intTypePromotion=3

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG CHẨN ĐOÁN PHÂN BIỆT XUẤT HUYẾT NÃO VÀ NHỒI MÁU NÃO TRÊN LỀU

Chia sẻ: Lê Minh Anh | Ngày: | Loại File: PDF | Số trang:0

0
63
lượt xem
13
download

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG CHẨN ĐOÁN PHÂN BIỆT XUẤT HUYẾT NÃO VÀ NHỒI MÁU NÃO TRÊN LỀU

Mô tả tài liệu
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Sự phân biệt giữa nhồi máu não (NMN) và xuất huyết não (XHN) trên lều hết sức quan trọng trong bước xử trí ban đầu ở bệnh nhân đột quỵ cấp. Năm 2004, chúng tôi xây dựng hệ chuyên gia mô phỏng giống cách thức tư duy, học tập của người thầy thuốc dựa trên giải thuật xác suất Bayes nhằm hỗ trợ chẩn đoán phân biệt XHN và NMN trên lâm sàng. Nghiên cứu được tiến hành tại khoa Nội Thần Kinh bệnh viện Chợ Rẫy từ tháng 09/2004 đến tháng 07/2005. Kết quả nghiên cứu kiểm chứng ở 196 bệnh nhân cho thấy...

Chủ đề:
Lưu

Nội dung Text: ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG CHẨN ĐOÁN PHÂN BIỆT XUẤT HUYẾT NÃO VÀ NHỒI MÁU NÃO TRÊN LỀU

  1. ÖÙNG DUÏNG TRÍ TUEÄ NHAÂN TAÏO TRONG CHAÅN ÑOAÙN PHAÂN BIEÄT XUAÁT HUYEÁT NAÕO VAØ NHOÀI MAÙU NAÕO TREÂN LEÀU Ñaøm Quoác Phoái1, Nguyeãn Höõu Coâng2 Toùm taét Söï phaân bieät giöõa nhoài maùu naõo (NMN) vaø xuaát huyeát naõo (XHN) treân leàu heát söùc quan troïng trong böôùc xöû trí ban ñaàu ôû beänh nhaân ñoät quî caáp. Naêm 2004, chuùng toâi xaây döïng heä chuyeân gia moâ phoûng gioáng caùch thöùc tö duy, hoïc taäp cuûa ngöôøi thaày thuoác döïa treân giaûi thuaät xaùc suaát Bayes nhaèm hoã trôï chaån ñoaùn phaân bieät XHN vaø NMN treân laâm saøng. Nghieân cöùu ñöôïc tieán haønh taïi khoa Noäi Thaàn Kinh beänh vieän Chôï Raãy töø thaùng 09/2004 ñeán thaùng 07/2005. Keát quaû nghieân cöùu kieåm chöùng ôû 196 beänh nhaân cho thaáy heä chuyeân gia toû ra öu ñieåm khaù hôn so vôùi thang ñieåm laâm saøng Siriraj vaø Nguyeãn Baù Thaéng: ñoä nhaïy chaån ñoaùn XHN cuûa heä chuyeân gia so vôùi thang ñieåm Siriraj vaø Nguyeãn Baù Thaéng laø 99,05% so vôùi 75,61% vaø 98,04%; ñoä nhaïy chaån ñoaùn NMN cuûa heä chuyeân gia 92,54% so vôùi 90,79% vaø 83,82%; ñoä chính xaùc chung 96,51% so vôùi 82,91% vaø 92,35%; tæ leä chaån ñoaùn khoâng chaéc chaén 12,25% so vôùi 19,39% vaø 13,27%. Nghieân cöùu naøy chæ laø böôùc ñi ban ñaàu tìm lôøi giaûi cho nhöõng nghieân cöùu saâu hôn ñeå xaây döïng phaàn meàm hoaøn thieän coù theå öùng duïng chaån ñoaùn nhieàu beänh lyù vaø ñöôïc kieåm ñònh hieäu