Tổng quan nghiên cứu

Sự phát triển mạnh mẽ của hệ thống hồ sơ sức khỏe điện tử (Electronic Health Record - EHR) tại các cơ sở lâm sàng đã tạo ra nguồn dữ liệu khổng lồ với hơn 40.000 bệnh nhân được lưu trữ chi tiết trong cơ sở dữ liệu y tế MIMIC-III từ năm 2001 đến năm 2012. Tuy nhiên, khoảng 80% lượng thông tin quan trọng này lại nằm ở dạng văn bản lâm sàng tự do, chưa có cấu trúc chuẩn hóa. Nguồn dữ liệu này đối mặt với các rào cản lớn như tính thưa thớt, dữ liệu đa chiều, nhiễu và thiếu đồng nhất, khiến việc ứng dụng các giải thuật học máy truyền thống vào khai phá tri thức gặp nhiều thách thức.

Luận văn thạc sĩ chuyên ngành Khoa học Máy tính của học viên Lê Bá Minh Quang, thực hiện dưới sự hướng dẫn khoa học của Phó Giáo sư Võ Thị Ngọc Châu tại Trường Đại học Bách Khoa - Đại học Quốc gia Thành phố Hồ Chí Minh (hoàn thành tháng 02 năm 2023), tập trung giải quyết bài toán truy hồi thông tin bệnh nhân từ cơ sở dữ liệu y tế phục vụ nghiên cứu y khoa. Mục tiêu trọng tâm của công trình là xây dựng hệ thống truy hồi top-k bệnh án điện tử có độ tương đồng cao nhất dựa trên văn bản ghi chú lâm sàng (clinical notes).

Nghiên cứu ứng dụng các mô hình học sâu hiện đại như BERT và Bio-ClinicalBERT để trích xuất không gian vector đặc trưng 768 chiều từ tầng pooler output, giải quyết bài toán so khớp ngữ nghĩa phức tạp. Hệ thống không chỉ giúp rút ngắn 76,47% thời gian tạo chỉ mục đặc trưng mà còn nâng cao độ chính xác truy hồi so với các phương pháp biểu diễn từ truyền thống. Kết quả nghiên cứu mang lại ý nghĩa thực tiễn to lớn, hỗ trợ đội ngũ y bác sĩ nhanh chóng tra cứu các bệnh án tương đồng, so sánh phác đồ điều trị và cá nhân hóa lộ trình chăm sóc sức khỏe cho từng ca bệnh cụ thể.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng các lý thuyết xử lý ngôn ngữ tự nhiên hiện đại và mô hình học biểu diễn dữ liệu y tế chuyên sâu:

  • Kiến trúc Transformer và mô hình BERT (Bidirectional Encoder Representations from Transformers): Khác với các mô hình mạng nơ-ron hồi quy tuần tự (RNN), Transformer tận dụng cơ chế chú ý tự thân (Self-Attention) để nắm bắt mối quan hệ ngữ cảnh hai chiều của toàn bộ câu văn. Mô hình BERT chuyển hóa đoạn văn bản lâm sàng thành một vector toán học 768 chiều tại tầng pooler output, phản ánh trọn vẹn ngữ nghĩa tổng thể của bệnh án.
  • Mô hình nhúng chuyên biệt Bio-ClinicalBERT: Được huấn luyện chuyên sâu trên tập dữ liệu y sinh học và toàn bộ các ghi chú lâm sàng của MIMIC-III, giúp tối ưu hóa khả năng hiểu các thuật ngữ chuyên khoa, từ viết tắt và các biểu hiện bệnh lý phức tạp.
  • Mô hình biểu diễn đối chứng Word2Vec và Doc2Vec: Áp dụng thuật toán Continuous Bag of Words (CBOW) và Skip-gram để nhúng từ và đoạn văn vào không gian số thực cố định, đóng vai trò làm hệ quy chiếu đối chuẩn hiệu năng.
  • Khái niệm then chốt: Hồ sơ sức khỏe điện tử (EHR), Bệnh án điện tử (EMR), Không gian vector nhúng ngữ nghĩa (Embedding Space), Khoảng cách Euclidean ($L_2$ norm) và Độ tương tự Cosine dùng trong bài toán xếp hạng tương đồng top-k.

