Từ dữ liệu Profile tại đơn vị TTYT thị xã Từ sơn gồm 278 Bệnh đái tháo đường tháng 7, tháng 8 năm 2018 tại phòng khám.
Lần 1 lấy 182 Profile của tháng 7 làm dữ liệu cơ sở tri thức.
Lần 2 lấy 96 Porfile của tháng 8 để chỉnh sửa cập nhật cơ sở tri thức. Bài toán yêu cầu đánh giá hệ chuyên gia ESDM.
3.2.Thử nghiệm chẩn đoán và điều trị 3.2.1. Quá trình Chẩn đoán
Dữ liệu dùng để thử nghiệm đánh giá ESDM là các bệnh án ngoại trú được thu thập tại khoa khám bệnh, TTYT thị xã Từ Sơn từ quý III - Năm 2018. Một bệnh án có nhiều loại thông tin, trong đó phần lớn thông tin dùng để điều trị và theo dõi bệnh. Khi nhập viện điều trị ngoại trú bác sĩ cần các loại thông tin sau để chẩn đoán: Thông tin bệnh nhân, bệnh sử của bệnh nhân và của gia đình, thông tin khám bệnh của bác sĩ và một số kết quả cận lâm sàng và kết quả chẩn đoán. Phụ lục I mô tả mẫu bệnh án dùng để thu thập dữ liệu đánh giá ESDM.
Nhiều trường hợp bệnh án không có đầy đủ các thông tin trên. Ví dụ đối với các bệnh nhân mới thì bác sĩ hỏi đầy đủ thông tin, còn đối với các bệnh nhân đã được chẩn đoán mắc bệnh đái tháo đường (Tái khám định kỳ ) thì bệnh án chứa rất ít thông tin, chủ yếu là xét nghiệm dùng để đánh giá tình trạng của bệnh.
Tổng số bệnh án mẫu qua 2 lần thu thập được tại TTYT thị xã Từ Sơn là 278 bệnh án, trong đó:
Lần 1 tháng 7- Năm 2018 thu thập được 182 bệnh án ngoại trú có đăng ký khám ngoại trú 01/07/2018 đến 31/07/2018 Các bệnh án này dùng làm cơ sở tri thức.
Hình 3.1: Bệnh nhân kết luận bị đái tháo đường tháng 07-2018
Lần 2 tháng 08 - Năm 2018 thu thập được 96 bệnh án ngoại trú có ngày điều trị ngoại trú từ 01/08/2018 đến 31/08/2018. Các bệnh án này dùng để chỉnh sửa và cập nhật cơ sở tri thức.
3.2.2. Đánh giá ý nghĩa profile
Khi theo dõi tình trạng của bệnh nhân qua các lần chẩn đoán, bác sĩ có thể tiên đoán bệnh nhân có nguy cơ đái tháo đường cao hay không cao để khuyên bệnh nhân tái khám theo định kỳ cho phù hợp. ESDM thực hiện tương tự, sau mỗi lần chẩn đoán hệ thống cập nhật lại profile của bệnh nhân và suy diễn để xác định nguy cơ đái tháo đường của những bệnh nhân chưa bị đái tháo đường mạn. Nếu bệnh nhân có nguy cơ đái tháo đường mạn cao, hệ thống khuyên bệnh nhân nên thường xuyên tái khám để theo dõi. Kết quả chẩn đoán nguy cơ đái tháo đường của ESDM được đánh giá bằng cách so sánh với kết quả chẩn đoán nguy cơ của bác sĩ trên 80 bệnh án của 40 bệnh nhân được tạo ra ngẫu nhiên. Trong tổng số 40 trường hợp, ESDM cho kết quả đúng 28 trường hợp (70%) so với ý kiến đánh giá của bác sĩ.
Trong trường hợp hệ thống chẩn đoán có ít khả năng đái tháo đường có thể vì lý do nào đó mà người sử dụng cung cấp không đầy đủ, thông tin hay bác sĩ khám lâm sàng bị thiếu sót. Để đảm bảo nhận được đầy đủ từ người dùng cung cấp các triệu chứng, dấu hiệu bất thường, tiền căn,… hệ thống dựa vào thông tin của các bệnh nhân khác để suy ra các thông tin cần hỏi lại. Để đánh giá các thông tin suy diễn của hệ thống dùng để hỏi lại bệnh nhân có hợp lý hay không, tiến hành như sau:
Chọn ngẫu nhiên 1 bệnh án được ESDM chẩn đoán có khả năng đái tháo đường cao (trong trường hợp thử nghiệm này chọn CF >= 0.7) và có kết quả chẩn đoán cuối cùng là bị đái tháo đường trong tổng số 278 bệnh án mẫu.
Kiểm tra xem trong các thông tin được xác định cần hỏi lại có sự kiện bị loại bỏ hay không.
Ví dụ bệnh án có mã số 09013679 có các thông tin sau dùng để chẩn đoán khả năng: Bệnh đái tháo đường không phụ thuộc insulin, tăng huyết áp, ăn nhiều, giảm cân nhiều. Thực hiện kiểm tra với trường hợp chọn các thông tin có trong các bệnh án khác nhiều nhất. Đầu tiên giả sử bệnh án không có giảm cân nhiều thì hệ thống suy diễn hỏi lại 3 thông tin (khát nước nhiều, đi tiểu nhiều, tê bì chân tay) trong đó có bệnh đái tháo đường không phụ thuộc insulin. Khi loại bỏ tăng huyết áp thì hệ thống chỉ hỏi đúng thông tin bệnh nhân có tăng huyết áp hay không. Hai trường hợp
còn lại hệ thống sẽ hỏi khát nước nhiều, đi tiểu nhiều, tê bì chân tay không.
Cũng kiểm tra với bệnh án trên nhưng lần này sẽ hỏi tất cả các thông tin suy diễn ra được. Kết quả như sau:
Khi bỏ bệnh đái tháo đường không phụ thuộc insulin hệ thống sẽ hỏi lại các thông tin sau: Khát nước nhiều, đi tiểu nhiều, tê bì chân tay.
Khi bỏ ăn nhiều nhiều hệ thống sẽ hỏi lại các thông tin sau: Khát nước nhiều, đi tiểu nhiều, tê bì chân tay.
Khi bỏ giảm cân nhiều hệ thống sẽ hỏi lại các thông tin sau: niêm mạc nhợt nhạt, chán ăn, phù, da xanh xao.
Khi bỏ tăng huyết áp hệ thống sẽ hỏi lại các thông tin sau: Niêm mạc nhợt nhạt, phù, tăng huyết áp, đau vùng thượng vị, da xanh xao, tiền căn đái tháo đường, khát nước nhiều, đi tiểu nhiều, tê bì chân tay.
Khi chọn tất cả thông tin được suy diễn ra dùng để hỏi thì có sự khác biệt trong trường hợp loại bỏ thông tin nôn ít. Như vậy khi hệ thống hỏi lại càng nhiều thì khả năng phục hồi được thông tin bị thiếu càng cao.
Sau đây là bảng kết quả thực hiện kiểm tra trên 10 nhóm bệnh án, mỗi nhóm chọn ngẫu nhiên 20 bệnh án. Mỗi lần kiểm tra tương ứng với một thông tin trong một bệnh án bị loại bỏ. Trong các lần kiểm tra chỉ chọn các bệnh án có độ tương tự cao nhất (i=1) và những thông tin xuất hiện trong các bệnh án tương tự n bậc cao nhất (thực hiện các bước theo mục 2.2.4.4. ).
Bảng 3.1: Bảng kết quả đánh giá chức năng hỏi bệnh bổ sung trên nhiều nhóm bệnh án
Nhóm Số lần kiểm tra n Kết quả
1 96 1 67.7%
2 84 2 76.2%
3 86 3 80.2%
4 83 4 83.1%
6 91 1 63.7%
7 86 2 77.9%
8 85 3 78.8%
9 90 4 77.8%
10 88 5 80.7%
Sau đây là một bảng kết quả kiểm tra khác trên cùng một nhóm 20 bệnh án với các giá trị n khác nhau để thấy được sự ảnh hưởng của n với khả năng có thông tin cần hỏi trong số các thông tin dùng để hỏi.
Bảng 3.2: Bảng kết quả đánh giá chức năng hỏi bệnh bổ sung trên một nhóm bệnh án
Lần test Số lần kiểm tra n Kết quả
1 91 1 63.7% 2 91 2 73.6% 3 91 3 76.9% 4 91 4 76.9% 5 91 5 76.9% Nhận xét:
Hơn 63% số lần hỏi bổ sung có chứa thông tin bị cung cấp thiếu và số lượng thông tin dùng để hỏi lại ảnh hưởng đến khả năng chứa thông tin bị thiếu sót.
n và i càng lớn thì hệ thống sẽ hỏi càng nhiều và khả năng có hỏi thông tin cần càng cao.
3.3. Đánh giá kết quả chẩn đoán
Để đánh giá kết quả chẩn đoán, hệ thống sẽ sử dụng thông tin có trong 96 bệnh án được thu thập trong lần 2. Kết quả của hệ thống sẽ được so sánh với kết quả chẩn đoán trong bệnh án. Nhưng phần lớn các bệnh án đều không có chẩn đoán nguyên nhân nên kết quả chẩn đoán nguyên nhân sẽ được so sánh với chẩn đoán của bác sĩ.
Sau đây là kết quả thực nghiệm với 96 bệnh án, trong đó có 3 bệnh án đã được chẩn đoán đái tháo đường mạn tính trước đó. Đối với 3 bệnh án này, hệ thống chỉ kiểm tra lại bệnh nhân có bị bệnh đái tháo đường mạn hay không và xác định giai đoạn bệnh đái tháo đường. Trong trường hợp này hệ thống cho kết quả đúng 100%. Theo kết quả chẩn đoán của 93 bệnh án còn lại có 24 bệnh án có kết luận là đái tháo đường nhưng theo đánh giá của bác sĩ cùng xây dựng ESDM thì có đến 38 bệnh án đái tháo đường. Nếu theo kết quả chẩn đoán trong bệnh án thì hệ thống chẩn đoán sai 15 trường hợp trong đó có 1 trường hợp chẩn đoán sai phân biệt giữa đái tháo đường cấp và đái tháo đường mạn, đạt kết quả là 83.87% . Nếu so sánh với chẩn đoán của bác sĩ cùng thực hiện thì đúng 95.7%.
Phần lớn các bệnh án không ghi nguyên nhân đái tháo đường nên kết quả chẩn đoán của hệ thống được so sánh với ý kiến của bác sĩ đạt được 89.47%
3.4. Điều trị
Bảng 3.3: Điều trị bệnh đái tháo đường
Mục tiêu điều trị cho bệnh nhân đái tháo đường ở người trưởng thành, không có thai
• HbA1c < 7%* • Lipid máu: • Glucose huyết tương mao mạch
lúc đói,trước bữa ăn: 80-130 mg/dL (4.4-7.2 mmol/L).
- LDL cholesterol < 100 mg/dL (2,6 mmol/L), nếu chưa có biến chứng tim mạch.
• Đỉnh glucose huyết tương mao mạch sau ăn 1-2 giờ: <180 mg/dL (10.0 mmol/L)*
- LDL cholesterol < 70 mg/dL (1,8 mmol/L) nếu đã có bệnh tim mạch. - Triglycerides < 150 mg/dL (1,7 mmol/L) • Huyết áp: Tâm thu <140 mmHg.
Tâm trương <90 mmHg.
• HDL cholesterol > 40 mg/dL (1,0 mmol/L) ở nam và > 50 mg/dL (1,3 mmol/L) ở nữ.
* Mục tiêu điều trị ở các cá nhân có thể khác nhau tùy tình trạng của bệnh nhân. - Mục tiêu điều trị có thể nghiêm ngặt hơn: HbA1c <6,5% (48 mmol/mol) nếu có thể đạt được và không có dấu hiệu đáng kể của hạ đường huyết và những tác dụng có hại của thuốc: Đối với người bị bệnh đái tháo đường trong thời gian ngắn, bệnh ĐTĐ típ 2 được điều trị bằng thay đổi lối sống hoặc chỉ dùng metformin, trẻ tuổi hoặc không có bệnh tim mạch quan trọng.
