Luận văn thạc sĩ công nghệ thông tin ứng dụng phân tích dữ liệu lâm sàng để phân tầng nguy cơ tim mạch trên bệnh nhân đái tháo đường típ 2

Luận văn thạc sĩ công nghệ thông tin ứng dụng phân tích dữ liệu lâm sàng nhằm phân tầng nguy cơ tim mạch cho bệnh nhân đái tháo đường típ 2.

• Tác giả: Nguyễn Phúc Hoàng
• Người hướng dẫn: TS. Đỗ Trọng Hợp
• Trường học: Đại học Quốc gia TP HCM
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Phân Tích Dữ Liệu Lâm Sàng Để Đánh Giá Nguy Cơ Tim Mạch Trên Bệnh Nhân Đái Tháo Đường Típ 2
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: TP Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Lý do lựa chọn đề tài
• 1.2. Mục tiêu đề tài
• 1.3. Phương pháp luận
• 1.4. Đối tượng nghiên cứu và phạm vi
• 1.5. Ý nghĩa khoa học và ý nghĩa thực tiễn của đề tài
• 1.6. Cấu trúc của đề tài
• 2. CHƯƠNG 2: CÁCH TIẾP CẬN VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 2.1. Cách tiếp cận
• 2.2. Phương pháp nghiên cứu
• 2.3. Phân tích mô hình hồi quy tuyến tính đơn giản
• 2.4. Phân tích hệ số tương quan Pearson
• 2.5. Thuật toán Perceptron Learning Algorithm
• 2.6. Thuật toán Support Vector Machine
• 2.6.1. Cách hoạt động của Support Vector Machine
• 2.7. Thuật toán Random Forest
• 2.7.1. Giới thiệu thuật toán
• 2.7.2. Cách hoạt động của Random Forest
• 2.7.3. Đánh giá thuật toán Random Forest
• 3. CHƯƠNG 3: KHÁM PHÁ DỮ LIỆU - PHÂN TÍCH DỮ LIỆU
• 3.1. Giới thiệu tập Data
• 3.2. Chuẩn bị dữ liệu và chuyển đổi
• 3.3. Dữ liệu minh họa
• 3.4. Phân tích dữ liệu
• 3.5. Phân tích những tương quan của biến độc biến phân loại
• 3.6. Phân tích liên hệ Kết Quả Phân Tầng Tim Mạch
• 3.7. Xây dựng mô hình dự báo phân tầng NCTM
• 3.7.1. Mô hình Perceptron Learning Algorithm (PLA)
• 3.7.2. Mô hình dự báo Support Vector Machine
• 3.7.3. Mô hình dự báo Random Forest
• 4. CHƯƠNG 4: ĐÁNH GIÁ KẾT QUẢ PHÂN TÍCH VÀ DỰ BÁO VỀ PHÂN TẦNG NGUY CƠ TIM MẠCH
• 4.1. Đánh giá kết quả phân tích
• 4.2. Đánh giá mô hình dự báo phân tầng NCTM
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Những kết quả đạt được
• 5.2. Những hạn chế
• 5.3. Đánh giá áp dụng thực tiễn
• 5.4. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Đánh Giá Nguy Cơ Tim Mạch ở Bệnh Nhân Đái Tháo Đường Típ 2

Bệnh đái tháo đường (ĐTĐ) là một rối loạn chuyển hóa nghiêm trọng, ảnh hưởng đến hàng triệu người trên toàn cầu. Đặc biệt, bệnh nhân đái tháo đường típ 2 có nguy cơ cao mắc các bệnh tim mạch. Việc phân tích dữ liệu lâm sàng đóng vai trò then chốt trong việc đánh giá nguy cơ tim mạch và đưa ra các biện pháp can thiệp kịp thời. Theo nghiên cứu, hơn 600 triệu người sẽ mắc ĐTĐ típ 2 vào năm 2045 [8]. Biến chứng tim mạch là nguyên nhân gây tử vong hàng đầu ở bệnh nhân ĐTĐ. Vì vậy, phân tầng nguy cơ tim mạch là vô cùng quan trọng. Bài viết này sẽ trình bày các phương pháp phân tích dữ liệu lâm sàng hiện đại để đánh giá nguy cơ tim mạch ở nhóm bệnh nhân này.

1.1. Tầm Quan Trọng của Phân Tích Dữ Liệu Lâm Sàng

Phân tích dữ liệu lâm sàng cho phép các bác sĩ xác định các yếu tố nguy cơ tim mạch ở bệnh nhân đái tháo đường típ 2 một cách chính xác. Việc này giúp cá nhân hóa phương pháp điều trị và giảm thiểu nguy cơ biến chứng. Việc phân tầng nguy cơ tim mạch có ý nghĩa quan trọng trong việc điều trị bệnh nhân ĐTĐ, đặc biệt là ngăn ngừa các biến chứng gây tử vong như tim mạch, đột quỵ.

1.2. Mục Tiêu và Phạm Vi Nghiên Cứu

Nghiên cứu này tập trung vào việc ứng dụng các kỹ thuật phân tích dữ liệu để xây dựng mô hình dự báo nguy cơ tim mạch cho bệnh nhân đái tháo đường típ 2. Phạm vi nghiên cứu bao gồm việc phân tích dữ liệu bệnh án điện tử thu thập từ bệnh viện, xác định các yếu tố ảnh hưởng, và so sánh hiệu quả của các mô hình dự báo khác nhau. Đối tượng nghiên cứu là thông tin tập dữ liệu gọi là “bệnh án ĐTĐ típ 2”. Bài viết này đóng góp công cụ hỗ trợ bác sĩ thực hiện nhanh chóng, xây dựng mô hình dự báo tầng nguy cơ tim mạch đối với bệnh nhân ĐTĐ típ 2, hỗ trợ bác sĩ đưa ra hướng điều trị một cách nhanh chóng.

