Khóa luận tốt nghiệp: Chẩn đoán bệnh lý tim mạch bằng phương pháp kết hợp bằng chứng sử dụng lý thuyết Dempster Shafer

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:55

Thêm vào BST

Báo xấu

24
lượt xem 9
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Đề tài "Chẩn đoán bệnh lý tim mạch bằng phương pháp kết hợp bằng chứng sử dụng lý thuyết Dempster Shafer" nghiên cứu xây dựng mô hình chẩn đoán bệnh lý tim mạch bằng trí tuệ nhân tạo sử dụng lý thuyết Dempster shafer để kết hợp các bằng chứng; so sánh kết quả chẩn đoán bệnh lý tim mạch của mô hình trí tuệ nhân tạo sử dụng lý thuyết Dempster shafer so với mô hình sử dụng lý thuyết Bayes truyền thống.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Khóa luận tốt nghiệp: Chẩn đoán bệnh lý tim mạch bằng phương pháp kết hợp bằng chứng sử dụng lý thuyết Dempster Shafer

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC Y DƯỢC NGUYỄN HỮU KIÊN CHẨN ĐOÁN BỆNH LÝ MẠCH VÀNH BẰNG PHƯƠNG PHÁP KẾT HỢP BẰNG CHỨNG SỬ DỤNG LÝ THUYẾT DEMPSTER SHAFER KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC NGÀNH DƯỢC HỌC Hà Nội - 2022
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC Y DƯỢC Người thực hiện: NGUYỄN HỮU KIÊN CHẨN ĐOÁN BỆNH LÝ MẠCH VÀNH BẰNG PHƯƠNG PHÁP KẾT HỢP BẰNG CHỨNG SỬ DỤNG LÝ THUYẾT DEMPSTER SHAFER KHÓA LUẬN TỐT NGHIỆP ĐẠI HỌC NGÀNH DƯỢC HỌC Khóa: QH.2017.Y Cán bộ hướng dẫn 1: ThS. BS. Nguyễn Thái Hà Dương Cán bộ hướng dẫn 2: ThS. BS. Lê Đình Khiết Hà Nội - 2022
LỜI CẢM ƠN Mỗi sinh viên khi thực hiện khóa luận tốt nghiệp là một niềm vinh hạnh, đó cũng là một bài học mà sinh vinh sẽ học được rất nhiều kiến thức từ đó, cá nhân em cũng vậy, em cảm thấy rất hạnh phúc khi hoàn thành khóa luận này. Do đó em muốn gửi những lời cảm ơn chân thành đến những người đã cho em cơ hội và giúp đỡ em hoàn thành khóa luận này. Đầu tiên, em xin cảm ơn các thầy cô là giảng viên, các bộ nhân viên của Trường đại học Y Dược - ĐHQGHN đã tạo điều kiện để em được học tập và rèn luyện trong 5 năm học qua. Tiếp theo, em xin gửi lời cảm ơn sâu sắc đến ThS.BS. Nguyễn Thái Hà Dương và ThS.BS. Lê Đình Khiết, em cảm ơn hai thầy đã định hướng, chỉ dạy, khuyên bảo trân thành để em có thể hoàn thành tốt khóa luận ý nghĩa này. Xin gửi lời cảm ơn đến người bạn Đạt, em Phương, em Xuân, em Huế, em Lan là thành viên trong nhóm nghiên cứu đã cùng mình thực hiện và hoàn thiện nghiên cứu này, cảm ơn mọi người nhiều nhé ! Cuối cùng em xin cảm ơn gia đình và bạn bè đã quan tâm em trong quá trình làm khóa luận này. Em xin chân thành cảm ơn! Hà Nội, ngày 06 tháng 06 năm 2022 Sinh viên Nguyễn Hữu Kiên
DANH MỤC TỪ VIẾT TẮT Ký hiệu Ý nghĩa AI Artificial intelligence (Trí tuệ nhân tạo) CVDs Cardiovascular Disease (Bệnh tim mạch) DST Dempster Shafer Theory ĐTNKÔĐ Đau thắt ngực không ổn định ĐMV Động mạch vành GD Gradient descent HCMVC Hội chứng động mạch vành cấp HCMVCKSTCL Hội chứng mạch vành cấp không có ST chênh lên HSBA Hồ sơ bệnh án NMCTC Nhồi máu cơ tim cấp
DANH MỤC BẢNG Bảng 2.1 Thống kê số bệnh nhân trong từng bộ dữ liệu . . . . . . . . . . . . 17 Bảng 2.2 Mô tả 23 triệu chứng phân loại . . . . . . . . . . . . . . . . . . . . 18 Bảng 3.1 Tổng quan kết quả của 3 mô hình . . . . . . . . . . . . . . . . . . 29 Bảng 3.2 Trọng số trong phương pháp DST + GD [p] . . . . . . . . . . . . . 34 Bảng 3.3 Trọng số trong phương pháp DST + GD [p0, p1] . . . . . . . . . . 35
