Tổng quan nghiên cứu

Theo thống kê từ Hiệp hội Đái tháo đường Thế giới (IDF), toàn cầu có hơn 463 triệu người trưởng thành mắc bệnh đái tháo đường vào năm 2019, và dự báo sẽ tăng lên 700 triệu người vào năm 2045. Đáng chú ý, khoảng 50.1% số ca mắc bệnh hiện nay chưa được phát hiện kịp thời, dẫn đến nhiều biến chứng nguy hiểm về tim mạch, suy thận và mù lòa. Tại Việt Nam, tỷ lệ mắc bệnh đã chạm ngưỡng 6.0% dân số trưởng thành nhưng phần lớn bệnh nhân chỉ được chẩn đoán khi đã xuất hiện triệu chứng tiến triển. Thách thức lớn nhất hiện nay là xây dựng các giải pháp phát hiện sớm ngoài cộng đồng bằng phương pháp phi xâm lấn, tiết kiệm chi phí và đạt độ chính xác cao.

Luận văn thạc sĩ chuyên ngành Kỹ thuật phần mềm của tác giả Trần Khoa Bách, do Tiến sĩ Phạm Ngọc Hùng hướng dẫn tại Viện Công nghệ Thông tin và Truyền thông, Trường Đại học Bách Khoa Hà Nội (nghiệm thu vào tháng 10 năm 2020), đã giải quyết trực tiếp vấn đề này. Mục tiêu trọng tâm của nghiên cứu là phân tích bản chất các mô hình học máy với các dạng dữ liệu y tế khác nhau, thiết kế quy trình tiền xử lý dữ liệu và xây dựng chương trình thực nghiệm sàng lọc bệnh đái tháo đường. Nghiên cứu khai thác bộ dữ liệu sức khỏe thực tế, đánh giá chi tiết 5 thuật toán phân loại phổ biến nhằm tối ưu hóa độ nhạy và chỉ số diện tích dưới đường cong ROC (AUC). Kết quả đề tài mang ý nghĩa khoa học và thực tiễn sâu sắc, cung cấp giải pháp công nghệ giúp cắt giảm hơn 30% chi phí tầm soát ban đầu và nâng cao hiệu suất làm việc của đội ngũ y tế dự phòng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết học máy có giám sát (Supervised Machine Learning) và các mô hình tối ưu hóa toán học trong không gian đa chiều. Hệ thống thực nghiệm tiếp cận bài toán phân loại nhị phân dựa trên 5 mô hình cốt lõi: Hồi quy Logistic (Logistic Regression), Máy vector hỗ trợ (Support Vector Machine - SVM), Cây quyết định (Decision Tree với thuật toán ID3 và CART), Rừng ngẫu nhiên (Random Forest), và Thuật toán tăng cường độ dốc cực đại (Extreme Gradient Boosting - XGBoost). Ngoài ra, luận văn còn mở rộng khảo sát mô hình học sâu rộng (Wide & Deep Learning) nhằm nắm bắt đồng thời tính ghi nhớ và khả năng khái quát hóa của dữ liệu.

Các khái niệm chuyên ngành then chốt được vận dụng xuyên suốt gồm có: hàm kích hoạt Sigmoid giúp ánh xạ kết quả dự đoán về khoảng xác suất từ 0 đến 1; siêu phẳng tối ưu (Optimal Hyperplane) và phép biến đổi Kernel trong SVM để phân tách dữ liệu phi tuyến; độ hỗn loạn thông tin (Entropy) và chỉ số Gini để đo lường độ tinh khiết khi phân nhánh cây quyết định. Đặc biệt, luận văn phân tích sâu lý thuyết về bài toán mất cân bằng dữ liệu (Imbalanced Data) vốn rất phổ biến trong y tế khi số lượng mẫu bệnh nhân dương tính luôn thấp hơn nhiều so với nhóm bình thường. Luận văn áp dụng kỹ thuật kết hợp EasyEnsemble để phân chia đều bộ dữ liệu đa số thành các tập con cân bằng, giúp duy trì đặc trưng tri thức mà không làm suy giảm độ chính xác phân loại.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được khai thác từ bộ dữ liệu Khảo sát Kiểm tra Sức khỏe và Dinh dưỡng Quốc gia Hoa Kỳ (NHANES). Tập dữ liệu gốc quy mô lớn bao gồm hơn 9.800 bản ghi chứa các chỉ số khảo sát nhân khẩu học, khám lâm sàng và xét nghiệm cận lâm sàng. Luận văn áp dụng phương pháp chọn mẫu có chủ đích dựa trên 14 thuộc tính đặc trưng y tế có độ tương quan cao với bệnh tiểu đường như: chỉ số khối cơ thể (BMI), độ tuổi, huyết áp tâm thu, huyết áp tâm trương, mức độ vận động thể chất, tiền sử gia đình và nồng độ cholesterol.

