Luận văn thạc sĩ về chẩn đoán huyết áp bằng sóng PPG và trí tuệ nhân tạo trong kỹ thuật cơ điện tử

Luận văn thạc sĩ kỹ thuật phân tích kỹ thuật cơ điện tử nghiên cứu chẩn đoán huyết áp bằng sóng ppg và trí tuệ nhân tạo, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả

• Tác giả: Thái Thành Trung
• Người hướng dẫn: PGS.TS Lưu Thanh Tùng
• Trường học: Đại học Bách Khoa - ĐHQG TP.HCM
• Chuyên ngành: Kỹ Thuật Cơ - Điện Tử
• Đề tài: Nghiên cứu chẩn đoán huyết áp bằng sóng PPG và trí tuệ nhân tạo
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: TP.Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: MỞ ĐẦU VÀ ĐẶT VẤN ĐỀ
• 1.1. Tổng quan về bệnh tim mạch và ảnh hưởng của nó
• 1.2. Tầm quan trọng của việc chẩn đoán huyết áp và bệnh cao huyết áp sớm
• 1.3. Mục tiêu nghiên cứu và câu hỏi nghiên cứu
• 1.3.1. Mục tiêu nghiên cứu
• 1.3.2. Câu hỏi nghiên cứu
• 1.4. Tổng quan về trí tuệ nhân tạo (AI) trong y tế
• 1.4.1. Trí tuệ nhân tạo (AI) và ứng dụng của nó trong y tế
• 1.4.2. Các thuật toán AI sử dụng trong y tế
• 1.5. Tổng quan về PPG (Photoplethysmography)
• 1.5.1. Định nghĩa và nguyên lý của PPG
• 1.5.2. Kỹ thuật đo PPG
• 1.5.3. Các thành phần của tín hiệu PPG
• 1.5.4. Tầm quan trọng của PPG
• 1.5.5. Tích hợp AI vào trong phân tích sóng PPG
• 1.5.6. Tổng quan về các thuật toán trí tuệ nhân tạo (AI) được áp dụng vào phân tích dạng sóng PPG
• 1.5.7. Những lợi ích và thách thức
• 1.5.8. Ứng dụng của AI kết hợp với tín hiệu sóng PPG trong y tế
• 1.5.9. Mô hình dự đoán cho ước lượng huyết áp
• 1.5.10. Xác định và phân loại nguy cơ tăng huyết áp
• 1.5.11. Một số ứng dụng khác
• 1.6. Vai trò của sóng PPG trong giám sát tình trạng hệ tim mạch
• 1.6.1. Sóng PPG và nguồn gốc sinh lý của nó
• 1.6.2. Mối tương quan giữa sóng PPG và huyết áp
• 1.7. Các phương pháp hiện tại sử dụng trong chẩn đoán huyết áp
• 1.7.1. Các phương pháp truyền thống
• 1.7.2. Các phương pháp chẩn đoán huyết áp sử dụng trí tuệ nhân tạo
• 1.7.3. Các phương pháp chẩn đoán huyết áp sử dụng trí tuệ nhân tạo và sóng PPG
• 1.8. Lợi thế của việc ứng dụng AI và sóng PPG trong dự đoán huyết áp. Giới hạn và thách thức
• 1.9. Định hướng phát triển
• 1.9.1. Xây dựng bộ dữ liệu
• 1.9.2. Xây dựng mô hình AI
• 1.10. NỘI DUNG NGHIÊN CỨU
• 1.10.1. Phương pháp nghiên cứu
• 1.10.2. Thu nhập dữ liệu
• 2. CHƯƠNG 2
• 3. KẾT QUẢ VÀ PHÂN TÍCH
• 3.1. Thử nghiệm kernel
• 3.2. Thử nghiệm với số lượng bộ lọc của các khối lắp ghép
• 3.3. Thông số mạng tối ưu và kết quả
• 3.4. So sánh với các phương pháp hiện tại
• 3.5. Ứng dụng tiềm năng
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về huyết áp và tầm quan trọng của chẩn đoán

Huyết áp là một trong những yếu tố quan trọng nhất trong việc đánh giá sức khỏe tim mạch. Đặc biệt, huyết áp cao hay còn gọi là cao huyết áp được xem như "kẻ giết người thầm lặng" vì nó thường không có triệu chứng rõ ràng. Việc chẩn đoán sớm huyết áp có thể giúp ngăn ngừa các biến chứng nghiêm trọng như đột quỵ, nhồi máu cơ tim, và suy thận. Trong nghiên cứu này, việc áp dụng công nghệ sóng PPG (Photoplethysmography) kết hợp với AI (trí tuệ nhân tạo) nhằm cải thiện độ chính xác trong chẩn đoán huyết áp được nhấn mạnh. Sự phát triển này không chỉ giúp nâng cao hiệu quả chẩn đoán mà còn tạo ra một phương pháp tiếp cận mới trong công nghệ y tế.