quaû, tin caäy ôû nhieàu trung taâm. Summary DIFFERENTIAL DIAGNOSIS BETWEEN SUPRATENTORIAL CEREBRAL HAEMORRHAGE AND INFARCTION BY ARTIFICIAL INTELLIGENCE Distinguishing between supratentorial cerebral infarction and cerebral haemorrhage is very important in initial treatment on patients having an acute stroke. In 2004, we designed and programmed an expert system copying the way of study and thinking from clinical doctors basing on Bayes’s probability algorithm in order to support diagnosing to distinguish between supratentorial cerebral infarction and cerebral haemorrhage clinically. The research was carried out at the neurology ward of Cho Ray Hospital from September 2004 to July 2005. The result of validation study from 196 patients shows that the expert system is fairly better than Siriraj’s and Nguyen Ba Thang’s clinical scale: sensitivity of the expert system for diagnosing cerebral haemorrhage in comparison with Siriraj’s and Nguyen Ba Thang’s clinical scale is 99.05% in comparison with 75.61% and 98.04%; sensitivity of the expert system for diagnosing cerebral infarction is 92.54% in comparison with 90.79% and 83.82%; overall accuracy of diagnosis is 96.51% in comparison with 82.91% and 92.35%; rate of vague diagnosis is 12.25% in comparison with 19.39% and 13.27%. However, this research is only the initial step for next well-researched one in order that we can program better softwares which are applied to diagnosing many diseases and are checked effectively and trustworthily at many hospitals. I. ÑAËT VAÁN ÑEÀ Söï phaân bieät giöõa nhoài maùu naõo (NMN) vaø xuaát huyeát naõo (XHN) heát söùc quan troïng trong böôùc xöû trí ban ñaàu ôû beänh nhaân ñoät quî caáp bôûi vì tieân löôïng vaø ñieàu trò khaùc nhau. Hieän nay ôû nöôùc ta, maùy CT scan caàn thieát ñeå chaån ñoaùn ñoät quî chuû yeáu ñöôïc trang bò taäp trung moät soá thaønh phoá lôùn, ôû moät soá beänh vieän lôùn tuyeán trung öông 1 ThS, BV Phuù Yeân 2 TS, Boä moân Thaàn Kinh, TTÑT vaø BDCBYT TPHCM 9
  2. hay tuyeán tænh. Trong khi ñoù, coù khaù nhieàu beänh vieän, ñaëc bieät caùc beänh vieän tuyeán huyeän khoâng coù maùy CT scan. Söï thieáu huït thieát bò caän laâm saøng vaø caùc baùc só chuyeân khoa saâu coù theå laøm gia taêng tæ leä töû vong cuõng nhö ñeå laïi haäu quaû naëng neà cho baûn thaân ngöôøi beänh vaø xaõ hoäi. Chöông trình phaàn meàm maùy tính giaû laäp trí thoâng minh cuûa con ngöôøi (trí tueä nhaân taïo), coù theå ñöôïc söû duïng