Tổng quan nghiên cứu

Trong bối cảnh sự phát triển mạnh mẽ của công nghệ thông tin, lượng dữ liệu được tạo ra trong các hệ thống ngày càng tăng nhanh, đặc biệt là trong lĩnh vực chăm sóc sức khỏe tại các bệnh viện. Tại Việt Nam, nhu cầu về dịch vụ y tế gia tăng do sự già hóa dân số, chi phí quản lý bệnh mãn tính và nhu cầu nhân lực chăm sóc sức khỏe tăng cao. Theo ước tính, các hệ thống hồ sơ y tế điện tử (EHR), hệ thống lưu trữ và truyền thông hình ảnh (PACS) cùng nhiều hệ thống thu thập dữ liệu khác đã tạo ra khối lượng dữ liệu khổng lồ, đòi hỏi các kỹ thuật phân tích dữ liệu tiên tiến để trích xuất thông tin giá trị phục vụ cải tiến quy trình chăm sóc.

Vấn đề nghiên cứu tập trung vào việc khai phá quy trình – một kỹ thuật kết hợp giữa phân tích dữ liệu và mô hình quy trình nhằm chiết xuất thông tin có giá trị từ các bản ghi sự kiện trong hệ thống thông tin bệnh viện. Mục tiêu cụ thể là nghiên cứu các thuật toán khai phá quy trình, ứng dụng chúng để phân tích quy trình chăm sóc sức khỏe tại bệnh viện, từ đó đánh giá hiệu quả và đề xuất cải tiến quy trình. Phạm vi nghiên cứu tập trung vào dữ liệu sự kiện quy trình chăm sóc y tế tại một bệnh viện, sử dụng công cụ khai phá quy trình ProM và các thuật toán Alpha, Heuristic Miner, và Genetic Process Mining.

Ý nghĩa nghiên cứu thể hiện qua việc cung cấp giải pháp nâng cao hiệu quả quản lý quy trình chăm sóc sức khỏe, giúp bệnh viện kiểm soát và cải tiến quy trình nhằm nâng cao năng suất, giảm chi phí và đáp ứng nhu cầu ngày càng tăng của người bệnh. Nghiên cứu góp phần mở rộng ứng dụng kỹ thuật khai phá quy trình trong lĩnh vực y tế, đồng thời cung cấp cơ sở khoa học cho các nhà quản lý và chuyên gia công nghệ thông tin trong việc tối ưu hóa hoạt động bệnh viện.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Khai phá quy trình (Process Mining) là kỹ thuật khai thác tri thức từ các bản ghi sự kiện (event logs) để khám phá, giám sát và cải thiện quy trình thực tế. Theo A. van der Aalst (2007), khai phá quy trình bao gồm ba nhiệm vụ chính: (i) khám phá mô hình mới từ dữ liệu, (ii) kiểm tra tính phù hợp của mô hình với dữ liệu thực tế, và (iii) mở rộng mô hình hiện có bằng cách bổ sung thông tin từ bản ghi sự kiện.

Ba thuật toán khai phá quy trình được nghiên cứu gồm:

  • Thuật toán Alpha (α): Thuật toán đầu tiên giải quyết các hoạt động đồng thời trong quy trình, đơn giản và dễ hiểu nhưng hạn chế trong xử lý các cấu trúc phức tạp và sự kiện lỗi.
  • Thuật toán Heuristic Miner (HM): Cải tiến từ Alpha, sử dụng tần suất xuất hiện của các sự kiện để xác định các quan hệ phụ thuộc, xử lý tốt hơn các sự kiện lỗi và tần suất thấp.
  • Thuật toán Genetic Process Mining (GPM): Dựa trên nguyên lý tiến hóa, xây dựng mô hình quy trình toàn cục, xử lý hiệu quả các cấu trúc phức tạp và sự kiện lỗi nhưng tốn nhiều tài nguyên tính toán.