DANH MỤC HÌNH Hình 1.1 Vị trí của trái tim trong lồng ngực . . . . . . . . . . . . . . . . . . 3 Hình 1.2 Hình ảnh hệ thống động mạch vành . . . . . . . . . . . . . . . . . 5 Hình 2.1 Kiểm tra chéo (Cross validation) . . . . . . . . . . . . . . . . . . . 23 Hình 2.2 Minh họa tối ưu sườn dốc (Gradient descent) . . . . . . . . . . . . 25 Hình 2.3 Ma trận confusion matrix . . . . . . . . . . . . . . . . . . . . . . . 27 Hình 3.1 Confusion matrix mô tả kết quả của DST + GD [p{0; 1}] . . . . . . 30 Hình 3.2 Confusion matrix mô tả kết quả của DST + GD [p0, p1] . . . . . . 32 Hình 3.3 Confusion matrix mô tả kết quả của Bayes kết hợp Logistic Regression 33
Mục lục ĐẶT VẤN ĐỀ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 CHƯƠNG 1: TỔNG QUAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.1. Sinh lý tim mạch và giải phẫu tim mạch . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.1.1. Hình thể bên trong của tim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.1.2. Cấu tạo của tim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2.1. Sinh lý bệnh của bệnh động mạch vành . . . . . . . . . . . . . . . . . . . . 5 1.2.2. Nguyên nhân gây bệnh động mạch vành . . . . . . . . . . . . . . . . . . . 6 1.2.3. Hội chứng mạch vành mạn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.2.4. Hội chứng mạch vành cấp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3. Trí tuệ nhân tạo và ứng dụng trong y học . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3.1. Khái niệm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3.2. Tổng quan về lịch sử trí tuệ nhân tạo trong y học và thách thức cần vượt qua. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.3.3. Học máy và hướng đi triển vọng giải quyết các vấn đề đặt ra . 11 1.3.4. Quy trình làm việc khi áp dụng trí tuệ nhân tạo vào chẩn đoán lâm sàng. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.4. Lý thuyết kết hợp bằng chứng Dempster Shafer theory . . . . . . . . . . . . . . 12 1.4.1. Khái niệm lý thuyết Dempster Shafer . . . . . . . . . . . . . . . . . . . . . . 12 1.4.2. Luật kết hợp – Dempster’s Rule . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.4.3. So sánh thuyết Dempster Shafer với thuyết Bayes . . . . . . . . . . . 13 1.5. Các nghiên cứu liên quan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 CHƯƠNG 2: ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU . . . . . . . . . . 17 2.1. Đối tượng nghiên cứu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.2. Phương pháp nghiên cứu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.1. Tiền xử lý dữ liệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.2. Dempster Shafer Theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.3. Phương pháp Bayes classification (Logistics regression) . . . . . 21 2.2.4. Kiểm tra chéo (Cross-validation) . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.2.5. Tối ưu hóa sườn dốc (Gradient descent) . . . . . . . . . . . . . . . . . . . . 24 2.2.6. Ma trận nhiễu (Confusion matrix) . . . . . . . . . . . . . . . . . . . . . . . . . 26 CHƯƠNG 3: KẾT QUẢ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.1. Mô hình sử dụng thuật toán Dempster Shafer kết hợp với tối ưu hóa trọng số cho phần uncertainty bằng gradient descent (DST + GD [p]). . . . . . 29 3.2. Mô hình sử dụng thuật toán Dempster Shafer kết hợp với tối ưu hóa trọng số cho phần khả năng bị bệnh và không bị bệnh của mỗi triệu chứng bằng gradient descent (DST + GD [p0 , p1 ]). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.3. Mô hình sử dụng lý thuyết xác suất Bayes kết hợp Logistic Regression 32 3.4. Bộ trọng số đối với khả năng không bị bệnh, khả năng bị bệnh và không xác định sau khi chạy gradient descent . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 CHƯƠNG 4: BÀN LUẬN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.1. Hai mô hình sử dụng Dempster Shafer Theory. . . . . . . . . . . . . . . . . . . . . . 36 4.1.1. Mô hình sử dụng thuật toán Dempster Shafer kết hợp với tối ưu hóa trọng số cho phần uncertainty bằng gradient descent (DST + GD [p]). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.1.2. Mô hình sử dụng thuật toán Dempster Shafer kết hợp với tối ưu hóa trọng số cho phần khả năng bị bệnh và không bị bệnh của mỗi triệu chứng bằng gradient descent (DST + GD [p0 , p1 ]). . . . . . . . 36 4.1.3. Hạn chế và tiềm năng của mô hình sử dụng thuật toán Dem- pster Shafer Theory. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 4.2. So sánh kết quả giữa hai mô hình sử dụng Dempster Shafer Theory và mô hình sử dụng lý thuyết xác suất Bayes kết hợp Logistic Regression. . 38 KẾT LUẬN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 1. Thuật toán Dempster Shafer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 2. Hạn chế của nghiên cứu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3. Đề xuất của nhóm nghiên cứu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
TÀI LIỆU THAM KHẢO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
ĐẶT VẤN ĐỀ Bệnh tim mạch (CVDs) đã được công nhận là nguyên nhân hàng đầu của bệnh tật và tử vong, gây thiệt hại lớn cho nền kinh tế thế giới hàng năm. Trong vòng 25 năm từ năm 1990 đến năm 2015 số ca tử vong do bệnh lý tim mạch đã tăng 42,4% [28]. Vào năm 2016, CVDs là nguyên nhân gây ra gần một phần ba tổng số ca tử vong trên toàn cầu [30]. Mặt khác, CVDs đã dẫn đến hơn 17 triệu người chết, 330 triệu năm mất đi và 35,6 triệu năm sống với tàn tật vào năm 2017 trên toàn thế giới [24, 41]. Ngày nay, các bệnh tim mạch là nguyên nhân gây tử vong hàng đầu trên toàn thế giới với 17,9 triệu ca tử vong hàng năm [27] và sẽ là nguyên nhân của hơn 23 triệu ca tử vong vào năm 2030 trên khắp thế giới [26]. Theo Tổ chức Y tế Thế giới, hơn 3/4 số ca tử vong do CVDs xảy ra ở các nước có thu nhập thấp và trung bình [42]. Tại Việt Nam, CVDs là nguyên nhân gây ra 31% tổng số ca tử vong trong năm 2016 tương đương hơn 170.000 người và là nguyên nhân tử vong hàng đầu của các bệnh không lây nhiễm [32]. Với tình trạng đó, nhu cầu phát hiện và chẩn đoán sớm bệnh cũng như giai đoạn bệnh của các bệnh lý tim mạch trở nên cấp thiết. Quá trình chẩn đoán và điều trị bệnh được thực hiện chủ yếu ở bệnh viện bởi các y bác sĩ thông qua các thông tin thăm khám lâm sàng và cận lâm sàng. Ngày nay, với sự hiểu biết về cơ chế của nhiều tình trạng bệnh lý cùng với sự hỗ trợ của các máy móc khoa học kỹ thuật hiện đại, quá trình chẩn đoán trở nên bớt khó khăn hơn, chính xác hơn. Tuy nhiên vẫn còn các bệnh lý gây ra thách thức trong việc chẩn đoán kịp thời, hoặc nhu cầu phát hiện sớm nguy cơ mắc bệnh, nhu cầu khám sàng lọc trên một số lượng lớn người đòi hỏi cần có sự hỗ trợ trong quá trình xử lý thông tin. Ngày nay trí tuệ nhân tạo (AI) đang được ứng dụng để giải quyết rất nhiều các vấn đề trong cuộc sống trong đó không thể không kể đến ngành y tế. Việc áp dụng AI hay các thuật toán học máy vào y tế là hướng đi triển vọng giúp giải quyết các vấn đề phức tạp [13]. Tuy nhiên hầu hết các phương pháp hiện nay dựa trên lý thuyết xác suất thống kê kinh điển Bayes. Mặc dù, lý thuyết Bayes vẫn đóng vai trò trung tâm trong phương pháp luận của khoa học dữ liệu, nhưng một hướng khác – lý thuyết Dempster Shafer theory về 1