ñeå hoã trôï baùc só trong vieäc ra quyeát ñònh laâm saøng trong hoaøn caûnh khoâng coù hoäi chaån tröïc tieáp vôùi baùc só chuyeân khoa. Ñeå tìm hieåu vaø ñaùnh giaù vai troø kyõ thuaät naøy, chuùng toâi thöïc hieän nghieân cöùu öùng duïng trí tueä nhaân taïo trong chaån ñoaùn phaân bieät NMN vaø XHN treân leàu. II. ÑOÁI TÖÔÏNG VAØ PHÖÔNG PHAÙP NGHIEÂN CÖÙU 1. NGHIEÂN CÖÙU XAÂY DÖÏNG HEÄ CHUYEÂN GIA: Chuùng toâi thieát keá vaø xaây döïng heä chuyeân gia vôùi teân goïi “Soå tay Laâm saøng” phieân baûn 1.0, ñöôïc vieát baèng ngoân ngöõ Microsoft Visual C# .NET phieân baûn naêm 2003 (3,4,5,6,7). Heä chuyeân gia ñöôïc thieát keá goàm ba phaàn chính : (1) löu tröõ döõ lieäu beänh nhaân; (2) cô sôû tri thöùc; (3) chaån ñoaùn y khoa. * Thieát keá giaûi thuaät chuû yeáu döïa treân coâng thöùc xaùc suaát Bayes : P(Aj / K) = P(Aj) * P(K / Aj) P(K) Caùc xaùc suaát P(Aj), P(K / Aj), P(K) ñöôïc tính toaùn tröôùc, ñöôïc goïi laø xaùc suaát tieàn nghieäm. P(Aj / K) : xaùc suaát xaûy ra bieán coá Aj khi K ñaõ xaûy ra, ñöôïc goïi laø xaùc suaát haäu nghieäm. Ví duï: Tính xaùc suaát xuaát hieän xuaát huyeát naõo (XHN) khi beänh nhaân coù trieäu chöùng ñau ñaàu (Ññ). P(XHN) = P(XHN/Ññ) P(XHN/Ññ) = P(Ññ/XHN) * P(XHN) [ P(Ññ/XHN) * P(XHN) + P(Ññ /no XHN ) * P(no XHN)] * Trong ñoù : ƒ P(XHN) : Xaùc suaát xuaát hieän XHN ƒ P(XHN/Ññ) : Xaùc suaát xuaát hieän XHN khi trieäu chöùng ñau ñaàu xuaát hieän ƒ P(Ññ/XHN) : Xaùc suaát xuaát hieän trieäu chöùng ñau ñaàu khi beänh lyù XHN xuaát hieän ƒ P(Ññ/khoâng XHN) : Xaùc suaát xuaát hieän ñau ñaàu khi XHN khoâng xuaát hieän ƒ P(Ññ) = P(Ññ/XHN) * P(XHN) + P(Ññ /khoâng XHN ) * P(khoâng XHN) Chuùng toâi söû duïng moät soá beänh aùn maãu ñeå heä chuyeân gia hoïc taäp, caäp nhaät cô sôû tri thöùc cho ñeán khi caùc chæ soá ñaùnh giaù keát quaû heä chuyeân gia chaån ñoaùn thoâng qua ñoä 10
  3. nhaïy, ñoä ñaëc hieäu, giaù trò tieân ñoaùn döông, giaù trò tieân ñoaùn aâm, ñoä chính xaùc chung ñaït ñeán trò soá treân 85%. Maãu nghieân cöùu bao goàm caùc beänh nhaân nhaäp khoa Noäi Thaàn Kinh beänh vieän Chôï Raãy töø 09/2004 ñeán thaùng 07/2005 thoûa tieâu chuaån chaån ñoaùn ñoät quî cuûa Toå Chöùc Y Teá Theá Giôùi; nhaäp vieän trong voøng 72 giôø vaø coù hình aûnh CT soï naõo trong voøng 7 ngaøy sau khôûi phaùt. Nghieân cöùu khoâng bao goàm caùc beänh nhaân xuaát huyeát khoang döôùi nheän, xuaát huyeát naõo thaát ñôn thuaàn hoaëc coù daáu chöùng toån thöông thaân naõo nguyeân phaùt (khoâng phaûi do cheøn eùp töø treân xuoáng). 