Phân Loại Huyết Áp Cho Bệnh Nhân Điều Trị Tại Nhà - Luận Văn Thạc Sĩ Khoa Học Máy Tính

Luận văn thạc sĩ nghiên cứu máy tính phân loại huyết áp cho bệnh nhân điều trị tại nhà, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện thực tiễn.

• Tác giả: Trần Phạm Công Danh
• Người hướng dẫn: Thoại Nam
• Trường học: Đại học Bách Khoa - Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Khoa học Máy tính
• Đề tài: Phân loại huyết áp cho bệnh nhân điều trị tại nhà
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• LỜI CAM ĐOAN
• DANH SÁCH CÁC HÌNH
• DANH SÁCH CÁC BẢNG
• BẢNG VIẾT TẮT — ĐỐI CHIẾU THUẬT NGỮ ANH – VIỆT
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Mục đích và ý nghĩa đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Kết quả đạt được
• 1.4. Cấu trúc luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Huyết áp động mạch
• 2.1.1. Đặc điểm của huyết áp
• 2.1.1.1. Tăng huyết áp và các vấn đề liên quan
• 2.1.1.2. Hạ huyết áp và các vấn đề liên quan
• 2.1.2. Huyết áp và phân bố của huyết áp
• 2.1.3. Huyết áp trên các bệnh nhân và các yếu tố tác động trong việc chẩn đoán
• 2.1.4. Các phương pháp đo huyết áp
• 2.1.4.1. Phương pháp nghe
• 2.1.4.2. Phương pháp dao động ký
• 2.1.4.3. Phương pháp theo dõi huyết áp động mạch xâm lấn
• 2.1.4.4. Phương pháp không xâm lấn liên tục
• 2.2. Học máy và ứng dụng
• 2.2.1. Mô hình Cây quyết định (Decision Tree)
• 2.2.2. Mô hình Rừng ngẫu nhiên (Random Forest)
• 2.2.3. Mô hình Tăng cường độ dốc (Gradient Boosting)
• 2.2.4. Mô hình Máy vectơ hỗ trợ (Support Vector Machine)
• 2.2.5. Mô hình Mạng nơ-ron truyền thẳng nhiều lớp (Multilayer Perceptron)
• 2.2.6. Mô hình Hồi quy Logistic (Logistic Regression)
• 2.2.7. Mô hình k-Lân cận gần nhất (k-Nearest Neighbors)
• 2.2.8. Mô hình Mạng nơ-ron (Neural Network)
• 2.3. Ứng dụng trong y tế
• 3. CHƯƠNG 3: TÌNH TRẠNG NGHIÊN CỨU
• 3.1. Tình trạng nghiên cứu
• 3.1.1. Nghiên cứu mô hình dự đoán rủi ro tăng huyết áp dựa trên mạng nơ-ron lan truyền ngược
• 3.1.2. Nghiên cứu dự đoán tăng huyết áp và các yếu tố liên quan sử dụng dữ liệu từ ba quốc gia Bangladesh, Nepal, Ấn Độ
• 3.1.3. Nghiên cứu phân loại bằng học máy đối với nhóm dân số tăng huyết áp căn cứ vào nhiều yếu tố nguy cơ
• 3.1.4. Nghiên cứu so sánh các kỹ thuật phân loại để dự đoán tăng huyết áp vô căn
• 3.1.5. Nghiên cứu mô hình dự đoán tăng huyết áp được cải tiến dựa trên RS và SVM ở khu vực Tam Hiệp
• 3.1.6. Nghiên cứu phương pháp tiếp cận mạng nơ-ron nhân tạo để dự đoán tăng huyết áp bằng dữ liệu NHANES
• 3.1.7. Nghiên cứu mô hình dựa trên mạng nơ-ron có nhân quả để quản lý tăng huyết áp tuyến đầu
• 3.1.8. Nghiên cứu phân loại và dự đoán tăng huyết áp bằng các yếu tố xác định huyết áp trong thuật toán học sâu
• 3.1.9. Nghiên cứu phát triển các mô hình rủi ro tăng huyết áp khởi phát sử dụng học máy trên dữ liệu nghiên cứu HUNT
• 3.2. Nhận xét các nghiên cứu liên quan
• 4. CHƯƠNG 4: PHƯƠNG PHÁP GIẢI QUYẾT VẤN ĐỀ
• 4.1. Nguồn dữ liệu và kết hợp những thuộc tính
• 4.2. Khám phá và xử lý dữ liệu chung
• 4.3. Gán nhãn cho bộ dữ liệu chung
• 4.4. Xây dựng các bộ dữ liệu tùy chỉnh
• 4.4.1. Gán nhãn lại bộ dữ liệu
• 4.4.2. Tạo các bộ dữ liệu tùy chỉnh với tỷ lệ mẫu được gán nhãn mới và số lượng mẫu khác nhau
• 4.5. Mô hình đề xuất
• 4.5.1. Mô hình huấn luyện bộ dữ liệu chung
• 4.5.1.1. Mô hình chung không kết hợp
• 4.5.1.2. Mô hình chung có kết hợp
• 4.5.1.3. Các mô hình học máy cho bộ dữ liệu chung