II. Thách Thức Đánh Giá Nguy Cơ Tim Mạch Chính Xác Cho Bệnh Nhân ĐTĐ

Việc đánh giá nguy cơ tim mạch ở bệnh nhân đái tháo đường típ 2 đặt ra nhiều thách thức. Các yếu tố nguy cơ tim mạch có thể phức tạp và tương tác lẫn nhau, gây khó khăn trong việc xác định chính xác mức độ ảnh hưởng của từng yếu tố. Phương pháp thực hiện để phân tầng nguy cơ tim mạch cho bệnh nhân ĐTĐ típ 2 hiện nay là bác sĩ ghi nhớ tất cả những chỉ số khám lâm sàng thuộc bệnh nhân đó như tuổi, chỉ số huyết áp, rối loạn mỡ máu, khám thận, bệnh về thần kinh, loét chân, bệnh nhồi máu cơ tim, thuốc lá, rượu bia…Từ 48-50 chỉ số để phân tầng nguy cơ tim mạch cho bệnh nhân đái tháo đường típ 2, từ đó bác sĩ có liệu pháp điều trị thích hợp đối với bệnh nhân đái tháo đường. Do đó, cần có những phương pháp phân tích dữ liệu tiên tiến để giải quyết vấn đề này.

2.1. Sự Phức Tạp của Các Yếu Tố Nguy Cơ Tim Mạch

Nhiều yếu tố nguy cơ như HbA1c, lipid máu (bao gồm cholesterol, LDL-C, HDL-C, triglyceride), huyết áp, chức năng thận (eGFR, albumin niệu), tiền sử gia đình, thói quen sinh hoạt (hút thuốc lá, béo phì, hoạt động thể chất) đều ảnh hưởng đến nguy cơ tim mạch ở bệnh nhân đái tháo đường típ 2. Việc đánh giá chính xác mức độ ảnh hưởng của từng yếu tố đòi hỏi sự phân tích dữ liệu tỉ mỉ và toàn diện. Các phương pháp hiện nay được thao tác một cách thủ công, bác sĩ phải đọc từng dòng dữ liệu đã thu thập từ đó đưa ra kết quả phân tầng nguy cơ tim mạch đối với bệnh nhân đái tháo đường, việc này tốn nhiều thời gian và dễ bị sai sót trong quá trình thực hiện.

2.2. Hạn Chế của Các Mô Hình Dự Đoán Truyền Thống

Các mô hình dự đoán nguy cơ tim mạch truyền thống như UKPDS Risk Engine, Framingham Risk Score, ASCVD Risk Estimator, và SCORE có thể không phù hợp cho bệnh nhân đái tháo đường típ 2 do không tính đến đầy đủ các yếu tố nguy cơ đặc thù của nhóm bệnh nhân này. Hiện nay khi bệnh nhân bị đái tháo đường vào viện khám thì ngoài việc điều trị đái tháo đường, bác sĩ phải đánh giá những biến chứng và bệnh hiểm nghèo khác do đái tháo đường gây ra, nguy cơ tim mạch là một trong những công việc mà bác sĩ đồng thời thực hiện đánh giá.

III. Phương Pháp Ứng Dụng Học Máy Trong Phân Tích Dữ Liệu Lâm Sàng

Học máy (Machine Learning) cung cấp các công cụ mạnh mẽ để phân tích dữ liệu lâm sàng và xây dựng các mô hình dự đoán nguy cơ tim mạch chính xác hơn cho bệnh nhân đái tháo đường típ 2. Các thuật toán như Support Vector Machine (SVM), Random Forest, và mạng nơ-ron có khả năng học hỏi từ dữ liệu và tự động xác định các mối quan hệ phức tạp giữa các yếu tố nguy cơ. Bài viết sẽ trình bày các mô hình sử dụng để phân tầng (phân loại) nguy cơ tim mạch thông qua các thuật toán trong phương pháp toán học và phương pháp học máy.

3.1. Sử Dụng Thuật Toán Support Vector Machine SVM

SVM là một thuật toán học máy mạnh mẽ, có khả năng phân loại dữ liệu hiệu quả ngay cả khi dữ liệu có độ phức tạp cao. Trong bối cảnh đánh giá nguy cơ tim mạch, SVM có thể được sử dụng để phân loại bệnh nhân thành các nhóm nguy cơ khác nhau dựa trên các yếu tố lâm sàng. SVM là một thuật toán học máy có giám sát, phân loại dữ liệu bằng cách tìm siêu phẳng (hyperplane) tối ưu để phân tách các lớp dữ liệu.

3.2. Ứng Dụng Thuật Toán Random Forest Để Dự Đoán

Random Forest là một thuật toán học máy dựa trên cây quyết định, có khả năng xử lý dữ liệu lớn và nhiều chiều. Random Forest có thể được sử dụng để xác định các yếu tố nguy cơ quan trọng nhất và dự đoán nguy cơ tim mạch của từng bệnh nhân. Random Forest kết hợp nhiều cây quyết định để đưa ra dự đoán chính xác hơn. Mỗi cây quyết định được xây dựng trên một tập con ngẫu nhiên của dữ liệu và các đặc trưng.