2. NGHIEÂN CÖÙU KIEÅM CHÖÙNG HEÄ CHUYEÂN GIA: Caùc beänh nhaân trong maãu nghieân cöùu coù tieâu chuaån choïn beänh töông töï nhö phaàn nghieân cöùu xaây döïng heä chuyeân gia. Keát quaû chaån ñoaùn baèng heä chuyeân gia vaø caùc thang ñieåm laâm saøng Siriraj, Nguyeãn Baù Thaéng ñöôïc so saùnh vôùi keát quaû chuïp CT scan soï naõo. III. KEÁT QUAÛ A. NGHIEÂN CÖÙU XAÂY DÖÏNG HEÄ CHUYEÂN GIA Nghieân cöùu thöïc hieän treân 193 beänh nhaân ñoät quî treân leàu thoûa caùc tieâu chuaån choïn beänh vaø khoâng vi phaïm caùc tieâu chuaån loaïi tröø, trong ñoù coù 101 bn XHN chieám 52,33% vaø 92 bn NMN chieám 47,67%; nam chieám 56,48%, nöõ chieám 43,52%; tuoåi trung bình laø 62,7, trong ñoù nhoû nhaát laø 27 tuoåi vaø cao nhaát laø 90 tuoåi. Thôøi gian beänh nhaân nhaäp vieän ñeán luùc khaùm thu thaäp döõ lieäu laø 1,5 ngaøy. Caùc ñaëc ñieåm laâm saøng khaûo saùt goàm coù tuoåi, giôùi, caùc trieäu chöùng khôûi ñaàu nhö kieåu khôûi phaùt, ñau ñaàu, noân oùi, möùc ñoä yù thöùc khi khôûi phaùt, co giaät, tieàn söû cao huyeát aùp, tieåu ñöôøng, côn thoaùng thieáu maùu naõo, ñoät quî tröôùc ñoù, beänh tim, caùc trieäu chöùng bieåu hieän khi thaêm khaùm nhö maïch, nhieät, huyeát aùp, nhòp thôû, kieåu thôû, möùc ñoä yù thöùc luùc thaêm khaùm, daáu xô vöõa ñoäng maïch, xuaát huyeát tieâu hoaù treân, daáu maøng naõo, roái loaïn ngoân ngöõ, roái loaïn cô voøng, nhìn chaêm chaêm, phaûn xaï loøng baøn chaân, roái loaïn vaän ñoäng, caûm giaùc. Nhöõng döõ lieäu cuûa 193 beänh nhaân trong maãu nghieân cöùu ñöôïc nhaäp vaøo cô sôû döõ lieäu cuûa heä chuyeân gia vaø ñöôïc heä chuyeân gia hoïc taäp, tính toaùn xaây döïng neân cô sôû tri thöùc theå hieän baèng nhöõng trò soá xaùc suaát tieàn nghieäm ñöôïc tính toaùn tröôùc. Beân caïnh hoïc taäp töø cô sôû döõ lieäu beänh nhaân maãu, phaàn meàm cho pheùp ngöôøi söû duïng hieäu chænh cô sôû tri thöùc döïa treân nhöõng kinh nghieäm, keát quaû nghieân cöùu tröôùc ñoù hay keát quaû ñaùnh giaù heä chuyeân gia chaån ñoaùn. Keát quaû ñaùnh giaù heä chuyeân gia chaån ñoaùn treân maãu nghieân cöùu: Moãi beänh nhaân trong nhoùm nghieân cöùu ñeàu coù moät taäp trieäu chöùng ñöôïc thu thaäp tröôùc. Heä chuyeân gia seõ tính toaùn döïa treân taäp trieäu chöùng cuûa moãi beänh nhaân, cô sôû tri thöùc saün coù vaø giaûi thuaät xaùc suaát Bayes ñeå ñöa ra keát luaän veà xaùc suaát xuaát hieän cuûa töøng beänh lyù XHN vaø NMN. Döïa vaøo keát quaû naøy, heä chuyeân gia choïn: (1) Trò soá xaùc suaát cao nhaát trong taäp hôïp beänh lyù treân ñeå ñöa ra keát luaän chaån ñoaùn; (2) Trò soá naøy 11