Các mô hình quy trình được biểu diễn chủ yếu dưới dạng mạng Petri (Petri Nets) và mạng luồng công việc (Workflow Nets - WF-nets), giúp mô hình hóa trạng thái và luồng công việc trong quy trình chăm sóc sức khỏe.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bản ghi sự kiện quy trình chăm sóc sức khỏe tại một bệnh viện, bao gồm các hoạt động như đăng ký yêu cầu, kiểm tra kỹ lưỡng, kiểm tra thông thường, kiểm tra hồ sơ bệnh nhân, ra quyết định, bắt đầu lại yêu cầu, chăm sóc sức khỏe và từ chối yêu cầu. Dữ liệu được thu thập và chuẩn hóa theo định dạng chuẩn XES để sử dụng trong công cụ ProM.

Phương pháp phân tích bao gồm:

  • Thu thập thông tin: Tổng hợp tài liệu, báo cáo, sách giáo trình và các nguồn trực tuyến liên quan đến khai phá quy trình và các thuật toán.
  • So sánh và đối chiếu: Đánh giá ưu nhược điểm của các thuật toán khai phá quy trình dựa trên kết quả thực nghiệm.
  • Tham vấn chuyên gia: Lấy ý kiến từ các chuyên gia trong lĩnh vực hệ thống thông tin và quản lý quy trình.
  • Thực nghiệm: Sử dụng công cụ ProM để mô phỏng khai phá quy trình chăm sóc sức khỏe bằng các thuật toán Alpha, Heuristic Miner và Genetic Process Mining trên bộ dữ liệu bản ghi sự kiện.

Cỡ mẫu dữ liệu sự kiện gồm hàng trăm trường hợp bệnh nhân với các chuỗi hoạt động khác nhau, được lựa chọn nhằm đảm bảo tính đại diện và độ tin cậy cho phân tích. Phương pháp chọn mẫu dựa trên dữ liệu thực tế thu thập từ bệnh viện trong một khoảng thời gian nhất định, đảm bảo phản ánh đúng quy trình chăm sóc sức khỏe.

Timeline nghiên cứu kéo dài trong năm 2018, bao gồm các giai đoạn thu thập dữ liệu, phân tích lý thuyết, thực nghiệm mô phỏng và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả khai phá quy trình với bản ghi sự kiện đầy đủ: Thuật toán Alpha cho kết quả khai phá mô hình quy trình chăm sóc sức khỏe với độ phù hợp 100% khi sử dụng bản ghi sự kiện LFull không chứa lỗi. Điều này chứng tỏ thuật toán Alpha hiệu quả trong môi trường dữ liệu sạch và đầy đủ.

  2. Khả năng xử lý sự kiện lỗi và tần suất thấp: Thuật toán Heuristic Miner thể hiện khả năng xử lý tốt hơn so với Alpha khi đối mặt với các bản ghi sự kiện có lỗi hoặc tần suất thấp. Ví dụ, khi thiết lập tham số σa = 0.1, HM cho phép kết nối tần suất thấp giữa các hoạt động, giúp mô hình phản ánh thực tế đa dạng hơn.

  3. Chất lượng mô hình và thời gian thực hiện: Thuật toán Genetic Process Mining (GPM) cho kết quả mô hình có độ phù hợp cao nhất, đặc biệt với các bản ghi sự kiện có lỗi và hoạt động trùng lặp. Tuy nhiên, thời gian thực hiện của GPM lâu hơn đáng kể so với Alpha và HM, do tính toán phức tạp của thuật toán tiến hóa.

  4. So sánh tổng thể các thuật toán: Alpha và HM thực hiện nhanh, phù hợp với dữ liệu không phức tạp và ít lỗi, trong khi GPM phù hợp với dữ liệu phức tạp, nhiều lỗi nhưng đòi hỏi tài nguyên tính toán lớn. Độ phù hợp mô hình của GPM cao hơn khoảng 15-20% so với Alpha và HM trong các trường hợp dữ liệu có lỗi.

Thảo luận kết quả

Kết quả cho thấy sự phù hợp giữa thuật toán và đặc điểm dữ liệu là yếu tố quyết định hiệu quả khai phá quy trình. Thuật toán Alpha, với cấu trúc đơn giản, phù hợp với dữ liệu sạch nhưng không xử lý tốt các trường hợp lỗi hoặc phức tạp. Heuristic Miner cải thiện khả năng xử lý các sự kiện lỗi nhờ sử dụng tần suất xuất hiện, phù hợp với môi trường dữ liệu thực tế có nhiễu. GPM, với phương pháp tiến hóa toàn cục, vượt trội trong việc phát hiện các cấu trúc phức tạp và xử lý lỗi, tuy nhiên chi phí tính toán cao hạn chế ứng dụng trong các hệ thống lớn.