IV. Triển Khai Quy Trình Phân Tích Dữ Liệu Lâm Sàng Chi Tiết

Để triển khai phân tích dữ liệu lâm sàng, cần thực hiện một quy trình bài bản, bao gồm thu thập dữ liệu, tiền xử lý dữ liệu, lựa chọn đặc trưng, xây dựng mô hình, và đánh giá hiệu quả mô hình. Dữ liệu có thể bao gồm thông tin về tiền sử bệnh, kết quả xét nghiệm, và thói quen sinh hoạt của bệnh nhân. Mục tiêu cụ thể: Phân tích sử dụng trên dữ liệu thực của bệnh án ĐTĐ típ 2 tại khoa khám bệnh thuộc BV ĐHYD HCM, phân tích dữ liệu đã thu thập được gồm các biến số - là các yếu tố có thể ảnh hưởng đến kết quả phân loại nguy cơ tim mạch đối với bệnh nhân bị mắc bệnh ĐTĐ típ 2.

4.1. Thu Thập và Tiền Xử Lý Dữ Liệu Lâm Sàng

Việc thu thập dữ liệu lâm sàng đầy đủ và chính xác là bước đầu tiên và quan trọng nhất trong quy trình phân tích dữ liệu. Dữ liệu cần được làm sạch, chuẩn hóa, và chuyển đổi sang định dạng phù hợp cho các thuật toán học máy. Dữ liệu thu thập trong vòng 5 năm từ năm 2017 đến năm 2022, gần 10 nghìn người đang mắc bệnh ĐTĐ đã từng được bác sĩ thăm khám qua tại chuyên khoa Nội tiết của BV ĐHYD HCM.

4.2. Lựa Chọn Đặc Trưng và Xây Dựng Mô Hình

Lựa chọn các đặc trưng (features) quan trọng nhất là yếu tố then chốt để xây dựng các mô hình dự đoán nguy cơ tim mạch chính xác. Các thuật toán lựa chọn đặc trưng có thể giúp xác định các yếu tố nguy cơ có ảnh hưởng lớn nhất. Sau đó, mô hình học máy được xây dựng và huấn luyện trên dữ liệu đã chuẩn bị. Sử dụng một mô hình toán học để chạy thực nghiệm trên nền dữ liệu đã thu thập và đã phân tích đưa ra mô hình sử dụng phân loại phù hợp.

V. Kết Quả Đánh Giá và So Sánh Các Mô Hình Dự Đoán

Hiệu quả của các mô hình dự đoán nguy cơ tim mạch cần được đánh giá bằng các chỉ số phù hợp như độ chính xác, độ nhạy, độ đặc hiệu, và diện tích dưới đường cong ROC (AUC). So sánh hiệu quả của các mô hình khác nhau giúp lựa chọn mô hình tốt nhất cho việc đánh giá nguy cơ tim mạch ở bệnh nhân đái tháo đường típ 2. Tham khảo và ghi nhận các ý kiến tư vấn, đóng góp của chuyên gia về lĩnh vực phân tích, của bác sĩ trong ngành; luận cứ khoa học các vấn đề vướng mắc, tìm nguyên nhân và các giải pháp khắc phục.

5.1. Các Chỉ Số Đánh Giá Hiệu Quả Mô Hình

Độ chính xác (accuracy) cho biết tỷ lệ dự đoán đúng trên tổng số mẫu. Độ nhạy (sensitivity) cho biết tỷ lệ dự đoán đúng bệnh nhân có nguy cơ tim mạch cao. Độ đặc hiệu (specificity) cho biết tỷ lệ dự đoán đúng bệnh nhân không có nguy cơ tim mạch cao. AUC là một chỉ số tổng quan, đánh giá khả năng phân biệt giữa các nhóm nguy cơ khác nhau.

5.2. So Sánh Hiệu Quả Của Các Mô Hình Học Máy

So sánh hiệu quả của SVM, Random Forest, và các mô hình khác trên cùng một tập dữ liệu giúp xác định mô hình nào có khả năng dự đoán nguy cơ tim mạch tốt nhất cho bệnh nhân đái tháo đường típ 2. Cần xem xét cả độ chính xác và khả năng giải thích của mô hình.

VI. Kết Luận Ứng Dụng và Hướng Phát Triển Trong Tương Lai

Phân tích dữ liệu lâm sàng bằng các thuật toán học máy là một công cụ hữu ích để đánh giá nguy cơ tim mạch ở bệnh nhân đái tháo đường típ 2. Các mô hình dự đoán chính xác có thể giúp các bác sĩ đưa ra các quyết định điều trị tốt hơn và cải thiện sức khỏe của bệnh nhân. Cần tiếp tục nghiên cứu và phát triển các phương pháp phân tích dữ liệu tiên tiến hơn để giải quyết các thách thức còn tồn tại. Nội dung của đề tài đóng góp ý nghĩa khoa học khi phân tích các đặc trưng của bài toán phân loại trong lĩnh vực y khoa và bộ dữ liệu tại BV ĐHYD TPHCM, các quy trình được sử dụng phân tích và dự báo trên bộ dữ liệu này.