  4. phaûi lôùn hôn hoaëc baèng moät trò soá cho tröôùc (chaúng haïn Pngöôõng = 0,85) thì heä chuyeân gia môùi ñöa ra keát luaän cuoái cuøng; trò soá cho tröôùc naøy ñöôïc goïi laø trò soá ngöôõng. Trò soá ngöôõng coù theå thay ñoåi tuøy theo yeâu caàu cuûa ngöôøi söû duïng. Baûng 1: So saùnh keát quaû chaån ñoaùn cuûa heä chuyeân gia trong tröôøng hôïp khoâng söû duïng vaø söû duïng trò soá ngöôõng 0,85 (N = 193) Heä chuyeân gia Khoâng söû duïng trò soá ngöôõng Söû duïng trò soá ngöôõng p (N = 193) (N = 172) Ñoä nhaïy chaån ñoaùn XHN 97,03% 98,96% 0,17 (98/101 bn) (95/96 bn) Ñoä nhaïy chaån ñoaùn NMN 82,61% 95,65% < 0,01 (76/92 bn) (66/69 bn) Giaù trò tieân ñoaùn döông XHN 85,96% 96,94% < 0,01 (98/114 bn) (95/98 bn) Giaù trò tieân ñoaùn döông NMN 96,2% 98,51% 0,19 (76/79 bn) (66/67 bn) Ñoä chính xaùc chung 90,16% 97,58% < 0,01 (174/193 bn) (161/165 bn) Tæ leä chaån ñoaùn 0% 14,51% < 0,01 khoâng chaéc chaén (0/193 bn) (28/193 bn) B. TOÙM LÖÔÏC NGHIEÂN CÖÙU KIEÅM CHÖÙNG HEÄ CHUYEÂN GIA Nghieân cöùu thöïc hieän treân 196 beänh nhaân ñoät quî treân leàu thoaû caùc tieâu chuaån choïn beänh vaø tieâu chuaån loaïi tröø nhö nghieân cöùu xaây döïng heä chuyeân gia, trong ñoù coù 110 bn XHN chieám 56,12% vaø 86 bn NMN chieám 43,88%; nam chieám 56,12%, nöõ chieám 43,88%; tuoåi trung bình laø 63,7, trong ñoù nhoû nhaát laø 33 tuoåi vaø cao nhaát laø 90 tuoåi. Thôøi gian beänh nhaân nhaäp vieän ñeán luùc khaùm thu thaäp döõ lieäu laø 1,7 ngaøy. Baûng 2: So saùnh keát quaû chaån ñoaùn cuûa heä chuyeân gia vôùi thang ñieåm Siriraj & Nguyeãn Baù Thaéng (N = 196) Heä Thang ñieåm Thang ñieåm chuyeân gia Siriraj Nguyeãn Baù Thaéng (N = 172) (N = 158) (N = 169) Ñoä nhaïy chaån ñoaùn XHN 99,05% 75,61% 98,04% (104/105 bn) (62/82 bn) (100/102 bn) Ñoä nhaïy chaån ñoaùn NMN 92,54% 90,79% 83,82% (62/67 bn) (69/76 bn) (57/68 bn) Giaù trò tieân ñoaùn döông XHN 95,41% 89,86% 90,09% 12
  5. (104/109 bn) (62/69 bn) (100/111 bn) Giaù trò tieân ñoaùn döông NMN 98,41% 77,53% 96,61% (62/63 bn) (69/89 bn) (57/59 bn) Ñoä chính xaùc chung 96,51% 82,91% 92,35% (166/172 bn) (131/158 bn) (157/170 bn) Tæ leä chaån ñoaùn khoâng chaéc chaén 12,25% 19,39% 13,27% (24/196 bn) (38/196 bn) (26/196 bn) IV. BAØN LUAÄN : A. NGHIEÂN CÖÙU XAÂY DÖÏNG HEÄ CHUYEÂN GIA Tæ leä XHN vaø NMN trong maãu nghieân cöùu laàn löôït laø 52,33% vaø 