kết hợp bằng chứng dường như tương thích hơn với dữ liệu y học khi mô phỏng hành vi phân tích của con người và có xem xét đến mức độ không chắc chắn (uncertainty) của dữ liệu. Thuật toán Dempster Shafer Theory (DST) được Dempster [12] đưa ra từ năm 1968 và được Shafer [45] phát triển sau đó đặc biệt phù hợp với sự không chắc chắn của thông tin nói riêng và thông tin y tế nói chung, hiện nay được coi như một hướng đi tiềm năng. Trong nghiên cứu “Chẩn đoán bệnh lý tim mạch bằng phương pháp kết hợp bằng chứng sử dụng lý thuyết Dempster Shafer” này chúng tôi thực hiện xây dựng mô hình chẩn đoán bệnh lý tim mạch bằng lý thuyết Dempster Shafer. Mỗi triệu chứng được xem là một bằng chứng để kết luận về các bệnh khả dĩ với các trọng số đóng vai trò như xác suất. Phép kết hợp Dempster được sử dụng để kết hợp các bằng chứng này lại, từ đó đưa ra quyết định dự đoán cuối cùng. Mục tiêu của đề tài là: 1. Xây dựng mô hình chẩn đoán bệnh lý tim mạch bằng trí tuệ nhân tạo sử dụng lý thuyết Dempster shafer để kết hợp các bằng chứng. 2. So sánh kết quả chẩn đoán bệnh lý tim mạch của mô hình trí tuệ nhân tạo sử dụng lý thuyết Dempster shafer so với mô hình sử dụng lý thuyết Bayes truyền thống. 2
CHƯƠNG 1: TỔNG QUAN 1.1. Sinh lý tim mạch và giải phẫu tim mạch Tim là cơ quan quan trọng bậc nhất của cơ thể, là cơ quan trung tâm của hệ tuần hoàn giúp máu có thể đi đến tất cả các bộ phận cơ thể cùng với đó là dinh dưỡng và các chất cần thiết giúp nuôi sống cơ thể. Thực tế tim là một khối cơ mật độ dày và chắc, với các khoang rỗng và các van tim, cùng nhau hoạt động nhịp nhàng giúp luân chuyển máu trong cơ thể, đảm nhiệm vai trò trạm đầu mối của các vòng tuần hoàn phổi và tuần hoàn hệ thống. Tim nằm trong lồng ngực, giữa hai phổi, trên cơ hoành, sau xương ức và tấm ức - sụn sườn và hơi lệch sang trái. Hình 1.1: Vị trí của trái tim trong lồng ngực (Nguồn: https://healthvietnam.vn) 1.1.1. Hình thể bên trong của tim Tim được ngăn thành 2 ngăn trái và phải bởi các vách, mỗi ngăn chia thành 2 phần là tâm nhĩ và tâm thất liên kết với nhau qua lỗ nhĩ thất. Như vậy tim được chia làm 4 buồng nhĩ phải, nhĩ trái, thất phải và thất trái. Hai buồng nhĩ ngăn cách nhau bởi vách 3
gian nhĩ mỏng, hai buồng thất ngăn cách nhau bởi vách gian thất dày dần về phía dưới, tâm nhĩ phải thông với tâm thất phải qua lỗ nhĩ thất phải có van ba lá cho phép máu chảy từ tâm nhĩ xuống tâm thất. Tâm nhĩ trái thông với tâm thất trái qua lỗ nhĩ- thất trái và được đậy bằng van hai lá. Các tâm nhĩ có thành mỏng nhẵn, tiếp nhận máu từ tĩnh mạch chủ trên, tĩnh mạch chủ dưới và xoang tĩnh mạch, bốn tĩnh mạch phổi. Các tâm thất có thành dày, bên trong có nhiều gờ và cột cơ nổi lên chúng được gọi là các cơ nhú. Các cơ nhú có những thừng gân bám vào mặt dưới của lá van 1.1.2. Cấu tạo của tim Tim được cấu tạo từ ba lớp từ trong ra ngoài là: nội tâm mạc, cơ tim, và ngoại tâm mạc ở ngoài cùng. Ngoại tâm mạc là một bao kép gồm 2 lớp: ngoại tâm mạc sợi ở ngoài và bao ngoại tâm mạc thanh mạc bên trong. Ngoại tâm mạc sợi là một bao xơ chun giãn, bao bọc quanh tim, với miệng túi phía trên liên tiếp lớp ngoài của mạch máu thông với tim. Ngoại tâm mạc