Tổng quan nghiên cứu

Trong bối cảnh hệ thống y tế tại nhiều bệnh viện thường xuyên đối mặt với tình trạng quá tải từ 120% đến 150% công suất giường bệnh, việc tự động hóa quy trình theo dõi sinh hiệu bệnh nhân trở thành yêu cầu cấp thiết. Đề tài luận văn thạc sĩ kỹ thuật điện tử thực hiện tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh từ tháng 9 năm 2022 đến tháng 12 năm 2022 tập trung giải quyết bài toán giám sát sức khỏe từ xa. Vấn đề nghiên cứu cốt lõi xuất phát từ thực trạng các thiết bị đo sinh hiệu hiện nay phần lớn hoạt động đơn lẻ, phân tán tại chỗ và thiếu sự đồng bộ dữ liệu tập trung qua môi trường mạng.

Mục tiêu cụ thể của luận văn là thiết kế hoàn chỉnh hệ thống IoT bao gồm phần cứng thu thập số liệu, phần mềm máy chủ và tích hợp mô hình trí tuệ nhân tạo để dự đoán tình trạng sức khỏe bệnh nhân theo thời gian thực. Hệ thống thu thập 3 chỉ số sinh hiệu quan trọng: thân nhiệt, nhịp tim và nồng độ bão hòa oxy trong máu SpO2 từ 3 mô-đun phần cứng thử nghiệm. Dữ liệu được truyền tải không dây qua giao thức MQTT về máy chủ để lưu trữ, hiển thị trên website giám sát với chu kỳ làm mới từ 1 giây và tự động đưa ra cảnh báo khi xuất hiện dấu hiệu bất thường. Nghiên cứu mang ý nghĩa thực tiễn lớn khi giúp giảm thiểu hơn 80% thời gian ghi chép thủ công của điều dưỡng viên, nâng cao độ chính xác trong công tác theo dõi và hỗ trợ can thiệp y tế kịp thời cho người bệnh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng khung kiến trúc Internet of Things (IoT) 4 tầng kết hợp tiêu chuẩn truyền thông y tế và lý thuyết sinh lý học lâm sàng. Kiến trúc truyền thông dựa trên mô hình Publish/Subscribe của giao thức MQTT thông qua máy chủ môi giới Mosquitto, bảo đảm khả năng truyền tải dữ liệu ổn định với 3 cấp độ dịch vụ QoS từ mức 0 đến mức 2.

Cơ sở y học của đề tài dựa trên các nguyên lý sinh lý học về điều hòa thân nhiệt và đồ thị phân ly Oxygen-hemoglobin. Các khái niệm chính bao gồm:

  • Thân nhiệt trung tâm và thân nhiệt ngoại vi với tầm đo chuẩn từ 0 đến 99 độ C, mức dao động an toàn từ 36.1 đến 37.0 độ C.
  • Nhịp tim nghỉ ngơi tiêu chuẩn của người trưởng thành dao động từ 60 đến 100 nhịp mỗi phút (bpm).
  • Độ bão hòa oxy trong máu ngoại vi (SpO2) với ngưỡng bình thường đạt từ 95% đến 99%, ngưỡng cảnh báo suy hô hấp khi dưới 92%.
  • Phân loại học máy có giám sát với nhãn đầu ra nhị phân gồm trạng thái bình thường (mã 0) và trạng thái bất thường (mã 1).

Phương pháp nghiên cứu

Nghiên cứu sử dụng tập dữ liệu gồm 324.570 bản ghi được sinh giả lập có điều kiện dựa trên các ngưỡng sinh lý y khoa chuẩn từ tài liệu chuyên ngành. Phương pháp chọn mẫu phân tầng có kiểm soát được áp dụng để tạo ra tập dữ liệu cân bằng gồm 5 biến đặc trưng đầu vào: thân nhiệt, nhịp tim, SpO2, độ tuổi và giới tính. Trong đó, tỷ lệ nhãn sức khỏe bình thường chiếm khoảng 46% (tương ứng 149.300 bản ghi) và nhãn bất thường chiếm khoảng 54% (tương ứng 175.270 bản ghi).