Phương pháp nghiên cứu

  • Nguồn dữ liệu và cỡ mẫu: Luận văn khai thác toàn bộ cơ sở dữ liệu y tế chuẩn quốc tế MIMIC-III (thu thập từ Trung tâm Y tế Beth Israel Deaconess, Boston, Hoa Kỳ). Dữ liệu bao gồm 26 bảng quan hệ, trong đó bảng dữ liệu trọng tâm NOTEEVENTS chứa 127.143 bản ghi lâm sàng. Tập mẫu thực nghiệm gồm 1.045 bệnh nhân được gắn nhãn theo 10 nhóm bệnh lý chính dựa trên phương pháp phân loại kiểu hình (phenotyping) của Gehrmann và cộng sự, cùng bộ mẫu kiểm thử gồm 100 ca bệnh truy vấn đại diện.
  • Phương pháp chọn mẫu và tiền xử lý: Mẫu dữ liệu được lọc bỏ các trường nhiễu, chuẩn hóa cấu trúc định dạng và cắt ngắn về độ dài chuẩn 512 token đầu tiên để phù hợp với ngưỡng giới hạn đầu vào của các mô hình Transformer. Dữ liệu thiếu được xử lý đưa về dạng thưa nhằm bảo toàn tính toàn vẹn thông tin.
  • Kỹ thuật phân tích và tối ưu hóa hệ thống: Ứng dụng kỹ thuật gom cụm dữ liệu theo lô (batch processing với kích thước tối ưu 20 văn bản/lô) kết hợp xử lý song song đa tiến trình (multiprocessing pool) trên nền tảng ngôn ngữ Python. Toàn bộ vector đặc trưng được trích xuất và lập chỉ mục trong hệ quản trị cơ sở dữ liệu MySQL, giao tiếp qua middleware Flask API và hiển thị trên giao diện người dùng AngularJS.
  • Thời gian thực hiện: Đề tài được triển khai từ ngày 05/09/2022 đến ngày 18/12/2022 và bảo vệ thành công trước Hội đồng chấm luận văn thạc sĩ ngày 08/02/2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối chiếu trên 100 đối tượng truy vấn lâm sàng với các ngưỡng k biến thiên từ 10 đến 1.000 đã ghi nhận những phát hiện nổi bật:

  • Đột phá về hiệu năng trích xuất vector: Việc cải tiến quy trình chạy mô hình BERT bằng cách kết hợp hàm batch_encode_plus (với kích thước lô 20 văn bản) cùng cơ chế xử lý đa tiến trình multiprocessing.Pool đã giảm thời gian trích xuất vector của 127.143 ghi chú lâm sàng từ 17 giờ xuống còn 4 giờ, tương đương mức tiết kiệm 76,47% thời gian tính toán trên cùng một cấu hình phần cứng.
  • Độ chính xác vượt trội của mô hình BERT: Tại ngưỡng truy hồi top-10 ($k=10$), mô hình sử dụng tầng pooler output của BERT và Bio-ClinicalBERT đạt điểm số vượt trội ở tất cả các chỉ số đánh giá gồm Hệ số tương quan Matthews (MCC), Accuracy, Precision, Recall và F1-score so với các thuật toán nền tảng như Doc2Vec và Word2Vec.
  • Hiệu quả của phép đo khoảng cách Euclidean: Việc đo khoảng cách Euclidean trên không gian vector 768 chiều phản ánh chính xác độ tương đồng ngữ nghĩa giữa các bệnh án hơn so với việc tính khoảng cách Cosine thuần túy, hạn chế tối đa việc phân loại nhầm giữa các nhóm bệnh có biểu hiện triệu chứng tương tự.
  • Tính ổn định của thứ hạng top-k: Khi mở rộng quy mô truy hồi từ $k=50$ lên $k=1.000$, mô hình đề xuất vẫn duy trì thứ hạng ưu tiên chính xác cho các bệnh án thuộc cùng nhóm bệnh chính, chứng minh tính vững chắc của không gian nhúng ngữ cảnh.

Thảo luận kết quả

Khả năng phân loại và truy hồi chính xác của mô hình xuất phát từ cơ chế Attention hai chiều của kiến trúc Transformer, cho phép hệ thống hiểu sâu sắc mối liên hệ giữa các thuật ngữ chẩn đoán, kết quả xét nghiệm và lịch sử điều trị trong đoạn văn bản 512 token mà các mô hình biểu diễn từ nông (shallow embeddings) như Word2Vec không thể đạt được. So với mô hình Patient2Vec vốn chỉ sử dụng các mã ICD-9 cố định, giải pháp khai thác trực tiếp văn bản lâm sàng tự do giúp nắm bắt những thông tin chi tiết và sắc thái bệnh lý phong phú hơn.

