

Mô hình nghiên cứu định lượng ngữ nghĩa của biến ngôn ngữ dựa trên hàm độ đo tính mờ và hàm định lượng ngữ nghĩa, ánh xạ có thứ tự toàn bộ không gian từ ngữ sang miền số thực trong đoạn từ 0 đến 1. Bốn khái niệm trọng tâm xuyên suốt công trình gồm: biến ngôn ngữ biểu diễn các chỉ số sinh lý, gia tử ngôn ngữ như rất, hơi, cực kỳ, hàm định lượng ngữ nghĩa phản ánh giá trị chân lý, và mô hình suy diễn nhiều đầu vào một đầu ra viết tắt là MISO. Nhờ đó, tri thức y khoa được chuẩn hóa tự nhiên mà không làm biến dạng bản chất của ngôn ngữ lâm sàng.

Phương pháp nghiên cứu

Nghiên cứu sử dụng cỡ mẫu thực nghiệm gồm 300 hồ sơ bệnh án suy tim được chuẩn hóa từ các nguồn dữ liệu lâm sàng y tế uy tín và khuyến cáo chuyên môn. Phương pháp chọn mẫu là chọn mẫu phân tầng có chủ đích, chia đều vào 4 nhóm tương ứng với 4 cấp độ suy tim chức năng gồm độ 1, độ 2, độ 3 và độ 4 theo phân loại của Hội Tim mạch New York, tập trung vào nhóm nguy cơ cao từ 50 đến trên 85 tuổi. Lý do lựa chọn phương pháp phân tích dựa trên Đại số gia tử tích hợp thuật toán gom cụm là vì phương pháp này giải quyết triệt để vấn đề bùng nổ tổ hợp luật trong các hệ mờ truyền thống. Khi số lượng triệu chứng đầu vào tăng lên trên 10 biến, việc thiết lập luật mờ thông thường sẽ đòi hỏi hàng nghìn quy tắc phức tạp. Phương pháp phân cụm cơ sở dữ liệu luật giúp gom các luật tương đồng thành các cụm đặc trưng, tối ưu hóa hàm mục tiêu khoảng cách và nội suy kết quả đầu ra nhanh chóng. Tiến trình nghiên cứu được triển khai chặt chẽ qua 3 giai đoạn: xây dựng khung toán học từ cuối năm 2021, thu thập và số hóa 100% dữ liệu triệu chứng đầu năm 2022, và hoàn thiện cài đặt thử nghiệm phần mềm vào tháng 8 năm 2022.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích lý thuyết và thực nghiệm trên phần mềm ứng dụng đã mang lại 4 phát hiện quan trọng:

Thứ nhất, hàm định lượng ngữ nghĩa xây dựng trên Đại số gia tử đã ánh xạ thành công 100% các giá trị định tính của triệu chứng lâm sàng sang các giá trị số thực chính xác trong đoạn từ 0 đến 1. Bằng cách tính toán trực tiếp qua hàm dấu và hàm đo đặc trưng, hệ thống bảo toàn nguyên vẹn quan hệ thứ tự tự nhiên giữa các mức độ nghiêm trọng của bệnh như mệt mỏi nhẹ, mệt mỏi vừa và rất mệt mỏi mà không cần bước khử mờ trung gian phức tạp.

Thứ hai, việc áp dụng mô hình phân cụm cơ sở luật cho hệ suy luận MISO đã tinh giản cấu trúc tri thức, giúp giảm thiểu hơn 40% khối lượng tính toán ma trận so với phương pháp hợp thành mờ cực đại cực tiểu truyền thống của Mamdani. Thuật toán phân cụm giúp khoanh vùng chính xác tập luật tương thích với từng ca bệnh đầu vào, đảm bảo thời gian xử lý suy diễn diễn ra tức thì trong khoảng 0,15 đến 0,3 giây cho mỗi phiên làm việc.

Thứ ba, kết quả đánh giá thử nghiệm trên 300 ca bệnh cho thấy mức độ tương đồng giữa kết luận của hệ thống và chẩn đoán của hội đồng chuyên gia tim mạch đạt tỷ lệ chính xác 92,67%, tương ứng với 278 ca bệnh được phân loại hoàn toàn trùng khớp. Độ lệch phân loại giữa các cấp độ suy tim chức năng kế cận chỉ chiếm khoảng 7,33%, và hoàn toàn không ghi nhận sai sót nghiêm trọng nào ở các ca bệnh suy tim cấp độ 4 nguy kịch.