• 4.5.2. Các mô hình huấn luyện các bộ dữ liệu tùy chỉnh
• 4.5.2.1. Mô hình tùy chỉnh của chúng tôi
• 4.5.2.2. Các mô hình học máy cho các bộ dữ liệu tùy chỉnh
• 4.5.3. Các thông số thiết lập
• 4.6. Chia bộ dữ liệu và đánh giá
• 4.6.1. Chia bộ dữ liệu và chuẩn hóa
• 4.6.2. Các độ đo để đánh giá các mô hình
• 4.7. So sánh các mô hình
• 4.7.1. Bộ dữ liệu chung
• 4.7.2. Các bộ dữ liệu tùy chỉnh
• 4.7.3. Xếp hạng các mô hình được so sánh
• 5. CHƯƠNG 5: KẾT QUẢ THỰC NGHIỆM
• 5.1. Môi trường thực nghiệm
• 5.2. Mô hình chung – bộ dữ liệu chung
• 5.2.1. Quá trình huấn luyện của mô hình của chúng tôi không có sự kết hợp OM (NNNC)
• 5.2.1.1. Độ chính xác và độ lỗi của OM (NNNC) trong quá trình huấn luyện
• 5.2.1.2. Độ chính xác và độ lỗi của các mô hình TF-DF trong quá trình huấn luyện
• 5.2.2. Kết quả huấn luyện mô hình của chúng tôi (OM) với các sự kết hợp
• 5.2.2.1. So sánh trên tập đánh giá
• 5.2.2.2. So sánh trên tập kiểm thử
• 5.2.3. Mô hình Cây quyết định (DT)
• 5.2.4. Mô hình Rừng ngẫu nhiên (RF)
• 5.2.5. Mô hình Tăng cường độ dốc (GBM)
• 5.2.6. Mô hình Máy vectơ hỗ trợ (SVM)
• 5.2.7. Mô hình Mạng nơ-ron truyền thẳng nhiều lớp (MLP)
• 5.2.8. Mô hình Hồi quy Logistic (LR)
• 5.2.9. Mô hình k-Lân cận gần nhất (k-NN)
• 5.2.10. So sánh kết quả giữa mô hình của chúng tôi với các mô hình học máy
• 5.2.10.1. So sánh trên tập đánh giá
• 5.2.10.2. So sánh trên tập kiểm thử
• 5.3. Mô hình tùy chỉnh – các bộ dữ liệu tùy chỉnh
• 5.3.1. So sánh các mô hình trên giá trị trung bình của từng độ đo của các bộ dữ liệu tùy chỉnh
• 5.3.1.1. So sánh trên các tập đánh giá
• 5.3.1.2. So sánh trên các tập kiểm thử
• 5.3.1.3. Nhận xét các mô hình dựa vào giá trị trung bình của từng độ đo của các bộ dữ liệu tùy chỉnh
• 5.3.2. So sánh các mô hình dựa vào tỷ lệ mẫu được thay đổi nhãn
• 5.3.2.1. So sánh trên các tập đánh giá
• 5.3.2.2. So sánh trên các tập kiểm thử
• 5.3.3. So sánh các mô hình dựa vào số lượng mẫu
• 5.3.3.1. So sánh trên các tập đánh giá
• 5.3.3.2. So sánh trên các tập kiểm thử
• 5.3.4. So sánh các mô hình dựa vào từng trường hợp tùy chỉnh
• 5.3.4.1. So sánh trên các tập đánh giá
• 5.3.4.2. So sánh trên các tập kiểm thử
• 5.3.5. So sánh các mô hình giữa tương quan độ chính xác trung bình và số mẫu
• 5.3.5.1. So sánh trên các tập đánh giá
• 5.3.5.2. So sánh trên các tập kiểm thử
• 5.3.5.3. Nhận xét tương quan độ chính xác trung bình và số mẫu
• 5.3.6. Nhận xét mô hình tùy chỉnh của chúng tôi OM và sự kết hợp với TF-DF trên các bộ dữ liệu tùy chỉnh
• 6. CHƯƠNG 6: KẾT LUẬN
• 6.1. Kết quả đạt được
• 6.1.1. Kết quả phân loại huyết áp dùng chung
• 6.1.2. Kết quả phân loại huyết áp tùy chỉnh
• 6.2. Hướng nghiên cứu tiếp theo
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC 1: CÁC BIỂU ĐỒ PHÂN BỐ CÁC THUỘC TÍNH
• PHỤ LỤC 2: THỐNG KÊ CÁC THUỘC TÍNH THEO NHÃN CỦA CÁC BỘ DỮ LIỆU
• PHỤ LỤC 3: PHIÊN BẢN THƯ VIỆN ĐƯỢC SỬ DỤNG – MÃ CHƯƠNG TRÌNH
• Các thư viện được sử dụng
• Mã chương trình
• Tải, xử lý, tạo bộ dữ liệu chung và các bộ dữ liệu tùy chỉnh
• Xử lý và huấn luyện mô hình chung – bộ dữ liệu chung
• Xử lý và huấn luyện mô hình tùy chỉnh – các bộ dữ liệu tùy chỉnh
• PHỤ LỤC 4: CÁC BIỂU ĐỒ VỀ ĐỘ CHÍNH XÁC VÀ ĐỘ LỖI CỦA CÁC KHỐI Ở MÔ HÌNH ĐƯỢC ĐỀ XUẤT
• PHỤ LỤC 5: BẢNG GIÁ TRỊ CÁC ĐỘ ĐO CỦA CÁC MÔ HÌNH
• Mô hình chung – bộ dữ liệu chung
• Mô hình tùy chỉnh – các bộ dữ liệu tùy chỉnh

Tóm tắt

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.

