Nhóm bệnh lý tim mạch là nguyên nhân gây tử vong hàng đầu trên thế giới, chiếm 31% tổng số ca tử vong. Việc chẩn đoán sớm bệnh và giai đoạn bệnh hỗ trợ rất nhiều cho quá trình điều trị, hạn chế sự tiến triển cũng như biến chứng và tỷ lệ tử vong. Quá trình này được thực hiện thông qua sự phân tích những thông tin, bằng chứng, triệu chứng thăm khám lâm sàng, cận lâm sàng bởi các chuyên gia, y bác sĩ. Gần đây, để góp phần hỗ trợ cho quá trình chẩn đoán, phương pháp tiếp cận trí tuệ nhân tạo đã được áp dụng để tăng tốc quá trình phân tích và xử lý. Các phương pháp này hầu hết sử dụng lý thuyết xác suất với vai trò trung tâm là định lý Bayes. Trong nghiên cứu này, chúng tôi cũng dự đoán bệnh lý tim mạch theo hướng tiếp cận khoa học dữ liệu, nhưng đi theo một nhánh khác – kết hợp bằng chứng sử dụng lý thuyết Dempster Shafer. Cụ thể, mỗi triệu chứng được xem là một bằng chứng để kết luận về bệnh với một mức độ không chắc chắn nào đó. Phép kết hợp Dempster được dùng để tổng hợp các bằng chứng. Mức độ không chắc chắn của mỗi bằng chứng sẽ được tìm bởi thuật toán tối ưu sườn dốc (gradient descent). Kết quả bước đầu cho thấy phương pháp mới này không chỉ có sự cải thiện đáng kể về khả năng dự đoán khi so sánh với các phương pháp Bayes mà còn chỉ ra được mức độ chắc chắn của từng triệu chứng trong quá trình chẩn đoán. Những kết quả này cho phép sự kỳ vọng vào khả năng hỗ trợ lâm sàng của phương pháp cũng như tiềm năng ứng dụng của khoa học dữ liệu vào lĩnh vực y học.
Cardiovascular diseases (CVDs) are the leading cause of death worldwide, accounting for 31% of all deaths. The early diagnosis and stage of the diseases greatly support the treatment process, limiting the evolutions, complications and deadth rate. This process through the analysis of information, evidence, clinical examination symptoms, subclinical by experts, medical doctors. Recently, to contribute to the diagnostic process, artificial intelligence has been applied to speed up the analysis and processing process. These methods mostly use probability theory with the central role being Bayes' theorem. In this study, we also predicted cardiovascular diseases with data science approach, but followed another way – evidence-based integration using Dempster Shafer theory. In particular, each symptom is considered a evidence about the disease with some degree of uncertainty. Dempster combine is used to synthesize the evidence. The degree of uncertainty of each piece of evidence will be optimized by the gradient descent optimization algorithm. Preliminary results show that this new method not only has a significant improvement in predictability when compared with Bayesian but also shows the certainty of each symptom in the diagnostic process. These results allow expectations for the clinical support of the method as well as the potential application of data science to the field of medicine.
- Đăng nhập để gửi ý kiến