Thứ tư, hệ thống đã chuẩn hóa thành công 18 triệu chứng lâm sàng đặc trưng gắn liền với bệnh lý suy tim, trong đó các biến số như mức độ khó thở khi gắng sức, huyết áp tâm thu dưới 90 mmHg, hiện tượng phù ngoại biên và nhịp tim nhanh chiếm tỷ trọng đóng góp trên 65% vào độ tin cậy của kết luận suy diễn cuối cùng.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp hệ thống đạt độ chính xác vượt trội trên 92% xuất phát từ khả năng mô hình hóa ngữ nghĩa khách quan của Đại số gia tử. Trong các hệ chuyên gia mờ cổ điển, việc chuyên gia phải tự vẽ các đường cong hàm liên thuộc hình tam giác hay hình chuông thường chứa đựng nhiều sai số chủ quan, dẫn đến độ tin cậy chỉ dao động quanh mức 82% đến 86%. So sánh với một số công bố quốc tế về ứng dụng logic mờ trong chẩn đoán tim mạch, phương pháp tiếp cận trong luận văn này cải thiện độ nhạy thêm khoảng 6% và nâng độ đặc hiệu chẩn đoán lên mức 93,5%.

Để hình dung trực quan hiệu quả phân tách dữ liệu, toàn bộ tập kết quả có thể được trình bày thông qua biểu đồ phân tán hai chiều thể hiện mối tương quan giữa giá trị định lượng ngữ nghĩa của triệu chứng đầu vào và chỉ số suy tim đầu ra. Đi kèm với đó, một bảng ma trận nhầm lẫn kích thước 4 nhân 4 tương ứng với 4 cấp độ chức năng suy tim sẽ phản ánh rõ ràng độ chính xác phân loại của từng nhóm bệnh: cấp độ 1 đạt độ chính xác 90,6%, cấp độ 2 đạt 92,0%, cấp độ 3 đạt 93,3% và cấp độ 4 đạt mức cao nhất 94,7%. Bảng dữ liệu này minh chứng rằng tình trạng bệnh nhân càng nặng, các biểu hiện lâm sàng càng bộc lộ rõ rệt thì mô-tơ suy luận càng đưa ra câu trả lời chuẩn xác, mang ý nghĩa đặc biệt quan trọng trong việc chỉ định cấp cứu kịp thời.

Đề xuất và khuyến nghị

Nhằm chuyển giao kết quả nghiên cứu vào thực tiễn khám chữa bệnh, 4 giải pháp cụ thể được đề xuất như sau:

Một là, tích hợp trực tiếp mô-đun suy diễn Đại số gia tử vào hệ thống thông tin bệnh viện tại các cơ sở y tế tuyến tỉnh và trung ương. Ban giám đốc bệnh viện chỉ đạo phòng Công nghệ thông tin phối hợp cùng khoa Tim mạch hoàn thành việc kết nối phần mềm trong lộ trình 6 tháng, đặt mục tiêu rút ngắn 30% thời gian chờ đợi chẩn đoán sơ bộ của người bệnh tại phòng khám ngoại trú.

Hai là, mở rộng cơ sở tri thức chuyên gia bằng việc tích hợp các chỉ số cận lâm sàng định lượng có độ nhạy cao. Đội ngũ bác sĩ chuyên khoa tim mạch kết hợp cùng các kỹ sư tri thức bổ sung nồng độ peptide lợi niệu huyết thanh, phân suất tống máu thất trái trên siêu âm tim và điện tâm đồ vào cơ sở luật, nâng tổng quy mô tri thức từ 50 luật ban đầu lên trên 200 luật hoàn chỉnh trong thời gian 12 tháng, hướng tới mục tiêu nâng độ chính xác tổng thể lên trên 95%.

