Phần mềm dự đoán khả năng nhiễm Covid-19 qua triệu chứng - Luận văn Lạc Hồng

Phần mềm dự đoán Covid-19 dựa trên triệu chứng giúp bạn đánh giá nguy cơ lây nhiễm nhanh chóng. Tìm hiểu cách ứng dụng công nghệ thông tin để bảo vệ sức khỏe.

• Tác giả: Phạm Thị Huỳnh Như
• Người hướng dẫn: TS. Lâm Thành Hiển
• Trường học: Trường Đại học Lạc Hồng
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Xây dựng phần mềm dự đoán khả năng nhiễm Covid-19 thông qua triệu chứng.
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Đồng Nai

Tóm tắt

I. Tổng Quan Về Phần Mềm Dự Đoán Covid 19 Qua Triệu Chứng

Đại dịch Covid-19 đã gây ra những hậu quả nặng nề trên toàn cầu. Việc phát hiện sớm và chính xác khả năng mắc Covid là vô cùng quan trọng để kiểm soát dịch bệnh và giảm thiểu tác động tiêu cực. Hiện nay, các phương pháp xét nghiệm truyền thống vẫn còn nhiều hạn chế về thời gian và chi phí. Do đó, việc phát triển phần mềm dự đoán Covid-19 dựa trên các triệu chứng Covid-19 ban đầu trở thành một hướng đi đầy tiềm năng. Phần mềm này có thể giúp sàng lọc nhanh chóng những người có nguy cơ mắc Covid cao, từ đó ưu tiên xét nghiệm và điều trị kịp thời. Theo nghiên cứu của Đại học Lạc Hồng, một phần mềm dự đoán hiệu quả có thể giảm tải cho hệ thống y tế và cải thiện đáng kể khả năng ứng phó với dịch bệnh. Hơn nữa, ứng dụng này có thể tích hợp vào các hệ thống y tế từ xa (telehealth), giúp người dân dễ dàng tự chẩn đoán Covid tại nhà và nhận được tư vấn y tế kịp thời.

1.1. Ý nghĩa của việc dự đoán Covid qua triệu chứng ban đầu

Việc dự đoán Covid-19 thông qua các triệu chứng ban đầu Covid mang lại nhiều lợi ích thiết thực. Thứ nhất, nó giúp người dân chủ động theo dõi sức khỏe và phát hiện sớm các dấu hiệu khả năng mắc Covid. Thứ hai, nó hỗ trợ các cơ sở y tế sàng lọc nhanh chóng bệnh nhân và ưu tiên nguồn lực cho những trường hợp cần thiết. Thứ ba, nó góp phần giảm tải cho hệ thống xét nghiệm và nâng cao hiệu quả phòng chống dịch bệnh. Theo các chuyên gia, việc kết hợp phân tích triệu chứng Covid với các công nghệ AI dự đoán Covid có thể tạo ra một công cụ mạnh mẽ trong cuộc chiến chống lại đại dịch. Nghiên cứu tại Đại học Lạc Hồng cũng chỉ ra rằng, một phần mềm chẩn đoán Covid chính xác có thể cải thiện đáng kể hiệu quả sàng lọc Covid cộng đồng.

1.2. Ứng dụng trong bối cảnh y tế từ xa và telehealth Covid

Trong bối cảnh đại dịch, y tế từ xa và telehealth Covid đã trở thành những giải pháp quan trọng để tiếp cận dịch vụ y tế một cách an toàn và hiệu quả. Việc tích hợp phần mềm dự đoán Covid vào các nền tảng này giúp người dân dễ dàng kiểm tra Covid tại nhà thông qua việc nhập các triệu chứng Covid-19. Kết quả tự chẩn đoán Covid sẽ được gửi đến bác sĩ để được tư vấn và hướng dẫn điều trị. Điều này không chỉ giúp giảm thiểu nguy cơ lây nhiễm tại các cơ sở y tế mà còn tạo điều kiện cho người dân ở vùng sâu vùng xa tiếp cận dịch vụ y tế chất lượng cao. Các ứng dụng này thường tuân thủ các quy định về bảo mật thông tin cá nhân và được thiết kế để dễ sử dụng cho mọi đối tượng.