47,67%. Trong khi ñoù, theo y vaên vaø moät soá nghieân cöùu thoáng keâ dòch teã khaùc thì XHN luoân chieám tæ leä nhoû hôn NMN (2). Tuy nhieân, tæ leä naøy phuø hôïp vôùi nhöõng nghieân cöùu rieâng reõ tieán haønh taïi beänh vieän Chôï Raãy. Theo chuùng toâi, coù söï khaùc bieät naøy laø do beänh vieän Chôï Raãy laø tuyeán trung öông, tuyeán cuoái, nôi taäp trung nhöõng beänh nhaân naëng. Ñoät quî XHN thöôøng coù beänh caûnh naëng neà hôn, caáp tính hôn vaø tieân löôïng naëng hôn neân ñöôïc nhaäp hay chuyeån vieän ñeán beänh vieän Chôï Raãy nhieàu hôn. Keát quaû phaân tích caùc ñaëc ñieåm laâm saøng cho thaáy möùc ñoä bieåu hieän vaø taàn suaát xuaát hieän caùc ñaëc ñieåm laâm saøng XHN vaø NMN coù söï khaùc bieät giöõa caùc nghieân cöùu chaúng haïn HA taâm tröông trung bình cuûa XHN trong maãu nghieân cöùu cuûa chuùng toâi laø 90,46 ± 15,14 mmHg so vôùi 106,62 ± 19,88 mmHg trong maãu nghieân cöùu cuûa Niphon Poungvarin(8) tieán haønh taïi beänh vieän Siriraj Thailand. Söï khaùc bieät naøy coù theå ñöôïc lyù giaûi do caùc ñaëc ñieåm laâm saøng cuûa XHN, NMN phuï thuoäc vaøo nhieàu yeáu toá nhö dòch teã, ñòa lyù, kinh teá xaõ hoäi, ñoäi nguõ thaày thuoác thaêm khaùm beänh nhaân, tieâu chuaån ñaùnh giaù, caùch thöùc laáy maãu, xöû trí ban ñaàu. Vì vaäy, neáu aùp duïng moät thang ñieåm laâm saøng cho taát caû caùc ñòa phöông coù theå seõ coù nhöõng sai leäch nhaát ñònh. Thang ñieåm ñöôïc ñaùnh giaù toát nhaát vaãn laø nôi laáy maãu nghieân cöùu xaây döïng thang ñieåm hay ñöôïc aùp duïng treân maãu nghieân cöùu coù cuøng ñaëc tính maãu xaây döïng thang ñieåm. Do ñoù, caàn coù moät phöông phaùp chaån ñoaùn laâm saøng khaùc linh hoaït, uyeån chuyeån hôn, coù tính ñeán moái lieân quan giöõa caùc yeáu toá dòch teã, ñaëc ñieåm laâm saøng ñaëc tröng cho moãi beänh lyù ôû töøng ñòa phöông vaø ñoàng thôøi töông hôïp vôùi caùch thöùc thaêm khaùm ñaùnh giaù cuûa töøng ngöôøi söû duïng. Heä chuyeân gia “Soå tay laâm saøng” ñaõ ñöôïc xaây döïng döïa treân cô sôû phaân tích treân baèng caùch vaän duïng giaûi thuaät xaùc suaát Bayes. Keát quaû ñaùnh giaù heä chuyeân gia khoâng duøng giaù trò ngöôõng, cho thaáy ñoä nhaïy chaån ñoaùn XHN khaù cao 97,03%, ngöôïc laïi ñoä nhaïy chaån ñoaùn NMN töông ñoái thaáp vaø thaáp hôn XHN (82,61% so vôùi 97,03%). Ñieàu naøy coù theå lyù giaûi do caùc daáu hieäu, trieäu chöùng ñònh tính trong NMN thöôøng coù bieåu hieän aâm tính nhö khoâng ñau ñaàu, khoâng noân oùi; trong khi ñoù, giaûi thuaät chaån ñoaùn ñöôïc thieát keá chæ quan taâm ñeán nhöõng trieäu chöùng coù bieåu hieän döông tính. Ñeå caûi thieän ñoä nhaïy, ñoä chính xaùc cuûa heä chuyeân gia, chuùng toâi ñaët ra moät giaù trò ngöôõng chaån ñoaùn. Giaù trò ngöôõng ñöôïc xem nhö moät “raøo caûn” loaïi boû nhöõng tröôøng 13