Lý do lựa chọn phương pháp phân tích so sánh giữa 3 mô hình: Mạng nơ-ron nhân tạo ANN, Rừng ngẫu nhiên Random Forest và Tăng cường độ dốc cực đại XGBoost là nhằm tìm kiếm thuật toán có độ chính xác cao nhất và tài nguyên tính toán phù hợp nhất để triển khai thời gian thực. Mô hình ANN được xây dựng với cấu trúc 5 lớp (1 lớp đầu vào, 4 lớp ẩn gồm 32, 16, 16, 16 nơ-ron sử dụng hàm kích hoạt ReLU và 1 lớp đầu ra dùng hàm Sigmoid). Quá trình tối ưu hóa siêu tham số cho Random Forest và XGBoost được thực hiện bằng công cụ RandomizedSearchCV. Mô hình tối ưu được xuất sang định dạng chuẩn ONNX để tích hợp vào dịch vụ C# trên máy chủ Windows 10 kết nối hệ quản trị cơ sở dữ liệu SQL Server 2008 R2.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã ghi nhận 4 kết quả thực nghiệm nổi bật sau quá trình kiểm thử hệ thống:

Thứ nhất, mô hình Random Forest sau khi tối ưu bằng công cụ RandomizedSearchCV đạt độ chính xác phân loại cao nhất là 99.95%, vượt trội hơn so với mạng nơ-ron ANN (đạt 97.80%) và thuật toán XGBoost (đạt 98.60%). Tỷ lệ nhận diện sai của Random Forest duy trì ở mức cực thấp, dưới 0.05%.

Thứ hai, 3 mô-đun phần cứng thu thập dữ liệu sử dụng vi điều khiển Arduino Pro Mini kết hợp module truyền thông ESP8266, cảm biến nhiệt độ không tiếp xúc MLX90614 (sai số trong khoảng ±0.2 độ C) và cảm biến MAX30100 hoạt động ổn định. Tốc độ lấy mẫu và đẩy gói tin qua giao thức MQTT về máy chủ đạt độ trễ trung bình dưới 500 ms.

Thứ ba, cơ chế phản hồi cảnh báo 2 cấp độ hoạt động chính xác 100%. Khi phát hiện chỉ số bất thường, hệ thống kích hoạt cảnh báo tại chỗ thông qua đèn LED nhấp nháy tần số 2 Hz và module âm thanh ISD1820 phát giọng nói, đồng thời gửi tín hiệu cảnh báo lên giao diện web trong thời gian dưới 1 giây.

Thứ tư, cơ sở dữ liệu SQL Server gồm 5 bảng chức năng (lưu thông số, thông tin bệnh nhân, thông tin giường bệnh, cấu hình hệ thống và tùy chọn gần nhất) quản trị dữ liệu thông suốt, xử lý truy vấn đồng thời từ nhiều mô-đun mà không xảy ra xung đột.

Thảo luận kết quả

Độ chính xác vượt trội của mô hình Random Forest (99.95%) được giải thích bởi khả năng phân tách không gian phi tuyến xuất sắc trên dữ liệu bảng dạng số, không bị ảnh hưởng bởi hiện tượng quá khớp (overfitting) như mạng ANN sâu. Khi so sánh với nghiên cứu của tác giả Swati Dhabarde năm 2022 (đạt độ chính xác 93.50% trên tập dữ liệu đa triệu chứng), hệ thống này đạt hiệu năng cao hơn nhờ tập trung chuyên sâu vào 3 chỉ số sinh hiệu cốt lõi được chuẩn hóa theo độ tuổi và giới tính.