II. Thách Thức Trong Dự Đoán Covid 19 Qua Triệu Chứng Covid 19

Mặc dù đầy tiềm năng, việc dự đoán Covid-19 qua triệu chứng Covid-19 cũng đối mặt với nhiều thách thức. Các triệu chứng Covid-19 có thể rất đa dạng và không đặc hiệu, dễ nhầm lẫn với các bệnh hô hấp khác. Bên cạnh đó, một số người nhiễm bệnh có thể không có triệu chứng hoặc chỉ có triệu chứng ban đầu Covid rất nhẹ, gây khó khăn cho việc chẩn đoán sớm Covid. Ngoài ra, dữ liệu về triệu chứng Covid có thể không đầy đủ hoặc không chính xác, ảnh hưởng đến độ tin cậy của mô hình dự đoán Covid. Cuối cùng, việc xây dựng và duy trì một phần mềm chẩn đoán Covid hiệu quả đòi hỏi sự hợp tác chặt chẽ giữa các chuyên gia y tế và công nghệ thông tin, cũng như sự cập nhật liên tục về kiến thức và dữ liệu dịch bệnh.

2.1. Sự đa dạng và không đặc hiệu của triệu chứng Covid 19

Một trong những thách thức lớn nhất trong dự đoán Covid-19 là sự đa dạng và không đặc hiệu của triệu chứng Covid-19. Các triệu chứng Covid có thể thay đổi tùy thuộc vào biến chủng virus, tình trạng sức khỏe của người bệnh và nhiều yếu tố khác. Một số người có thể chỉ bị sốt nhẹ và ho, trong khi những người khác lại gặp các triệu chứng nghiêm trọng như khó thở và viêm phổi. Do đó, việc phân biệt Covid-19 với các bệnh hô hấp khác như cảm cúm hoặc viêm họng dựa trên triệu chứng đơn thuần là rất khó khăn. Điều này đòi hỏi các phần mềm dự đoán Covid phải sử dụng các thuật toán phức tạp và phân tích dữ liệu Covid một cách kỹ lưỡng để đưa ra kết quả chính xác.

2.2. Thiếu dữ liệu và độ chính xác của dữ liệu triệu chứng Covid

Việc xây dựng một mô hình dự đoán Covid chính xác đòi hỏi một lượng lớn dữ liệu chất lượng cao về triệu chứng Covid-19. Tuy nhiên, dữ liệu này có thể không đầy đủ hoặc không chính xác do nhiều nguyên nhân. Người dân có thể không khai báo đầy đủ các triệu chứng Covid ban đầu hoặc khai báo sai lệch do lo sợ bị kỳ thị hoặc cách ly. Các cơ sở y tế có thể không thu thập đầy đủ thông tin về triệu chứng của bệnh nhân hoặc ghi chép không chính xác. Hơn nữa, các biến thể mới của virus có thể gây ra các triệu chứng khác biệt, làm cho các mô hình dự đoán cũ trở nên kém hiệu quả. Do đó, việc thu thập và phân tích dữ liệu Covid một cách cẩn thận là vô cùng quan trọng để đảm bảo độ tin cậy của các phần mềm dự đoán Covid.

III. Phương Pháp AI Dự Đoán Covid 19 Qua Triệu Chứng Hiệu Quả

Để vượt qua những thách thức trên, các nhà khoa học đã phát triển nhiều phương pháp AI dự đoán Covid-19 dựa trên triệu chứng Covid-19. Các phương pháp này sử dụng các thuật toán học máy để phân tích dữ liệu Covid và xác định các mô hình liên quan giữa triệu chứng và khả năng mắc Covid. Một số phương pháp phổ biến bao gồm: mô hình hồi quy logistic, cây quyết định, mạng nơ-ron và các kỹ thuật phân tích dữ liệu nâng cao. Theo nghiên cứu của Đại học Lạc Hồng, việc kết hợp nhiều phương pháp AI khác nhau có thể cải thiện đáng kể độ chính xác của phần mềm dự đoán. Tuy nhiên, việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu cụ thể của ứng dụng.