Nội dung chính

Tổng quan nghiên cứu

Theo báo cáo chính thức của Bộ Y tế, tỷ lệ nhân lực y tế tại Việt Nam năm 2022 chỉ đạt 11,5 bác sĩ trên 10.000 dân, thấp hơn đáng kể so với mức trung bình toàn cầu là 17,0 bác sĩ trên 10.000 dân và khoảng cách rất xa so với các quốc gia phát triển như Hoa Kỳ với 35,08 bác sĩ trên 10.000 dân. Trong bối cảnh quá tải bệnh viện tuyến trên, tăng huyết áp đang trở thành gánh nặng y tế hàng đầu. Dữ liệu từ chương trình May Measure Month chỉ ra tỷ lệ tăng huyết áp trong cộng đồng lên đến 30,8%, trong đó có tới 46,8% bệnh nhân dù đang điều trị nhưng vẫn không kiểm soát được huyết áp mục tiêu.

Mô hình bác sĩ gia đình và theo dõi sức khỏe từ xa được xem là giải pháp then chốt để quản lý các bệnh mạn tính không lây nhiễm. Tuy nhiên, việc đánh giá chỉ số huyết áp tại nhà gặp rào cản lớn do sự thiếu đồng nhất giữa các hướng dẫn quốc tế như ESC/ESH 2018, ACC/AHA 2017 và VSH/VNHA 2022. Đặc biệt, đối với những bệnh nhân có bệnh lý nền đồng mắc như bệnh thận mạn hay đái tháo đường, tỷ lệ không kiểm soát huyết áp dao động từ 51% đến 76%, đòi hỏi phác đồ cá thể hóa nghiêm ngặt.

Luận văn thạc sĩ chuyên ngành Khoa học Máy tính thực hiện trong giai đoạn từ tháng 9 năm 2023 đến tháng 6 năm 2024 tại Trường Đại học Bách Khoa – ĐHQG-HCM nhằm giải quyết triệt để thách thức này. Mục tiêu trọng tâm của nghiên cứu là xây dựng mô hình học máy phân loại huyết áp dùng chung, đồng thời phát triển mô hình phân loại tùy chỉnh cá thể hóa cho bệnh nhân điều trị tại nhà. Kết quả nghiên cứu đạt độ chính xác tuyệt đối 100% trên tập dữ liệu tổng quát và duy trì độ chính xác trung bình trên 98,02% trên 72 bộ dữ liệu tùy chỉnh, mở ra bước đột phá trong việc tự động hóa giám sát y tế thông minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng kết hợp chặt chẽ giữa sinh lý học tim mạch hiện đại và các thuật toán học máy tiên tiến. Về mặt y khoa, huyết áp động mạch được xác định qua cặp giá trị huyết áp tâm thu (SBP) và huyết áp tâm trương (DBP). Tăng huyết áp nguyên phát chiếm khoảng 95% tổng số ca bệnh và thường diễn tiến âm thầm khi tỷ lệ triệu chứng đau đầu chỉ xuất hiện ở 19,0% bệnh nhân. Ngưỡng chẩn đoán tăng huyết áp được tham chiếu theo hướng dẫn VSH/VNHA 2022 với mức SBP từ 140 mmHg và DBP từ 90 mmHg trở lên, kết hợp tiêu chuẩn hạ huyết áp của NIH/NHLBI khi SBP dưới 90 mmHg và DBP dưới 60 mmHg.

Về mặt công nghệ, nghiên cứu áp dụng khung lý thuyết học sâu kết hợp mô hình dạng cây. Cấu trúc mạng nơ-ron tích chập một chiều (1D-CNN) được sử dụng để trích xuất không gian đặc trưng từ chuỗi thuộc tính lâm sàng, nối tiếp bởi các lớp kết nối đầy đủ (Fully Connected). Khung lý thuyết thứ hai là TensorFlow Decision Forests (TF-DF), tích hợp các giải thuật cây quyết định tăng cường độ dốc (Gradient Boosted Trees) và rừng ngẫu nhiên (Random Forest). Khái niệm học chuyển tiếp (Transfer Learning) được ứng dụng thông qua việc đóng băng các tầng tích chập đã huấn luyện từ dữ liệu chung để tinh chỉnh nhanh chóng cho các nhóm bệnh nhân đặc thù.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được trích xuất từ khảo sát sức khỏe và dinh dưỡng quốc gia Hoa Kỳ (NHANES), bao gồm các thuộc tính nhân khẩu học, chỉ số khối cơ thể (BMI), tiền sử bệnh lý và các phép đo huyết áp tiêu chuẩn. Cỡ mẫu nghiên cứu bao gồm hàng nghìn hồ sơ bệnh nhân được xử lý làm sạch, chuẩn hóa thang đo và loại bỏ nhiễu. Phương pháp chọn mẫu phân tầng được áp dụng để đảm bảo phân bổ đồng đều giữa các nhóm huyết áp bình thường, tiền tăng huyết áp, tăng huyết áp độ 1, tăng huyết áp độ 2 và hạ huyết áp.