Quy trình phân tích dữ liệu được thiết kế gồm 4 giai đoạn khép kín: làm sạch dữ liệu, xử lý giá trị khuyết thiếu, chuẩn hóa thang đo dữ liệu số và mã hóa các biến định danh. Lý do lựa chọn các phương pháp học máy là nhờ khả năng xử lý tốt các quan hệ phi tuyến phức tạp vượt trội hơn so với thống kê sinh học truyền thống. Nghiên cứu được triển khai trong timeline từ tháng 01/2020 đến tháng 10/2020 trên môi trường lập trình Python với các thư viện Scikit-learn, XGBoost và Pandas. Bộ dữ liệu được phân chia theo tỷ lệ 80% cho tập huấn luyện và 20% cho tập kiểm thử độc lập, kết hợp kỹ thuật kiểm định chéo 5 nếp (5-fold Cross-validation) nhằm đảm bảo tính khách quan và triệt tiêu hiện tượng quá khớp (Overfitting).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thực nghiệm so sánh đa mô hình trên bộ dữ liệu NHANES đã mang lại những kết quả định lượng rõ ràng:

Thứ nhất, thuật toán XGBoost và Random Forest thể hiện hiệu năng phân loại xuất sắc nhất với chỉ số diện tích dưới đường cong ROC (AUC) đạt 86.8%, cao hơn 5.4% so với mô hình Hồi quy Logistic truyền thống (đạt AUC 81.4%). Độ chính xác tổng thể (Accuracy) của XGBoost đạt mức 84.2%, chứng minh khả năng nhận định chính xác trên đa số các mẫu quan sát.

Thứ hai, việc áp dụng kỹ thuật cân bằng dữ liệu EasyEnsemble đã nâng độ nhạy (Recall/Sensitivity) của mô hình từ mức 71.3% lên 83.7%, tương ứng mức cải thiện 12.4%. Đây là chỉ số quan trọng sống còn trong y tế nhằm hạn chế tối đa việc bỏ sót người có bệnh thực tế trong cộng đồng.

Thứ ba, mô hình SVM sử dụng hàm nhân RBF đạt giá trị dự đoán âm tính (NPV) lên tới 91.5% và độ đặc hiệu (Specificity) đạt 81.6%, khẳng định năng lực loại trừ nguy cơ ở những người khỏe mạnh rất đáng tin cậy.

Thứ tư, biểu đồ phân tích độ quan trọng của thuộc tính từ mô hình cây quyết định chỉ ra rằng: chỉ số BMI, độ tuổi trên 45 và mức huyết áp tâm thu là 3 biến số có tỷ trọng ảnh hưởng lớn nhất, đóng góp tới 62.8% vào quyết định phân loại của toàn bộ 14 trường dữ liệu đầu vào.

Thảo luận kết quả

Các phát hiện thực nghiệm chứng minh việc kết hợp mô hình tập hợp (Ensemble Learning) với giải pháp xử lý mất cân bằng mẫu mang lại hiệu quả vượt trội so với các thuật toán đơn lẻ. Khi so sánh với một số công trình công bố trước đây thường chỉ đạt độ chính xác từ 76.5% đến 79.0%, phương pháp đề xuất trong luận văn đã nâng cao hiệu suất phân loại thêm từ 5.2% đến 7.7%. Nguyên nhân chính là do kỹ thuật EasyEnsemble đã giúp thuật toán học đều các đặc trưng của lớp thiểu số mà không bị thiên lệch bởi nhóm đa số áp đảo.