Ba là, chuẩn hóa quy trình thu thập dữ liệu lâm sàng đầu vào thông qua phiếu đánh giá 18 triệu chứng thống nhất. Điều dưỡng và bác sĩ tiếp nhận bệnh nhân thực hiện ghi nhận thông tin theo mẫu số hóa hàng ngày, kiểm soát tỷ lệ sai lệch thông tin nhập liệu dưới 2%, tạo nguồn dữ liệu sạch giúp thuật toán nội suy phản ánh đúng bản chất diễn biến bệnh.

Bốn là, phát triển phiên bản ứng dụng di động hỗ trợ theo dõi sức khỏe tim mạch từ xa dành cho người cao tuổi. Các viện nghiên cứu công nghệ thông tin phối hợp cùng trung tâm y tế dự phòng triển khai ứng dụng cho khoảng 1.000 bệnh nhân suy tim mãn tính trên 65 tuổi trong thời gian 9 tháng, giúp người bệnh tự theo dõi triệu chứng khó thở và cân nặng tại nhà, cảnh báo sớm các đợt suy tim mất bù cấp tính với độ nhạy dự báo đạt trên 88%.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng đa tầng, là tài liệu tham khảo thiết thực cho 4 nhóm đối tượng sau:

Nhóm 1: Bác sĩ chuyên khoa nội tim mạch và nhân viên y tế tại các cơ sở khám chữa bệnh. Luận văn cung cấp công cụ hỗ trợ sàng lọc bệnh nhân khách quan, giảm tải áp lực hội chẩn trong các khung giờ cao điểm và hỗ trợ phân tầng mức độ suy tim theo 4 giai đoạn chức năng nhanh chóng, chính xác.

Nhóm 2: Các nhà khoa học, nghiên cứu sinh và học viên cao học ngành Khoa học máy tính và Trí tuệ nhân tạo. Tài liệu là tài liệu chuyên sâu về phương pháp luận toán học của Đại số gia tử, cung cấp đầy đủ công thức giải thuật ánh xạ định lượng ngữ nghĩa và quy trình xử lý bài toán suy luận nhiều điều kiện, có thể tái sử dụng cho các bài toán phân loại phức tạp khác.

Nhóm 3: Các kỹ sư giải pháp phần mềm y tế và các doanh nghiệp công nghệ y tế số. Công trình phác thảo chi tiết cấu trúc mô-tơ suy diễn, thiết kế cơ sở dữ liệu và giao diện người dùng thân thiện, tạo tiền đề để nâng cấp và đóng gói thành các sản phẩm thương mại phục vụ hơn 1.000 cơ sở y tế trên toàn quốc.

Nhóm 4: Giảng viên và sinh viên các trường đại học khối ngành công nghệ thông tin và kỹ thuật y sinh. Luận văn là nghiên cứu điển hình về sự giao thoa liên ngành giữa trí tuệ nhân tạo và y tế học đường, có thể sử dụng làm tài liệu giảng dạy trong các học phần Hệ chuyên gia, Tính toán mềm và Xử lý thông tin không chắc chắn.

Câu hỏi thường gặp

Ưu điểm nổi bật của Đại số gia tử so với logic mờ truyền thống trong bài toán y học này là gì? Đại số gia tử thiết lập một cấu trúc đại số trực tiếp trên các từ ngữ tự nhiên, cho phép tính toán định lượng ngữ nghĩa trực tiếp mà không cần trải qua bước xây dựng các hàm liên thuộc chủ quan hay giải mờ phức tạp. Điều này giúp hệ thống bảo toàn tính liên tục, tính thứ tự của triệu chứng y khoa và tiết kiệm hơn 40% chi phí tính toán.

Hệ thống chuyên gia này có khả năng thay thế hoàn toàn vai trò của bác sĩ tim mạch hay không? Hệ thống được thiết kế với vai trò là hệ hỗ trợ ra quyết định lâm sàng, hoàn toàn không thay thế vị trí của thầy thuốc. Hệ thống đóng vai trò như một trợ lý số đưa ra gợi ý phân loại suy tim với độ tin cậy trên 92%, hỗ trợ bác sĩ sàng lọc triệu chứng nhanh chóng, trong khi quyền chỉ định phác đồ điều trị cuối cùng luôn thuộc về chuyên gia y tế.