6.1. Tiềm Năng Ứng Dụng Thực Tế

Các mô hình dự đoán nguy cơ tim mạch có thể được tích hợp vào hệ thống hỗ trợ quyết định lâm sàng, giúp các bác sĩ đưa ra các quyết định điều trị dựa trên bằng chứng. Điều này có thể cải thiện hiệu quả điều trị và giảm thiểu chi phí y tế. Đề tài này góp phần xây dựng một ứng dụng để các bác sĩ có thêm nhiều thông tin, cơ sở giúp ích cho các bác sĩ và bộ phận CNTT của BV học viên đang công tác và các cơ sở y tế khác phát triển thành một công cụ hoàn chỉnh để thực hiện một cách tự động việc dự báo kết quả phân loại nguy cơ tim mạch cho bệnh nhân đái tháo đường, giúp rút ngắn thời gian khám và điều trị của bác sĩ.

6.2. Hướng Phát Triển Trong Tương Lai

Trong tương lai, có thể kết hợp các dữ liệu sức khỏe điện tử với các dữ liệu khác như dữ liệu di truyền và dữ liệu môi trường để xây dựng các mô hình dự đoán nguy cơ tim mạch toàn diện hơn. Việc sử dụng trí tuệ nhân tạo có thể giúp tự động hóa quy trình phân tích dữ liệu và cải thiện độ chính xác của các mô hình dự đoán. Qua đề tài này việc ứng dụng vào dữ liệu thực tế nhằm đưa ra mô hình dự báo phù hợp đối với việc phân tầng nguy cơ tim mạch cho bệnh nhân đái tháo đường sẽ là tiền đề cho việc xây dựng các bệnh án khác.

Nội dung chính

Tổng quan nghiên cứu

Bệnh đái tháo đường típ 2 (ĐTĐ T2) là một trong những bệnh lý chuyển hóa phổ biến trên thế giới, với dự báo hơn 600 triệu người mắc vào năm 2045. Tại Việt Nam, tỷ lệ người mắc ĐTĐ T2 cũng đang gia tăng nhanh chóng, gây áp lực lớn lên hệ thống y tế. Biến chứng tim mạch là nguyên nhân hàng đầu dẫn đến tử vong ở bệnh nhân ĐTĐ T2, do đó việc phân tầng nguy cơ tim mạch (NCTM) đóng vai trò quan trọng trong quản lý và điều trị bệnh nhân. Tại Bệnh viện Đại học Y Dược TP.HCM (BV ĐHYD HCM), trung bình mỗi ngày có khoảng 4.5 lượt khám bệnh nhân ĐTĐ T2 trong tổng số 300 lượt khám nội tiết, cho thấy nhu cầu cấp thiết về công cụ hỗ trợ phân tích và dự báo nguy cơ tim mạch.

Mục tiêu nghiên cứu là ứng dụng phân tích dữ liệu lâm sàng thu thập từ gần 10 nghìn bệnh nhân ĐTĐ T2 trong vòng 5 năm (2017-2022) tại BV ĐHYD HCM để xây dựng mô hình dự báo phân tầng nguy cơ tim mạch. Nghiên cứu tập trung vào việc phân tích các yếu tố ảnh hưởng đến kết quả phân tầng NCTM, đồng thời đề xuất mô hình học máy phù hợp nhằm hỗ trợ bác sĩ trong việc ra quyết định điều trị nhanh chóng và chính xác hơn. Ý nghĩa của nghiên cứu không chỉ giúp nâng cao hiệu quả khám chữa bệnh mà còn góp phần thúc đẩy chuyển đổi số trong y tế, phù hợp với định hướng phát triển y tế thông minh giai đoạn 2021-2025 của Bộ Y tế và UBND TP.HCM.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình phân tích dữ liệu y khoa kết hợp với thuật toán học máy, bao gồm:

• Phân tích hồi quy tuyến tính đơn giản: Giúp xác định mối quan hệ tuyến tính giữa biến độc lập (ví dụ: tuổi, thời gian mắc bệnh) và biến phụ thuộc (kết quả phân tầng NCTM).
• Hệ số tương quan Pearson: Đánh giá mức độ tương quan giữa các biến định lượng và biến phân loại nguy cơ tim mạch.
• Thuật toán Perceptron Learning Algorithm (PLA): Mô hình học máy cơ bản dùng để phân loại nhị phân, áp dụng trong việc phân loại nguy cơ tim mạch.
• Thuật toán Support Vector Machine (SVM): Thuật toán phân loại mạnh mẽ, tìm siêu phẳng tối ưu để phân tách các lớp nguy cơ tim mạch.
• Thuật toán Random Forest (RF): Mô hình rừng cây ngẫu nhiên, sử dụng nhiều cây quyết định để tăng độ chính xác và giảm quá khớp trong phân loại nguy cơ.

Các khái niệm chính bao gồm: biến độc lập (tuổi, chỉ số xét nghiệm, tiền sử bệnh), biến phụ thuộc (kết quả phân tầng nguy cơ tim mạch), và các thuật toán học máy phục vụ phân loại.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Bộ dữ liệu gồm 7011 bản ghi bệnh án ĐTĐ T2 được thu thập tại khoa Nội tiết, BV ĐHYD HCM trong giai đoạn 2017-2022, với 43 biến số liên quan đến thông tin bệnh nhân, chỉ số xét nghiệm và tiền sử bệnh.
• Phương pháp chọn mẫu: Toàn bộ dữ liệu bệnh án được sử dụng sau khi làm sạch và chuẩn hóa, loại bỏ các bản ghi thiếu dữ liệu quan trọng.
• Phương pháp phân tích: Sử dụng phần mềm R và Python để thực hiện phân tích thống kê mô tả, kiểm định tương quan Pearson, hồi quy tuyến tính, kiểm định chi bình phương và Fisher’s exact test cho các biến phân loại.
• Phương pháp xây dựng mô hình: Thực nghiệm ba mô hình học máy PLA, SVM và Random Forest trên tập dữ liệu đã chuẩn bị, đánh giá hiệu suất dựa trên các chỉ số chính xác, độ nhạy và độ đặc hiệu.
• Timeline nghiên cứu: Thu thập và làm sạch dữ liệu (3 tháng), phân tích dữ liệu và xây dựng mô hình (4 tháng), đánh giá và hoàn thiện báo cáo (2 tháng).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Ảnh hưởng của tuổi và thời gian mắc ĐTĐ đến nguy cơ tim mạch:

   • Hệ số tương quan Pearson giữa tuổi và kết quả phân tầng NCTM là $r = 0.32$ (p < 0.05), cho thấy tuổi có ảnh hưởng trung bình đến nguy cơ tim mạch.
   • Thời gian mắc ĐTĐ cũng có tương quan trung bình với nguy cơ tim mạch với $r = 0.32$ (p < 0.05). Nhóm nguy cơ rất cao có thời gian mắc bệnh trung bình 11 năm, trong khi nhóm nguy cơ trung bình là 2 năm.

2. Chỉ số xét nghiệm liên quan đến nguy cơ tim mạch:

   • Đường huyết đói có tương quan thấp với nguy cơ tim mạch ($r = 0.117$, p < 0.05).
   • Chỉ số HbA1C có tương quan thấp đến trung bình với nguy cơ tim mạch ($r = 0.272$, p < 0.05).
   • Nồng độ Creatinin thể hiện chức năng thận có tương quan trung bình với nguy cơ tim mạch ($r = 0.301$, p < 0.05).

3. Phân tích các biến phân loại:

   • Các biến như tiền sử tăng huyết áp, rối loạn lipid, bệnh võng mạc, viêm đa dây thần kinh, và tiền sử nhồi máu cơ tim có ảnh hưởng đáng kể đến kết quả phân tầng nguy cơ tim mạch.
   • Các biến điều trị thuốc như thuốc huyết áp, thuốc Statin, thuốc chống kết tập tiểu cầu cũng có mối liên hệ với phân tầng nguy cơ.

4. Hiệu quả mô hình học máy:

   • Mô hình Random Forest cho độ chính xác cao nhất trong phân loại nguy cơ tim mạch, vượt trội hơn so với PLA và SVM.
   • Việc trích chọn đặc trưng giúp cải thiện hiệu suất mô hình, giảm số lượng biến đầu vào mà vẫn giữ được độ chính xác.

Thảo luận kết quả

Kết quả cho thấy tuổi và thời gian mắc ĐTĐ là những yếu tố quan trọng ảnh hưởng đến nguy cơ tim mạch, phù hợp với các nghiên cứu y học trước đây. Chỉ số HbA1C và Creatinin cũng đóng vai trò quan trọng trong đánh giá chức năng chuyển hóa và thận, từ đó ảnh hưởng đến nguy cơ tim mạch. Việc áp dụng mô hình Random Forest giúp xử lý tốt dữ liệu phức tạp, đa chiều và có khả năng dự báo chính xác hơn so với các mô hình truyền thống.

Dữ liệu có thể được trình bày qua biểu đồ boxplot thể hiện phân bố tuổi và thời gian mắc bệnh theo nhóm nguy cơ, biểu đồ tương quan Pearson giữa các chỉ số xét nghiệm và kết quả phân tầng, cũng như bảng so sánh hiệu suất các mô hình học máy. Những phát hiện này góp phần nâng cao hiệu quả phân tầng nguy cơ tim mạch, giúp bác sĩ có cơ sở khoa học để đưa ra quyết định điều trị phù hợp, đồng thời giảm thiểu sai sót và thời gian xử lý dữ liệu thủ công hiện nay.

Đề xuất và khuyến nghị

1. Triển khai ứng dụng mô hình Random Forest trong hệ thống quản lý bệnh án điện tử tại BV ĐHYD HCM để tự động phân tầng nguy cơ tim mạch cho bệnh nhân ĐTĐ T2, giúp rút ngắn thời gian chẩn đoán và nâng cao độ chính xác. Thời gian thực hiện: 6 tháng; chủ thể: phòng CNTT phối hợp khoa Nội tiết.

2. Đào tạo và nâng cao năng lực cho đội ngũ y bác sĩ về ứng dụng công nghệ phân tích dữ liệu và học máy trong y tế, nhằm tăng cường khả năng sử dụng công cụ hỗ trợ ra quyết định. Thời gian: 3 tháng; chủ thể: Ban giám đốc BV và phòng đào tạo.

3. Mở rộng thu thập và chuẩn hóa dữ liệu lâm sàng tại các cơ sở y tế khác để xây dựng bộ dữ liệu chuẩn, phục vụ nghiên cứu và ứng dụng mô hình dự báo nguy cơ tim mạch trên diện rộng. Thời gian: 12 tháng; chủ thể: Sở Y tế và các BV tuyến tỉnh.