Để hỗ trợ bác sĩ theo dõi trực quan, kết quả phân loại của mô hình có thể được biểu diễn qua bảng ma trận nhầm lẫn (Confusion Matrix) với 4 góc phần tư xác định rõ các chỉ số TP, FP, TN, FN. Bảng dữ liệu này cho thấy tỷ lệ âm tính giả (False Negative) đã giảm xuống dưới 16.3%, hạn chế tối đa rủi ro chẩn đoán sót. Đồng thời, đồ thị đường cong ROC thể hiện quỹ đạo tiệm cận sát góc trên bên trái, minh chứng cho độ phân tách tuyệt vời giữa hai nhóm đối tượng. Những bằng chứng định lượng này tạo tiền đề vững chắc để triển khai các hệ thống hỗ trợ ra quyết định lâm sàng (CDSS) tại các bệnh viện đa khoa và mạng lưới y tế cơ sở.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đề xuất 4 nhóm giải pháp cụ thể:

  1. Tích hợp thuật toán XGBoost và Random Forest vào hệ thống quản lý bệnh án điện tử (EMR) tại các bệnh viện tuyến tỉnh trong lộ trình 6 tháng tới. Đơn vị thực hiện là Phòng Công nghệ thông tin phối hợp cùng Khoa Khám bệnh, hướng tới mục tiêu tự động sàng lọc và cảnh báo nguy cơ tiểu đường cho hơn 85% bệnh nhân đến khám ngoại trú.
  2. Chuẩn hóa quy trình thu thập 14 chỉ số lâm sàng cơ bản tại các trạm y tế cấp xã trong quý 1 và quý 2 năm 2021. Chủ thể triển khai là Trung tâm Kiểm soát Bệnh tật (CDC) các địa phương, nhằm rút ngắn 40% thời gian nhập liệu và giảm tỷ lệ dữ liệu bị khuyết thiếu xuống dưới 3%.
  3. Áp dụng kỹ thuật phân tầng EasyEnsemble để xử lý dữ liệu y tế mất cân bằng tại các viện nghiên cứu y sinh trong vòng 12 tháng. Mục tiêu là duy trì chỉ số AUC trên 88.0% khi mở rộng mô hình sang các bệnh lý chuyển hóa và mạn tính không lây khác.
  4. Tổ chức 12 khóa tập huấn chuyên sâu về ứng dụng trí tuệ nhân tạo và khai phá dữ liệu y tế cho hơn 500 cán bộ y tế và kỹ sư phần mềm trong giai đoạn 9 tháng. Đơn vị chủ trì là các trường đại học khối kỹ thuật liên kết cùng các bệnh viện thực hành, nhằm kiểm soát tỷ lệ cảnh báo dương tính giả xuống dưới 8.5%.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại nguồn tham khảo giá trị cho 4 nhóm đối tượng chính:

  • Học viên cao học và nghiên cứu sinh ngành Công nghệ thông tin, Kỹ thuật phần mềm và Khoa học dữ liệu: Luận văn cung cấp toàn diện quy trình thiết lập đường ống xử lý dữ liệu y tế, phương pháp huấn luyện 5 mô hình học máy kinh điển và kỹ thuật giải quyết bài toán mất cân bằng dữ liệu để làm tiền đề phát triển các đề tài khoa học.
  • Bác sĩ chuyên khoa Nội tiết và chuyên gia y tế công cộng: Tài liệu cung cấp cơ chế phân tầng rủi ro bệnh nhân dựa trên 14 tham số phi xâm lấn, giúp nâng cao tỷ lệ phát hiện sớm đái tháo đường trong cộng đồng thêm 25% đến 30% mà không đòi hỏi chi phí xét nghiệm đắt tiền.
  • Kỹ sư phát triển phần mềm y tế và các doanh nghiệp MedTech: Luận văn đóng vai trò như tài liệu kiến trúc thuật toán thực tế để phát triển các module API sàng lọc bệnh mạn tính, đáp ứng thời gian phản hồi dưới 100ms cho các nền tảng y tế số.
  • Ban quản lý bệnh viện và nhà hoạch định chính sách y tế: Nghiên cứu cung cấp cơ sở dữ liệu định lượng về hiệu quả chi phí - công nghệ, hỗ trợ tối ưu hóa từ 15% đến 20% ngân sách tầm soát định kỳ trong chiến lược chuyển đổi số y tế.

Câu hỏi thường gặp

Bộ dữ liệu NHANES được sử dụng trong luận văn có những đặc điểm nổi bật nào? Bộ dữ liệu NHANES do cơ quan y tế Hoa Kỳ thu thập trên hơn 9.800 cá nhân có độ tin cậy dịch tễ rất cao. Dữ liệu bao gồm các thông tin nhân khẩu học, chỉ số lâm sàng và sinh hóa chuẩn xác, giúp mô hình học máy có độ tin cậy thống kê cao và dễ dàng đối sánh với các nghiên cứu quốc tế.

Tại sao kỹ thuật EasyEnsemble lại đóng vai trò quan trọng trong bài toán này? Trong thực tế, tỷ lệ người mắc tiểu đường trong tập dữ liệu khảo sát thường chỉ chiếm khoảng 10% đến 15% tổng số mẫu. Kỹ thuật EasyEnsemble chia lớp đa số thành nhiều tập con cân bằng với lớp thiểu số để huấn luyện tập hợp mô hình con, giúp tăng độ nhạy từ 71.3% lên 83.7% mà không làm mất thông tin tổng thể.

Mô hình học máy nào đạt hiệu năng tổng thể tốt nhất trong nghiên cứu? Mô hình XGBoost đạt hiệu năng vượt trội nhất với chỉ số AUC đạt 86.8% và độ chính xác phân loại 84.2%. Nhờ cơ chế tối ưu hóa độ dốc và kiểm soát quá khớp nghiêm ngặt, XGBoost phân tách chính xác ranh giới phức tạp giữa nhóm bệnh nhân nguy cơ cao và người bình thường.

Những chỉ số lâm sàng nào có mức độ ảnh hưởng lớn nhất đến kết quả dự đoán? Thông qua phân tích độ quan trọng của biến số, chỉ số khối cơ thể (BMI > 25), độ tuổi trên 45 và huyết áp tâm thu cao là 3 yếu tố hàng đầu, chiếm 62.8% mức độ ảnh hưởng của toàn bộ 14 biến đầu vào, hoàn toàn phù hợp với các khuyến cáo chuyên môn của Bộ Y tế.

Mô hình trong luận văn có thể mở rộng cho các bệnh mạn tính khác không? Khung quy trình học máy trong luận văn có tính tổng quát cao, hoàn toàn có thể áp dụng cho các bài toán dự đoán bệnh tim mạch, gan nhiễm mỡ hoặc tăng huyết áp. Thời gian cấu hình lại hệ thống cho một bệnh lý mới chỉ mất từ 2 đến 3 tuần với chu kỳ cập nhật dữ liệu 6 tháng một lần.

Kết luận

Luận văn thạc sĩ của tác giả Trần Khoa Bách đã đóng góp những giá trị khoa học và ứng dụng thực tiễn quan trọng:

  • Hệ thống hóa toàn diện cơ sở lý thuyết về học máy ứng dụng trong phân tích dữ liệu y tế và hồ sơ sức khỏe.
  • Xây dựng thành công quy trình tiền xử lý và trích chọn 14 đặc trưng lâm sàng then chốt từ tập dữ liệu NHANES.
  • Đạt hiệu năng phân loại xuất sắc với mô hình XGBoost có chỉ số AUC 86.8% và độ chính xác 84.2%.
  • Giải quyết triệt để bài toán mất cân bằng dữ liệu bằng kỹ thuật EasyEnsemble, nâng độ nhạy phát hiện bệnh lên 83.7%.
  • Cung cấp mô hình phần mềm thực nghiệm có khả năng ứng dụng thực tế cao và dễ dàng tích hợp vào hệ sinh thái y tế số.

Trong kế hoạch 3 đến 6 tháng tiếp theo, nhóm tác giả sẽ tiếp tục thu thập dữ liệu lâm sàng tại các bệnh viện Việt Nam để tinh chỉnh mô hình và triển khai thử nghiệm trên giao diện web. Các đơn vị y tế và doanh nghiệp công nghệ hãy chủ động liên hệ và ứng dụng ngay giải pháp học máy này vào quy trình tầm soát sức khỏe để tối ưu hóa nguồn lực và bảo vệ sức khỏe cộng đồng.