Hệ thống sử dụng các tiêu chí triệu chứng chủ yếu nào để phân tích mức độ suy tim? Hệ thống phân tích tổ hợp 18 dấu hiệu bệnh lý điển hình, tập trung mạnh vào mức độ khó thở khi vận động gắng sức hoặc khi nằm, triệu chứng phù hai chi dưới, cảm giác mệt mỏi kiệt sức, tình trạng ho khan kéo dài, tĩnh mạch cổ nổi, cùng các biến thiên về huyết áp như huyết áp tụt dưới 90 mmHg hoặc tiền sử bệnh mạch vành.

Dữ liệu đầu vào của bệnh nhân được chuẩn hóa và xử lý theo quy trình toán học nào? Mỗi triệu chứng dạng chữ được phân tích thành phần tử sinh nguyên thủy kết hợp chuỗi gia tử ngữ nghĩa, sau đó chuyển đổi sang giá trị thực trong đoạn từ 0 đến 1 thông qua hàm định lượng ngữ nghĩa. Dữ liệu này tiếp tục được phân vào các cụm luật tương thích bằng thuật toán tối ưu khoảng cách trước khi thực hiện phép nội suy tìm giá trị đầu ra.

Mô hình hệ hỗ trợ ra quyết định này có thể mở rộng sang các bệnh lý khác ngoài suy tim được không? Nhờ tính chất phổ quát và tính ngữ nghĩa độc lập ngữ cảnh của Đại số gia tử, cấu trúc toán học của mô hình hoàn toàn có thể tái sử dụng cho các bệnh lý mãn tính khác như đái tháo đường, chẩn đoán đột quỵ hay viêm gan. Đội ngũ phát triển chỉ cần cập nhật lại tập biến ngôn ngữ và tái cấu trúc khoảng 100 đến 200 luật chuyên khoa tương ứng.

Kết luận

• Công trình đã nghiên cứu toàn diện cơ sở lý thuyết về tập mờ, Đại số gia tử và cấu trúc hệ chuyên gia, giải quyết thành công bài toán biểu diễn tri thức y học không chắc chắn.
• Xây dựng hoàn chỉnh mô hình suy luận nhiều đầu vào một đầu ra dựa trên hàm định lượng ngữ nghĩa và kỹ thuật gom cụm cơ sở luật, tối ưu hóa tốc độ xử lý xuống dưới 0,3 giây.
• Ứng dụng thực nghiệm chẩn đoán bệnh suy tim theo 4 cấp độ chức năng của Hội Tim mạch New York đạt độ chuẩn xác ấn tượng 92,67% trên bộ dữ liệu 300 ca bệnh.
• Đóng góp một giải pháp phần mềm thiết thực phục vụ công cuộc chuyển đổi số y tế, giảm thiểu áp lực chuyên môn cho các y bác sĩ và nâng cao chất lượng chăm sóc sức khỏe cộng đồng.
• Định hình lộ trình mở rộng quy mô hệ thống, hướng tới tích hợp các chỉ số sinh hóa chuyên sâu và xây dựng nền tảng giám sát sức khỏe từ xa cho bệnh nhân tim mạch.

Đóng góp khoa học lớn nhất của luận văn là việc hình thức hóa toán học ngôn ngữ chẩn đoán lâm sàng bằng Đại số gia tử, tạo bước đột phá trong xử lý tri thức y tế. Kế hoạch tiếp theo trong giai đoạn 2023 đến 2025 là mở rộng cơ sở tri thức lên hơn 300 luật và tiến hành thử nghiệm lâm sàng diện rộng tại các bệnh viện đa khoa. Các nhà nghiên cứu, đơn vị y tế và chuyên gia công nghệ quan tâm hãy cùng kết nối, chia sẻ dữ liệu và ứng dụng mô hình này vào thực tế lâm sàng để chung tay nâng cao hiệu quả điều trị bệnh tim mạch tại Việt Nam.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN LÝ THUYẾT 1.1 Lý thuyết tập mờ. Lý thuyết tập mờ được giáo sư người Mỹ L. Zadeh đề xuất vào khoảng giữa thập niên 60 của thế ký XX, các công trình [20-22] của ông đã mô tả một cách toán học những khái niệm mơ hồ thường gặp trong cuộc sống. Nhờ việc xây dựng lý thuyết tập mờ mà con người có thể suy diễn từ khái niệm mơ hồ này đến khái niệm mơ hồ khác mà bản thân logic kinh điển không làm được.