So sánh với các nghiên cứu trong ngành, kết quả phù hợp với báo cáo của ngành về ưu nhược điểm của các thuật toán khai phá quy trình. Việc sử dụng công cụ ProM giúp trực quan hóa mô hình và đánh giá độ phù hợp thông qua các biểu đồ mạng Petri và các chỉ số kiểm tra phù hợp, hỗ trợ việc phân tích và cải tiến quy trình chăm sóc sức khỏe tại bệnh viện.

Ý nghĩa của nghiên cứu nằm ở việc cung cấp cơ sở khoa học và công cụ thực tiễn để các bệnh viện có thể áp dụng khai phá quy trình nhằm nâng cao hiệu quả quản lý, giảm chi phí và cải thiện chất lượng dịch vụ y tế.

Đề xuất và khuyến nghị

  1. Áp dụng thuật toán phù hợp theo đặc điểm dữ liệu: Đề nghị các bệnh viện và tổ chức y tế lựa chọn thuật toán khai phá quy trình dựa trên tính chất dữ liệu sự kiện. Với dữ liệu sạch, thuật toán Alpha hoặc Heuristic Miner có thể được ưu tiên để tiết kiệm thời gian xử lý. Với dữ liệu phức tạp, nhiều lỗi, nên sử dụng Genetic Process Mining để đảm bảo chất lượng mô hình.

  2. Xây dựng hệ thống thu thập và chuẩn hóa dữ liệu sự kiện: Đề xuất thiết lập quy trình thu thập, làm sạch và chuẩn hóa dữ liệu sự kiện theo định dạng chuẩn XES nhằm đảm bảo tính nhất quán và dễ dàng tích hợp với các công cụ khai phá quy trình như ProM. Chủ thể thực hiện là bộ phận công nghệ thông tin bệnh viện, trong vòng 6 tháng.

  3. Đào tạo nhân lực và nâng cao nhận thức về khai phá quy trình: Tổ chức các khóa đào tạo cho cán bộ quản lý và kỹ thuật viên về kỹ thuật khai phá quy trình, cách sử dụng công cụ ProM và phân tích kết quả để cải tiến quy trình chăm sóc. Thời gian triển khai trong 3 tháng, do phòng đào tạo phối hợp với chuyên gia công nghệ thông tin thực hiện.

  4. Phát triển hệ thống giám sát và cải tiến quy trình liên tục: Xây dựng hệ thống giám sát quy trình dựa trên khai phá quy trình để phát hiện sớm các điểm nghẽn, sai lệch và đề xuất cải tiến kịp thời. Chủ thể thực hiện là ban quản lý bệnh viện phối hợp với phòng công nghệ thông tin, triển khai trong vòng 1 năm.

  5. Nghiên cứu mở rộng các thuật toán và quan điểm khai phá quy trình: Khuyến khích nghiên cứu tiếp tục phát triển các thuật toán khai phá quy trình theo vùng (Region-Based Mining) và mở rộng khai phá theo quan điểm tổ chức, thời gian, trường hợp nhằm hoàn thiện mô hình và áp dụng thực tế hiệu quả hơn. Thời gian nghiên cứu dự kiến 1-2 năm, do các viện nghiên cứu và trường đại học thực hiện.

Đối tượng nên tham khảo luận văn

  1. Nhà quản lý bệnh viện và cơ sở y tế: Giúp hiểu rõ về kỹ thuật khai phá quy trình và ứng dụng trong cải tiến quy trình chăm sóc sức khỏe, từ đó nâng cao hiệu quả quản lý và chất lượng dịch vụ.

  2. Chuyên gia công nghệ thông tin trong lĩnh vực y tế: Cung cấp kiến thức về các thuật toán khai phá quy trình, công cụ ProM và cách thức áp dụng thực tế, hỗ trợ phát triển hệ thống thông tin bệnh viện thông minh.