thanh mạc là một túi kín gồm 2 lá (lá thành lót ở mặt trong, lá tạng phủ mặt ngoài cơ tim và các mạch vành) liên kết với nhau, ở đoạn tiếp xúc với mạch máu thông với tim thì lá tạng quặt lại để liên tiếp với lá thành. Cơ tim là lớp cơ chiếm phần lớn khối lượng của tim, các sợi cơ nối với nhau thành các phiến cơ. Chúng là các sợi cơ có vân ngang nhưng không thể hoạt động theo ý muốn như cơ vân, chúng hoạt động nhịp điệu theo sự dẫn truyền của các xung động thần kinh. Sự dẫn truyền này được phát ra từ chính những tế bào cơ tim biệt hóa thành các tế bào tự phát nhịp và tổ chức thành hệ thống dẫn truyền của tim. Nội tâm mạc là một lớp màng mỏng lót ở mặt trong các buồng tim và các mặt các van tim tiếp liền với nội mạc của mạch máu thông với tim. 1.2. Bệnh mạch vành Hệ thống động mạch vành là hệ thống mạch máu cung cấp máu và các chất cần thiết giúp nuôi dưỡng quả tim, hệ động mạch vành gồm 2 động mạch vành là: ĐMV phải và ĐMV trái, hai động mạch này xuất phát từ gốc của động mạch chủ qua các van Valsalva chạy trên bề mặt của tim. Khi các động mạch này xuất hiện các mảng xơ vữa 4
dẫn đến hình thành các bệnh động mạch vành. Hình 1.2: Hình ảnh hệ thống động mạch vành (Nguồn: https://careplusvn.com) Bệnh động mạch vành (ĐMV) do xơ vữa bao gồm 2 hội chứng trên lâm sàng: • Hội chứng động mạch vành mạn (Chronic coronary syndrome), gọi tắt là hội chứng mạch vành mạn (HCMVM), là thuật ngữ mới thay cho tên gọi trước đây là đau thắt ngực ổn định, bệnh ĐMV ổn định, bệnh cơ tim thiếu máu cục bộ mạn tính hoặc suy vành. • Hội chứng động mạch vành cấp tên gọi tắt là hội chứng mạch vành cấp (HCMVC), hội chứng vành cấp được chia làm 2 loại là: Hội chứng mạch vành cấp không có ST chênh lên và hội chứng nhồi máu cơ tim cấp có ST chênh lên. 1.2.1. Sinh lý bệnh của bệnh động mạch vành Bệnh lý ĐMV là một quá trình diễn biến động, mảng xơ vữa có thể lớn dần, ổn định tương đối xen kẽ giai đoạn không ổn định nứt vỡ gây ra những biến cố cấp tính có thể dẫn đến tử vong, sau đó (nếu sống sót và được điều trị tốt) lại tương đối ổn định. Trên cùng một hệ ĐMV của một bệnh nhân cũng có những tổn thương ổn định xen kẽ không ổn định. Quá trình diễn tiến bệnh ĐMV có thể đảo ngược được nếu người bệnh tuân thủ điều trị, thay đổi lối sống, điều chỉnh tốt các yếu tố nguy cơ cũng như thực hiện điều 5
trị tốt với các thuốc kháng ngưng tập tiểu cầu, statin. Ngược lại, bệnh sẽ diễn biến xấu nhanh với nhiều đoạn biến cố cấp (không ổn định) khi người bệnh không được điều trị, phòng ngừa tốt. 1.2.2. Nguyên nhân gây bệnh động mạch vành Theo nguyên nhân gây bệnh động mạch vành có thể được phân chia các nhóm như sau: • Bệnh động mạch vành do xơ vữa: đây là nguyên nhân chính gây ra các bệnh động mạch vành. • Bệnh động mạch vành không do xơ vữa: hiếm gặp các bệnh lý nhóm này bao gồm các bệnh lý bẩm sinh liên quan đến động mạch vành, dị dạng, rò, sai chỗ xuất phát; Các bệnh viêm nhiễm động mạch vành (vd. Kawasaki); các bệnh tắc động mạch vành do cục tắc từ nơi khác bắn đến; vấn đề co thắt động mạch vành không liên quan xơ vữa. 1.2.3. Hội chứng mạch vành mạn 1.2.3.1. Định nghĩa Hội chứng động mạch vành mạn là bệnh lý liên quan đến sự ổn định tương đối của mảng xơ vữa động mạch vành, khi không có sự nứt vỡ đột ngột hoặc sau giai đoạn cấp hoặc sau khi đã được can thiệp/phẫu thuật. Khi mảng xơ vữa tiến triển dần gây hẹp lòng ĐMV một cách đáng kể (thường là hẹp trên 70% đường kính lòng mạch) thì có thể gây ra triệu chứng, điển hình nhất là đau thắt ngực/khó thở khi bệnh nhân gắng sức và đỡ khi nghỉ. 1.2.3.2. Lâm sàng và cận lâm sàng Triệu chứng cơ năng cơn đau thắt ngực: là triệu chứng quan trọng bậc nhất trong chẩn đoán bệnh động mạch vành • Cơn đau thắt ngực thường một vùng ở sau xương ức, cơn đau có thể lan đến cổ, vai tay, hàm thượng vị, sau lưng. Xuất hiện thường xuyên khi gắng sức, xúc cảm mạnh, gặp lạnh, sau bữa ăn. Một số trường hợp có thể xuất hiện về đêm, khi thay đổi tư 6