Từ bộ dữ liệu chung, tác giả thiết lập quy trình thực nghiệm nghiêm ngặt bằng cách tạo ra 72 bộ dữ liệu tùy chỉnh với các kịch bản thay đổi tỷ lệ gán nhãn mới từ 10% đến 50% và quy mô mẫu biến thiên. Lý do lựa chọn mô hình lai 1D-CNN kết hợp TF-DF xuất phát từ khả năng nắm bắt tương quan phi tuyến mạnh mẽ của mạng tích chập cùng với tính bền vững của mô hình cây trên dữ liệu bảng y tế. Quá trình đánh giá được thực hiện chéo qua các độ đo: Độ chính xác (Accuracy), Precision, Recall, F1-score và diện tích dưới đường cong ROC (AUC) với khoảng tin cậy 95%.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã chứng minh hiệu năng vượt trội của mô hình do tác giả đề xuất (Our Model - OM) so với các thuật toán học máy truyền thống:

Thứ nhất, trên bộ dữ liệu chung, mô hình mạng nơ-ron tích chập thuần túy OM (NNNC) cùng các biến thể kết hợp OM (NN-GB + GB(TFDF)) và OM (NN-RF + GB(TFDF)) đạt độ chính xác 100%, F1-score 1,0, Recall 100% và chỉ số AUC đạt 1,0 tuyệt đối. Kết quả này vượt trội hoàn toàn so với mô hình Cây quyết định đơn lẻ chỉ đạt độ chính xác khoảng 83% và Rừng ngẫu nhiên đạt 89%.

Thứ hai, trên 72 bộ dữ liệu tùy chỉnh mô phỏng các ngưỡng điều trị cá thể hóa, mô hình OM (NN-GB + GB(TFDF)) đạt độ chính xác trung bình cao nhất trên tập đánh giá là 98,41%, vượt hơn mô hình OM (NN-RF + GB(TFDF)) với mức 97,46%. Trên tập kiểm thử độc lập, mô hình OM (NN-GB + GB(TFDF)) duy trì độ chính xác trung bình 98,02%, trong khi biến thể OM (NN-RF + GB(TFDF)) đạt 98,31%.

Thứ ba, mô hình đề xuất thể hiện độ ổn định ấn tượng khi chỉ số phân định AUC đạt mức tiệm cận tuyệt đối 0,999 trên mọi kịch bản tùy chỉnh. Hiệu năng phân loại không bị suy giảm nghiêm trọng ngay cả khi tỷ lệ dữ liệu gán nhãn lại thay đổi đột ngột hoặc số lượng mẫu huấn luyện bị thu hẹp.

Dữ liệu kết quả thực nghiệm có thể được biểu diễn trực quan thông qua bảng so sánh đa chỉ số giữa 8 thuật toán và biểu đồ đường thể hiện tương quan giữa quy mô mẫu với độ chính xác kiểm thử.

Thảo luận kết quả

Hiệu quả vượt trội của mô hình lai đến từ cơ chế cộng hưởng giữa mạng nơ-ron và rừng quyết định. Lớp tích chập 1D-CNN đóng vai trò như một bộ trích xuất đặc trưng tự động, chuyển đổi các chỉ số lâm sàng rời rạc thành biểu diễn không gian liên tục có mật độ thông tin cao. Sau đó, TensorFlow Decision Forests tiếp nhận biểu diễn này để thiết lập ranh giới quyết định phi tuyến tính một cách vững chắc, loại bỏ hoàn toàn hiện tượng quá khớp (overfitting) thường gặp trên các mạng nơ-ron truyền thống.

Khi so sánh với các công bố quốc tế, mô hình của luận văn thể hiện sự nâng cấp rõ rệt. Nghiên cứu của Huanhuan Zhao năm 2019 sử dụng mạng truyền ngược BP-NN chỉ đạt độ chính xác 77,2% trên 4.498 mẫu. Nghiên cứu của Sheikh Mohammed Shariful Islam trên 818.603 hồ sơ tại Nam Á đạt độ chính xác 90% với XGBoost. Nghiên cứu của Fernando López-Martínez trên tập NHANES với hồi quy logistic chỉ đạt AUC 0,77. Mô hình lai trong luận văn này đã nâng độ chính xác lên trên 98,02% và AUC đạt 0,999, chứng minh tính ưu việt của kiến trúc tích hợp sâu.

Sự phân hóa hiệu năng có thể được minh họa rõ nét qua biểu đồ cột phân nhóm F1-score và đường cong ROC biểu thị khả năng phân tách cực nhạy giữa các mức huyết áp nguy hiểm.