II. Nguyên lý hoạt động của sóng PPG và ứng dụng trong chẩn đoán huyết áp

Sóng PPG là một phương pháp không xâm lấn sử dụng ánh sáng để đo lường sự thay đổi thể tích máu trong các mạch máu. Nguyên lý cơ bản của sóng PPG dựa trên việc ghi nhận tín hiệu ánh sáng phản xạ từ da, cho phép xác định các chỉ số sinh lý như nhịp tim và huyết áp. Việc tích hợp AI vào phân tích sóng PPG giúp tối ưu hóa quá trình chẩn đoán huyết áp, từ đó cải thiện độ chính xác và giảm thiểu sai số. Nghiên cứu đã chỉ ra rằng mô hình AI có thể dự đoán huyết áp với độ chính xác ±5.6 mmHg, chứng minh khả năng ứng dụng của công nghệ này trong thực tế.

III. Phương pháp nghiên cứu và xây dựng bộ dữ liệu

Nghiên cứu này đã thu thập dữ liệu từ 896 mẫu bệnh nhân tại Bệnh viện Thống Nhất, nhằm xây dựng một bộ dữ liệu sinh học liên quan đến huyết áp và các tín hiệu tim mạch. Các phương pháp thu thập và xử lý dữ liệu được áp dụng để đảm bảo tính chính xác và độ tin cậy của thông tin. Việc sử dụng cảm biến sinh học hiện đại giúp thu thập dữ liệu một cách hiệu quả và chính xác hơn. Mô hình AI được phát triển dựa trên các thuật toán multiresUnet và ConvNeXt, cho phép phân tích dữ liệu một cách nhanh chóng và hiệu quả, từ đó nâng cao khả năng chẩn đoán huyết áp.

IV. Đánh giá hiệu suất mô hình AI trong chẩn đoán huyết áp

Mô hình AI được phát triển trong nghiên cứu đã được đánh giá và so sánh với các phương pháp chẩn đoán hiện có. Kết quả cho thấy mô hình này không chỉ đạt được độ chính xác cao mà còn có kích thước nhẹ hơn gấp 20 lần so với các mô hình trước đây. Điều này cho thấy tiềm năng ứng dụng của mô hình trong công nghệ y tế hiện đại, đặc biệt là trong việc tự động hóa y tế. Việc phát hiện sớm và chính xác huyết áp thông qua sóng PPG và AI không chỉ giúp cải thiện chất lượng cuộc sống mà còn giảm gánh nặng cho hệ thống y tế.

V. Kết luận và triển vọng ứng dụng trong tương lai

Nghiên cứu này đã chứng minh rằng việc kết hợp sóng PPG và AI có thể tạo ra những bước tiến đáng kể trong việc chẩn đoán huyết áp. Các ứng dụng tiềm năng của công nghệ này không chỉ giới hạn trong lĩnh vực y tế mà còn có thể mở rộng ra các lĩnh vực khác như theo dõi sức khỏe cá nhân và phòng ngừa bệnh tật. Thực tế cho thấy, việc phát triển các mô hình AI mạnh mẽ và chính xác hơn sẽ là một yếu tố quan trọng trong việc cải thiện kết quả sức khỏe cho cộng đồng.

Nội dung chính

Tổng quan nghiên cứu

Bệnh tim mạch (Cardiovascular diseases - CVDs) là nguyên nhân hàng đầu gây tử vong trên toàn cầu, chiếm khoảng 17,9 triệu ca tử vong vào năm 2020 theo WHO. Tại Việt Nam, CVDs cũng là nguyên nhân tử vong hàng đầu, chiếm 31% tổng số ca tử vong năm 2016. Tỷ lệ mắc bệnh cao huyết áp tại Việt Nam năm 2016 là 18,9%, dự kiến tăng trong những năm tới do già hóa dân số và các yếu tố nguy cơ như hút thuốc, béo phì gia tăng. Huyết áp cao là một trong những yếu tố nguy cơ chính dẫn đến các bệnh tim mạch nghiêm trọng như nhồi máu cơ tim, đột quỵ và suy tim.