3.1. Sử dụng mô hình học máy để phân tích triệu chứng Covid

Mô hình học máy là một công cụ mạnh mẽ để phân tích dữ liệu triệu chứng Covid và xây dựng các phần mềm dự đoán Covid chính xác. Các thuật toán học máy có thể học hỏi từ dữ liệu lịch sử và xác định các mô hình liên quan giữa triệu chứng và khả năng mắc Covid. Ví dụ, một mô hình hồi quy logistic có thể được sử dụng để ước tính khả năng mắc Covid dựa trên các triệu chứng như sốt, ho và khó thở. Các thuật toán phức tạp hơn như mạng nơ-ron có thể xử lý các mối quan hệ phi tuyến tính và cải thiện độ chính xác của mô hình dự đoán. Tuy nhiên, việc lựa chọn và huấn luyện mô hình học máy phù hợp đòi hỏi kiến thức chuyên môn về phân tích dữ liệu và kỹ thuật lập trình.

3.2. Ứng dụng Fuzzy Logic trong chẩn đoán sớm Covid

Fuzzy Logic là một phương pháp tiếp cận hiệu quả để xử lý sự không chắc chắn và mập mờ trong chẩn đoán Covid. Trong bối cảnh dự đoán Covid-19, Fuzzy Logic có thể được sử dụng để mô hình hóa các triệu chứng không rõ ràng hoặc khó định lượng. Ví dụ, mức độ sốt có thể được mô tả bằng các tập mờ như "sốt nhẹ", "sốt vừa" và "sốt cao". Các quy tắc mờ có thể được sử dụng để kết hợp các triệu chứng khác nhau và đưa ra dự đoán về khả năng mắc Covid. Fuzzy Logic đặc biệt hữu ích trong các tình huống mà dữ liệu triệu chứng không đầy đủ hoặc không chính xác.

IV. Xây Dựng Phần Mềm Chẩn Đoán Covid Dựa Trên Triệu Chứng

Việc xây dựng một phần mềm chẩn đoán Covid hiệu quả đòi hỏi sự kết hợp giữa kiến thức y tế và kỹ năng lập trình. Đầu tiên, cần thu thập và chuẩn hóa dữ liệu về triệu chứng Covid. Tiếp theo, cần lựa chọn và huấn luyện mô hình dự đoán phù hợp. Cuối cùng, cần thiết kế giao diện người dùng thân thiện và dễ sử dụng. Theo nghiên cứu của Đại học Lạc Hồng, một phần mềm chẩn đoán tốt cần có khả năng cung cấp kết quả nhanh chóng và chính xác, đồng thời đảm bảo tính bảo mật thông tin cá nhân của người dùng.

4.1. Thu thập và chuẩn hóa dữ liệu triệu chứng Covid 19

Bước đầu tiên trong việc xây dựng phần mềm chẩn đoán Covid là thu thập và chuẩn hóa dữ liệu triệu chứng. Dữ liệu này có thể được thu thập từ các cơ sở y tế, các nghiên cứu khoa học hoặc các ứng dụng di động. Quá trình chuẩn hóa dữ liệu bao gồm việc loại bỏ các giá trị thiếu hoặc sai lệch, chuyển đổi các triệu chứng định tính thành định lượng và đảm bảo tính nhất quán giữa các nguồn dữ liệu khác nhau. Dữ liệu chuẩn hóa sẽ được sử dụng để huấn luyện mô hình dự đoán.

4.2. Thiết kế giao diện người dùng thân thiện cho ứng dụng dự đoán Covid

Giao diện người dùng (UI) là một yếu tố quan trọng trong việc đảm bảo tính dễ sử dụng và hiệu quả của phần mềm dự đoán Covid. Giao diện nên được thiết kế đơn giản và trực quan, giúp người dùng dễ dàng nhập các triệu chứng và nhận kết quả dự đoán. Các thông tin quan trọng như khả năng mắc Covid và các khuyến nghị y tế nên được hiển thị rõ ràng và dễ hiểu. Giao diện cũng nên được tối ưu hóa cho các thiết bị di động để người dùng có thể sử dụng ứng dụng dự đoán Covid mọi lúc mọi nơi.

V. Ứng Dụng Thực Tiễn và Nghiên Cứu Về Phần Mềm Dự Đoán Covid 19

Các phần mềm dự đoán Covid-19 đã được ứng dụng rộng rãi trong thực tế để hỗ trợ công tác phòng chống dịch bệnh. Các ứng dụng này có thể giúp người dân tự đánh giá nguy cơ mắc Covid và nhận được tư vấn y tế kịp thời. Các cơ sở y tế có thể sử dụng phần mềm để sàng lọc nhanh chóng bệnh nhân và ưu tiên nguồn lực cho những trường hợp cần thiết. Các nhà nghiên cứu có thể sử dụng phần mềm để phân tích dữ liệu Covid và phát triển các biện pháp phòng chống dịch bệnh hiệu quả hơn. Nghiên cứu của Đại học Lạc Hồng cho thấy rằng các phần mềm dự đoán Covid có thể cải thiện đáng kể hiệu quả phòng chống dịch bệnh nếu được sử dụng đúng cách.