Trên cơ sở các thông tin không chính xác thu được, người ta có thể đưa ra những quyết định hiệu quả cho từng tình huống của bài toán.1 Khái niệm về tập mờ. - Định nghĩa tập mờ [4], [11]: Cho tập mờ F xác định trên tập kinh điển 𝑀, là một tập mà mỗi phần tử của nó là một cặp các giá trị (𝑥, 𝜇𝐹 (𝑥)) trong đó 𝑥 ∈ 𝑀 và 𝜇𝐹 là ánh xạ: 𝜇𝐹 ∶ 𝑀 → [0,1] Ánh xạ 𝜇𝐹 được gọi là hàm liên thuộc của tập mờ 𝐹. Tập kinh điển 𝑀 được gọi là cơ sở của tập mờ 𝐹. - Sự khác nhau giữa tập hợp kinh điển và tập mờ: Tập mờ (Fuzzy Set) là dạng mở rộng của khái niệm tập hợp cổ điển nhằm đáp ứng nhu cầu biểu diễn tri thức không chính xác [4], [12], [19].

Lý thuyết tập mờ cho phép đánh giá nhiều mức độ khác nhau về khả năng của một phần tử có thể thuộc về một tập hợp không thông qua hàm liên thuộc (membership function) 𝜇 → [0, 1]. Sự khác nhau cơ bản giữa tập mờ và tập hợp kinh điển thông qua hàm liên thuộc. Hàm liên thuộc trong tập hợp kinh điển chỉ có hai giá trị chính xác là 0 và 1. Trong khi đó, khi sử dụng tập mờ trong suy diễn mờ, hàm liên thuộc của tập mờ không chỉ nhận 2 giá trị 0 và 1 mà là nhận toàn bộ các giá trị từ 0 đến 1, tức là 0 ≤ 𝜇𝐹 ≤ 1.

4 Tuy nhiên, trong suy diễn mờ không có sự suy luận thuận ngược như với tập hợp kinh điển. Các tập mờ được coi là một mở rộng của lý thuyết tập hợp cổ điển - với một điểm không gian nhất định - một hàm liên thuộc có thể giữ vai trò của một hàm đặc trưng (indicator function) ánh xạ mỗi phần tử tới một giá trị 0 hoặc 1 như trong khái niệm cổ điển [4]. Vì vậy trong định nghĩa tập mờ phải thêm về hàm liên thuộc này do vai trò cần làm rõ chính tập mờ đó.1 Hàm liên thuộc của tập mờ Hàm liên thuộc được xây dựng trên cơ sở các hàm, do đó hàm liên thuộc có thể có rất nhiều hình dạng. Ví dụ như: hàm tuyến tính (hình thang, hình tam giác), hàm phân bố gauss, đường cong sigmoid và các đường cong đa thức bậc 2, bậc 3.Hàm thuộc đơn giản nhất là hình tam giác và hình chuông.2 Các phép toán trên tập mờ.

Tập mờ có ba phép toán cơ bản: phép hợp, phép giao và phép bù. Ngoài ra còn có một số phép tính khác như phép tổng đại số, phép tích đại số, phép bao hàm.1 Phép hợp hai tập mờ. Hợp của hai tập mờ 𝐴 và 𝐵 có cùng cơ sở 𝑀 là một tập mờ cũng xác định trên cơ sở M với hàm liên thuộc: 5 𝜇𝐴∪𝐵 (𝑥) = 𝑀𝐴𝑋{𝜇𝐴 (𝑥), 𝜇𝐵 (𝑥)} (1.1a) Phép hợp hai tập mờ cùng cơ sở thể hiện như trên Hình 1.2 Hàm liên thuộc của hợp hai tập mờ Ngoài công thức (1.1a) còn có một số công thức khác để tính hàm liên thuộc của phép hợp hai tập mờ như: phép hợp Lukasiewier, tổng Eistein, tổng trực tiếp.