Trên giao diện website giám sát phát triển bằng ASP.NET, dữ liệu người bệnh được trực quan hóa mạch lạc. Các phép đo liên tục được thể hiện sinh động qua biểu đồ đường động cập nhật 100 giá trị đo gần nhất của thân nhiệt, nhịp tim, SpO2 và biểu đồ tròn biểu thị tỷ lệ cảnh báo. Thiết kế bảng dữ liệu quan hệ cho phép hệ thống truy xuất lịch sử bệnh án với thời gian phản hồi dưới 100 ms, chứng minh tính khả thi cao khi ứng dụng vào môi trường quản lý bệnh nhân thực tế.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, 4 khuyến nghị hành động cụ thể được đề xuất nhằm hoàn thiện và thương mại hóa hệ thống:

  1. Nâng cấp phần cứng cảm biến chuyên dụng: Đội ngũ kỹ sư phần cứng cần thay thế các module cảm biến thử nghiệm bằng dòng cảm biến đạt chứng chỉ y tế CE/FDA nhằm giảm sai số đo thân nhiệt xuống dưới ±0.1 độ C và sai số đo SpO2 xuống dưới ±1.0%. Thời gian thực hiện mục tiêu này trong vòng 6 tháng đầu năm 2024.

  2. Thu thập dữ liệu lâm sàng thực tế: Nhóm nghiên cứu cần phối hợp với các cơ sở y tế để thu thập tối thiểu 50.000 bản ghi sinh hiệu thực tế từ người bệnh dưới sự dán nhãn của bác sĩ chuyên khoa, hoàn thành trước quý 4 năm 2024 nhằm tăng độ tin cậy thực chứng cho mô hình AI lên trên 99.0%.

  3. Tăng cường bảo mật và mã hóa đường truyền: Kỹ sư hệ thống mạng cần triển khai giao thức bảo mật SSL/TLS cho MQTT Broker và cấu hình HTTPS cho Web Server IIS nhằm bảo vệ 100% dữ liệu hồ sơ bệnh án điện tử EMR theo tiêu chuẩn bảo mật y tế quốc tế trong lộ trình 3 tháng.

  4. Mở rộng nền tảng đám mây và quy mô kết nối: Đơn vị phát triển phần mềm cần chuyển đổi dịch vụ máy chủ cục bộ sang hạ tầng Cloud (AWS hoặc Azure) trong năm 2025, hướng tới mục tiêu quản lý đồng thời từ 500 đến 1.000 giường bệnh với thời gian trễ toàn hệ thống duy trì dưới 1 giây.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng chuyên môn:

  1. Sinh viên và học viên cao học chuyên ngành Kỹ thuật Điện tử, IoT và Khoa học Dữ liệu: Nắm vững quy trình thiết kế mạch nhúng giao tiếp cảm biến I2C, giải thuật truyền nhận dữ liệu MQTT và phương pháp nhúng mô hình AI định dạng ONNX vào ứng dụng C#.

  2. Kỹ sư R&D thiết bị y tế: Tiếp cận tài liệu thiết kế phần cứng chi tiết của mô-đun đo sinh hiệu tích hợp màn hình LCD 16x2, module âm thanh ISD1820 và sơ đồ nguyên lý kết nối các cảm biến MLX90614, MAX30100 với độ chính xác cao.

  3. Nhà quản lý bệnh viện và trung tâm điều dưỡng: Tham khảo mô hình chuyển đổi số quy trình chăm sóc sức khỏe, giải pháp quản trị tập trung 5 bảng dữ liệu SQL Server giúp giám sát cùng lúc hơn 100 giường bệnh từ xa mà không cần tăng biên chế nhân sự.

  4. Doanh nghiệp khởi nghiệp công nghệ y tế (MedTech): Ứng dụng giải pháp kiến trúc mã nguồn mở kết hợp ASP.NET và MQTT để tối ưu hóa từ 40% đến 60% chi phí nghiên cứu phát triển các sản phẩm chăm sóc sức khỏe thông minh tại nhà.