5.1. Kết quả nghiên cứu về hiệu quả của phần mềm dự đoán Covid

Nhiều nghiên cứu đã được thực hiện để đánh giá hiệu quả của phần mềm dự đoán Covid trong thực tế. Các nghiên cứu này thường so sánh độ chính xác của phần mềm với các phương pháp chẩn đoán truyền thống hoặc các mô hình dự đoán khác. Kết quả cho thấy rằng các phần mềm dự đoán Covid có thể đạt được độ chính xác cao trong việc xác định những người có nguy cơ mắc Covid cao. Tuy nhiên, độ chính xác của phần mềm có thể thay đổi tùy thuộc vào chất lượng dữ liệu, phương pháp huấn luyện và đặc điểm của quần thể nghiên cứu.

5.2. Ứng dụng trong sàng lọc Covid cộng đồng và quản lý dịch bệnh

Phần mềm dự đoán Covid có thể được sử dụng để sàng lọc Covid cộng đồng một cách nhanh chóng và hiệu quả. Người dân có thể sử dụng phần mềm để tự đánh giá nguy cơ mắc Covid và nhận được khuyến nghị về việc xét nghiệm hoặc cách ly. Các cơ quan y tế có thể sử dụng phần mềm để xác định các khu vực có nguy cơ lây nhiễm cao và triển khai các biện pháp phòng chống dịch bệnh phù hợp. Phần mềm dự đoán Covid cũng có thể được sử dụng để theo dõi diễn biến dịch bệnh và đánh giá hiệu quả của các biện pháp can thiệp.

VI. Tương Lai Của Phần Mềm Dự Đoán Covid 19 và AI Dự Đoán

Với sự phát triển không ngừng của khoa học và công nghệ, tương lai của phần mềm dự đoán Covid-19 và AI dự đoán hứa hẹn nhiều điều thú vị. Các nhà khoa học đang nghiên cứu các phương pháp AI mới để cải thiện độ chính xác của mô hình dự đoán và giảm thiểu sai sót. Các phần mềm tương lai có thể tích hợp các thông tin khác như dữ liệu di truyền và môi trường để đưa ra dự đoán chính xác hơn. Ngoài ra, các phần mềm có thể được cá nhân hóa để phù hợp với từng người dùng, giúp họ chủ động quản lý sức khỏe và phòng chống dịch bệnh hiệu quả hơn.

6.1. Kết hợp dữ liệu di truyền và môi trường trong mô hình dự đoán

Trong tương lai, mô hình dự đoán Covid có thể được cải thiện bằng cách kết hợp dữ liệu di truyền và môi trường. Dữ liệu di truyền có thể giúp xác định những người có nguy cơ mắc Covid cao hơn hoặc dễ bị biến chứng nghiêm trọng. Dữ liệu môi trường như chất lượng không khí và mật độ dân số có thể giúp đánh giá nguy cơ lây nhiễm trong cộng đồng. Việc kết hợp các loại dữ liệu này có thể giúp mô hình dự đoán đưa ra kết quả chính xác và cá nhân hóa hơn.

6.2. Phần mềm dự đoán Covid cá nhân hóa và ứng dụng trong tương lai

Phần mềm dự đoán Covid trong tương lai có thể được cá nhân hóa để phù hợp với từng người dùng. Phần mềm có thể thu thập thông tin về lịch sử bệnh tật, thói quen sinh hoạt và các yếu tố nguy cơ của người dùng để đưa ra dự đoán chính xác và các khuyến nghị phù hợp. Phần mềm cũng có thể tích hợp với các thiết bị đeo thông minh để theo dõi sức khỏe của người dùng và phát hiện sớm các dấu hiệu bất thường. Phần mềm dự đoán Covid cá nhân hóa có thể giúp người dùng chủ động quản lý sức khỏe và phòng chống dịch bệnh hiệu quả hơn.