thế, một số bệnh nhân có khó thở, buồn nôn vã mồ hôi. Mỗi cơn có thể kéo dài vài phút nhưng không quá 20 phút, những cơn đau xảy ra do xúc cảm thường kéo dài hơn là đau do gắng sức. • Đau thắt ngực có thể phân thành 3 loại: Đau thắt ngực điển hình khi có đầy đủ 3 yếu tố: đau thắt ngực sau xương ức với tính chất và thời gian điển hình, xuất hiện tăng lên khi gắng sức hoặc xúc cảm, đỡ đau khi nghỉ hoặc dùng nitroglycerin nhanh xịt/ngậm dưới lưỡi trong vòng 5 phút, đau thắt ngực không điển hình: khi có 2 trong 3 yếu tố trên hay không đau thắt ngực: khi không có yếu tố hoặc có 1 yếu tố trên Khám lâm sàng: khám lâm sàng giúp phân tầng nguy cơ, các bệnh đồng mắc, phát hiện biến chứng • Đếm mạch/nhịp tim: Nếu thiếu máu cơ tim thành dưới sẽ làm chậm nhịp tim do thiếu máu nút nhĩ thất. Nhịp nhanh lúc nghỉ: thường là do hoạt hoá hệ thần kinh giao cảm, nhưng cũng có thể là biểu hiện rối loạn nhịp tim do thiếu máu. • Đo huyết áp: Cần thiết để chẩn đoán tăng huyết áp, hoặc hạ huyết áp (do suy tim hoặc quá liều thuốc). • Khám tim: Tìm các dấu hiệu của phì đại thất trái, cơ tim giãn, rối loạn vận động của tim khi sờ tim, nghe tim thấy tiếng thổi khi thiếu máu cơ tim cấp, hẹp van động mạch chủ, hở hai lá (do rối loạn chức năng cơ nhú), bất thường bẩm sinh của tim. • Tìm kiếm các dấu hiệu suy tim: Sờ diện đập của tim thấy bóng tim lớn, nhịp tim nhanh lúc thăm khám, nghe phổi thấy ran ẩm tại hai phế trường phổi, hoặc dấu hiệu tràn dịch màng phổi khi thăm khám. Phù đều hai chi dưới, gan to mềm, ấn đau, tĩnh mạch cổ nổi. • Tìm kiếm các dấu hiệu của bệnh động mạch ngoại vi: Sờ tìm khối phình động mạch chủ bụng, bắt mạch cảnh và mạch chi, nghe mạch cảnh, thận, đùi. Đánh giá nuôi dưỡng chi dưới. Một số thăm dò cận lâm sàng được tiến hành ở bệnh nhân hội chứng động mạch vành mạn tính bao gồm: Các xét nghiệm sinh hóa cơ bản, điện tâm đồ khi nghỉ, có thể theo dõi 7
Holter điện tâm đồ, siêu âm tim khi nghỉ, X-quang ngực thẳng ở những bệnh nhân phù hợp. 1.2.4. Hội chứng mạch vành cấp Hội chứng mạch vành cấp tính là nguyên nhân gây tử vong hàng đầu trên thế giới, ở khu vực châu Á Thái Bình Dương tỉ lệ tử vong sau nhập viện của hội chứng này là 5% [8]. Tỷ lệ tử vong do hội chứng vành cấp liên tục giảm trong vài thập kỷ tuy nhiên vẫn chiếm tới gần một phần ba tỷ lệ tử vong ở những người trên 35 tuổi [17], trong đó việc tăng cường kiểm soát các yếu tố nguy cơ trong cộng đồng, bao gồm giảm cholesterol toàn phần, hút thuốc lá, lối sống lành mạnh và chẩn đoán sớm [17, 33]. Điều nguy hiểm là sau khi mắc hội chứng vành cấp, việc điều trị bằng thuốc và xâm lấn giảm đi tính hiệu quả [34, 38]. Hội chứng vành cấp được chia làm 2 loại là: Hội chứng mạch vành cấp không có ST chênh lên và Hội chứng nhồi máu cơ tim cấp có ST chênh lên 1.2.4.1. Hội chứng mạch vành cấp không có ST chênh lên Hội chứng mạch vành cấp không có ST chênh lên (HCMVCKSTCL) là một trong 2 bệnh của Hội chứng động mạch vành cấp (HCMVC) gồm: Nhồi máu cơ tim (NMCT) cấp có đoạn ST chênh lên trên điện tâm đồ; hội chứng mạch vành cấp không có ST chênh lên (HCMVCKSTCL). HCMVCKSTCL bao gồm hai dạng bệnh cảnh: Nhồi máu cơ tim (NMCT) không ST chênh lên và đau thắt ngực không ổn định (ĐTNKÔĐ). 8
