5. Phương pháp luận nghiên cứu
2.8 Học máy trong chẩn đoán bệnh
Các phương pháp học có thể được sử dụng cho các ứng dụng chẩn đoán và chăm sóc sức khoẻ.
Chức năng của các thuật toán học máy là khả năng học từ các trường hợp đã biết và nó có khẳ năng tạo ra một mô hình tiên đoán.
Mô hình kết quả được sử dụng để tiên đoán các trường hợp mới, tạo ra các củng cố (kiến thức) từ một khối lƣợng lớn dữ liệu, hay để phân lớp dữ liệu thành các mẫu.
Có rất nhiều lợi ích khi sử dụng học máy trong lĩnh vực chăm sóc sức khoẻ. Lợi ích chính của học máy trong lĩnh vực chăm sóc sức khỏe có thể đƣợc phân loại nhƣ sau: hiệu quả trong việc điều trị, quản lý sức khoẻ, quản lý mối quan hệ khách hàng, chẩn đoán trong y tế, phát hiện các trường hợp lạm dụng và làm sai, ( chẩn đoán với sự trợ giúp của máy tính) [4].
Sự trợ giúp là phát triển một mô hình nó so sánh giữa các triệu trứng, nguyên nhân, và quy trình điều trị.
Mô hình ANN có thể tạo ra một sự phân tích cho tất cả các quy trình điều trị để tạo ra kiến thức về các quy trình thực tiễn tốt nhất. Ví dụ mô hình ANN có thể tìm ra thuốc điều trị tốt nhất cho một căn bệnh cụ thể. nhóm các ảnh hưởng phụ đối với một loại thuốc và làm thế nào để giảm rủi ro cho bệnh nhân.
Có thể nói khai phá dữ liệu có thể thể hiện một vai trò để xác định pháp đồ điều thành công cho các nhà cung cấp dịch vụ chăm sóc sức khoẻ [4].
2.8.2 Quản lý sức khoẻ
Một thiết kế ANN tốt có thể làm cho việc phân loại và theo dõi một số các bệnh nguy hiểm, và một số các bệnh nhân có thể lây nhiễm nhau, và giảm đƣợc số nhân viên hành chính của bệnh viện và các thắc mắc, khiếu lại của bệnh nhân.
Ví dụ, việc thẩm tra các ca bệnh trong một bệnh viện nào đó và so sánh nó với dữ liệu của nó với các bài viết khoa học hiện tại có thể làm cho việc tạo ra việc sử dụng các nguồn lực y tế một cách hiệu quả.
Hay một ví dụ khác trong quản lý sức khoẻ, ANN có thể đƣợc sử dụng để giảm thời gian nằm viện của bệnh nhân nhờ có sự trợ giúp của ANN tới quyết định chính xác của bác sĩ.
Tuy nhiên, các mô hình ANN có thể cung cấp một khoảng thời gian nằm nội trú chính xác, cung cấp thông tin cho các bác sĩ điều trị (mô hình có thể sử dụng nhƣ một ý tưởng thứ 2 cho các bác sỹ điều trị hay các nhà tư vấn sức khoẻ, và phát triển các kinh nghiệm điều trị tốt nhất [4].
2.8.3 Chẩn đoán có sự trợ giúp của máy tính CAD
Chẩn đoán có sự trợ giúp của máy tính là một phương thức trợ giúp cho việc chẩn đoán các căn bệnh và ƣớc lƣợng cấp độ của căn bệnh. CAD có thể đƣợc coi nhƣ một hệ thống chuyên gia nó sử dụng các kiến thức và kinh nghiệm của con người để giải quyết các vấn đề tự động hay giảm thiểu thời gian khám chữa bệnh của các chuyên gia. Việc sử
dụng các hệ thống CAD không thể thay thế vai trò của các nhân viên y tế. Tuy nhiên hệ thống CAD làm việc nhƣ một thiết bị cố vấn, hay để trợ giúp trong việc hỗ trợ ra quyết định trong quá trình chẩn đoán. Quyết định cuối cùng đƣợc vẫn phải do các bác sĩ đƣa ra [9].