  3. Nghiên cứu sinh và sinh viên ngành hệ thống thông tin, quản lý quy trình: Là tài liệu tham khảo chuyên sâu về lý thuyết, thuật toán và ứng dụng khai phá quy trình trong môi trường thực tế, phục vụ cho các đề tài nghiên cứu và luận văn.

  4. Các nhà phát triển phần mềm quản lý quy trình nghiệp vụ: Hướng dẫn tích hợp các thuật toán khai phá quy trình vào sản phẩm phần mềm, nâng cao khả năng phân tích và tối ưu quy trình cho khách hàng trong lĩnh vực y tế và các ngành khác.

Câu hỏi thường gặp

  1. Khai phá quy trình là gì và tại sao nó quan trọng trong chăm sóc sức khỏe?
    Khai phá quy trình là kỹ thuật trích xuất mô hình quy trình thực tế từ dữ liệu sự kiện. Trong chăm sóc sức khỏe, nó giúp phát hiện các điểm nghẽn, sai lệch trong quy trình, từ đó cải tiến hiệu quả và chất lượng dịch vụ.

  2. Các thuật toán khai phá quy trình nào được sử dụng phổ biến?
    Ba thuật toán chính là Alpha, Heuristic Miner và Genetic Process Mining. Alpha đơn giản, phù hợp dữ liệu sạch; Heuristic Miner xử lý tốt sự kiện lỗi; Genetic Process Mining mạnh mẽ với dữ liệu phức tạp nhưng tốn tài nguyên.

  3. Công cụ ProM có vai trò gì trong nghiên cứu này?
    ProM là công cụ khai phá quy trình hỗ trợ nhiều thuật toán, cho phép nhập dữ liệu chuẩn XES, mô phỏng và trực quan hóa mô hình quy trình, giúp đánh giá và so sánh hiệu quả các thuật toán.

  4. Làm thế nào để lựa chọn thuật toán phù hợp cho bệnh viện?
    Cần đánh giá đặc điểm dữ liệu sự kiện: nếu dữ liệu đầy đủ, ít lỗi thì Alpha hoặc Heuristic Miner phù hợp; nếu dữ liệu phức tạp, nhiều lỗi thì nên dùng Genetic Process Mining để đảm bảo chất lượng mô hình.

  5. Nghiên cứu này có thể áp dụng như thế nào trong thực tế?
    Bệnh viện có thể áp dụng khai phá quy trình để giám sát và cải tiến quy trình chăm sóc, giảm thời gian chờ đợi, nâng cao chất lượng điều trị và tối ưu nguồn lực, từ đó nâng cao hiệu quả hoạt động và sự hài lòng của bệnh nhân.

Kết luận

  • Luận văn đã tổng quan và phân tích kỹ thuật khai phá quy trình, tập trung vào ba thuật toán Alpha, Heuristic Miner và Genetic Process Mining, đánh giá ưu nhược điểm của từng thuật toán.
  • Ứng dụng khai phá quy trình trong phân tích quy trình chăm sóc sức khỏe tại bệnh viện bằng công cụ ProM, mô phỏng trên dữ liệu thực tế, cho thấy hiệu quả và tính khả thi của phương pháp.
  • Kết quả thực nghiệm minh họa rõ ràng sự khác biệt về hiệu suất và chất lượng mô hình giữa các thuật toán, từ đó đề xuất lựa chọn thuật toán phù hợp theo đặc điểm dữ liệu.
  • Đề xuất các giải pháp ứng dụng khai phá quy trình trong quản lý bệnh viện nhằm nâng cao hiệu quả và chất lượng dịch vụ chăm sóc sức khỏe.
  • Hướng phát triển nghiên cứu tập trung vào mở rộng thuật toán khai phá quy trình theo các quan điểm tổ chức, thời gian và trường hợp, đồng thời nâng cao khả năng xử lý dữ liệu phức tạp trong thực tế.

Luận văn khuyến khích các nhà quản lý và chuyên gia công nghệ thông tin trong lĩnh vực y tế áp dụng kỹ thuật khai phá quy trình để cải tiến quy trình chăm sóc sức khỏe, đồng thời tiếp tục nghiên cứu và phát triển các thuật toán mới nhằm đáp ứng yêu cầu ngày càng cao của ngành y tế hiện đại.