  6. hôïp chaån ñoaùn khoâng xaùc ñònh. Vôùi giaù trò ngöôõng baèng 0,85 (Pngöôõng = 0,85), keát quaû ñaùnh giaù heä chuyeân gia chaån ñoaùn thoâng qua caùc chæ soá ñaùnh giaù cao hôn tröôøng hôïp khoâng duøng giaù trò ngöôõng vaø söï khaùc bieät naøy coù yù nghóa thoáng keâ: ñoä nhaïy chaån ñoaùn NMN tröôùc khi duøng giaù trò ngöôõng laø 82,61% so vôùi 95,65% sau khi duøng giaù trò ngöôõng; ñoä chính xaùc chung tröôùc khi duøng giaù trò ngöôõng laø 90,16% so vôùi sau khi duøng giaù trò ngöôõng 97,58%; caùc chæ soá khaùc cuõng cho thaáy ñoä tin caäy cao hôn sau khi duøng giaù trò ngöôõng. B. NGHIEÂN CÖÙU KIEÅM CHÖÙNG HEÄ CHUYEÂN GIA Ñaëc ñieåm cuûa maãu kieåm chöùng khoâng coù söï khaùc bieät coù yù nghóa thoáng keâ so vôùi maãu nghieân cöùu xaây döïng heä chuyeân gia: tæ leä tuoåi lôùn hôn 45 laø 89,8% so vôùi 88,08%, nam 56,12% so vôùi 56,48%, XHN treân leàu 56,12% so vôùi 52,33%, NMN treân leàu 43,88% so vôùi 47,67%. Keát quaû phaân tích döïa treân caùc chæ soá ñoä nhaïy, giaù trò tieân ñoaùn döông, ñoä chính xaùc, ñoä leäch chuaån cho thaáy gaàn nhö khoâng coù söï khaùc bieät giöõa 2 maãu beänh nhaân: ñoä nhaïy chaån ñoaùn XHN cuûa heä chuyeân gia treân maãu kieåm ñònh so vôùi maãu nghieân cöùu laø 99,05% so vôùi 98,96%, ñoä nhaïy chaån ñoaùn NMN laø 92,54% so vôùi 95,65%, ñoä chính xaùc chung 96,51% so vôùi 97,58%, ñoä leäch chuaån 0,1779 so vôùi 0,1534. Caùc chæ soá ñaùnh giaù cho thaáy heä chuyeân gia vaãn cho keát quaû toát hôn thang ñieåm Siriraj vaø khaù hôn thang ñieåm Nguyeãn Baù Thaéng (1): ñoä nhaïy chaån ñoaùn XHN cuûa heä chuyeân gia so vôùi thang ñieåm Siriraj vaø Nguyeãn Baù Thaéng laø 99,05% so vôùi 75,61% vaø 98,04%; ñoä nhaïy chaån ñoaùn NMN cuûa heä chuyeân gia 92,54% so vôùi 90,79% vaø 83,82%; ñoä chính xaùc chung 96,51% so vôùi 82,91% vaø 92,35%; tæ leä chaån ñoaùn khoâng chaéc chaén 12,25% so vôùi 19,39% vaø 13,27%. Tuy nhieân, tính chaát maãu nghieân cöùu kieåm chöùng quaù töông ñoàng vôùi maãu nghieân cöùu xaây döïng heä chuyeân gia: caû hai maãu nghieân cöùu ñöôïc tieán haønh ôû cuøng ñòa ñieåm, cuøng moät ngöôøi khaùm, cuøng moät tính chaát laáy maãu neân keát quaû kieåm chöùng naøy coù theå