2.8.4 Các thách thức của khai phá dữ liệu trong chăm sóc sức khoẻ
Khai phá dữ liệu và tiến bộ trong công nghệ máy tính có thể hỗ trợ ngành công nghiệp chăm sóc sức khoẻ trong rất nhiều ứng dụng. Tuy nhiên việc tận dụng khai phá dữ liệu trong chăm sóc sức khoẻ có một số giới hạn. Giới hạn đầu tiên là loại dữ liệu trong cơ sở dữ liệu chăm sóc sức khoẻ. Các loại dữ liệu trong cơ sở dữ liệu chăm sóc sức khoẻ rất đa dạng.
Một số các kết quả kiểm tra của bệnh nhân có thể ở dạng số, dạng văn bản và dạng ảnh. Các loại dữ liệu trộn vào nhau sẽ là một thách thức cho các nhà phát triển trong quá trình khai phá dữ liệu.
Các dữ liệu lấy từ các nguồn khác nhau, nhƣ các phòng thí nghiệm, các trung tâm y tế và các bác sỹ và nhiều nơi khác. Vì thế, việc thu thập dữ liệu và tích hợp tốn thời gian.
Để giải quyết vấn đề này, một số người đã đề xuất ra dùng kho dữ liệu để sử dụng cho quá trình khai phá dữ liệu. Tuy nhiên, nó có thể tiêu tốn thời gian và không tin cậy cho các dữ liệu có từ trước [4].
Thứ 2, tính tự nhiên của dữ liệu là không đƣợc tổ chức, nó bao gồm cả các giá trị chức năng bị bỏ sót, các file bị phá huỷ, các dữ liệu lịch sử không chắc chắn của bệnh nhân.
Vấn đề các dữ liệu chức năng bị bỏ sót có thể đƣợc giải quyết bởi việc xây dựng hay ƣớc lƣợng các giá trị chức năng bị bỏ sót. Tuy nhiên, quá trình khai phá sẽ là hiệu quả hơn với các dữ liệu đầy đủ.
Thứ 3, khai phá dữ liệu nó chứa đựng một lƣợng lớn các dữ liệu bệnh nhân và các
Thứ 4, khai phá dữ liệu yêu cầu các kiến thức tổng hợp trong khai phá dữ liệu và khai phá các tri thức cũng nhƣ các hiểu biết trong khoa học y khoa.
Rất hiếm để tìm ra những người là chuyên gia trong cả khoa học y khoa và khai phá dữ liệu, khai phá dữ liệu chăm sóc sức khoẻ có thể yêu cầu sự phối hợp giữa các chuyên gia trong khai phá dữ liệu và chuyên gia trong khoa học y khoa .
Cuối cùng, các nguồn lực để phát triển ứng dụng khai phá dữ liệu nên đƣợc chỉ định bới các tổ chức chăm sóc sức khoẻ bao gồm ngân sách, thời gian, các lỗ lực và chuyên gia[4].
2.8.5 Các bệnh án điện tử (EHR)
Các bệnh án điện tử (Electronic Health Record (EHR)) là một sự tuyển chọn các thông tin về bệnh nhân một cách có hệ thống. EHR ở dạng số và có thể đƣợc chia sẻ giữa các nhà cung cấp dịch vụ chăm sóc sức khoẻ ở những nơi khác nhau thông qua mạng thông tin. EHR là khẳ năng lưu trữ một dải dữ liệu bảo gồm lịch sử bệnh án của bệnh nhân, các đơn thuốc đã và đang điều trị và các phản ứng do thuốc gây ra, các tình trạng miễn dịch, các kết quả kiểm tra trong phòng thí nghiệm, các hình ảnh X quang, thông tin cá nhân nhƣ tuổi, cân nặng, và thông tin về hoá đơn thuốc [12].
Khái niệm bệnh án điện tử không phải là mới. Gần đây các trường đại học, các trung tâm nghiên cứu và các nhà cung cấp sức khoẻ đã phát triển các bệnh án điện tử đƣợc máy tính hoá để cho mục đích nghiên cứu và theo dõi quá trình điều trị của bệnh nhân.
Tổng thể, những đột phá và các ƣu điểm trong EHR đã nâng cao việc chăm sóc sức khoẻ của bệnh nhân. Rất nhiều nước trong đó có cả Việt nam đang phát triển EHR theo hướng để mang lại việc chăm sóc sức khỏe tốt hơn cho người dân bao gồm: khẳ năng truy cập và thông tin y tế tốt hơn an toàn hơn cho bệnh nhân, chăm sóc bệnh nhân tốt hơn, an toàn và hiệu quả.