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.

Hành động tiếp theo: 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.