Trích đoạn nội dung tài liệu

Chương 1. TỔNG QUAN Thực hiện giới thiệu về lý do chọn đề tài, mục đích nghiên cứu và nói tổng quát về phương pháp thực hiện nghiên cứu của đề tài. CƠ SỞ LÝ THUYẾT Báo cáo toàn diện nội dung tìm hiểu về lý thuyết đề cập ở Nội dung 1, bên cạnh đó có kết quả khảo sát của một vài cách tiếp cận trước đây liên quan đến bài toán. XÂY DỰNG HỆ THỐNG Báo cáo toàn diện và phương pháp nghiên cứu: - Cách xây dựng bộ dữ liệu, một số thống kê về dữ liệu - Xây dựng bộ Logic mờ và coding.

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận những nội dung đã hoàn thành và điểm lại những gì đã đạt và chưa đạt được, bên cạnh đó đề xuất một số ý tưởng cho việc phát triển bài toán trong tương lai. 10 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Trong Chương 2, luận văn trình bày các cơ sở lý thuyết làm tiền đề cho nghiên cứu. Cụ thể, một số nghiên cứu liên quan trong nước và ngoài nước sẽ được khảo sát. Bên cạnh đó, chương này cũng trình bày tổng quan về fuzzy logic system, máy học, các thuật toán máy học, mạng nơ-ron tích chập và các kiến trúc mạng học sâu.1 Các nghiên cứu liên quan Về phần mềm dự đoán khả năng nhiễm bệnh COVID-19 thông qua triệu chứng, có một số đề tài trong và ngoài nước với sự nghiên cứu liên quan như sau: Trong nước: Công trình [Duc Q.

Nguyen, Khuong Nguyen- An, Quang H. Quan (2022)], BeCaked – An Explainable Artificial Intelligence Model For COVID-19 Forecasting [10], nhóm tác giả đã giới thiệu một sự kết hợp mới giữa Susceptible-Infectious-Recovered- Deceased (SIRD) compartmental model và Variational Autoencoder (VAE) neural network gọi là BeCaked. Với sự hỗ trợ của Deep Learning, dựa trên số trường hợp lây nhiễm, đã hồi phục và đã tử vong, mô hình BeCaked có thể xác định các tham số của mô hình SIRD. Sử dụng các tham số này, các phương trình vi phân có thể được giải chính xác để dự đoán xu hướng phát triển của đại dịch COVID-19.

Nhóm tác giả cũng đã đưa ra những so sánh với những mô hình hàng đầu trên thế giới và đạt kết quả gần như cao nhất, được công bố trên tạp chí quốc tế với hạng 1 và đã áp dụng thực tế ở Tp.Hồ Chí Minh trong làn sóng thứ 4 của đại dịch. Tuy nhiên mô hình gặp những hạn chế ở những quốc gia vùng có dân số ít hơn, chính sách phòng chống dịch khác nhau, cũng như việc xuất hiện nhiều biến thể mới cũng làm ảnh hưởng tới độ chính xác của mô hình. Trong luận văn thạc sĩ [Dương Thị Kim Chi (2023), Mô hình chẩn đoán bệnh Covid-19 từ dữ liệu lâm sàng bằng phương pháp XGBoost. Tạp chí khoa học Đại học Thủ Dầu Một][11] đã sử dụng XGBoost, một thuật toán học máy mạnh mẽ, có khả năng xử lý dữ liệu lớn và phù hợp với việc xây dựng mô hình dự đoán trong bài toán chẩn đoán COVID-19.

Kết quả đạt được với độ chính xác khá cao. Tác giả cũng đưa 11 ra chi tiết các bước thực hiện cũng như đánh giá hiệu năng khi so sánh với các mô hình khác. Tuy nhiên hiệu suất của mô hình phụ thuộc nhiều vào chất lượng và tính đại diện của dữ liệu lâm sàng, vẫn còn tồn tại các yếu tố nhiễu dẫn tới hiệu quả của mô hình, thêm vào đó sự biến thể phức tạp của dịch bệnh làm ảnh hưởng trực tiếp tới mô hình dự đoán, cần bổ sung nhiều tập dữ liệu đa dạng hơn và chính xác hơn. Ngoài nước: Trong công trình [Warda M.

Detecting COVID-19 patients based on fuzzy inference engine and Deep Neural Network. Chiến lược HDS được xác thực bằng cách xác thực chéo 10 lần. Chiến lược HDS dựa trên Fuzzy Logic và Deep neural network đã cho ra kết quả nhanh chóng và tỉ lệ chính xác lên tới 97.658%, một tỉ lệ khá cao và giúp ích rất nhiều cho đội ngũ y bác sĩ ở Ai Cập. Công trình [Shadab Hafiz Choudhury, Azmary Jannat Aurin, Tanbin Akter Mitaly and Rashedur M.

Predicting the possibility of COVID-19 infection using fuzzy logic system.116465][13] đã đề cập đến các triệu chứng chính của Covid-19 (tức ngực, ho, sốt, khó thở) và sử dụng Fuzzy logic tính toán đưa ra khả năng dự đoán nhiễm bệnh thông qua dữ liệu được cung cấp từ user thông qua giao diện ứng dụng. Nhìn chung hệ thống đã phát triển theo đúng định hướng của nó, tuy nhiên do tập dữ liệu còn nhỏ và chưa đa dạng nên tỉ lệ chính xác chưa cao, giao diện cũng chưa thực sự đẹp và tiện dụng. Công trình [Nur- A- Alam, Mominul Ahsan, Abdul Based, Julfikar Haider, Marcin Kowalski (2021). COVID-19 Detection from Chest X-Ray Images Using Feature Fusion and Deep Learning.3390/s21041480][14] đã đề xuất một phương pháp tiếp cận bằng thị giác máy để phát hiện COVID-19 từ hình ảnh X-quang phổi.

Các tính năng được trích xuất bởi gradient hướng biểu đồ (HOG) và mạng nơ-ron tích tụ (CNN) từ hình ảnh tia X đã được hợp nhất để phát triển mô hình phân loại thông qua đào tạo của CNN (VGGNet). Sau khi xác thực chéo 5 lần, 12 cho thấy kết quả khả quan về mặt nhận dạng COVID-19 so với các công việc liên quan, tức thì với độ chính xác thử nghiệm là 99,49%, độ đặc hiệu là 95,7% và độ nhạy là 93,65%. Hiệu suất này cao hơn khi so sánh với các kỹ thuật khác như ANN, KNN, SVM. Trong [Nitesh Dhiman, M.

Fuzzy Logic Inference System for Identification and Prevention of Coronavirus][15], nhóm tác giả đã thu thập dữ liệu ở 3 quốc gia Ấn Độ, Ý, Iran với 6 yếu tố đầu vào (Ethanol, nhiệt độ khí quyển, nhiệt độ cơ thể, Khó thở, Ho và lạnh, sau đó sử dụng Fuzzy Logic Type-1 để đưa ra kết quả suy luận về mức độ nghi nhiễm. Tập dữ liệu khá đầy đủ và chi tiết, tuy nhiên các quy tắc lập luận còn khá ít nên kết quả chuẩn đoán chưa có độ chính xác cao. Công trình [Mesut Toğaçara, Burhan Ergenb, ZaferCömert (2020). COVID-19 detection using deep learning models to exploit Social Mimic Optimization and structured chest X-ray images using fuzzy color and stacking approaches.103805][16], nhóm tác giả đã sử dụng kỹ thuật xếp chồng để tăng hiệu quả cho việc tiền xử lý hình ảnh.

Các mô hình học sâu (MobileNetV2 và SqueezeNet) ít tham số truyền vào giúp tối ưu được tốc độ và hiệu suất. Cung cấp tỉ lệ thành công 99.27% trong việc phát hiện bệnh bằng X-Quang. Tuy nhiên để đạt được hiệu suất tối đa, ảnh gốc cung cấp cần phải có kích thước và độ phân giải đúng chuẩn. Chỉ cần một thay đổi nhỏ về kích thước cũng gây khó khăn trong việc xử lý.

Tóm lại, các nghiên cứu liên quan đến chẩn đoán Covid-19 trong và ngoài nước đã đạt được những tiến bộ đáng kể trong những năm gần đây. Các phương pháp chẩn đoán mới dựa trên trí tuệ nhân tạo, chẳng hạn như fuzzy logic, machine learning và deep learning, đã cho thấy hiệu quả cao trong việc chẩn đoán Covid-19. Ưu điểm chung của các nghiên cứu • Sử dụng các phương pháp chẩn đoán dựa trên trí tuệ nhân tạo: Các phương pháp chẩn đoán dựa trên trí tuệ nhân tạo, chẳng hạn như fuzzy logic, machine learning và deep learning, có khả năng học hỏi và thích ứng với dữ liệu mới. Do đó, các 13 phương pháp này có thể mang lại độ chính xác cao hơn các phương pháp chẩn đoán truyền thống.