4. Phát triển hệ thống cảnh báo sớm dựa trên mô hình phân tầng nguy cơ tim mạch tích hợp vào phần mềm quản lý bệnh nhân, giúp theo dõi và can thiệp kịp thời các trường hợp nguy cơ cao. Thời gian: 9 tháng; chủ thể: phòng CNTT và khoa Nội tiết.

Đối tượng nên tham khảo luận văn

1. Bác sĩ chuyên khoa Nội tiết và Tim mạch: Nghiên cứu cung cấp công cụ hỗ trợ phân tầng nguy cơ tim mạch, giúp cải thiện hiệu quả chẩn đoán và điều trị bệnh nhân ĐTĐ T2.

2. Chuyên viên công nghệ thông tin y tế: Tham khảo phương pháp xử lý dữ liệu lâm sàng, xây dựng và đánh giá mô hình học máy trong lĩnh vực y tế, phục vụ phát triển các ứng dụng y tế thông minh.

3. Nhà nghiên cứu và sinh viên ngành Công nghệ thông tin, Y học: Tài liệu chi tiết về ứng dụng thuật toán học máy trong phân tích dữ liệu y khoa thực tế, từ thu thập, xử lý đến xây dựng mô hình dự báo.

4. Quản lý bệnh viện và cơ quan y tế: Hiểu rõ về lợi ích của chuyển đổi số và ứng dụng trí tuệ nhân tạo trong quản lý bệnh nhân, từ đó hoạch định chính sách và đầu tư phù hợp.

Câu hỏi thường gặp

1. Tại sao cần phân tầng nguy cơ tim mạch cho bệnh nhân ĐTĐ T2?
   Phân tầng giúp xác định mức độ nguy cơ biến chứng tim mạch, từ đó bác sĩ có thể lựa chọn phương pháp điều trị phù hợp, giảm thiểu tử vong và biến chứng nghiêm trọng.

2. Mô hình Random Forest có ưu điểm gì so với các mô hình khác?
   Random Forest xử lý tốt dữ liệu đa chiều, giảm hiện tượng quá khớp, cho kết quả dự báo chính xác và ổn định hơn so với các mô hình như PLA hay SVM.

3. Dữ liệu lâm sàng được chuẩn hóa như thế nào trước khi phân tích?
   Dữ liệu được làm sạch, loại bỏ các giá trị thiếu hoặc không hợp lệ, chuyển đổi các biến phân loại thành dạng nhị phân, chuẩn hóa định dạng số liệu để đảm bảo tính nhất quán.

4. Các chỉ số xét nghiệm nào ảnh hưởng nhiều nhất đến nguy cơ tim mạch?
   Tuổi, thời gian mắc bệnh, chỉ số HbA1C, Creatinin và các biến liên quan đến chức năng thận, rối loạn lipid, tiền sử tăng huyết áp đều có ảnh hưởng đáng kể.

5. Làm thế nào để ứng dụng mô hình này vào thực tế tại bệnh viện?
   Cần tích hợp mô hình vào hệ thống quản lý bệnh án điện tử, đào tạo nhân viên y tế sử dụng, đồng thời cập nhật và bảo trì dữ liệu thường xuyên để đảm bảo hiệu quả.

Kết luận

• Ứng dụng phân tích dữ liệu lâm sàng giúp phân tầng nguy cơ tim mạch trên bệnh nhân ĐTĐ T2 một cách chính xác và nhanh chóng.
• Tuổi, thời gian mắc bệnh và các chỉ số xét nghiệm như HbA1C, Creatinin là những yếu tố ảnh hưởng trung bình đến nguy cơ tim mạch.
• Mô hình Random Forest thể hiện hiệu suất phân loại tốt nhất trong ba mô hình được thử nghiệm.
• Nghiên cứu góp phần thúc đẩy chuyển đổi số trong y tế, hỗ trợ bác sĩ ra quyết định điều trị hiệu quả hơn.
• Các bước tiếp theo bao gồm triển khai mô hình vào thực tế, đào tạo nhân viên và mở rộng nghiên cứu trên các cơ sở y tế khác.

Hãy áp dụng kết quả nghiên cứu này để nâng cao chất lượng chăm sóc bệnh nhân ĐTĐ T2 và giảm thiểu biến chứng tim mạch nguy hiểm.

Trích đoạn nội dung tài liệu

Chương 1. Tổng Quan, bao gồm giới thiệu tổng quan về hướng nghiên cứu, phạm vi nghiên cứu, phương pháp nghiên cứu - Chương 2. Cách tiếp cận và phương pháp nghiên cứu liên quan: Trinh bày các phương pháp nghiên cứu phỏ biến về phân tích dữ liệu, dự báo phân tang NCTM và cách lựa chọn mô hình. Các cơ sở lý thuyết: Trình bày các cơ sở lý thuyết liên quan học viên ứng dụng vào bài nghiên cứu, các cơ sở lý thuyết về phân tích dữ liệu và các mô hình học máy - Chương 4.

Khám phá dữ liệu - Phân tích dữ liệu: Giới thiệu dữ liệu trong lĩnh vực y khoa cụ thể là bộ dữ liệu bệnh án Đái tháo đường được thu thập tại phòng khám nội tiết khoa khám bệnh thuộc BV ĐHYD TPHCM trong 5 năm, từ năm 2017 - đến năm 2022. Thực hiện thực nghiệm và đánh giá các MHDB trên bộ dữ liệu có được. - Chương 5 - Đánh giá nhận xét các kết qua phân tích và các MHDB. - Chương 6 - Kết luận và hướng phát triển.