Cơ chế bệnh sinh của HCMVCKSTCL: Là sự không ổn định của mảng xơ vữa nó có thể bị nứt vỡ ra, sự nứt vỡ kết hợp mức độ hình thành cục máu đông dẫn tới các giai đoạn bệnh khác nhau. Sự hình thành cục máu đông: khi mảng xơ vữa bị vỡ, lớp dưới nội mạc được lộ ra và tiếp xúc với tiểu cầu, dẫn đến hoạt hoá các thụ thể GP IIb/IIIa trên bề mặt tiểu cầu và hoạt hoá quá trình ngưng kết của tiểu cầu. Thêm vào đó, đám tiểu cầu ngưng kết này sẽ giải phóng ra một loạt các chất trung gian làm co mạch và hình thành nhanh hơn cục máu đông. Hậu quả là khối cơ tim sẽ nhận được ít máu và dinh dưỡng hơn nhu cầu của nó, dẫn tới những cơn đau ngực không ổn định, trên điện tim xuất hiện ST chênh xuống hoặc T âm nhọn. Khi cục máu đông làm tắc hoàn toàn mạch máu sẽ chuyển sang giai đoạn nguy hiểm là hội chứng nhồi máu cơ tim cấp tính có ST chênh lên. Triệu chứng điển hình: Đau ngực điển hình kiểu động mạch vành: Đau thắt (bóp) nghẹt sau xương ức, có thể lan lên vai trái, lên cằm, lên cả hai vai, cơn đau thường xuất hiện sau một gắng sức nhưng đau có thể xảy ra cả trong khi nghỉ, cơn đau thường kéo dài trên 20 phút. Khám lâm sàng và cận lâm sàng: Khám lâm sàng ít có giá trị để chẩn đoán xác định, nhưng khám lâm sàng giúp chẩn đoán phân biệt cũng như đánh giá các yếu tố nguy cơ, biến chứng. Các cận lâm sàng thường được sử dụng: điện tâm đồ, chỉ dấu sinh học cơ tim, siêu âm tim, các nghiệm pháp gắng sức, chụp cắt lớp vi tính động mạch vành. 1.2.4.2. Hội chứng nhồi máu cơ tim cấp có ST chênh lên Nhồi máu cơ tim có đoạn ST chênh lên là biểu hiện cấp tính nhất của bệnh mạch vành, thường do tắc nghẽn cấp hoàn toàn động mạch vành với đặc trưng có ST khả năng xuất hiện trên điện tâm đồ, dẫn đầu trong tỷ lệ tử vong [48]. Nhồi máu cơ tim có đoạn ST chênh lên là một tắc hoàn toàn do huyết khối phát triển, làm chắn dòng chảy của mạch máu. Cơ chế bệnh sinh: Cơ chế chủ yếu của tắc mạch vành hoàn toàn trong hội chứng nhồi máu cơ tim cấp tính có ST chênh lên là do sự phát triển huyết khối trên mảng xơ vữa động mạch vành [48], ngoài ra có một số ít trường hợp khác như: tiêu biến mạch vành tự phát, co thắt mạch vành tự phát, thuyên tắc mạch vành. 9
Huyết khối này đa phần hình thành từ mảng xơ vữa trong lòng mạch vành tách ra hoặc hiếm khi từ nơi khác đến. Khi mảng xơ vữa của động mạch vành trở nên mất ổn định do thời gian và tác động của hệ miễn dịch làm lớp vỏ bao bị rạn nứt, bị loét, tiểu cầu đang lưu thông trong máu sẽ đến bám dính vào lớp nội mạc bị tổn thương bên dưới mảng xơ vữa. Sau đó, qua quá trình kết tập tiểu cầu, hình thành các cục huyết khối tiểu cầu gây tắc nặng hơn lòng mạch vành. Cối cùng, sự tạo lập huyết khối giàu fibrin sẽ gây tắc hẳn động mạch vành. 1.3. Trí tuệ nhân tạo 1.3.1. Khái niệm Trí tuệ nhân tạo (AI) là một ngành khoa học máy tính, ở đó máy tính được huấn luyện để có thể có suy luận tương tự như con người, từ đó có thể đưa ra những quyết định chính xác giúp thực hiện những công việc phức tạp một cách hiệu quả. Ngày nay trí tuệ nhân tạo đang không ngừng phát triển, và được ứng dụng vào nhiều mặt của cuộc sống, trong đó không thể không kể đến đó là ngành y học. Với sự tham gia của trí tuệ nhân tạo, việc khám chữa bệnh đã có những sự phát triển lớn. Trí tuệ nhân