Đề xuất và khuyến nghị

Nhằm chuyển hóa kết quả nghiên cứu vào thực tiễn khám chữa bệnh, bốn nhóm giải pháp mang tính hành động cao được đề xuất:

Tích hợp trực tiếp thuật toán OM (NN-GB + GB(TFDF)) vào các phần mềm quản lý phòng khám bác sĩ gia đình và thiết bị đo huyết áp thông minh IoT. Mục tiêu đặt ra là giảm thời gian phản hồi cảnh báo bất thường xuống dưới 2 giây và duy trì độ chính xác phân loại tự động trên 98%. Kế hoạch triển khai thử nghiệm diện hẹp nên thực hiện trong 6 tháng đầu năm 2025 tại các trạm y tế phường xã dưới sự chủ trì của các đơn vị công nghệ y tế (MedTech).

Chuẩn hóa cơ sở dữ liệu huyết áp điện tử đồng bộ theo tiêu chuẩn chẩn đoán VSH/VNHA 2022 và NIH/NHLBI. Giải pháp này hướng tới nâng tỷ lệ bệnh nhân kiểm soát tốt huyết áp từ mức 46,8% hiện nay lên trên 75% trong vòng 12 tháng. Trách nhiệm thực hiện thuộc về các bệnh viện đa khoa phối hợp cùng Hội Tim mạch học Việt Nam.

Áp dụng phương pháp học chuyển tiếp (Transfer Learning) để tự động tinh chỉnh ngưỡng huyết áp riêng biệt cho các bệnh nhân có bệnh đồng mắc phức tạp như suy tim, đái tháo đường và bệnh thận mạn. Mục tiêu đảm bảo độ chính xác phân loại cá thể hóa đạt trên 97% ngay cả khi dữ liệu cục bộ dưới 500 bản ghi. Lộ trình thực hiện liên tục trong quý 3 năm 2025 do đội ngũ kỹ sư trí tuệ nhân tạo và bác sĩ tim mạch đảm trách.

Mở rộng nghiên cứu kết hợp dữ liệu huyết áp động mạch liên tục không xâm lấn (CNAP) cùng tín hiệu quang thể tích (Photoplethysmogram) để theo dõi huyết áp theo thời gian thực 24/7. Target metric là đạt độ nhạy phát hiện cơn tăng huyết áp cấp cứu trên 99,5% trước năm 2026, do các viện nghiên cứu y sinh và trường đại học kỹ thuật chủ trì.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị thực tiễn và học thuật sâu sắc cho bốn nhóm đối tượng chuyên môn:

Kỹ sư trí tuệ nhân tạo và chuyên gia khoa học dữ liệu y tế: Tiếp cận kiến trúc mô hình lai độc đáo giữa 1D-CNN và TensorFlow Decision Forests, nắm bắt kỹ thuật xử lý dữ liệu bảng y tế phức tạp và giải pháp tối ưu hóa siêu tham số cho các bài toán phân loại đa lớp.

Bác sĩ gia đình và nhân viên y tế tuyến cơ sở: Khai thác công cụ hỗ trợ ra quyết định lâm sàng tự động, giúp phân loại chính xác tình trạng huyết áp của bệnh nhân điều trị ngoại trú tại nhà mà không cần thao tác tính toán thủ công phức tạp.

Các doanh nghiệp phát triển thiết bị y tế thông minh và giải pháp Telemedicine: Sử dụng thuật toán làm lõi xử lý cho các ứng dụng theo dõi sức khỏe di động, nâng cao năng lực cạnh tranh của sản phẩm nhờ khả năng cá thể hóa ngưỡng cảnh báo cho từng người dùng.

Học viên cao học và nghiên cứu sinh chuyên ngành Khoa học Máy tính, Tin sinh học: Sử dụng luận văn như tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu thực nghiệm, kỹ thuật sinh 72 bộ dữ liệu tùy chỉnh và quy trình đánh giá mô hình khoa học.

Câu hỏi thường gặp

Mô hình đề xuất OM (NN-GB + GB(TFDF)) vượt trội hơn các thuật toán học máy truyền thống ở điểm nào? Mô hình kết hợp sức mạnh trích xuất đặc trưng phi tuyến của mạng tích chập 1D với khả năng phân nhánh chính xác của cây quyết định tăng cường độ dốc. Trên thực nghiệm, mô hình đạt độ chính xác 98,41% trên tập đánh giá, vượt xa mức 83% của Cây quyết định và 89% của Rừng ngẫu nhiên truyền thống.

Tại sao phải xây dựng các bộ dữ liệu tùy chỉnh thay vì chỉ dùng một mô hình phân loại cố định? Trong thực tế lâm sàng, bệnh nhân có bệnh nền như suy thận hay đái tháo đường có huyết áp mục tiêu hoàn toàn khác với người bình thường. Việc tạo 72 kịch bản tùy chỉnh giúp kiểm chứng khả năng thích ứng của mô hình khi bác sĩ thay đổi ngưỡng cảnh báo cho từng bệnh nhân cụ thể.

Nguồn dữ liệu NHANES được sử dụng trong luận văn có độ tin cậy như thế nào? NHANES là cơ sở dữ liệu y tế quy mô lớn của Trung tâm Kiểm soát và Phòng ngừa Dịch bệnh Hoa Kỳ (CDC). Dữ liệu được thu thập qua quy trình kiểm định lâm sàng nghiêm ngặt, đảm bảo tính đại diện cao về các biến số nhân khẩu học và sinh lý học tim mạch.