• Sử dụng các dữ liệu lớn: Các nghiên cứu liên quan đến chẩn đoán Covid-19 thường sử dụng các dữ liệu lớn, bao gồm dữ liệu về triệu chứng, hình ảnh và dấu ấn sinh học của bệnh nhân Covid-19. Việc sử dụng các dữ liệu lớn giúp các phương pháp chẩn đoán có độ chính xác cao hơn. • Sử dụng các kỹ thuật xử lý dữ liệu tiên tiến: Các nghiên cứu liên quan đến chẩn đoán Covid-19 sử dụng các kỹ thuật xử lý dữ liệu tiên tiến, chẳng hạn như kỹ thuật học máy, để phân tích dữ liệu và đưa ra kết quả chẩn đoán. Các kỹ thuật này giúp các phương pháp chẩn đoán có độ chính xác cao hơn.

Hạn chế chung của các nghiên cứu • Dữ liệu sử dụng để xây dựng mô hình còn hạn chế: Dữ liệu sử dụng để xây dựng mô hình chẩn đoán Covid-19 thường được thu thập từ các bệnh viện, trung tâm y tế. Dữ liệu này có thể không đại diện đầy đủ cho các trường hợp mắc Covid- 19 trong thực tế. • Mô hình chẩn đoán chưa được đánh giá trên một tập dữ liệu lớn: Để đánh giá độ chính xác của mô hình chẩn đoán một cách chính xác, cần đánh giá mô hình trên một tập dữ liệu lớn. Tuy nhiên, các nghiên cứu hiện nay thường chỉ đánh giá mô hình trên một tập dữ liệu nhỏ.

• Mô hình chẩn đoán chưa được đánh giá trong điều kiện thực tế: Để đánh giá hiệu quả của mô hình chẩn đoán trong thực tế, cần đánh giá mô hình trên các bệnh nhân Covid-19 trong điều kiện thực tế. Tuy nhiên, các nghiên cứu hiện nay thường chỉ đánh giá mô hình chẩn đoán trên các dữ liệu mô phỏng.2 Tổng quan Logic mờ và ứng dụng Logic truyền thống chỉ quan tâm đến 2 giá trị tuyệt đối (đúng hoặc sai). Logic truyền thống luôn tuân theo 2 giả thuyết. Một là tính thành viên của tập hợp: Với một phần tử và một tập hợp bất kỳ, thì phần tử hoặc là thuộc tập hợp đó, hoặc thuộc phần bù của tập đó.

Giả thiết thứ hai là định luật loại trừ trung gian, khẳng định một phần tử không thể vừa thuộc một tập hợp vừa thuộc phần bù của nó. 14 Thí dụ: Nếu nhiệt độ trên 35 độ C thì nóng, ngược lại là không nóng. Hình bên dưới minh họa tập hợp “NÓNG” gồm tất cả các nhiệt độ từ 35 độ C trở lên. Logic truyền thống Từ hình vẽ ta thấy logic giòn không thể hiện được sự khác biệt giữa các thành viên trong cùng một tập hợp.

Giữa hai nhiệt độ 45 và 55 độ C, logic này không thể hiện được nhiệt độ nào nóng hơn nhiệt độ nào. Ngoài ra, logic này còn có một nhược điểm khác quan trọng hơn đó là chúng không thể biểu diễn được các dữ kiện mang tính mơ hồ, không chính xác mà trong thực tế lại có rất nhiều phát biểu bằng ngôn ngữ tự nhiên ở dạng này, chẳng hạn như: Hình 2-2. Giả thuyết Logic mờ Trời có lạnh không => Lạnh/Không? Lạnh là lạnh thế nào, rất lạnh hoặc lạnh ít hoặc rất ít. Vì vậy, logic truyền thống không thể hỗ trợ cho những suy luận trên những thông tin mang tính mơ hồ, thiếu chính xác như vậy.

Khái niệm tập hợp cũng được sinh ra từ đó, dựa vào giá trị chân trị đúng/sai để diễn tả về việc một phần tử thuộc hay không thuộc về nó.