tạo và y học được xem là sự kết hợp tuyệt vời, nó được gọi là hiện tại và tương lai của ngành y tế, với tiềm năng phát triển rất lớn trong tương lai, giúp thực hiện công việc cần độ chính xác cao và phức tạp. 1.3.2. Tổng quan về lịch sử ngành trí tuệ nhân tạo trong y học và thách thức cần vượt qua Từ giữa thế kỷ XX, việc ứng dụng công nghệ vào thăm khám lâm sàng đã được nghiên cứu và phát triển [13]. Từ đó nó liên tục được phát triển và tạo ra những thành tựu nhất định, có thể kể ra một số thành tựu như: hỗ trợ diễn giải ECG trong chẩn đoán tim mạch [23], cung cấp bằng chứng để giải thích triệu chứng lâm sàng [2], hỗ trợ chẩn đoán một số bệnh phức tạp [11, 29], hỗ trợ chọn phương pháp điều trị thích hợp [46]. Tuy nhiên việc áp dụng vào thực tiễn vẫn còn một số vấn đề đặt ra cần giải quyết như: Sự thiếu phổ cập kiến thức y khoa trước đây [5] gây giảm hiệu suất hệ thống, khó khăn mã hóa các tương tác bậc cao giữa các phần kiến thức khác nhau do các chuyên gia khác nhau biên soạn, khó để triển khai một hệ thống tích hợp lý luận xác định và xác suất để thu hẹp bối cảnh lâm sàng liên quan, ưu tiên các giả thuyết chẩn đoán và khuyến nghị điều trị [47] 10
1.3.3. Học máy và hướng đi triển vọng giải quyết các vấn đề đặt ra Ngày nay với phương pháp học máy có thể giải thích cho các tương tác phức tạp [13], để xác định các mẫu dữ liệu, theo các loại nhiệm vụ mà chúng dự định giải quyết. Các thuật toán học máy cơ bản chia làm hai loại: Có giám sát và không có giám sát. Các phương pháp học máy được giám sát bằng cách thu thập một số lượng lớn các trường "đào tạo", chứa các đầu vào (hình ảnh, âm thanh, video, số liệu thống kê ...) và đưa ra các nhãn đầu ra mong muốn (chẳng hạn như sự hiện diện có hoặc không, số liệu...). Bằng cách phân tích các nhãn đầu vào và đầu ra chính xác cho một đầu vào nhất định trên các trường mới [52]. Các phương pháp học máy giám sát được thiết kế để xác định các tham số tối ưu trong các mô hình để giảm thiểu các sai lệch giữa các dự đoán của chúng đối với các trường hợp đào tạo và kết quả quan sát được trong các trường hợp này, với hy vọng rằng các liên kết đã xác định có thể tổng quát hóa cho các trường hợp không có trong tập dữ liệu đào tạo khả năng tổng quát hóa của mô hình có thể được ước tính bằng bộ thử nghiệm. Phân loại hồi quy và mô tả đặc điểm của sự giống nhau giữa các trường hợp của nhãn kết quả tương tự là một trong những điểm của sự giống nhau giữa các trường hợp của nhãn thiết kế Các phương pháp học máy cho phép phát triển các ứng dụng AI tạo điều kiện thuận lợi cho việc khám phá các mẫu chưa được công nhận trước đây trong dữ liệu mà không cần chỉ định các quy tắc quyết định cho từng tác vụ cụ thể hoặc tính đến các tương tác phức tạp giữa các tính năng đầu vào do đó học máy đã trở thành khuôn khổ ưa thích để xây dựng các tiện ích [13, 39] 1.3.4. Quy trình làm việc khi áp dụng trí tuệ nhân tạo vào chẩn đoán lâm sàng Thông thường, nhân viên y tế thu thập thông tin y tế của bệnh nhân, đánh giá lâm sàng và ghi lại các chẩn đoán và kế hoạch điều trị của họ trong hồ sơ bệnh án (HSBA). Ngày nay với việc áp dụng công nghệ AI vào trong chẩn đoán và điều trị, quy trình làm việc có sự thay đổi. Có một số cách để tích hợp hệ thống AI hỗ trợ quyết định có thể chủ động thu thập thông tin từ bệnh nhân trình bày các đề xuất cho bác sĩ lâm sàng và lưu trữ kết quả đầu ra của hệ thống trong hồ sơ bệnh án. Các công cụ tự động thu thập thông tin từ bệnh 11