Tổng quan nghiên cứu

Trong kỷ nguyên số hóa y tế, hơn 80% dữ liệu lâm sàng giá trị nằm ở dạng văn bản phi cấu trúc như bệnh sử, ghi chú điều trị và kết luận của bác sĩ. Khai thác chuỗi thời gian của các biến cố y khoa gặp thách thức lớn do ngôn ngữ tự nhiên phức tạp, đặc biệt là tiếng Việt với tính chất ngôn ngữ đơn lập, không biến đổi hình thái từ. Việc thiết lập trật tự diễn tiến bệnh án chính xác đóng vai trò quyết định trong chẩn đoán, phòng ngừa tác dụng phụ của thuốc và xây dựng phác đồ điều trị cá nhân hóa.

Luận văn thạc sĩ khoa học máy tính của tác giả Lê Hoàng Long, dưới sự hướng dẫn khoa học của Giáo sư Cao Hoàng Trụ tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh, tập trung nghiên cứu, hiện thực và chuyển giao mô hình rút trích quan hệ thời gian từ bệnh án điện tử. Đề tài xác định rõ hai mục tiêu cốt lõi: tái hiện hệ thống rút trích đạt thứ hạng cao nhất tại cuộc thi quốc tế i2b2 năm 2012 trên bệnh án tiếng Anh, sau đó điều chỉnh và phát triển mô hình tương thích để xử lý bệnh án tiếng Việt.

Phạm vi nghiên cứu được thực hiện từ tháng 8 năm 2014 đến tháng 6 năm 2015, khảo sát toàn diện trên 310 bệnh án tiếng Anh chuẩn quốc tế và 262 hồ sơ bệnh án thực tế thu thập từ Bệnh viện Đa khoa Quốc tế Vũ Anh. Về mặt giá trị ứng dụng, công trình đã xử lý thành công 12.181 cặp quan hệ thời gian trên dữ liệu tiếng Việt và 61.279 cặp quan hệ trên dữ liệu tiếng Anh. Đây là bước tiến nền tảng giúp nâng cao độ chính xác trong việc tự động hóa biểu diễn dòng thời gian bệnh lý, giảm thiểu khoảng 35% thời gian tra cứu hồ sơ thủ công của nhân viên y tế và tạo tiền đề vững chắc cho các hệ thống hỗ trợ ra quyết định lâm sàng hiện đại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng nền tảng lý thuyết học máy có giám sát kết hợp với phương pháp dựa trên tập luật ngôn ngữ học. Hai mô hình thuật toán chủ đạo được triển khai gồm Trường ngẫu nhiên có điều kiện (Conditional Random Fields - CRF) và Máy vector hỗ trợ (Support Vector Machine - SVM thông qua thư viện tối ưu LIBLINEAR). Bên cạnh đó, hệ thống tích hợp công cụ HeidelTime tuân thủ chuẩn biểu diễn thời gian TimeML để trích xuất biểu thức thời gian.

Khung lý thuyết của luận văn bao hàm bốn khái niệm học thuật cốt lõi:

  1. Thực thể sự kiện (Events): Bao gồm 6 phân lớp nhãn y khoa là Problems (dấu hiệu bệnh lý), Tests (xét nghiệm, đo đạc), Treatments (phương pháp điều trị), Clinical Departments (phòng ban chuyên môn), Evidentials (chứng cứ y khoa dẫn đến sự kiện khác) và Occurrences (các biến cố lâm sàng khác).
  2. Biểu thức thời gian (Timex3): Phân định thành 4 nhóm gồm Date (ngày tháng cụ thể), Time (thời điểm trong ngày), Duration (khoảng thời gian kéo dài) và Frequency (tần suất lặp lại của sự kiện).
  3. Quan hệ thời gian (Temporal Relations): Phân loại nhãn quan hệ giữa các cặp sự kiện - sự kiện và sự kiện - thời gian thành 3 trạng thái chính là BEFORE (xảy ra trước), OVERLAP (xảy ra đồng thời) và AFTER (xảy ra sau).
  4. Đặc trưng ngôn ngữ học đối sánh: Tiếng Anh sử dụng hình thái biến đổi từ và thì của động từ để biểu đạt thời gian. Ngược lại, tiếng Việt là ngôn ngữ đơn lập, đơn vị cơ sở là tiếng, ranh giới từ ghép không phân định bằng khoảng trắng đơn thuần và thời gian chủ yếu được thể hiện qua trạng từ chỉ thời gian cùng ngữ cảnh liên kết câu.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm của đề tài bao gồm hai tập ngữ liệu riêng biệt:

  • Tập dữ liệu tiếng Anh: 310 bệnh án từ Trung tâm Y tế Beth Israel Deaconess cung cấp qua cuộc thi i2b2 năm 2012, trong đó 190 bệnh án dùng để huấn luyện và 120 bệnh án dùng để kiểm tra độc lập.
  • Tập dữ liệu tiếng Việt: 262 bệnh án lâm sàng được chuẩn hóa từ định dạng cơ sở dữ liệu XML của Bệnh viện Đa khoa Quốc tế Vũ Anh, phân chia thành 162 bệnh án huấn luyện và 100 bệnh án kiểm tra. Phương pháp chọn mẫu là chọn mẫu có chủ đích, loại trừ các bệnh án không hoàn chỉnh về cấu trúc tiền sử và diễn biến điều trị.

Quy trình phân tích và xử lý dữ liệu được thiết kế qua bốn giai đoạn chặt chẽ:

  • Giai đoạn 1: Tiền xử lý văn bản, chuẩn hóa dấu ngắt câu, sử dụng Stanford Parser cho tiếng Anh và kết hợp vnTokenizer với JVnTextPro cho tiếng Việt để phân định ranh giới từ và gán nhãn từ loại (Part-of-speech).
  • Giai đoạn 2: Rút trích sự kiện bằng mô hình CRF++ với sơ đồ gán nhãn BIO (Begin - Inside - Outside) gồm 13 nhãn chi tiết, khai thác không gian đặc trưng từ vựng Bag-of-words và nhãn từ loại trong cửa sổ ngữ cảnh lân cận.
  • Giai đoạn 3: Rút trích biểu thức thời gian dựa trên hệ thống luật HeidelTime tùy biến cho cấu trúc văn bản tường thuật y khoa.
  • Giai đoạn 4: Rút trích quan hệ thời gian phân tầng. Quan hệ giữa sự kiện với mốc thời gian nhập viện, xuất viện (Sectime-Event) được phân loại bằng mô hình SVM. Các cặp quan hệ nội câu (Consecutive) và liên câu (Across) được xử lý bằng mô hình CRF++, sau đó áp dụng hệ thống luật suy diễn logic thời gian để loại bỏ xung đột và mở rộng quan hệ tiềm năng. Toàn bộ tiến trình nghiên cứu được thực hiện liên tục trong khoảng thời gian 10 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm trên hai bộ ngữ liệu chuẩn đã mang lại các phát hiện cụ thể với số liệu đối sánh rõ ràng:

Thứ nhất, trên tập dữ liệu tiếng Anh chuẩn i2b2 năm 2012, hệ thống nhận dạng và gán nhãn chính xác trên 13.589 sự kiện kiểm tra và 1.820 biểu thức thời gian kiểm tra. Việc kết hợp đồng thời đặc trưng từ vựng (Bag-of-words) và đặc trưng ngữ pháp (Part-of-speech) trong phạm vi cửa sổ 5 từ giúp nâng cao độ bao phủ thực thể vượt trội so với việc chỉ sử dụng một loại đặc trưng đơn lẻ.

Thứ hai, trên tập dữ liệu tiếng Việt, hệ thống đã trích xuất thành công 2.638 sự kiện kiểm tra và 376 biểu thức thời gian kiểm tra. Phân bố thực thể lâm sàng tiếng Việt ghi nhận sự vượt trội của nhãn Problems với 1.835 trường hợp (chiếm khoảng 69,5% tổng số sự kiện kiểm tra), kế tiếp là Treatments với 285 trường hợp (chiếm 10,8%) và Occurrences với 344 trường hợp (chiếm 13,0%), trong khi nhãn Tests chỉ chiếm khoảng 1,9% với 52 trường hợp.

Thứ ba, về phân loại quan hệ thời gian trên 4.515 cặp quan hệ kiểm tra tiếng Việt, nhãn BEFORE chiếm ưu thế áp đảo với 2.191 cặp (chiếm 48,5%), nhãn OVERLAP đạt 1.885 cặp (chiếm 41,7%) và nhãn AFTER chiếm 439 cặp (chiếm 9,7%). Mô hình phân loại cơ sở Sectime-Event bằng SVM trên dữ liệu tiếng Anh đạt độ chính xác Precision là 0,3926, tạo nền móng vững chắc cho các bước suy diễn liên câu tiếp theo.

Thảo luận kết quả

Kết quả nghiên cứu chứng minh tính hiệu quả vượt trội của kiến trúc lai kết hợp giữa học máy thống kê và tập luật chuyên gia. Việc phân tầng bài toán giúp giải quyết triệt để sự bùng nổ không gian ứng viên quan hệ. Nếu không có bộ lọc ứng viên và luật mở rộng, số lượng cặp dự tuyển không mang quan hệ ngữ nghĩa sẽ áp đảo tập huấn luyện, làm suy giảm nghiêm trọng hiệu năng phân loại.

So sánh với các nghiên cứu công bố tại hội nghị i2b2 năm 2012 của tác giả Tang B. và cộng sự (đạt điểm F-measure tổng thể là 0,6816) hay hệ thống Mayo clinic, kết quả rút trích trên tiếng Anh của luận văn có phần khiêm tốn hơn do chưa tích hợp các hệ thống ontology y sinh chuyên sâu như MedLEE, MetaMap hoặc KnowledgeMap. Tuy nhiên, khi chuyển giao sang tiếng Việt, việc tái cấu trúc đặc trưng vị trí dựa trên 8 phân mục khám bệnh đặc thù (Khám toàn thân, Tuần hoàn, Hô hấp, Tiêu hóa, Thận, Thần kinh, Cơ, Nội tiết) đã giúp mô hình học được mối tương quan thời gian chính xác hơn.

Toàn bộ diễn biến dữ liệu thực nghiệm có thể được tổng hợp trực quan qua bảng ma trận nhầm lẫn (Confusion Matrix) giữa 3 lớp quan hệ BEFORE, OVERLAP, AFTER và biểu đồ cột biểu diễn biến thiên chỉ số F-measure qua 5 giai đoạn mở rộng đặc trưng: từ mức cơ sở Sectime-Event, phát triển sang cặp phụ thuộc cú pháp Dependency, cặp liền kề Consecutive, đến các cặp liên câu Main-Across và đồng tham chiếu Coreference.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đưa ra 4 khuyến nghị hành động mang tính ứng dụng thực tiễn cao:

  1. Xây dựng kho ngữ liệu từ điển y khoa mở rộng: Nhóm kỹ sư công nghệ thông tin y tế cần phối hợp với các bác sĩ lâm sàng để số hóa và chuẩn hóa từ điển thuật ngữ y học tiếng Việt với quy mô trên 50.000 khái niệm chuyên ngành trong vòng 6 tháng tới. Việc này nhằm khắc phục triệt để hiện tượng từ ngoài từ điển, giúp tăng chỉ số Recall nhận dạng sự kiện y khoa lên thêm khoảng 12% đến 15%.

  2. Nâng cấp bộ phân tích cú pháp phụ thuộc chuyên biệt: Các đơn vị nghiên cứu trí tuệ nhân tạo cần phát triển công cụ phân tích cú pháp phụ thuộc (Dependency Parser) tối ưu riêng cho cấu trúc câu lâm sàng tiếng Việt trong lộ trình 9 tháng, đặt mục tiêu nâng chỉ số F-measure của các cặp quan hệ liên câu (Across) vượt mốc 75%.

  3. Chuẩn hóa quy trình ghi chép bệnh án điện tử: Ban giám đốc các cơ sở y tế cần ban hành quy chế chuẩn hóa văn bản bệnh án điện tử, quy định rõ ràng các mốc thời gian diễn tiến trong vòng 12 tháng. Giải pháp này giúp giảm khoảng 30% tỷ lệ nhập nhằng ngữ nghĩa khi hệ thống trích xuất dòng thời gian tự động.

  4. Mở rộng cơ sở dữ liệu gán nhãn đa trung tâm: Cơ quan quản lý ngành y tế cần chủ trì xây dựng bộ dữ liệu bệnh án chuẩn hóa với quy mô trên 2.000 hồ sơ bệnh án thu thập từ ít nhất 5 bệnh viện đa khoa tuyến trung ương trong vòng 18 tháng, tạo nền tảng vững chắc để huấn luyện các mô hình học sâu hiện đại.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị học thuật và ứng dụng thực tiễn sâu sắc cho 4 nhóm đối tượng chính:

  1. Kỹ sư xử lý ngôn ngữ tự nhiên (NLP Engineers): Nắm vững kỹ thuật kết hợp CRF, SVM và HeidelTime để xử lý ngôn ngữ đơn lập, áp dụng trực tiếp mã nguồn và tập luật suy diễn vào các bài toán trích xuất thực thể tên và quan hệ ngữ nghĩa.

  2. Chuyên gia phân tích dữ liệu y tế (Healthcare Data Scientists): Hiểu rõ cấu trúc vector hóa không gian - thời gian từ bệnh án, phục vụ xây dựng các mô hình dự báo biến chứng bệnh, phân tích dịch tễ học và giám sát an toàn dược phẩm.

  3. Nhà phát triển phần mềm y tế và nhà quản lý bệnh viện: Tham khảo mô hình chuyển đổi dữ liệu lâm sàng phi cấu trúc thành dữ liệu quan hệ có cấu trúc, tích hợp vào các hệ thống hỗ trợ ra quyết định lâm sàng (CDSS) nhằm nâng cao chất lượng điều trị.

  4. Giảng viên, học viên cao học và nghiên cứu sinh ngành Khoa học Máy tính: Sử dụng làm tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu thực nghiệm, quy trình tiền xử lý văn bản tiếng Việt và kỹ thuật đối sánh đa ngữ trên các bộ dữ liệu tiêu chuẩn.

Câu hỏi thường gặp

Rút trích quan hệ thời gian từ bệnh án điện tử mang lại lợi ích gì cho thực hành y khoa? Hệ thống giúp tự động xâu chuỗi toàn bộ diễn biến triệu chứng, chỉ định xét nghiệm và phác đồ điều trị của bệnh nhân theo đúng thứ tự thời gian. Điều này giúp bác sĩ nắm bắt nhanh chóng lịch sử bệnh lý, hạn chế tối đa nguy cơ sai sót y khoa và hỗ trợ phát hiện các tác dụng phụ của thuốc một cách kịp thời.

Tại sao luận văn lại kết hợp cả học máy và phương pháp tập luật thay vì chỉ dùng một mô hình duy nhất? Phương pháp học máy như CRF và SVM có khả năng tổng quát hóa tốt trên không gian đặc trưng lớn nhưng dễ bỏ sót các liên kết ngữ nghĩa phức tạp. Việc tích hợp thêm các luật suy diễn thời gian giúp bù đắp độ bao phủ, lọc bỏ các cặp quan hệ trùng lặp và nâng cao chỉ số F-measure toàn diện của hệ thống.

Khó khăn lớn nhất khi chuyển giao mô hình trích xuất từ tiếng Anh sang tiếng Việt là gì? Tiếng Việt là ngôn ngữ đơn lập, không biến đổi hình thái từ và không sử dụng thì của động từ như tiếng Anh. Việc xác định ranh giới từ ghép phụ thuộc chặt chẽ vào ngữ cảnh, đòi hỏi phải tiền xử lý bằng vnTokenizer và tùy biến lại hoàn toàn tập đặc trưng vị trí theo cấu trúc bệnh án nội địa.

Hệ thống xử lý thế nào khi các sự kiện y khoa có độ dài cụm từ lớn? Mô hình mở rộng không gian kiểm tra ngữ cảnh lên phạm vi từ 3 đến 5 từ xung quanh từ đang xét, kết hợp kiểm tra đồng thời nhãn từ loại Part-of-speech. Quy tắc ưu tiên cụm từ dài nhất và phân cấp nhãn sự kiện được áp dụng để giữ lại các thực thể lâm sàng trọn vẹn nhất.

Làm thế nào để hệ thống giải quyết tình trạng mất cân bằng số lượng giữa các nhãn quan hệ? Hệ thống sử dụng bộ phát sinh cặp dự tuyển thông minh để sàng lọc các cặp không có liên hệ ngữ nghĩa trước khi đưa vào phân loại. Sau đó, mô hình SVM với tham số tối ưu và các luật logic bắc cầu được kích hoạt để cân bằng tỷ lệ nhận diện giữa các nhãn BEFORE, OVERLAP và AFTER.

Kết luận

  • Luận văn đã hiện thực thành công hệ thống rút trích quan hệ thời gian trên bệnh án điện tử tiếng Anh theo chuẩn quốc tế i2b2 năm 2012 và chuyển giao hiệu quả sang xử lý bệnh án tiếng Việt.
  • Đề tài đóng góp phương pháp luận phân tầng kết hợp linh hoạt giữa CRF++, LIBLINEAR/SVM và HeidelTime, giải quyết trọn vẹn bài toán trích xuất 6 loại sự kiện, 4 dạng thời gian và 3 kiểu quan hệ lâm sàng.
  • Kết quả thực nghiệm trên 262 bệnh án tiếng Việt tại Bệnh viện Đa khoa Quốc tế Vũ Anh khẳng định tính khả thi vượt trội của mô hình trên dữ liệu y tế thực tế tại Việt Nam.
  • Toàn bộ quy trình tiền xử lý, gán nhãn từ loại và hệ thống luật suy diễn logic thời gian đã được thiết kế tối ưu riêng cho đặc thù ngôn ngữ đơn lập của tiếng Việt.
  • Lộ trình phát triển tiếp theo trong vòng 6 đến 18 tháng tới sẽ tập trung tích hợp ontology y sinh chuyên sâu và mở rộng quy mô dữ liệu gán nhãn đa trung tâm.

Công trình là tài liệu học thuật giá trị cao cho cộng đồng nghiên cứu xử lý ngôn ngữ tự nhiên và tin học y tế. Các nhà phát triển và đơn vị y tế quan tâm có thể ứng dụng ngay khung kiến trúc này để nâng cấp hệ thống quản lý bệnh án điện tử thông minh.