chöa chính xaùc vaø chöa theå suy dieãn keát quaû toát, ñaùng tin caäy khi aùp duïng treân dieän roäng ôû nhöõng maãu nghieân cöùu khaùc nhau. V. KEÁT LUAÄN Heä chuyeân gia vôùi giaûi thuaät hôïp lyù maø trong nghieân cöùu naøy, chuùng toâi söû duïng giaûi thuaät xaùc suaát Bayes, coù theå cho keát quaû chaån ñoaùn ñaùng tin caäy trong chaån ñoaùn phaân bieät XHN vaø NMN vôùi ñoä chính xaùc chung treân 95% (96,51%) vaø toû ra öu ñieåm troäi hôn caùc phöông phaùp laâm saøng khaùc: thang ñieåm Siriraj, thang ñieåm cuûa Nguyeãn Baù Thaéng neáu xeùt rieâng treân maãu nghieân cöùu cuûa chuùng toâi. Tuy nhieân, nghieân cöùu naøy chæ môùi ôû giai ñoaïn ban ñaàu, ñaët neàn taûng cho höôùng phaùt trieån xaây döïng moät heä chuyeân gia hoaøn chænh, coù theå öùng duïng chaån ñoaùn nhieàu beänh lyù vaø ñöôïc kieåm chöùng hieäu quaû treân thöïc teá moät caùch ñaùng tin caäy. Taøi lieäu tham khaûo 14
  7. 1. Cao Phi Phong (2001). So saùnh vaø giaù trò cuûa 4 thang ñieåm laâm saøng trong chaån ñoaùn phaân bieät nhoài maùu vaø xuaát huyeát naõo : Diaz stroke scale, Ilano Scoring system, Siriraj score vaø Allen score. Taøi lieäu baùo caùo khoa hoïc thöôøng kyø cuûa Hoäi thaàn kinh TP Hoà Chí Minh. 2001. 2. Nguyeãn Baù Thaéng (2003). Kieåm chöùng giaù trò thang ñieåm laâm saøng chaån ñoaùn phaân bieät nhoài maùu naõo vaø xuaát huyeát naõo treân leàu. Taïp chí y hoïc TP Hoà Chí Minh, 2003 (7):15-18. 3. Phaïm Höõu Khang, Phöông Lan, Hoaøng Ñöùc Haûi (2002). Kyõ thuaät laäp trình öùng duïng C#.net toaøn taäp, taäp 1. Nhaø xuaát baûn lao ñoäng xaõ hoäi. 2002. 4. Phaïm Höõu Khang, Phöông Lan, Hoaøng Ñöùc Haûi (2002). Kyõ thuaät laäp trình öùng duïng C#.net toaøn taäp, taäp 2. Nhaø xuaát baûn lao ñoäng xaõ hoäi. 2002. 5. Phaïm Höõu Khang, Phöông Lan, Hoaøng Ñöùc Haûi (2002). Kyõ thuaät laäp trình öùng duïng C#.net toaøn taäp, taäp 3. Nhaø xuaát baûn lao ñoäng xaõ hoäi. 2002. 6. Jay Hilyaro, Stephen Teilhet, Ngoïc Tuaán (bieân dòch) (2004) . Höôùng daãn hoïc laäp trình vôùi C#, taäp 1. Nhaø xuaát baûn thoáng keâ. 2004. 7. Jay Hilyaro, Stephen Teilhet, Ngoïc Tuaán (bieân dòch) (2004) . Höôùng daãn hoïc laäp trình vôùi C#, taäp 2. Nhaø xuaát baûn thoáng keâ. 2004. 8. Poungvarin N, Viriyavejakul A, Chulakuk C (1991). Siriraj stroke score and validation study to distinguish supratentorial intracerebral haemorrhage from infartion. British Medical Journal 1991(302): 1565:1567. 15

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản