I. Giới thiệu và bối cảnh nghiên cứu
Luận văn thạc sĩ khoa học máy tính này tập trung vào việc phân loại huyết áp cho bệnh nhân điều trị tại nhà, một vấn đề quan trọng trong lĩnh vực công nghệ y tế. Với sự phát triển của học máy và trí tuệ nhân tạo, việc ứng dụng các mô hình phân loại để theo dõi và quản lý sức khỏe bệnh nhân đang trở thành xu hướng. Nghiên cứu này nhằm xây dựng một hệ thống phân loại hiệu quả, giúp bác sĩ và bệnh nhân dễ dàng theo dõi tình trạng huyết áp thông qua các thiết bị y tế thông minh.
1.1. Vấn đề nghiên cứu
Việc theo dõi huyết áp tại nhà đang trở nên phổ biến, đặc biệt với những bệnh nhân mắc bệnh lý tim mạch. Tuy nhiên, việc phân loại chính xác các mức huyết áp (huyết áp cao, huyết áp thấp) vẫn là thách thức lớn. Nghiên cứu này tập trung vào việc sử dụng học máy để xây dựng mô hình phân loại, giúp cải thiện độ chính xác và hiệu quả trong quản lý sức khỏe.
1.2. Mục tiêu nghiên cứu
Mục tiêu chính của nghiên cứu là xây dựng một hệ thống thông minh có khả năng phân loại huyết áp dựa trên dữ liệu y tế thu thập từ bệnh nhân. Hệ thống này sẽ hỗ trợ điều trị từ xa, giúp bác sĩ đưa ra quyết định chính xác hơn trong việc điều trị và theo dõi bệnh nhân.
II. Phương pháp nghiên cứu
Nghiên cứu sử dụng các phương pháp học máy và trí tuệ nhân tạo để xây dựng mô hình phân loại huyết áp. Dữ liệu được thu thập từ các nguồn y tế uy tín như NHANES, sau đó được xử lý và phân tích để tạo ra các bộ dữ liệu tùy chỉnh. Các mô hình như mạng nơ-ron, cây quyết định, và tăng cường độ dốc được áp dụng để đánh giá hiệu quả phân loại.
2.1. Thu thập và xử lý dữ liệu
Dữ liệu được thu thập từ NHANES, bao gồm các thông số về huyết áp và các yếu tố liên quan. Quá trình phân tích dữ liệu bao gồm việc lựa chọn thuộc tính, gán nhãn dữ liệu, và tạo ra các bộ dữ liệu tùy chỉnh để phù hợp với mục tiêu nghiên cứu.
2.2. Xây dựng mô hình
Các mô hình mạng nơ-ron và TensorFlow Decision Forests (TF-DF) được kết hợp để tạo ra các mô hình phân loại hiệu quả. Quá trình huấn luyện và đánh giá mô hình được thực hiện trên các bộ dữ liệu khác nhau để đảm bảo độ chính xác và khả năng ứng dụng thực tế.
III. Kết quả và đánh giá
Kết quả nghiên cứu cho thấy các mô hình kết hợp giữa mạng nơ-ron và TF-DF đạt độ chính xác cao, đặc biệt là mô hình OM(NN-GB+GB(TFDF)) với độ chính xác trung bình lên đến 98.95%. Các mô hình này cũng thể hiện ưu điểm trong việc xử lý các bộ dữ liệu tùy chỉnh, phù hợp với nhu cầu chăm sóc sức khỏe tại nhà.
3.1. Đánh giá mô hình
Các mô hình được đánh giá dựa trên các độ đo như độ chính xác, F1-score, recall, và precision. Kết quả cho thấy mô hình OM(NN-GB+GB(TFDF)) đạt hiệu suất cao nhất, đặc biệt trên các tập dữ liệu kiểm thử.
3.2. Ứng dụng thực tế
Nghiên cứu này có tiềm năng ứng dụng lớn trong việc theo dõi huyết áp tại nhà, giúp bác sĩ và bệnh nhân quản lý sức khỏe hiệu quả hơn. Hệ thống có thể được tích hợp vào các thiết bị y tế thông minh, hỗ trợ điều trị từ xa và cải thiện chất lượng chăm sóc sức khỏe.