Nghiên cứu này tập trung vào việc phát triển phương pháp chẩn đoán huyết áp không xâm lấn dựa trên tín hiệu sóng PPG (Photoplethysmography) kết hợp với trí tuệ nhân tạo (AI). Mục tiêu chính là xây dựng bộ dữ liệu y sinh học thuần Việt liên quan đến tín hiệu tim mạch và huyết áp, phát triển mô hình AI dự đoán huyết áp từ dữ liệu sóng PPG, đồng thời đánh giá hiệu suất mô hình so với các phương pháp hiện có. Nghiên cứu được thực hiện trong khoảng thời gian từ tháng 9/2022 đến tháng 7/2023, với dữ liệu thu thập 896 mẫu bệnh tại Bệnh viện Thống Nhất, TP. Hồ Chí Minh.

Việc ứng dụng AI và sóng PPG trong chẩn đoán huyết áp có ý nghĩa quan trọng trong việc nâng cao độ chính xác, thuận tiện và cá nhân hóa theo dõi huyết áp, góp phần giảm thiểu gánh nặng bệnh tật và chi phí y tế liên quan đến các bệnh tim mạch. Kết quả nghiên cứu có thể hỗ trợ phát triển các thiết bị giám sát huyết áp không xâm lấn, phù hợp với đặc điểm sinh học của người Việt Nam, từ đó nâng cao chất lượng chăm sóc sức khỏe cộng đồng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết chính: lý thuyết về tín hiệu Photoplethysmography (PPG) và các thuật toán trí tuệ nhân tạo (AI) trong y tế.

• Photoplethysmography (PPG): Là kỹ thuật quang học không xâm lấn đo sự biến đổi thể tích máu trong mạch máu động mạch thông qua sự thay đổi hấp thụ hoặc phản xạ ánh sáng. Sóng PPG gồm thành phần nhịp (AC) phản ánh dao động theo chu kỳ tim và thành phần không nhịp (DC) ổn định. Sóng PPG chứa thông tin về nhịp tim, huyết áp, bão hòa oxy và chức năng mạch máu. Mối tương quan giữa đặc điểm sóng PPG và huyết áp đã được chứng minh qua các chỉ số như đạo hàm sóng PPG, vận tốc sóng mạch (PWV) và chỉ số áp lực (PI).

• Trí tuệ nhân tạo (AI): Bao gồm các thuật toán học máy (Machine Learning) và học sâu (Deep Learning) như MLP, CNN, RNN, LSTM, U-Net, ResNet, ConvNeXt. AI được sử dụng để phân tích dữ liệu PPG phức tạp, trích xuất đặc trưng tự động và dự đoán huyết áp với độ chính xác cao. Các mô hình AI có khả năng học các mối quan hệ phi tuyến trong dữ liệu, cá nhân hóa dự đoán và theo dõi thời gian thực.

Các khái niệm chính bao gồm: tín hiệu PPG, huyết áp tâm thu và tâm trương, mạng nơ-ron tích chập (CNN), mạng nơ-ron hồi quy (RNN), mạng U-Net, chuẩn BHS (British Hypertension Society) để đánh giá độ chính xác mô hình.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Nghiên cứu thu thập 896 mẫu tín hiệu PPG và huyết áp từ bệnh nhân tại Bệnh viện Thống Nhất, TP. Hồ Chí Minh. Dữ liệu được xử lý tiền xử lý, lọc nhiễu và dán nhãn bằng phần mềm phát triển trên nền Matlab. Bộ dữ liệu thuần Việt giúp đảm bảo tính đại diện và phù hợp sinh học.

• Phương pháp phân tích: Phát triển mô hình AI dựa trên kiến trúc kết hợp MultiResUNet và ConvNeXt để dự đoán huyết áp từ tín hiệu PPG. Mô hình được huấn luyện và tối ưu trên tập dữ liệu thu thập, sử dụng các thông số huấn luyện như số epoch, kích thước kernel, số lượng bộ lọc. Hiệu suất mô hình được đánh giá qua các chỉ số sai số trung bình tuyệt đối (MAE), sai số trung bình bình phương (RMSE) và so sánh với tiêu chuẩn BHS.

• Timeline nghiên cứu: Nghiên cứu bắt đầu từ tháng 9/2022, hoàn thành thu thập dữ liệu và xây dựng mô hình trong năm 2023, bảo vệ luận văn vào tháng 7/2023.

Phương pháp chọn mẫu là lấy mẫu bệnh nhân tại bệnh viện với đa dạng độ tuổi và tình trạng sức khỏe để đảm bảo tính đại diện. Phân tích dữ liệu sử dụng kỹ thuật học sâu nhằm khai thác tối đa thông tin từ tín hiệu PPG, đồng thời so sánh với các phương pháp truyền thống và các mô hình AI khác.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Thu thập thành công bộ dữ liệu thuần Việt: 896 mẫu tín hiệu PPG và huyết áp được thu thập tại Bệnh viện Thống Nhất, với phân bố huyết áp tâm thu và tâm trương đa dạng, đảm bảo tính đại diện cho người Việt Nam. Bộ dữ liệu này khắc phục hạn chế của các bộ dữ liệu quốc tế như MIMIC II & III về tính tổng quát và đặc điểm sinh học.

2. Mô hình AI dự đoán huyết áp đạt độ chính xác cao: Mô hình kết hợp MultiResUNet và ConvNeXt đạt sai số trung bình tuyệt đối ±5.6 mmHg, vượt qua mức B cận A theo tiêu chuẩn BHS, cho thấy khả năng ứng dụng trong lâm sàng. Mô hình cũng nhẹ hơn gấp 20 lần so với các mô hình trước đây, thuận tiện cho triển khai trên thiết bị di động.

3. So sánh với các phương pháp hiện có: Mô hình AI đề xuất có hiệu suất vượt trội so với các phương pháp truyền thống như hồi quy tuyến tính và các mô hình học máy cơ bản. Đặc biệt, mô hình học sâu khai thác hiệu quả các đặc trưng phức tạp trong tín hiệu PPG, cải thiện độ chính xác dự đoán huyết áp.

4. Khả năng cá nhân hóa và theo dõi thời gian thực: Mô hình có thể cập nhật dự đoán dựa trên dữ liệu thời gian thực, thích ứng với sự thay đổi sinh lý của từng cá nhân, hỗ trợ quản lý huyết áp liên tục và hiệu quả.

Thảo luận kết quả

Kết quả cho thấy việc xây dựng bộ dữ liệu thuần Việt là bước tiến quan trọng, giúp giảm sai số do khác biệt chủng tộc và điều kiện môi trường so với các bộ dữ liệu quốc tế. Việc sử dụng kiến trúc mạng MultiResUNet và ConvNeXt tận dụng ưu điểm của mạng nơ-ron tích chập đa cấp và các khối lắp ghép hiện đại, giúp mô hình vừa chính xác vừa nhẹ, phù hợp với ứng dụng thực tế.

So với các nghiên cứu trước đây sử dụng MLP, CNN hay LSTM, mô hình này đạt độ chính xác cao hơn và có khả năng xử lý dữ liệu phức tạp hơn nhờ kết hợp nhiều kỹ thuật học sâu. Việc vượt qua tiêu chuẩn BHS chứng tỏ mô hình có thể được ứng dụng trong lâm sàng để giám sát huyết áp không xâm lấn.

Biểu đồ phân phối huyết áp trong bộ dữ liệu và biểu đồ sai số dự đoán qua các epoch huấn luyện minh họa rõ sự ổn định và hiệu quả của mô hình. Bảng so sánh hiệu suất với các phương pháp khác cho thấy ưu thế vượt trội về độ chính xác và kích thước mô hình.

Tuy nhiên, nghiên cứu cũng nhận diện các thách thức như nhiễu tín hiệu PPG do chuyển động, sự đa dạng sinh lý cá nhân và yêu cầu bảo mật dữ liệu. Việc tiếp tục mở rộng bộ dữ liệu và cải tiến thuật toán sẽ giúp nâng cao độ tin cậy và khả năng ứng dụng rộng rãi hơn.

Đề xuất và khuyến nghị

1. Phát triển thiết bị đo PPG tích hợp AI: Khuyến nghị các đơn vị nghiên cứu và doanh nghiệp công nghệ y tế phát triển thiết bị đo PPG nhỏ gọn, tích hợp mô hình AI nhẹ để giám sát huyết áp liên tục, thuận tiện cho người dùng cá nhân và bệnh viện. Thời gian thực hiện trong 1-2 năm.

2. Mở rộng bộ dữ liệu thuần Việt: Các cơ sở y tế và viện nghiên cứu cần phối hợp thu thập thêm dữ liệu PPG và huyết áp từ đa dạng nhóm dân cư, độ tuổi và tình trạng sức khỏe nhằm nâng cao tính đại diện và độ chính xác mô hình. Kế hoạch triển khai trong 3 năm.

3. Đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo cho cán bộ y tế về ứng dụng AI trong chẩn đoán huyết áp không xâm lấn, đồng thời xây dựng quy trình chuẩn để tích hợp công nghệ vào thực tiễn lâm sàng. Thời gian thực hiện 1 năm.

4. Xây dựng chính sách và quy định: Cơ quan quản lý y tế cần xây dựng khung pháp lý và hướng dẫn về sử dụng AI trong giám sát huyết áp, đảm bảo bảo mật dữ liệu, quyền riêng tư và tiêu chuẩn chất lượng thiết bị. Thời gian thực hiện 1-2 năm.

5. Nghiên cứu tiếp tục cải tiến mô hình: Các nhà nghiên cứu nên tập trung vào việc xử lý nhiễu tín hiệu, tăng khả năng giải thích mô hình và tích hợp thêm các dữ liệu sinh lý khác như ECG để nâng cao độ chính xác và ứng dụng lâm sàng. Kế hoạch dài hạn 3-5 năm.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật y sinh, cơ điện tử: Luận văn cung cấp kiến thức chuyên sâu về ứng dụng AI và tín hiệu PPG trong chẩn đoán huyết áp, giúp phát triển các đề tài nghiên cứu liên quan.

2. Chuyên gia và bác sĩ trong lĩnh vực tim mạch: Tham khảo để hiểu rõ hơn về công nghệ mới trong giám sát huyết áp không xâm lấn, hỗ trợ trong việc lựa chọn phương pháp chẩn đoán và theo dõi bệnh nhân.

3. Doanh nghiệp công nghệ y tế và phát triển thiết bị: Cung cấp cơ sở khoa học và mô hình AI hiệu quả để phát triển sản phẩm thiết bị đo huyết áp thông minh, phù hợp với thị trường Việt Nam.

4. Cơ quan quản lý và hoạch định chính sách y tế: Giúp xây dựng các chính sách, quy định về ứng dụng AI trong y tế, đảm bảo an toàn, hiệu quả và bảo mật thông tin người bệnh.

Câu hỏi thường gặp

1. PPG là gì và tại sao nó quan trọng trong chẩn đoán huyết áp?
   PPG là kỹ thuật đo biến đổi thể tích máu qua ánh sáng không xâm lấn, cung cấp thông tin về nhịp tim và huyết áp. Nó quan trọng vì dễ sử dụng, chi phí thấp và có thể giám sát liên tục.

2. AI giúp cải thiện dự đoán huyết áp từ PPG như thế nào?
   AI sử dụng các thuật toán học sâu để phân tích mẫu sóng PPG phức tạp, trích xuất đặc trưng tự động và dự đoán huyết áp chính xác hơn các phương pháp truyền thống.

3. Bộ dữ liệu thuần Việt có ưu điểm gì so với bộ dữ liệu quốc tế?
   Bộ dữ liệu thuần Việt phản ánh đặc điểm sinh học, chủng tộc và điều kiện môi trường của người Việt, giúp mô hình AI dự đoán huyết áp chính xác và phù hợp hơn.

4. Mô hình AI trong nghiên cứu có thể ứng dụng thực tế ra sao?
   Mô hình nhẹ, chính xác có thể tích hợp vào thiết bị đeo tay hoặc điện thoại thông minh để giám sát huyết áp liên tục, hỗ trợ quản lý bệnh nhân tại nhà và trong bệnh viện.

5. Những thách thức khi ứng dụng AI và PPG trong y tế là gì?
   Bao gồm chất lượng dữ liệu, nhiễu tín hiệu, khả năng giải thích mô hình, bảo mật dữ liệu và sự chấp nhận của người dùng cũng như cán bộ y tế.

Kết luận

• Nghiên cứu đã xây dựng thành công bộ dữ liệu y sinh học thuần Việt với 896 mẫu tín hiệu PPG và huyết áp, đáp ứng yêu cầu đại diện và chất lượng.
• Mô hình AI kết hợp MultiResUNet và ConvNeXt đạt độ chính xác ±5.6 mmHg, vượt chuẩn BHS, có tiềm năng ứng dụng lâm sàng.
• Mô hình nhẹ hơn gấp 20 lần so với các mô hình trước, phù hợp triển khai trên thiết bị di động và giám sát thời gian thực.
• Kết quả nghiên cứu góp phần nâng cao hiệu quả chẩn đoán huyết áp không xâm lấn, hỗ trợ phòng ngừa và quản lý bệnh tim mạch tại Việt Nam.
• Đề xuất mở rộng bộ dữ liệu, phát triển thiết bị tích hợp AI, đào tạo nhân lực và xây dựng chính sách để ứng dụng rộng rãi công nghệ này trong y tế.

Các nhà nghiên cứu và doanh nghiệp nên phối hợp phát triển thiết bị đo PPG tích hợp AI, đồng thời mở rộng thu thập dữ liệu để nâng cao độ chính xác và tính ứng dụng của mô hình. Các cơ quan quản lý cần xây dựng khung pháp lý phù hợp để đảm bảo an toàn và hiệu quả khi triển khai công nghệ mới này.

Trích đoạn nội dung tài liệu

ĐẶT VẤN ĐỀ 1. Câu hỏi nghiên cứu a. Làm sao để xây dựng một bộ dữ liệu y sinh học về tim mạch và huyết áp chất lượng cho người Việt? - Nghiên cứu này nhằm khám phá các quy trình, cách thức thu thập và quản lý dữ liệu. Đồng thời tìm ra quy trình lấy mẫu phù hợp với điều kiện Việt Nam.

Làm thế nào các kỹ thuật trí tuệ nhân tạo có thể được áp dụng để dự đoán huyết áp một cách chính xác bằng cách sử dụng dữ liệu sóng PPG? - Nghiên cứu này nhằm khám phá ứng dụng các kỹ thuật trí tuệ nhân tạo, chẳng hạn như thuật toán học máy hoặc kiến trúc học sâu, để dự đoán huyết áp. - Tìm kiếm các phương pháp và cách tiếp cận cụ thể có thể hiệu quả sử dụng dữ liệu sóng PPG để dự đoán chính xác. Hiệu suất của mô hình trí tuệ nhân tạo đề xuất so với các phương pháp hiện có trong việc dự đoán huyết áp và cao huyết áp như thế nào? - Nghiên cứu này tập trung vào đánh giá hiệu suất và hiệu quả của mô hình trí tuệ nhân tạo đã phát triển bằng cách so sánh với các mô hình thống kê truyền thống hoặc các phương pháp dựa trên trí tuệ nhân tạo khác. - Tìm kiếm phân tích các chỉ số như RMSE, MAE, MAPE để đánh giá khả năng dự đoán của mô hình.

7 CHƯƠNG 2 – TỔNG QUAN Chương 2. Tổng quan về trí tuệ nhân tạo (AI) trong y tế 2. Trí tuệ nhân tạo (AI) và ứng dụng của nó trong y tế Trí tuệ nhân tạo (Artificial Intelligence - AI) là một hệ thống máy tính có khả năng thực hiện các nhiệm vụ thường đòi hỏi trí tuệ con người như nhận thức hình ảnh, nhận dạng giọng nói, ra quyết định và giải quyết vấn đề. AI bao gồm các kỹ thuật và phương pháp khác nhau giúp máy tính thu thập, phân tích và hiểu dữ liệu, học từ kinh nghiệm và đưa ra quyết định hoặc dự đoán tự động.

Trong lĩnh vực y tế, AI đã trở thành một công nghệ đột phá có tiềm năng để cải thiện việc chăm sóc bệnh nhân, ra quyết định lâm sàng và nghiên cứu y học. Sự đột phá của AI trong lĩnh vực y tế nằm ở khả năng tăng cường và nâng cao khả năng của con người, nâng cao độ chính xác, hiệu quả và hiệu suất của các dịch vụ y tế. Bằng cách tận dụng sức mạnh của AI, các chuyên gia y tế có thể sử dụng các thuật toán tiên tiến, kỹ thuật tính toán để phân tích dữ liệu y tế phức tạp, từ đó rút ra thông tin có ích và hỗ trợ đưa ra các quyết định lâm sàng. Các hệ thống hỗ trợ bằng AI có thể xử lý lượng lớn dữ liệu trong thời gian thực, phát hiện ra các mẫu hình bệnh, tạo ra dự đoán hoặc hỗ trợ trong việc chẩn đoán, lập kế hoạch điều trị và quản lý bệnh nhân.

Một trong những yếu tố làm cho AI quan trọng trong lĩnh vực y tế là khả năng cải thiện kết quả điều trị cho bệnh nhân. Với các công cụ chẩn đoán được hỗ trợ bởi AI, các bác sĩ có thể truy cập thông tin chính xác và kịp thời hơn để phát hiện sớm và chẩn đoán bệnh. Ví dụ, các thuật toán AI có thể phân tích hình ảnh y tế như X-quang hoặc cắt lớp từ hình ảnh MRI để phát hiện các bất thường hoặc hỗ trợ trong việc xác định các tình trạng bệnh cụ thể. Điều này không chỉ giúp tăng tốc quá trình chẩn đoán mà còn giảm nguy cơ sai sót hoặc hiểu lầm.

8 CHƯƠNG 2 – TỔNG QUAN Hơn nữa, AI có thể đóng vai trò quan trọng trong cá nhân hóa y tế. Bằng cách sử dụng các kỹ thuật AI, các đơn vị cung cấp dịch vụ y tế có thể phân tích các tập dữ liệu lớn, bao gồm gen, hồ sơ sức khỏe điện tử và dữ liệu về lối sống để phát triển các mô hình dự đoán cho phép lập kế hoạch điều trị tùy chỉnh cho từng bệnh nhân. Các thuật toán AI có thể xác định các mẫu, mối liên hệ và yếu tố nguy cơ liên quan đến các bệnh cụ thể, cho phép can thiệp sớm, điều trị và cải thiện quản lý bệnh. AI cũng có triển vọng rất lớn trong việc tối ưu hóa phân bổ nguồn lực và cung cấp dịch vụ chăm sóc sức khỏe.

Với khả năng xử lý lượng lớn dữ liệu, các thuật toán AI có thể hỗ trợ việc tinh chỉnh quy trình làm việc, quản lý nguồn lực bệnh viện và tối ưu lịch hẹn của bệnh nhân. Ví dụ, các hệ thống được hỗ trợ bởi AI có thể giúp ưu tiên lịch hẹn của bệnh nhân dựa trên mức độ nghiêm trọng trong tình trạng của bệnh nhân, đảm bảo các trường hợp cấp cứu nhận được sự chú ý kịp thời. Các thuật toán AI cũng có thể phân tích dữ liệu lịch sử bệnh để dự đoán việc nhập viện của bệnh nhân và phân bổ nguồn lực tương ứng, giúp các cơ sở y tế hoạt động một cách hiệu quả hơn. Hơn nữa, AI còn đóng góp cho nghiên cứu y học bằng cách cho phép phân tích các tập dữ liệu mở rộng và tạo ra những phát kiến mới.

Thông qua kỹ thuật học máy và khai thác dữ liệu, AI có thể xác định các mẫu, mối liên hệ và sự tương quan trong các tập dữ liệu mà không phải lúc nào cũng rõ ràng đối với các nhà nghiên cứu. Điều này có thể dẫn đến việc xác định các chỉ số sinh trắc mới, khám phá các kế hoạch điều trị mới và phát triển các chiến lược điều trị chính xác hơn. Tuy nhiên, vẫn còn những thách thức liên quan đến việc triển khai AI trong lĩnh vực y tế. Chất lượng dữ liệu, vấn đề bảo mật và quyền riêng tư phải được định rõ để đảm bảo việc sử dụng AI một cách đạo đức và có trách nhiệm.

Ngoài ra, việc hiểu quy trình ra quyết định của các thuật toán AI phức tạp có thể là một thách thức. Đạt được sự cân bằng giữa chuyên môn của con người và khả năng của AI là rất quan trọng để xây dựng niềm tin và đảm bảo việc tích hợp thành công AI vào hệ thống chăm sóc sức khỏe. 9 CHƯƠNG 2 – TỔNG QUAN 2. Các thuật toán AI sử dụng trong y tế Công nghệ trí tuệ nhân tạo (AI) đã, đang và sẽ được áp dụng rộng rãi trong lĩnh vực y tế, mang đến những giải pháp đổi mới cho các vấn đề phức tạp và nâng cao khả năng của các chuyên gia y tế.

Phần này sẽ khám phá các kỹ thuật AI thường được sử dụng trong lĩnh vực y tế, bao gồm học máy, học sâu, xử lý ngôn ngữ tự nhiên và thị giác máy tính. Trí tuệ nhân tạo và ứng dụng của nó trong lĩnh vực y tế. Học Máy (Machine Learning - ML) Học máy (ML) là một nhánh của AI tập trung vào phát triển thuật toán và mô hình cho phép máy tính học và dự đoán từ dữ liệu mà không cần được lập trình một cách rõ ràng. Các kỹ thuật ML đã được áp dụng rộng rãi trong lĩnh vực y tế, bao gồm chẩn đoán bệnh, dự đoán điều trị và giám sát bệnh nhân.

10 CHƯƠNG 2 – TỔNG QUAN - Học Có Giám Sát (Supervised Learning): Các thuật toán học có giám sát học từ các tập dữ liệu được gán nhãn, trong đó đầu vào được liên kết với đầu ra tương ứng. Trong lĩnh vực y tế, học có giám sát được sử dụng cho các nhiệm vụ như phân loại bệnh, dự đoán nguy cơ và ước lượng tiên lượng. Ví dụ, các mô hình ML có thể được huấn luyện trên dữ liệu hình ảnh y tế để phân loại hình ảnh là bình thường hoặc bất thường, hỗ trợ trong việc chẩn đoán các bệnh như ung thư hoặc bệnh tim mạch. - Học Không Giám Sát (Unsupervised Learning): Các thuật toán học không giám sát làm việc với các tập dữ liệu không được gán nhãn, tìm kiếm các mẫu ẩn hoặc nhóm trong dữ liệu.

Các thuật toán gom cụm, như phân cụm k-means hoặc phân cụm phân cấp, thường được sử dụng trong lĩnh vực y tế để xác định các nhóm con của bệnh nhân dựa trên sự tương tự trong các đặc điểm lâm sàng, hồ sơ gen hoặc phản ứng điều trị. Học không giám sát có thể giúp khám phá những hiểu biết mới và hỗ trợ các phương pháp y học chính xác cao. - Học Tăng Cường (Reinforcement Learning): Học tăng cường liên quan đến việc huấn luyện các đặc vụ (agents) học từ tương tác với môi trường, nhận phần thưởng hoặc phạt dựa trên hành động của họ. Mặc dù ít được sử dụng trong lĩnh vực y tế, học tăng cường có tiềm năng trong việc tối ưu hóa các chiến lược điều trị, phân bổ tài nguyên và lịch trình trong môi trường y tế động.

Học Sâu (Deep Learning - DL) Học sâu (DL) là một phần của ML sử dụng mạng thần kinh nhân tạo với nhiều lớp để xử lý và phân tích dữ liệu phức tạp. Các kỹ thuật DL vượt trội trong việc phát hiện các mẫu phức tạp và trích xuất đặc trưng cấp cao từ các tập dữ liệu lớn. DL đã cách mạng hóa nhiều khía cạnh của lĩnh vực y tế, bao gồm hình ảnh y tế, gen học và xử lý ngôn ngữ tự nhiên. 11 CHƯƠNG 2 – TỔNG QUAN - Mạng Nơ-ron Tích Chập (Convolutional Neural Networks - CNNs): CNNs được sử dụng rộng rãi trong phân tích hình ảnh y tế, cho phép tự động phát hiện các bất thường, phân đoạn các cơ quan hoặc khối u và phân loại hình ảnh.

Bằng cách tận dụng các lớp bộ lọc phân cấp, CNNs có thể học các biểu diễn phân cấp của hình ảnh y tế, giúp chẩn đoán chính xác và hiệu quả. - Mạng Nơ-ron Tích Lũy (Recurrent Neural Networks - RNNs): RNNs đặc biệt hữu ích trong phân tích dữ liệu tuần tự, như dữ liệu theo dõi theo thời gian, điện tâm đồ (ECG) hoặc hồ sơ sức khỏe điện tử. RNNs bắt được sự phụ thuộc thời gian, cho phép các nhiệm vụ như dự đoán tiến triển bệnh, phát hiện bất thường trong dấu hiệu quan trọng hoặc tạo ra đề xuất điều trị riêng cho từng bệnh nhân. - Mạng Nơ-ron Tạo Sinh (Generative Adversarial Networks - GANs): GANs bao gồm hai mạng thần kinh, một mạng tạo sinh và một mạng phân biệt, cạnh tranh với nhau để tạo ra dữ liệu tổng hợp có tính thực tế.

GANs có ứng dụng tiềm năng trong việc tạo ra hình ảnh y tế tổng hợp, mở rộng tập dữ liệu huấn luyện và giải quyết những thách thức liên quan đến sự thiếu dữ liệu hoặc vấn đề bảo mật.