Kỹ thuật học chuyển tiếp được áp dụng như thế nào trong việc phân loại huyết áp cá thể hóa? Mô hình giữ nguyên các tầng tích chập 1D đã được huấn luyện đầy đủ từ bộ dữ liệu lớn để trích xuất thuộc tính cốt lõi. Khi gặp nhóm bệnh nhân mới có quy mô mẫu nhỏ, hệ thống chỉ cần huấn luyện lại các tầng phân loại phía sau, giúp tiết kiệm tài nguyên và đạt độ chính xác cao.

Mô hình này có thể triển khai thực tế trên các thiết bị di động tại Việt Nam hay không? Hoàn toàn khả thi vì kiến trúc TensorFlow Decision Forests có kích thước gọn nhẹ và tốc độ suy luận nhanh dưới vài mili-giây. Thuật toán dễ dàng nhúng vào các ứng dụng điện thoại hoặc vòng đeo tay thông minh để hỗ trợ bác sĩ gia đình giám sát người bệnh liên tục.

Kết luận

Luận văn thạc sĩ đã giải quyết thành công bài toán tự động hóa phân loại huyết áp cho bệnh nhân điều trị tại nhà với các đóng góp nổi bật:

• Xây dựng thành công kiến trúc mô hình lai kết hợp mạng nơ-ron tích chập 1D-CNN và TensorFlow Decision Forests, đạt độ chính xác tuyệt đối 100% trên tập dữ liệu tổng quát.
• Thiết lập quy trình sinh 72 bộ dữ liệu tùy chỉnh, chứng minh tính thích ứng xuất sắc của mô hình OM (NN-GB + GB(TFDF)) với độ chính xác kiểm thử đạt 98,02% và chỉ số AUC đạt 0,999.
• Cung cấp giải pháp công nghệ hiệu quả giúp giải quyết bài toán thiếu hụt nhân lực y tế (11,5 bác sĩ/10.000 dân) thông qua mô hình bác sĩ gia đình số hóa.
• Đặt nền móng khoa học vững chắc cho việc ứng dụng học chuyển tiếp vào các tập dữ liệu y tế quy mô nhỏ và mất cân bằng nhãn.
• Lộ trình phát triển tiếp theo tập trung vào việc thử nghiệm lâm sàng thực tế và tích hợp luồng dữ liệu cảm biến thời gian thực trong giai đoạn 2024 - 2025.

Quý độc giả và các nhà nghiên cứu quan tâm có thể khai thác toàn văn công trình để ứng dụng và phát triển các hệ thống y tế thông minh phục vụ cộng đồng.

Trích đoạn nội dung tài liệu

Đặt vấn đề Theo báo cáo của Bộ Y tế tại hội nghị “Triển khai công tác y tế 2023”, tỷ lệ bác sĩ trên 10000 dân năm 2022 của Việt Nam là 11.5 [1]; năm 2016, tỷ lệ này của Việt Nam theo thống kê của WHO là 8. Các quốc gia Hoa Kỳ, Trung Quốc, Nhật Bản và Singapore là có tỷ lệ bác sĩ trên 10000 dân năm 2020 lần lượt là 35.082; tỷ lệ này của các quốc gia nói trên là cao hơn so với trung bình toàn thế giới. Tính đến năm 2022, tỷ lệ bác sĩ trên 10000 dân trung bình toàn thế giới là 17. Để giảm tải cho bệnh viện khi nguồn nhân lực y tế còn thiếu thì bác sĩ gia đình là giải pháp đã và đang được triển khai tại Việt Nam [3].

Một trong những vai trò của bác sĩ gia đình là quản lý, khám bệnh, chữa bệnh đa khoa theo nguyên lý y học gia đình cho cá nhân, hộ gia đình. Khám, chữa những bệnh mạn tính, không lây nhiễm là một trong những nhiệm vụ của bác sĩ gia đình [4]. Tăng huyết áp là một trong 10 bệnh mạn tính thường gặp tại Mỹ [5]. Theo kết quả chương trình May Measure Month năm 2018 và 2019, tỷ lệ tăng huyết áp của hai nghiên cứu lần lượt là 30.8%; trong đó tỷ lệ bệnh nhân được điều trị nhưng không kiểm soát được huyết áp trong hai nghiên cứu trên lần lượt là 46.

Nhiều bệnh nhân tăng huyết áp thường không có triệu chứng, bệnh nhân có thể dễ dàng được phát hiện bệnh sớm nếu được đo huyết áp đúng cách [8]. Theo dõi huyết áp thường xuyên tại nhà được khuyến cáo với ít nhất 3 lần/tuần khi huyết áp ổn định [9]. Việc ghi nhận huyết áp bằng thiết bị kỹ thuật số giúp cho việc lưu trữ dữ liệu của bệnh nhân tại các máy chủ trở nên dễ dàng, từ đó có thể truy xuất, trực quan, ra quyết định cảnh báo khi huyết áp bệnh nhân thay đổi bất thường. Mặc dù có nhiều hướng dẫn chẩn đoán tăng huyết áp trên thế giới, nhưng có một vài điểm chưa 2 có được sự thống nhất với nhau.

Một số hướng dẫn chẩn đoán phổ biến có thể kể đến như: ESC/ESH (2018) [10], ACC/AHA (2017) [11], JNC-8 (2014) [12], VSH/VNHA (2022) [9]. Hai ngưỡng huyết áp tâm thu (SBP) – huyết áp tâm trương (DBP) thường dùng để xác định tăng huyết áp cho người được chẩn đoán lần đầu là: ≥ 140 mmHg và/hoặc ≥ 90 mmHg [9], [10], [12]; hay ≥ 130 mmHg và/hoặc ≥ 80 mmHg [11]. Với những bệnh nhân đang được theo dõi huyết áp và cần duy trì dưới huyết áp mục tiêu (ngưỡng tăng huyết áp của những bệnh nhân có những đặc điểm riêng biệt) thì chưa có sự thống nhất trên thế giới về ngưỡng huyết áp mục tiêu cho những bệnh nhân có bệnh đồng mắc; nhất là những bệnh nhân bị bệnh thận mạn thì sự không thống nhất này càng rõ rệt [13]. Do đó các bác sĩ có thể đưa những ngưỡng tăng huyết áp khác nhau, tùy thuộc vào các yếu tố liên quan về huyết áp của bệnh nhân và hướng dẫn chẩn đoán mà bác sĩ dựa vào.

Do đó để theo dõi những nhóm bệnh nhân đặc biệt thì cần có cách phân loại huyết áp trên những bệnh nhân này từ bộ phân loại chung. Một thách thức với những nhóm bệnh nhân đặc biệt là số lượng ít nên lượng dữ liệu thu thập từ họ là không nhiều. Tại các bệnh viện và các cơ sở y tế, đã có các hệ thống quản lý thông tin sức khỏe của bệnh nhân. Những hệ thống này đa phần ghi nhận thông tin không liên tục của bệnh nhân trong một khoảng thời gian.

Việc theo dõi sức khỏe bệnh nhân liên tục là một trong những nhiệm vụ quan trọng của bác sĩ gia đình, do đó dữ liệu sức khỏe được cập nhật liên tục của bệnh nhân mang ý nghĩa quan trọng đối với bác sĩ. Trong lĩnh vực y tế, trí tuệ nhân tạo có thể được ứng dụng rộng rãi trong các trường hợp: phát triển thuốc, giám sát tình trạng sức khỏe, quản lý dữ liệu y khoa, chẩn đoán bệnh, tư vấn kỹ thuật số, cá thể hóa điều trị, phân tích kế hoạch y tế, điều trị phẫu thuật, điều trị y tế [14]. Đặc biệt, các mô hình học sâu có thể dùng để phát hiện ung thư và các gen liên quan [15], hay sử dụng hình ảnh mô bệnh học tuyến vú để phát hiện ung thư vú [16]; phát hiện bệnh nhân mắc COVID-19 qua tiếng ho [17], dự đoán số lương bệnh nhân mắc COVID-19 theo thời gian giúp để cơ quan quản lý chuẩn bị nguồn lực đối phó dịch bệnh [18]. Từ nhu cầu thực tiễn đặt ra là cần có một mô hình phân loại huyết áp phục vụ cho các hệ thống có chức năng ghi nhận, truy xuất, xử lý tình trạng huyết áp cho những bệnh nhân tăng huyết áp điều trị tại nhà cho bác sĩ gia đình; hệ thống này cũng có thể báo cáo cho bác sĩ khi có tình trạng huyết áp bất thường của bệnh nhân.

Xuất phát từ thực tiễn trên, chúng tôi quyết định thực hiện đề tài: “Phân loại huyết áp cho bệnh nhân điều trị tại nhà”.2 Mục đích và ý nghĩa đề tài Với mô hình phân loại huyết áp tốt, bệnh nhân thuộc nhóm chung và bệnh nhân thuộc những nhóm đặc biệt có thể được các bác sĩ theo dõi huyết áp tại nhà một cách dễ dàng với sự trợ giúp của các hệ thống hỗ trợ được áp dụng mô hình phân loại này. Ý nghĩa của đề tài gồm hai mặt: • Ý nghĩa thực tiễn: Giúp theo dõi huyết áp bệnh nhân một cách tự động mà không cần chuyên gia phân tích, đặc biệt là với những người được tùy chỉnh huyết áp bởi các bác sĩ. • Ý nghĩa khoa học: Góp phần ứng dụng các mô hình học máy áp dụng để phân loại huyết áp nói riêng, ứng dụng trong y học nói chung.3 Mục tiêu nghiên cứu Mục tiêu cụ thể trong nghiên cứu này bao gồm: • Xây dựng mô hình phân loại huyết áp dùng chung. • Xây dựng mô hình phân loại huyết áp dùng riêng – tùy chỉnh.