Dữ liệu thực nghiệm được trực quan hóa rõ nét qua các biểu đồ đường biểu diễn chỉ số MCC và F1-score theo từng mức k (từ 10 đến 1.000). Đồ thị cho thấy đường cong hiệu năng của mô hình BERT luôn nằm ở vị trí cao hơn đáng kể so với Doc2Vec. Bên cạnh đó, bảng phân tích ma trận đối chuẩn cho thấy tại mức $k=10$, tỷ lệ trả về các bệnh án có cùng nhóm bệnh lý chính đạt độ chính xác gần như tuyệt đối, khẳng định tính khả thi cao khi ứng dụng vào hệ thống hỗ trợ ra quyết định lâm sàng.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đề xuất 4 nhóm giải pháp mang tính ứng dụng thực tiễn cao:

  • Tích hợp API truy hồi ngữ nghĩa vào hệ thống quản lý bệnh viện (HIS/EMR): Triển khai mô hình Bio-ClinicalBERT dưới dạng vi dịch vụ (microservices) để giảm thời gian tra cứu hồ sơ tương tự của bác sĩ từ 15 phút xuống dưới 2 giây cho mỗi lượt khám. Lộ trình thực hiện trong vòng 6 đến 9 tháng, do phòng Công nghệ thông tin bệnh viện phối hợp cùng đội ngũ bác sĩ chuyên khoa chủ trì.
  • Xây dựng bộ dữ liệu văn bản lâm sàng tiếng Việt chuẩn hóa: Đẩy mạnh thu thập, chuẩn hóa và khử định danh khoảng 50.000 đến 100.000 bệnh án điện tử tiếng Việt theo tiêu chuẩn bảo mật y tế quốc tế HIPAA. Mục tiêu hoàn thành trong 12 đến 18 tháng dưới sự điều phối của Bộ Y tế và các viện nghiên cứu y tin học.
  • Nâng cấp hạ tầng cơ sở dữ liệu vector chuyên dụng: Chuyển đổi việc lưu trữ từ các bảng quan hệ MySQL truyền thống sang các hệ quản trị cơ sở dữ liệu vector hiện đại như Milvus hoặc Pinecone, nhằm tăng tốc độ truy vấn top-k gấp 5 lần khi quy mô dữ liệu vượt mức 1 triệu hồ sơ bệnh án. Thời gian triển khai dự kiến từ 3 đến 6 tháng bởi các kỹ sư dữ liệu y tế.
  • Phát triển phân hệ gợi ý phác đồ điều trị cá nhân hóa: Kết hợp kết quả truy hồi top-k tương đồng với các mô hình học tăng cường để đưa ra các gợi ý điều trị có độ tương thích trên 85% cho bệnh nhân có bệnh nền phức tạp. Kế hoạch nghiên cứu và thử nghiệm lâm sàng kéo dài từ 12 đến 24 tháng với sự tham gia của các chuyên gia Trí tuệ nhân tạo và hội đồng y khoa.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng chuyên sâu cho 4 nhóm đối tượng chính:

  • Bác sĩ lâm sàng và chuyên gia y tế: Sử dụng tài liệu như một cẩm nang tham khảo về phương pháp tra cứu nhanh các ca bệnh phức tạp có biểu hiện tương tự, phục vụ hội chẩn và lựa chọn phác đồ điều trị tối ưu dựa trên dữ liệu bằng chứng.
  • Kỹ sư Trí tuệ nhân tạo và Khoa học dữ liệu y tế: Nắm bắt kỹ thuật trích xuất vector đặc trưng từ tầng pooler output của mô hình ngôn ngữ lớn, các phương pháp tối ưu hóa tính toán song song đa tiến trình và kỹ thuật lập chỉ mục vector trên tập dữ liệu y sinh học quy mô lớn.
  • Giám đốc công nghệ thông tin (CIO) và nhà quản trị bệnh viện: Tham khảo kiến trúc tổng thể của hệ thống tích hợp (Flask - MySQL - AngularJS) nhằm định hướng nâng cấp hệ thống bệnh án điện tử hiện hữu thành nền tảng quản trị dữ liệu thông minh.
  • Học viên cao học và nghiên cứu sinh chuyên ngành Y tin học / Khoa học máy tính: Khai thác các phương pháp nghiên cứu chuẩn mực, quy trình tiền xử lý tập dữ liệu MIMIC-III và khung đánh giá thực nghiệm đa chỉ số (MCC, Precision, Recall, F1) làm nền tảng cho các đề tài nghiên cứu mở rộng.

Câu hỏi thường gặp

Hệ thống xử lý văn bản lâm sàng như thế nào trước khi đưa vào mô hình BERT?
Văn bản lâm sàng được lọc bỏ các ký tự đặc biệt, chuẩn hóa khoảng trắng và cắt ngắn về giới hạn tối đa 512 token đầu tiên. Sau đó, văn bản được mã hóa qua BertTokenizer với hàm batch_encode_plus theo từng lô 20 phần tử để sẵn sàng đưa vào tầng trích xuất đặc trưng.

Tại sao nghiên cứu lại chọn CSDL MIMIC-III thay vì dữ liệu tại các bệnh viện Việt Nam?
MIMIC-III là tập dữ liệu chuẩn hóa quốc tế miễn phí với hơn 40.000 bệnh nhân ICU, có cấu trúc 26 bảng quan hệ hoàn chỉnh và tuân thủ đạo luật HIPAA. Nguồn dữ liệu này cung cấp môi trường đối chuẩn khoa học, khách quan và có thể tái lập thí nghiệm so với các nghiên cứu hàng đầu trên thế giới.

Việc giới hạn văn bản ở mức 512 token có làm mất mát thông tin chẩn đoán quan trọng không?
Phần lớn các thông tin quan trọng nhất như lý do nhập viện, tiền sử bệnh và chẩn đoán sơ bộ đều tập trung ở 512 token đầu tiên của ghi chú lâm sàng. Thực nghiệm cho thấy độ dài này cân bằng hoàn hảo giữa việc nắm bắt ngữ nghĩa then chốt và tối ưu hóa tài nguyên tính toán của mô hình.

Điểm khác biệt cốt lõi giữa hệ thống truy hồi thông tin này và các mô hình chẩn đoán bệnh tự động là gì?
Hệ thống không đưa ra kết luận chẩn đoán thay bác sĩ mà thực hiện truy hồi top-k các bệnh án quá khứ có độ tương đồng ngữ nghĩa cao nhất. Công cụ này đóng vai trò trợ lý thông tin, cung cấp ngữ cảnh tham khảo đa chiều giúp chuyên gia y tế đưa ra quyết định lâm sàng chính xác hơn.

Giải pháp nào giúp tối ưu hóa thời gian xử lý dữ liệu giảm tới 76,47%?
Tác giả đã kết hợp đồng thời hai kỹ thuật: xử lý dữ liệu theo lô với kích thước 20 văn bản trên mỗi lượt gọi tokenizer và áp dụng cơ chế xử lý song song đa tiến trình thông qua thư viện multiprocessing.Pool của Python, giúp thời gian xử lý 127.143 văn bản giảm mạnh từ 17 giờ xuống 4 giờ.

Kết luận

Luận văn đã hoàn thành toàn diện các mục tiêu nghiên cứu đề ra với những đóng góp học thuật và thực tiễn nổi bật:

  • Hệ thống hóa cơ sở lý thuyết: Phân tích chuyên sâu 5 phương pháp biểu diễn dữ liệu EHR hiện đại, xác định ưu thế vượt trội của phương pháp biểu diễn ngữ cảnh hai chiều bằng kiến trúc Transformer trong xử lý văn bản y tế.
  • Đề xuất quy trình truy hồi hiệu năng cao: Xây dựng giải pháp trích xuất vector 768 chiều từ tầng pooler output của mô hình BERT và Bio-ClinicalBERT, kết hợp phép đo khoảng cách Euclidean để xếp hạng độ tương đồng top-k bệnh án điện tử.
  • Tối ưu hóa tính toán vượt bậc: Cải tiến quy trình xử lý dữ liệu hàng loạt kết hợp đa tiến trình, giúp giảm 76,47% thời gian trích xuất đặc trưng cho hơn 127.000 bản ghi lâm sàng.
  • Chứng minh thực nghiệm chuẩn xác: Đánh giá toàn diện trên 100 đối tượng kiểm thử với các mức k từ 10 đến 1.000, khẳng định sự vượt trội của mô hình đề xuất về các chỉ số MCC, Precision, Recall và F1-score so với Doc2Vec và Word2Vec.
  • Xây dựng ứng dụng hoàn chỉnh: Hiện thực hóa thành công phần mềm chạy trên nền web (Flask, MySQL, AngularJS) với khả năng nhận truy vấn văn bản và xuất kết quả top-k trực quan theo thời gian thực.

Trong giai đoạn tiếp theo từ năm 2024 đến năm 2026, hướng nghiên cứu sẽ mở rộng việc tích hợp các mô hình ngôn ngữ y sinh đa ngôn ngữ, huấn luyện trên tập dữ liệu lâm sàng tiếng Việt và kết hợp các cơ sở dữ liệu vector chuyên dụng nhằm phục vụ triển khai thử nghiệm tại các bệnh viện tuyến đầu. Quý độc giả và các nhóm nghiên cứu quan tâm có thể ứng dụng khung phương pháp này để tiếp tục phát triển các hệ thống hỗ trợ y tế thông minh trong kỷ nguyên chuyển đổi số y khoa.