- Ngược lại, mục tiêu điều trị có thể ít nghiêm ngặt (nới lỏng hơn): HbA1c < 8% (64 mmol/mol ) phù hợp với những bệnh nhân có tiền sử hạ glucose huyết trầm trọng, lớn tuổi, các biến chứng mạch máu nhỏ hoặc mạch máu lớn, có nhiều bệnh lý đi kèm hoặc bệnh ĐTĐ trong thời gian dài và khó đạt mục tiêu điều trị.
- Nếu đã đạt mục tiêu glucose huyết lúc đói, nhưng HbA1c còn cao, cần xem lại mục tiêu glucose huyết sau ăn, đo vào lúc 1-2 giờ sau khi bệnh nhân bắt đầu ăn.
* Đánh giá về kiểm soát đường huyết:
- Thực hiện xét nghiệm HbA1c ít nhất 2 lần trong 1 năm ở những người bệnh đáp ứng mục tiêu điều trị (và những người có đường huyết được kiểm soát ổn định). - Thực hiện xét nghiệm HbA1c hàng quý ở những người bệnh được thay đổi liệu pháp điều trị hoặc những người không đáp ứng mục tiêu về glucose huyết.
- Thực hiện xét nghiệm HbA1c tại thời điểm người bệnh đến khám, chữa bệnh để tạo cơhội cho việc thay đổi điều trị kịp thời hơn.
Các loại thuốc điều trị ĐTĐ lần lượt là: Metformin, thuốc ức chế kênh đồng vận chuyển natri-glucose (SGLT2i), Sulfonylurea. Glinides, Pioglitazon, Ức chế enzym alpha glucosidase. Ức chế enzym DPP
Kết luận chương 3
Hệ chuyên gia ESDM được thực nghiệm từ dữ liệu tri thức Profile bệnh đái tháo đường tại đơn vị TTYT thị xã Từ Sơn. Sau khi thực nghiệm 96 Profile, có thể nhận biết các ưu điểm sau:
- Hạn chế tình trạng bác sĩ hỏi bệnh, chẩn đoán thiếu trong khám chữa bệnh.
- Quản lý Profile, giúp bác sĩ có phác đồ điều trị và sử dụng đơn thuốc, tránh bị lạm dụng sử dụng thuốc quá liều.
- Có dữ liệu tổng quan cho sinh viên y khoa có cái nhìn tổng quát về bệnh. Hạn chế do mức độ tham gia đóng góp của các bác sĩ chuyên ngành còn hạn chế, do vậy hệ chuyên gia ESDM bổ sung và nâng cấp các luật đảm bảo kết quả chính xác hơn.
KẾT LUẬN
Việc ứng dụng công nghệ thông tin trong Y khoa đã được các nhà khoa học đặc biệt quan tâm trong những năm gần đây. Các hê chuyên gia nhằm hỗ trợ việc chẩn đoán và điều trị các loại bệnh khác nhau đã dược ứng dụng ở nhiều cơ sở y tế, với mục đích đưa những tiến bộ công nghệ vào phục vụ công tác khám chữa bệnh tại các bệnh viện tuyến dưới, ở đây là TTYT thị xã Từ Sơn, bệnh viện hạng II, nới học viện công tác. Học viện đã thực hiện đề tài “Xây dựng hệ chuyên gia hỗ trợ chẩn đoán và điều trị bệnh đái tháo đường”
Trong luận văn của mình, qua đó đáp ứng nhu cầu ứng dụng thực tế tại đơn vị mình và có thể mở rộng sử dụng cho các đơn vị khác trong ngành.
Để thực hiện mục tiêu trên học viên đã đi sâu nghiên cứu tìm hiểu về cấu trúc và nguyên lý hoạt động của hệ chuyên gia nói chung và những điểm đối với hệ chuyên gia trợ giúp chẩn đoán bệnh trong y khoa nói riêng. Trên cơ sở tận dụng cơ sở y khoa hiện có phát triển hệ chuyên gia ESDM phù hợp với yêu cầu chẩn đoán bệnh đái tháo đường với các căn nguyên bệnh khác nhau.
Nhìn chung ESDM bước đầu đã thực hiện được cơ bản cho việc chẩn đoán bệnh theo dõi được diễn biến bệnh.
Tuy nhiên còn phải tiếp tục để hoàn thiện hệ thống này mỗi trên cơ sơ cập nhật đầy đủ cơ sở tri thức của hệ thống một cách tự động và giao diện thân thiện hơn với người sử dụng.
HƯỚNG PHÁT TRIỂN
Chúng tôi muốn phát triển hệ thống này để có thể cập nhật cơ sở tri thức trong các lần chẩn đoán sai.
Khi phát triển hệ thống, cơ sở tri thức có thể được bổ sung thêm phương pháp điều trị để tư vấn cho bác sĩ điều trị sao cho phù hợp với hiện trạng của bệnh nhân.
Hệ chuyên gia được mô phỏng trên lý thuyết, chưa được tích hợp, trích xuất dữ liệu cơ sở dữ liệu HIS & LIS do liên quan đến bản quyển, tính năng tích hợp của nhà cung cấp.
Do thời gian làm luận văn có hạn, do vậy để tìm hiểu sau tri thức về bệnh đái tháo đường làm cơ sở xây dựng hệ chuyên gia chẩn đoán đái tháo đường chưa được chuyên sâu, mức am hiểu về bệnh còn hạn chế cần được tìm hiểu và sự giúp đỡ của chuyên gia về điều trị bệnh đái tháo đường.
DANH MỤC TÀI LIỆU THAM KHẢO
Tài liệu tiếng Việt:
[1]. Đỗ Trung Tuấn (1999), Hệ chuyên gia, Nxb. Giáo Dục.
[2]. Thận học căn bản tập 1, Tài liệu giảng dạy của trường Đại học Y Dược TP.HCM, 2002
[3]. Bệnh học nội khoa, Tài liệu giảng dạy của trường ĐH Y Dược TP.HCM, Nxb. Mũi Cà Mau.
[4]. Isselbacher, Braunwaild (2002), Các nguyên lý y học nội khoa Harrison Tập 3, Nxb. Y Học, pp. 534-696.
Tài liệu tiếng Anh:
[5]. Aikins J. S., Kunz J. C., Shortliffc E. H., and Fallat K. J. (1983), “PUFF: An Expert System for Interpretation of Pulmonary Function Data”, Comput Biomed 16, pp. 199-208.
[6]. Basu C., Hirsh H., Cohen W. (1998), “Recommendation as Classification: Using Social and Content-Based Information in Recommendation”, In Proceedings of AAAI, USA, pp. 714–720.
[7]. Buchanan B.G. (1984), Shortliffe E.H, Rule Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project, Addison-Wesley, pp. 209-232.
[8]. Fred A., Filipe J., Partinen M., Paiva T. (2000), "PSG-Expert: An Expert System for the Diagnosis of Sleep Disorders", IOS Press 78, pp. 127-147. [9]. Friedman-Hill E.J. (2003), Jess in Action - Rule-Based Systems in Java,
Manning Publications, USA.
[10].Gauch S., Speretta M. (2007), “User Profiles for Personalized Information Access”, Springer-Verlag , Berlin.
[11].Giarratano J.C., Riley G.D. (1998), Expert Systems – Principles and Programming Third Edition, PWS, Boston.
[12].Hatzilygeroudis I., Karatrantou A., Pierrakeas C. (2004), “PASS: An Expert System with Certainty Factors for Predicting Student Success”, Springer, Berlin.
[13].Hill W., Stead L., Rosenstein M., Furnas G. (1995), “Recommending and Evaluatin Choices in a Virtual Community of Use”, In Proceedings of SIGCHI, Denver, pp. 194–201.
[14].Kim J., Lee B., Shaw M. (2001), “Application of Decision-Tree Induction Techniques to Personalized Advertisements on Internet Storefronts”, International Journal of Electronic Commerce 5.
[15].Krishnamoorthy C.S., Rajeev S. (1996), Artificial Intelligence and Expert Systems for Engineers, CRC Press.
[16].Krulwich B., “LifeStyle Finder: Intelligent User Profiling Using Large-Scale Demographic Data”, AI Magazine 18(2), pp. 37–45.
[17].Kusrini (2007), “Question Quantification to Obtain User Certainty Factor in Expert System”, Proceedings of the International Conference on Electrical Engineering and Informatics, Indonesia.
[18].Liebowitz J. (1997), The Handbook of Applied Expert Systems, CRC Press, Boca Raton, FL.
[19].Linden G., Smith B., York J. (2003), “Amazon.com Recommendations Item-