Khái niệm và mối liên quan bệnh đái tháo đường với tìm mạch 1. Khái niệm về bệnh đái tháo đường Bệnh đái tháo đường là khi cơ thể chúng ta bị rối loạn sự chuyển hóa không đồng nhất, có trạng thái trong máu bị tăng glucose vì chức năng điều tiết insulin không hoạt động tốt, hiện nay DTD được nhận diện bao. gồm các loại: Dai tháo đường tip 1 (Type 1): NB thường bị thiếu insulin do tuyến tụy không sản xuất insulin. Dai tháo đường tip 1 hiếm gặp, bị di truyền, thường xảy ra ở trẻ nhỏ, người trẻ và chiếm dưới 10% số người mắc bệnh Đái tháo đường típ 2 (Type 2): những người bị đái tháo đường típ 2 bị đề kháng với insulin.

Nghĩa là cơ thé vẫn có thé sản xuất insulin nhưng nó không thé chuyền hóa được glucose. Khoảng 90% - 95% người bị đái tháo đường trên thế giới là tip 2 Dai tháo đường ở phụ nữ mang thai (thai kỳ): thường được xách định và phát hiện trong thời điểm 3 tháng cuối trong kỳ mang thai hoặc là khoảng giữa của 3 tháng giữa kỳ mang thai và không thuộc diện ĐTĐ típ 1, trước đây không có các triệu chứng về DTD tip | và tip 2 Những loại đái tháo đường khác gọi là chuyên biệt do nhiều lý do như đái tháo đường ở trẻ mới sanh, nguyên nhân dùng thuốc điều trị bệnh khác hoặc những chất được nap vào co thé trong khi chữa bệnh, đái tháo đường do điều trị HIV/AIDS, đái tháo đường sau cấy ghép mô 1. Sự hệ giữa các bệnh lý tim mạch và DTD Dai tháo đường là một dang bệnh nội tiết chuyển hoá rat đặt biệt, nguyên do là có sự lượng đường glucose trong máu tăng dưới dạng mạn tính. Bệnh phát triên từ dạng mạn tinh sau đó rồi loạn và làm cho nhiều cơ quan bị suy yếu, va trọng tâm trong phần nghiên cứu này của học viên là liên quan đến các vấn đề về tìm mạch.

Các bệnh liên quan đến tim mach là thường rất phô biến, nguy hiểm nhất đó là có thé gây tỷ lệ tử vong cao đối với những NB DTD. Vì vậy, việc nắm bắt và hiểu biết về bệnh lý tim mạch, các dấu hiện LS của biến chứng tim mạch sẽ góp phần phòng ngừa, hạn chế sự tiến triển của bệnh tim mạch ở các bệnh nhân đái tháo đường là rất cần thiết 11 O NB DTD, cơ thể của họ có đường huyết rất cao dài dẫn đến tổn thương các mạch máu, các dây thần kinh làm nhiệm vụ chỉ phối tới các mạch máu (cũng như quả tim của của chúng ta). Dé thời gian mang bệnh DTD càng lâu thì nguy cơ bị các bệnh liên quan đến tim mạch càng cao. NB bị đái tháo đường thường hay mắc các chứng bệnh tim mach ở tuổi trẻ hơn so với những người không bi DTD.

Nếu được giám sát, theo dõi, điều trị kịp bệnh DTD thì có thể việc nguy cơ mắc các chứng bệnh tim mạch sẽ giảm. Thực trạng và các nghiên cứu liên quan 1. Tổng quan về BV ĐHYD HCM BV ĐHYD HCM là một bệnh viện (BV) của trường Dai học Y Dược TPHCM (ĐHYD) hoạt động theo mô hình Viện — Trường. Là BV công lập và hạch toán độc lap theo quyết định của Bộ Y tế BV ĐHYD HCM làm nhiệm vụ khám, chữa bệnh; nghiên cứu khoa học; chan đoán, điều trị, chăm sóc sức khỏe người dân dựa vào các kỹ thuật cao; thực hiện đào tạo.

các nguồn lực chuyên môn y học và chuyên giao các mô hình cho các đơn vị cùng ngành Hiện nay với sự nỗ lực của đội ngũ y bác sĩ, BV ĐHYD HCM là BV hạng | với thực hiện khám chữa bệnh ở ba cơ sở, 1.000 giường điều trị, 12 Phòng chức năng, 39 trung tâm và đơn vị. Trung bình BV tiếp nhận khám điều trị ngoại trú 5000 lượt/ngày, nhập cấp cứu gần 40 lượtngày, nhập điều trị nội trú 250 lượtngày. BV Đại học Y Dược TPHCM là một trong những BV tốt ở khu vực Miền nam và cả nước 1. Tình hình điều trị đái tháo đường và biến chứng tim mạch tại BV DHYD HCM Phòng khám các bệnh liên quan đến nội tiết của BV nhận khám trung bình 300 lượt khám trong ngày, trong đó trung bình có 4.5 lượt khám mắc bệnh đái tháo đường ~ chiếm tỷ lệ 1.