Câu hỏi thường gặp

  1. Tại sao nghiên cứu lại chọn giao thức MQTT thay vì HTTP để truyền dữ liệu sinh hiệu? Giao thức MQTT hoạt động theo cơ chế Publish/Subscribe với tiêu đề gói tin cực nhẹ (chỉ từ 2 byte), giúp tiết kiệm hơn 50% băng thông mạng so với HTTP. Khi truyền dữ liệu chu kỳ 1 giây từ 3 mô-đun phần cứng về máy chủ, MQTT duy trì kết nối liên tục với độ trễ dưới 500 ms, đảm bảo tính thời gian thực cho dữ liệu cấp cứu.

  2. Lý do mô hình Random Forest đạt độ chính xác 99.95%, cao hơn mạng nơ-ron ANN? Tập dữ liệu nghiên cứu gồm 324.570 bản ghi dạng bảng với 5 biến số có ranh giới phân loại y khoa rõ ràng. Thuật toán Random Forest kết hợp nhiều cây quyết định giúp chia cắt không gian dữ liệu chính xác hơn mạng ANN (đạt 97.80%), đồng thời không đòi hỏi tài nguyên tính toán quá lớn khi chạy suy luận trên máy chủ cục bộ.

  3. Hệ thống xử lý thế nào để tránh cảnh báo sai do cử động của bệnh nhân? Hệ thống thiết lập bảng cấu hình trong cơ sở dữ liệu để lọc nhiễu tín hiệu. Phần mềm máy chủ yêu cầu ghi nhận liên tiếp từ 3 đến 5 mẫu dữ liệu vượt ngưỡng bất thường trong chu kỳ lấy mẫu trước khi phát lệnh kích hoạt còi báo động ISD1820 và đèn chớp 2 Hz, loại bỏ triệt để các xung nhiễu đột biến tức thời.

  4. Việc chuyển đổi mô hình dự đoán sang định dạng ONNX mang lại lợi ích gì? Định dạng ONNX cho phép mô hình máy học huấn luyện từ môi trường Python (scikit-learn) có thể thực thi trực tiếp trong ứng dụng dịch vụ nền C# trên nền tảng .NET. Giải pháp này giúp thời gian suy luận cho mỗi mẫu đo chỉ mất từ 2 đến 5 ms, loại bỏ sự phụ thuộc vào môi trường Python phức tạp khi triển khai thực tế.

  5. Hệ thống có thể tích hợp thêm các cảm biến sinh hiệu khác như huyết áp hay điện tim không? Kiến trúc phần mềm và phần cứng được thiết kế theo dạng mô-đun mở linh hoạt. Quản trị viên chỉ cần mở rộng cấu trúc bảng dữ liệu trong SQL Server và bổ sung cổng đọc tín hiệu ADC/UART trên vi điều khiển là có thể tích hợp thêm các thông số điện tâm đồ ECG hoặc huyết áp vào mô hình dự đoán hiện có.

Kết luận

  • Hoàn thiện thành công hệ thống giám sát sức khỏe IoT tích hợp 3 mô-đun phần cứng đo thân nhiệt, nhịp tim và SpO2 theo thời gian thực.
  • Huấn luyện và tối ưu mô hình học máy Random Forest trên 324.570 bản ghi dữ liệu, xác lập độ chính xác dự đoán vượt trội đạt 99.95%.
  • Xây dựng hệ thống máy chủ ASP.NET và cơ sở dữ liệu SQL Server phản hồi dữ liệu giám sát với thời gian trễ dưới 1 giây.
  • Triển khai cơ chế cảnh báo kép đồng bộ qua còi hú, đèn LED tần số 2 Hz tại giường bệnh và hiển thị trực quan trên website.
  • Đóng góp giải pháp công nghệ y tế tự động hóa chi phí thấp, giảm tải áp lực công việc cho đội ngũ y bác sĩ tại các cơ sở điều trị.

Trong giai đoạn 2024 đến 2025, hệ thống sẽ tiếp tục được nâng cấp cảm biến chuẩn y tế và thử nghiệm lâm sàng tại bệnh viện. Quý độc giả, kỹ sư và nhà nghiên cứu quan tâm có thể khai thác toàn văn luận văn thạc sĩ để ứng dụng các giải pháp kỹ thuật vào công tác phát triển thiết bị y tế thông minh.