• Đánh giá mô hình được đề xuất.4 Kết quả đạt được Nghiên cứu nhằm xây dựng mô hình phân loại chung và mô hình riêng biệt cho những nhóm người có huyết áp tùy chỉnh bởi các bác sĩ. Đồng thời, luận văn cũng đã thể hiện được việc so sánh mô hình của chúng tôi với các mô hình học máy phổ biến.5 Cấu trúc luận văn Luận văn gồm các phần như sau: • Chương 1: Mở đầu – Giới thiệu vấn đề, động lực nghiên cứu; mục đích; các mục tiêu của luận văn này. 4 • Chương 2: Cơ sở lý thuyết – Trình bày một số cơ sở lý thuyết về huyết áp và các mô hình học máy phổ biến. • Chương 3: Tình trạng nghiên cứu – Trình bày một số công trình nghiên cứu liên quan và kết quả đạt được của các tác giả.

• Chương 4: Phương pháp giải quyết vấn đề – Trình bày cách tiếp cận để giải quyết bài toán đặt ra. • Chương 5: Kết quả thực nghiệm – Trình bày các kết quả, các số liệu được đánh giá. • Chương 6: Kết luận – Trình bày kết luận từ nghiên cứu và hướng phát triển tiếp theo. CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 5 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 2.1 Huyết áp động mạch 2.1 Đặc điểm của huyết áp Huyết áp (hay còn gọi là huyết áp động mạch) là áp lực lưu thông máu lên thành động mạch.

Nhờ có áp lực này mà động mạch có thể mang máu từ tim đến các cơ quan trong cơ thể [19], [20]. Huyết áp gồm hai chỉ số là huyết áp tâm thu (SBP) và huyết áp tâm trương (DBP), chúng được viết theo cặp là SBP/DBP. Người bình thường có huyết áp tối ưu từ 110/70 mmHg đến 120/80 mmHg [11]. Tăng huyết áp (THA) là tình trạng huyết áp tăng cao hơn so với ngưỡng bình thường.1 Tăng huyết áp và các vấn đề liên quan Định nghĩa tăng huyết áp một cách tổng quát là khi huyết áp tâm thu (SBP) và/hoặc huyết áp tâm trương tương ứng lớn hơn hoặc bằng 140 hoặc 90 mmHg [9].

Có thể phân loại thì có 2 dạng: tăng huyết áp nguyên phát và tăng huyết áp thứ phát. Tăng huyết áp thứ phát có nguyên nhân từ một bệnh lý khác từ đó dẫn đến kết quả tăng huyết áp. Tăng huyết áp nguyên phát được chẩn đoán khi loại trừ các nguyên nhân gây ra tăng huyết áp thứ phát [21]. Tăng huyết áp nguyên phát chiếm tỷ lệ khoảng 95% trong tổng số người bị tăng huyết áp [22].

Tỷ lệ chóng mặt và đau đầu ở những người tăng huyết áp lần lượt là: 19.0%, trong khi tỷ lệ này ở người bình thường là 13. Do đó việc đo huyết áp là quan trọng vì tỷ lệ có triệu chứng ở những bệnh nhân tăng huyết áp là không cao hơn đáng kể so với những người bình thường. Các yếu tố nguy cơ đẩy nhanh quá trình tăng huyết áp là: hút thuốc lá – thuốc lào, rối loạn lipid máu, tiểu đường, tiền sử gia đình có người bị tăng huyết áp, cao tuổi, 6 thừa cân – béo phì, chế độ ăn nhiều muối, uống nhiều rượu bia, ít vận động thể lực, có nhiều căng thẳng [24]. Triệu chứng tăng huyết áp gồm có: đau đầu dữ dội, đau ngực, chóng mặt, nhìn mờ, buồn nôn, nôn, nhìn mờ,…[25] Bảng 2.1: Chẩn đoán tăng huyết áp theo ngưỡng huyết áp đo tại phòng khám theo VSH/VNHA (2022) Huyết áp Huyết áp Phân loại tâm thu (mmHg) tâm trương (mmHg) Bình thường < 130 và < 85 HA bình thường – cao 130 – 139 và/hoặc 85 – 89 (tiền tăng huyết áp) THA độ 1 140 – 159 và/hoặc 90 – 99 THA độ 2 ≥ 160 và/hoặc ≥ 100 Cơn THA ≥ 180 và/hoặc ≥ 120 THA tâm thu đơn độc ≥ 140 và < 90 Bảng 2.1 thể hiện ngưỡng huyết áp và mức độ tăng huyết áp tương ứng theo VSH/VNHA (2022) [9].

Xét về mức độ tăng huyết áp thì có thể chia thành hai loại chính là tăng huyết áp độ 1 và tăng huyết áp độ 2. Cơn tăng huyết áp đơn độc xảy ra khi huyết áp tâm thu ≥ 180 và/hoặc huyết áp tâm trương ≥ 120 có hướng xử trí khác với loại 1 và loại 2 khi ghi nhận huyết áp [9]. Tăng huyết áp có thể gây tổn thương cơ quan đích như: não, võng mạc, tim, động mạch ngoại biên, thận [26]. Có thể kể đến một số tổn thương cơ quan đích có nguyên nhân là tăng huyết áp [27] như: • Não: xuất huyết não, nhồi máu não.

• Mắt: bệnh võng mạc tăng huyết áp. • Tim: bệnh tim thiếu máu cục bộ, rũng nhĩ, phì đại thất trái.