BV thường bị quá tải, NB rất đông. Đại đa số người dân đều tập trung khám bệnh ở các BV lớn dẫn đến tình trạng này. Việc chữa bệnh đái tháo đường thường được các bác sĩ chỉ dẫn theo một lộ trình và mắt nhiều thời gian, song song cũng có sự hợp tác nghiêm chỉnh của NB đồng thời theo dõi giám sát các chỉ số xét nghiệm liên quan, vì vậy việc chữa tri DTD cần có thời gian công sức các bác sĩ và sự kiên nhẫn của NB 12 1. Hiện trạng phân tích dữ liệu đối với NB đái tháo đường và biến chứng tim mạch tại BV ĐHYD HCM và các CSYT khác BV thúc day mạnh các chủ trương của nha nước như: Thực hiện dé án y tế thông minh giai đoạn 2021 — 2025 của Bộ Y tế, số hóa hồ sơ bệnh án, ứng dụng bệnh án điện tử và áp dụng ứng dụng trí tuệ nhân tạo vào việc giúp ích cho những nhà chuyên môn trong quá trình chữa bệnh.

Đại đa số những BV, phòng khám lớn tương tự cũng như tại BV áp dụng các sản phim CNTT đã được thương mai như ứng dung RAPID AI trong điều trị đột quy cấp, ứng dụng AI DrAid tự động chỉ ra các điểm không bình thường và bệnh lý trên hình chụp X-quang. Đặc giống nhau của các thử nghiệm về lĩnh vực phân tích dữ liệu, học máy hay AI là được thực hiện trên bộ dữ liệu chuẩn như DICOM. Còn lại đại đa số các công trình nghiên cứu hiện nay của BV và các CSYT khác được thực hiện với các cách như lấy mẫu trực tiếp (Ví dụ thực hiện khảo sát trên 100 NB), phương pháp thống kê số liệu thực hiện trực tiếp trên NB, có thê kể đến các công trình nghiên cứu như: Tại bệnh viện ĐHYD HCM trước đây chú trọng trong việc quản trị BV, phát triển các MHDB về số lượng lượt khám, doanh thu mỗi ngày hoặc về chất lượng dịch vụ. Đồng thời tại BV và những cơ sở có cùng chức năng ở Việt Nam hiện nay việc xây dựng hệ thống phần mềm còn rời rạc, nhiều mô đun phần mềm được phát triển phát sinh theo nhu cầu sử dụng, việc nhập liệu và lưu trữ vào cơ sở đữ liệu không được chuẩn hóa nên khi cần khai thác dữ liệu sẽ vướng phải nhiều khâu như: Không đủ thông tin, trường thông tin dữ liệu lẫn lộn giữa các kiểu dữ liệu, hoặc cần phải thực hiện kết nối nhiều cơ sở dữ liệu, kết nối nhiều bảng dữ liệu ở các hệ thống khác nhau.

Dé có một bộ dữ liệu chuẩn dùng vào việc phân tích và nghiên cứu cần phải xây dựng từ đầu hoặc là thực hiện thủ công trải qua nhiều công đoạn. Hiện nay các bác sĩ tại BV đã quen dan với việc ứng dụng CNTT, và nhận thấy việc ứng dụng CNTT là rất quan trọng vào việc nghiên cứu khoa học dựa trên tập dữ liệu được lưu trữ lại nên đã phối hợp cùng bộ phận CNTT để xây dựng một công cụ thu thập bộ dữ liệu này nhằm ứng dụng vào công tác nghiên cứu khoa học về sau 1. Các nghiên cứu liên quan Luận án tiến sĩ y học của Trần Thị Trúc Linh [4]. Đại học Y Dược Huế năm 2016 “Nghiên cứu mối liên quan giữa biểu hiện tim với mục tiêu theo khuyến cáo ESC-EASD 13 ở bệnh nhân đái tháo đường týp 2 có tăng huyết áp”, việc nghiên cứu được thực hiện qua việc theo dõi điều trị, ghi chép.

số liệu trên một số lượng NB nhất định, sau đó tiến hành phân tích và đưa ra kết quả Nghiên cứu thực hiện trên tập dữ liệu của các công trình nghiên cứu khoa học khác trên thế giới như Luận văn Thạc sĩ của Hoàng Văn Thắng — năm 2020 [5] “Ung dụng khai phá dữ liệu trong hỗ trợ chấn đoán bệnh đái tháo đường tuýp 2” sử dụng bộ dữ liệu về đái tháo đường được ghi nhận trên người Án Độ, bộ dữ liệu được ghi chép bỡi Viện Tiểu đường và Bệnh tiêu hóa và thận Hoa Kỳ Nghiên cứu “Rừng ngẫu nhiên cải tiến cho phân loại dữ liệu gien” với nội dung sử dụng thuật toán rừng ngẫu nhiên kèm theo việc cải tiến thuật toán sử dụng để phân loại gien. Việc nghiên cứu thực hiện trên tập dữ liệu có sẵn của công trình nghiên cứu khác của các tác giả Huỳnh Phụng Toàn, Nguyễn Vũ Lâm, Nguyễn Minh Trung và Đỗ Thanh Nghị 14 CHƯƠNG 2. CÁCH TIẾP CẬN VÀ PHƯƠNG PHÁP NGHIÊN CỨU 2. Cách tiếp cận Tham khảo các công trình nghiên cứu về đái tháo đường và các biến chứng liên quan đến đái tháo đường để làm tài liệu thực hiện đề tài.