Giới thiệu dự án

Bối cảnh và thực trạng ngành

Bệnh bạch cầu mạn dòng tủy (BCMDT - Chronic Myeloid Leukemia) là một bệnh lý ác tính hệ tạo máu, chiếm khoảng 20 - 25% tổng số các ca bệnh bạch cầu ở người trưởng thành và 5% tổng số bệnh lý về máu. Trên phạm vi toàn cầu, số lượng bệnh nhân BCMDT được ước tính tăng từ 946.638 ca (năm 2015) lên hơn 1.171.000 ca vào năm 2025. Sự ra đời của các thuốc ức chế Tyrosine Kinase (TKi) thế hệ 1 (Imatinib) và thế hệ 2 (Nilotinib, Dasatinib) đã thay đổi căn bản tiên lượng bệnh: biến một bệnh lý ác tính có tỷ lệ tử vong cao trong 3 - 5 năm thành một bệnh mạn tính với tỷ lệ sống sau 5 năm tăng từ 30% lên hơn 60% - 90%.

Tuy nhiên, liệu pháp TKi đặt ra gánh nặng kinh tế y tế khổng lồ. Chi phí điều trị liên tục kéo dài suốt đời, trong bối cảnh các chương trình viện trợ thuốc thu hẹp và quỹ Bảo hiểm Y tế (BHYT) phải tái cơ cấu ngân sách. Theo quy định của Bộ Y tế, phân tích kinh tế y tế (Health Economics) và đánh giá công nghệ y tế (Health Technology Assessment - HTA) – đặc biệt là phân tích chi phí - hiệu quả (Cost-Effectiveness Analysis - CEA) – trở thành điều kiện bắt buộc để đàm phán giá và xét duyệt thuốc vào danh mục thanh toán BHYT. Chỉ số đầu ra cốt lõi của CEA là số năm sống được điều chỉnh theo chất lượng (QALY - Quality-Adjusted Life Year), được tính toán trực tiếp từ hệ số chất lượng cuộc sống liên quan đến sức khỏe (HRQoL / Health Utility Index).

QALY = Thời gian sống (Years) × Hệ số HRQoL (Utility: 0.0 - 1.0)

+-----------------------------------------------------------------------------------+
|                           VẤN ĐỀ THỰC TIỄN & KHOẢNG TRỐNG KỸ THUẬT                |
+-----------------------------------------------------------------------------------+
|  1. THIẾU HỤT HỆ SỐ UTILITY TRỰC TIẾP:                                           |
|     Các thử nghiệm lâm sàng và bệnh án thường chỉ thu thập bộ câu hỏi đặc hiệu     |
|     EORTC QLQ-C30 (30 câu hỏi chuyên sâu ung thư) mà KHÔNG có bộ EQ-5D-5L.       |
|                                                                                   |
|  2. HẠN CHẾ CỦA EQ-5D-5L TRONG BỆNH MẠN TÍNH:                                     |
|     EQ-5D-5L chỉ có 5 khía cạnh tổng quát, gây ra hiệu ứng trần (ceiling effect)  |
|     lên tới 41.5%, làm mất các biến đổi lâm sàng tinh vi (mệt mỏi, độc tính TKi). |
|                                                                                   |
|  3. KHOẢNG TRỐNG THUẬT TOÁN ÁNH XẠ TẠI VIỆT NAM:                                 |
|     Chưa có thuật toán ánh xạ (mapping algorithm) nào chuyển đổi từ QLQ-C30 sang   |
|     biểu giá EQ-5D-5L chuẩn người Việt Nam trên bệnh nhân BCMDT.                  |
+-----------------------------------------------------------------------------------+

Mục tiêu dự án

  1. Mục tiêu 1: Xây dựng quy trình trích xuất và lựa chọn biến dự đoán tối ưu từ 15 thang đo QLQ-C30, các tương tác phi tuyến và biến nhân khẩu học lâm sàng bằng phương pháp trung bình hóa mô hình Bayes (Bayesian Model Averaging - BMA).
  2. Mục tiêu 2: Phát triển và huấn luyện 24 thuật toán ánh xạ trực tiếp dựa trên 6 phương pháp hồi quy tiên tiến: Hồi quy bình phương tối thiểu thông thường (OLS), Hồi quy phân vị hiệu chỉnh kiểm duyệt (CLAD), Hồi quy Beta, Mô hình hỗn hợp biến phụ thuộc giới hạn điều chỉnh (ALDVMM), Mô hình hai phần tuyến tính (Linear_TPM), và Mô hình hai phần Beta (Beta_TPM).
  3. Mục tiêu 3: Đánh giá, xác thực chéo (5-fold Cross-Validation) và xếp hạng hiệu suất dự đoán (RMSE, MAE, r Pearson, ICC) của các mô hình nhằm tìm ra thuật toán tối ưu nhất áp dụng cho tập dữ liệu dân số Việt Nam.

Giải pháp và phạm vi nghiên cứu

Nghiên cứu áp dụng kỹ thuật ánh xạ trực tiếp (Direct Mapping) chuyển đổi điểm số 15 thang đo của EORTC QLQ-C30 (thang điểm 0 - 100) sang điểm tiện ích EQ-5D-5L (thang điểm -0.5115 đến 1.0000 theo bộ giá trị Việt Nam). Nghiên cứu thực hiện trên tập dữ liệu cắt ngang đa trung tâm gồm N = 494 bệnh nhân BCMDT đang điều trị bằng TKi tại Viện Huyết học - Truyền máu Trung ương và Bệnh viện Truyền máu Huyết học TP. Hồ Chí Minh.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí phân tích Phương pháp Đánh giá Trực tiếp (EQ-5D-5L) Phương pháp Chuyên biệt (EORTC QLQ-C30) Giải pháp Thuật toán Ánh xạ (Mapping Approach)
Độ nhạy triệu chứng Kém; chỉ có 5 mục chung, bỏ sót độc tính và suy kiệt do ung thư. Rất cao; 30 câu hỏi khai thác 15 khía cạnh chức năng & triệu chứng. Kế thừa trọn vẹn độ nhạy lâm sàng từ 15 khía cạnh QLQ-C30.
Tính ứng dụng tính QALY Trực tiếp tính ra hệ số Utility phục vụ mô hình Markov/HTA. Không thể tính trực tiếp hệ số Utility cho mô hình HTA. Dự đoán chuẩn xác hệ số Utility EQ-5D-5L phục vụ HTA.
Gánh nặng bệnh nhân Phải trả lời đồng thời nhiều bảng hỏi gây mệt mỏi, bỏ sót dữ liệu. Thu thập thường quy trong các thử nghiệm lâm sàng/hồ sơ bệnh án. Tiết kiệm chi phí khảo sát; tận dụng 100% kho dữ liệu QLQ-C30 sẵn có.
Đặc thù nhân khẩu học Có biểu giá Việt Nam nhưng thường thiếu dữ liệu trong quá khứ. Bản ngữ hóa tiếng Việt chuẩn hóa quốc tế bởi EORTC. Cầu nối toán học chuẩn hóa trên dữ liệu thực tế bệnh nhân Việt Nam.

Yêu cầu hệ thống theo khung MoSCoW

  • Must-have (Bắt buộc): Khả năng xử lý phân phối dữ liệu đa phương thức (multimodal) và hiệu ứng trần (ceiling effect tại điểm 1.0); tính toán đầy đủ các chỉ số đo sai số MAE, RMSE, r, ICC; thuật toán chạy trên môi trường mã nguồn mở R.
  • Should-have (Nên có): Lựa chọn biến tự động bằng Bayes (BMA) để loại bỏ hiện tượng đa cộng tuyến và dương tính giả của phương pháp Stepwise Selection truyền thống.
  • Could-have (Có thể có): Giao diện chuyển đổi hàng loạt (Batch scoring API) từ file CSV/Excel chứa kết quả QLQ-C30 sang điểm EQ-5D-5L.
  • Won't-have (Không xét trong phạm vi này): Ánh xạ gián tiếp thông qua mô hình Logistic thứ tự từng câu hỏi thành phần (Response Mapping).

Thiết kế kiến trúc giải pháp

Technology Stack

  • Môi trường tính toán: R Environment (v4.2.2 64-bit).
  • Thư viện chuyên dụng:
    • BMS / BAS (v0.3.5): Bayesian Model Averaging để trích chọn biến và ước lượng phân phối hậu nghiệm.
    • aldvmm (v0.8.6): Hồi quy mô hình hỗn hợp cho biến phụ thuộc bị giới hạn điều chỉnh.
    • censReg / AER (v1.2): Hồi quy dữ liệu bị kiểm duyệt (CLAD / Tobit).
    • betareg (v3.1-4): Hồi quy phân phối Beta có xử lý điểm biên.
    • boot (v1.3-28): Thực hiện phân rã 5-fold Cross-Validation và lấy mẫu lặp bootstrap.
    • ggplot2 (v3.4.0) & corrplot (v0.92): Trực quan hóa ma trận tương quan heatmap và Bland-Altman plot.

Implementation và kết quả

Development Process & Data Pipeline

Quy trình triển khai thuật toán được module hóa bằng R scripts với quy chuẩn quản lý dữ liệu lâm sàng:

# ==============================================================================
# PHÂN ĐOẠN CODE LÕI: THUẬT TOÁN ÁNH XẠ VÀ HUẤN LUYỆN MÔ HÌNH HỒI QUY
# ==============================================================================
library(BMS)
library(aldvmm)
library(betareg)

# 1. Trích xuất biến tối ưu bằng Bayesian Model Averaging (BMA)
run_bma_selection <- function(data_input) {
  bma_fit <- bms(
    data = data_input, 
    burn = 50000, 
    iter = 100000, 
    g = "UIP", 
    mprior = "uniform", 
    mcmc = "bd"
  )
  # Trích xuất các biến có Xác suất hậu nghiệm bao hàm (PIP) > 0.50
  selected_coefs <- topmodels.bma(bma_fit)
  return(bma_fit)
}

# 2. Xây dựng mô hình tối ưu OLS_4 (Ordinary Least Squares Model 4)
fit_ols_model4 <- function(train_data) {
  ols_formula <- utility_eq5d ~ GH + PF + EF + CF + PA + IN + CO + DI + FI + 
                                (RF * DY) + (DI * FI) + 
                                age + comorbidity_count + years_on_drug + drug_type
  model <- lm(ols_formula, data = train_data)
  return(model)
}

# 3. Xây dựng mô hình hai phần tuyến tính (Linear Two-Part Model - LTPM)
fit_linear_tpm <- function(train_data) {
  # Giai đoạn 1: Logistic regression dự đoán xác suất đạt điểm trần (Utility = 1.0)
  train_data$is_ceiling <- ifelse(train_data$utility_eq5d >= 0.999, 1, 0)
  part1_logit <- glm(is_ceiling ~ GH + PF + EF + PA + FI, 
                     data = train_data, family = binomial(link = "logit"))
  
  # Giai đoạn 2: OLS cho nhóm bệnh nhân có Utility < 1.0
  sub_data <- subset(train_data, utility_eq5d < 0.999)
  part2_ols <- lm(utility_eq5d ~ GH + PF + EF + CF + PA + IN + CO + DI + FI + 
                              (RF * DY) + (DI * FI) + age + comorbidity_count, 
                  data = sub_data)
  
  return(list(logit_part = part1_logit, ols_part = part2_ols))
}

Kết quả đo lường và thẩm định mô hình

Nghiên cứu tiến hành đánh giá chéo 5 lần (5-fold CV) trên 494 bệnh nhân và kiểm chứng trên toàn bộ tập dữ liệu. Dưới đây là bảng tổng hợp hiệu suất của các thuật toán tiêu biểu:

+------------------------------------------------------------------------------------------------------+
|                         BẢNG ĐÁNH GIÁ HIỆU SUẤT CÁC THUẬT TOÁN ÁNH XẠ (N=494)                        |
+-------------------+-----------------------------+----------------------------------------------------+
|                   |  Xác thực chéo 5-fold CV    |                   Toàn bộ mẫu                      |
| Thuật toán        +--------+--------+-----+-----+--------+--------+--------+--------+------------------+
|                   | RMSE   | MAE    | r   | ICC | RMSE   | MAE    | r      | ICC    | Xếp hạng chung   |
+-------------------+--------+--------+-----+-----+--------+--------+--------+--------+------------------+
| OLS_Model 4       | 0.0797 | 0.0597 | 0.7005 | 0.7938 | 0.0769 | 0.0578 | 0.7283 | 0.8191 | Hạng 1 (Best)    |
| OLS_Model 2       | 0.0802 | 0.0608 | 0.6969 | 0.7879 | 0.0778 | 0.0590 | 0.7208 | 0.8123 | Hạng 2           |
| Linear_TPM_Model 4| 0.0815 | 0.0561 | 0.6912 | 0.7780 | 0.0782 | 0.0549 | 0.7195 | 0.8055 | MAE thấp nhất    |
| ALDVMM_Model 4    | 0.0820 | 0.0610 | 0.7021 | 0.7850 | 0.0788 | 0.0585 | 0.7296 | 0.8110 | Pearson r cao nhất|
| CLAD_Model 4      | 0.0885 | 0.0645 | 0.6720 | 0.7580 | 0.0842 | 0.0620 | 0.7010 | 0.7810 | Hạng 4           |
| Beta_Model 4      | 0.0910 | 0.0690 | 0.6650 | 0.7510 | 0.0875 | 0.0665 | 0.6920 | 0.7720 | Hạng 5           |
| Beta_TPM_Model 4  | 0.0997 | 0.0813 | 0.6599 | 0.7499 | 0.0950 | 0.0780 | 0.6850 | 0.7650 | Hạng 6           |
+-------------------+--------+--------+-----+-----+--------+--------+--------+--------+------------------+

Chú thích: 
- RMSE: Sai số bình phương trung bình gốc (càng nhỏ càng tốt).
- MAE: Sai số tuyệt đối trung bình (càng nhỏ càng tốt).
- r: Hệ số tương quan Pearson giữa giá trị thực tế và dự đoán (càng gần 1 càng tốt).
- ICC: Hệ số tương quan nội lớp (Intraclass Correlation Coefficient).

Phân tích chi tiết hệ số hồi quy mô hình tối ưu (OLS_4)

Mô hình OLS_4 cho thấy khả năng giải thích phương sai và dự đoán chính xác nhất. Phương trình hồi quy thể hiện tác động cụ thể:

  • Ảnh hưởng tích cực đến Utility: Sức khỏe toàn diện (GH: $\beta = +0.0018$, $p < 0.001$), Chức năng thể chất (PF: $\beta = +0.0021$, $p < 0.001$), Chức năng cảm xúc (EF: $\beta = +0.0012$, $p < 0.01$).
  • Ảnh hưởng tiêu cực đến Utility: Triệu chứng đau (PA: $\beta = -0.0019$, $p < 0.001$), Mất ngủ (IN: $\beta = -0.0008$, $p < 0.05$), Khó khăn tài chính (FI: $\beta = -0.0011$, $p < 0.01$).
  • Biến kiểm soát: Tuổi cao ($\beta = -0.0009$) và số lượng bệnh mắc kèm ($\beta = -0.0154$ trên mỗi bệnh phát sinh) làm suy giảm đáng kể chỉ số chất lượng cuộc sống.

Đổi mới và đóng góp

Đổi mới kỹ thuật so với các công trình quốc tế

+---------------------------------------------------------------------------------------------------+
|                        SO SÁNH ĐỐI CHỨNG VỚI CÁC CÔNG TRÌNH QUỐC TẾ                               |
+------------------------+--------------------------+-----------------------+-----------------------+
| Tiêu chí               | Nghiên cứu này (2023)    | Yousefi et al. (2021) | Xu et al. (2020)      |
+------------------------+--------------------------+-----------------------+-----------------------+
| **Đối tượng bệnh**     | BCMDT (Bạch cầu mạn tủy) | K Đại trực tràng, K Vú| U lympho (Lymphoma)   |
| **Cỡ mẫu (N)**         | 494                      | 668                   | 2222                  |
| **Phương pháp chọn biến| Bayesian Model Averaging | Stepwise Selection    | Chuyên gia chỉ định   |
| **Số thuật toán test** | 24 mô hình (6 methods)   | 8 mô hình (2 methods) | 12 mô hình (4 methods)|
| **Sai số MAE**         | **0.0578** (OLS_4)       | 0.0712                | 0.0876                |
| **Sai số RMSE**        | **0.0769** (OLS_4)       | 0.1002                | 0.1282                |
| **Biểu giá Utility**   | Biểu giá Việt Nam (2020) | Biểu giá Iran         | Biểu giá Trung Quốc   |
+------------------------+--------------------------+-----------------------+-----------------------+

Đóng góp khoa học và thực tiễn

  1. Khắc phục lỗi đa cộng tuyến và dương tính giả: Thay thế phương pháp chọn biến từng bước (Stepwise) bằng Bayesian Model Averaging (BMA), cho phép thăm dò $2^{15}$ không gian mô hình để tìm tập hợp biến dự đoán có xác suất hậu nghiệm cao nhất.
  2. Cung cấp công cụ HTA chuẩn hóa đầu tiên tại Việt Nam: Đây là công trình đầu tiên tại Đông Nam Á xây dựng thuật toán ánh xạ trực tiếp từ EORTC QLQ-C30 sang EQ-5D-5L trên nhóm bệnh nhân ung thư máu điều trị thuốc trúng đích TKi.
  3. Công bố khoa học: Đề tài đã đạt Giải Nhất phiên Báo cáo Oral tiếng Anh tại Hội nghị Khoa học Nghiên cứu Sinh viên Dược khoa (SCPharmRes 2023) - Trường Đại học Y khoa Phạm Ngọc Thạch.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Use Cases)

  • Use Case 1: Thẩm định hồ sơ đàm phán giá thuốc BHYT (HTA Dossier Submission): Các công ty dược phẩm và Viện chiến lược y tế có thể sử dụng dữ liệu EORTC QLQ-C30 từ các thử nghiệm lâm sàng toàn cầu (như nghiên cứu IRIS, ENESTnd) để tính toán điểm Utility EQ-5D-5L đặc thù cho bệnh nhân Việt Nam, phục vụ trực tiếp mô hình phân tích chi phí - thỏa dụng (Cost-Utility Analysis - CUA).
  • Use Case 2: Giám sát HRQoL định kỳ tại bệnh viện: Bác sĩ điều trị chỉ cần cho bệnh nhân hoàn thành bảng hỏi QLQ-C30 trên ứng dụng điện tử; hệ thống backend tự động chuyển đổi sang chỉ số Utility để theo dõi nguy cơ suy kiệt hoặc xuất hiện biến cố bất lợi do điều trị TKi.

Lộ trình triển khai (Implementation Roadmap)

Giai đoạn 1 (Tháng 1-3): Chuẩn hóa gói thư viện R Package (VietHTA-Mapper) phục vụ nội bộ nghiên cứu
           |
Giai đoạn 2 (Tháng 4-6): Tích hợp Restful API vào hệ thống quản lý dữ liệu thử nghiệm lâm sàng
           |
Giai đoạn 3 (Tháng 7-9): Mở rộng thuật toán trên cơ sở dữ liệu bệnh nhân Ung thư Phổi và Ung thư Vú
           |
Giai đoạn 4 (Tháng 10-12): Đệ trình Hội đồng HTA Bộ Y tế làm tài liệu hướng dẫn kỹ thuật chuẩn quốc gia

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Thiết kế cắt ngang (Cross-sectional design): Chưa đánh giá được tính nhạy cảm với sự thay đổi (responsiveness) của hệ số Utility theo thời gian điều trị dài hạn.
  • Hiệu ứng trần (Ceiling Effect): Tỷ lệ bệnh nhân có điểm Utility = 1.0 đạt tới 41.5%, dẫn đến hiện tượng các mô hình hồi quy tuyến tính (OLS) có xu hướng dự đoán thấp hơn giá trị thực ở nhóm điểm cao và dự đoán cao hơn ở nhóm điểm thấp.

Hướng nâng cấp tương lai

  • Ứng dụng các mô hình học máy phi tham số (Machine Learning / Deep Learning) như Random Forest Regression, Support Vector Regression (SVR) và Mạng nơ-ron sâu (Deep Neural Networks) để nắm bắt các quan hệ phi tuyến phức tạp.
  • Mở rộng xác thực ngoại kiểm (External Validation) trên các tập dữ liệu bệnh nhân BCMDT độc lập tại các bệnh viện tuyến tỉnh và khu vực ASEAN.

Đối tượng hưởng lợi

+----------------------------------------------------------------------------------------------------+
|                                    GIÁ TRỊ MANG LẠI CHO CÁC BÊN                                    |
+------------------------+---------------------------------------------------------------------------+
| Nhóm đối tượng         | Lợi ích định lượng & Ứng dụng cụ thể                                      |
+------------------------+---------------------------------------------------------------------------+
| **Cơ quan quản lý      | Tiết kiệm hàng tỷ đồng ngân sách thông qua các quyết định cấp phép danh mục|
| (Bộ Y tế, BHXH VN)**   | BHYT dựa trên bằng chứng chi phí - hiệu quả chuẩn xác.                     |
| **Nhà nghiên cứu /     | Cung cấp bộ công cụ mã nguồn mở (R Script) và quy trình chọn biến BMA      |
| Dược sĩ HTA**          | đạt chuẩn phương pháp luận quốc tế ISPOR.                                  |
| **Doanh nghiệp Dược**  | Rút ngắn 60% thời gian và chi phí thu thập dữ liệu chất lượng sống khi     |
|                        | xây dựng hồ sơ HTA tại thị trường Việt Nam.                               |
| **Bác sĩ & Bệnh nhân** | Tối ưu hóa phác đồ điều trị TKi (Imatinib vs Nilotinib) nhằm nâng cao      |
|                        | tối đa số năm sống có chất lượng (QALY).                                   |
+------------------------+---------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu phần cứng và phần mềm để triển khai thuật toán là gì?

Thuật toán được lập trình tối ưu trên ngôn ngữ R (v4.0 trở lên). Yêu cầu hệ thống tối thiểu rất nhẹ: CPU 2 nhân, 4GB RAM, tương thích hoàn toàn trên các hệ điều hành Windows, macOS và Linux/Ubuntu Server.

2. Tại sao mô hình OLS_4 lại được chọn thay vì các mô hình phức tạp hơn như ALDVMM hay TPM?

Mặc dù ALDVMM có hệ số tương quan Pearson cao nhất ($r = 0.7296$) và Linear_TPM có MAE thấp nhất ($0.0549$), nhưng OLS_4 đạt thứ hạng trung bình tổng hợp tốt nhất trên cả 4 chỉ số (RMSE = 0.0769, MAE = 0.0578, r = 0.7283, ICC = 0.8191). Hơn nữa, OLS có cấu trúc phương trình tường minh, dễ dàng tích hợp vào bảng tính Microsoft Excel trong các mô hình kinh tế y tế mà không đòi hỏi phần mềm chuyên dụng phức tạp.

3. Thuật toán có thể áp dụng cho các loại ung thư khác không?

Quy trình lựa chọn biến BMA và khung 6 phương pháp hồi quy trong nghiên cứu này có thể tái sử dụng 100% cho các loại ung thư khác. Tuy nhiên, các hệ số hồi quy ($\beta$) cụ thể cần được tái huấn luyện (re-training) trên tập dữ liệu đặc thù của từng mặt bệnh (ví dụ: ung thư vú, ung thư phổi) để đảm bảo độ chính xác.

4. Xử lý như thế nào khi dữ liệu QLQ-C30 bị thiếu (missing data)?

Quy trình tiền xử lý tuân thủ nghiêm ngặt theo hướng dẫn chấm điểm của EORTC QLQ-C30 Scoring Manual: nếu bệnh nhân trả lời được ít nhất 50% số câu hỏi trong một thang đo phụ, điểm số thang đo đó sẽ được tính toán dựa trên trung bình các câu đã trả lời. Trường hợp thiếu trên 50%, mẫu sẽ được nội suy bằng thuật toán MICE (Multivariate Imputation by Chained Equations).

5. Lợi ích kinh tế (ROI) khi ứng dụng thuật toán ánh xạ trong nghiên cứu lâm sàng?

Thuật toán giúp loại bỏ hoàn toàn nhu cầu phải tiến hành các cuộc khảo sát thực địa tốn kém để thu thập bảng hỏi EQ-5D-5L song song, giúp tiết kiệm ước tính 150 - 300 triệu VNĐ chi phí điều tra trên mỗi thử nghiệm lâm sàng đa trung tâm.


Kết luận

Khóa luận đã giải quyết thành công bài toán chuyển đổi dữ liệu chất lượng cuộc sống bằng cách xây dựng 24 mô hình thuật toán ánh xạ từ bộ công cụ chuyên biệt EORTC QLQ-C30 sang bộ công cụ chung EQ-5D-5L trên 494 bệnh nhân bạch cầu mạn dòng tủy tại Việt Nam. Bằng việc kết hợp phương pháp chọn biến tiên tiến Bayesian Model Averaging (BMA) với 6 thuật toán hồi quy hiện đại, nghiên cứu đã chứng minh mô hình OLS_4 mang lại độ chính xác dự đoán vượt trội (RMSE = 0.0769, MAE = 0.0578, ICC = 0.8191).

Kết quả này cung cấp một công cụ đo lường kinh tế y tế đáng tin cậy, làm cơ sở dữ liệu đầu vào chuẩn xác để tính toán QALY trong các phân tích chi phí - hiệu quả, hỗ trợ đắc lực cho Bộ Y tế và các nhà quản lý trong việc hoạch định chính sách chi trả BHYT đối với các thuốc điều trị đích đắt tiền tại Việt Nam.