6. Cấu trúc luận văn
3.2. Kiến trúc tổng thể của hệ thống
Từ những chức năng vừa phân tích trên, tôi sẽ tổ chức kiến trúc tổng thể của hệ thống như sau:
Kiến trúc của hệ thống bao gồm 3 phần: (xem Hình 3.3)
- Phần 1: Đầu vào của hệ thống là tập dữ liệu về hồ sơ sức khỏe. Dữ liệu này được lưu dưới dạng file Excel. Dùng dữ liệu này để thực hiện phân tích và tư vấn cho bệnh nhân.
- Phần 2: Đây là phần cốt lõi của hệ thống. Nó bao gồm lớp giao diện (User Interface Layer) để tương tác với người sử dụng, lớp phân tích dữ liệu (Data Analysing Layer) - để tư vấn cho bệnh nhân.
- Phần 3: Đầu ra của hệ thống là kết quả tư vấn cho bệnh nhân. Từ đó đề xuất kết quả cho các bác sĩ.
58
Hình 3.3 Kiến trúc của hệ thống
3.3. Đặc tả chi tiết các thành phần
3.3.1. Dữ liệu đầu vào
Tập dữ liệu được dùng để huấn luyện cho mô hình hệ tư vấn dựa trên tiếp cận không tương tác giữa các tiêu chí gồm 1000 hồ sơ đã khám (đã có kết luận của bác sĩ) tại Xã Cát Tài, Phù Cát, Bình Định. Dữ liệu chuẩn hóa theo tiêu chuẩn về quản lý Hồ sơ sức khỏe công dân do Bộ y tế ban hành. Mẫu danh sách ban đầu như Hình 3.4.
Hình 3.4. Mẫu danh sách trong tập dữ liệu
Bảng dữ liệu này đã được sàng lọc và loại bỏ các thuộc tính không cần thiết cũng như không ảnh hưởng tới quá trình phân tích và đánh giá hệ thống
Dữ liệu đầu vào
-Tập dữ liệu về Hồ sơ sức khỏe
Hệ thống tư vấn
Giao diện người dùng
Phân tích dữ liệu
Dữ liệu đầu ra
-Kết quả tư vấn của bệnh nhân dựa vào dữ liệu về Hồ sơ sức khỏe. -Chi tiết kết quả tư vấn
59
như: Họ tên, Giới tính, ngày sinh, năm sinh, địa chỉ , Mã thẻ BHYT,….
Sau khi rút gọn, các thông tin được lưu dưới dạng file Excel, chứa những thông tin cơ bản như trong Bảng 3.1.
Bảng 3.1 Thông tin dữ liệu
STT Thông tin các
trường Chú thích
1 Chiều cao
Thông tin về chiều cao của bệnh nhân. Đơn vị tính là cm.
2 Cân nặng Thông tin về cân nặng của bệnh nhân. Đơn vị tính là kg.
3 Nhiệt độ Thông tin về nhiệt độ cơ thể của bệnh nhân. Đơn vị tính là oC.
4 Nhịp thở Thông tin về tần số thở của bệnh nhân. Đơn vị tính là số lần trên phút.
5 Huyết áp tối đa Thông tin về huyết áp tối đa của bệnh nhân. Đơn vị tính là mmHg
6 Huyết áp tối thiểu Thông tin về huyết áp tối thiểu của bệnh nhân. Đơn vị tính là mmHg.
7 Mạch Thông tin về Mạch của bệnh nhân. Đơn vị tính là số lần trên phút.
8 Kết luận Thông tin về các kết luận của bác sĩ.
Như vậy, từ dữ liệu, ta có thể thấy những chỉ số là chiều cao, cân nặng, nhiệt độ, nhịp thở, huyết áp tối đa, huyết áp tối thiểu, mạch, mỗi một chỉ số này tương ứng với 1 tiêu chí. Theo ý kiến chuyên môn của bác sĩ, các tiêu chí nói trên nếu có sự thay đổi khác thường so với ngưỡng bình thường, cộng với việc khai thác các tiền sử của bệnh nhân sẽ đưa ra kết luận chẩn đoán về các
60
mặc bệnh theo mã ICD 10. Với dữ liệu đầy đủ như trên, bác sĩ có thể dễ dàng quan sát và xem kết luận bệnh nhân. Nhiệm vụ của chương trình là sẽ sử dụng dữ liệu mô tả chi tiết như vậy để hỗ trợ tư vấn cho bác sĩ.
3.3.2. Dữ liệu đầu ra
Dữ liệu đầu ra của hệ thống tư vấn là danh sách các kết luận có trong tập huấn luyện.
Như vậy kết quả đầu ra của chương sẽ là một số kết quả chẩn đoán có thể có. Chẳng hạn khi nhập một tập các tiêu chí vào chương trình thì sẽ nhận được kết quả tư vấn là một trong số các kết luận chẩn đoán của bác sĩ có trong tập huấn luyện. Kết quả sẽ được thể hiện dưới dạng danh sách trên cửa sổ thông báo của chương trình.
3.4. Thử nghiệm ứng dụng
Dữ liệu để thử nghiệm là 134 hồ sơ sức khỏe tại Trạm y tế Thị Trấn Ngô Mây thuộc Trung tâm y tế huyện Phù Cát. Dữ liệu này được thu thập từ phần mềm http://hssk.ytecoso.vn:8080 do Bộ y tế ban hành, chỉ gồm các thông tin đầu vào nhưng chưa có kết luận chẩn đoán của bác sĩ.
61
Với dữ liệu đầu vào như vậy, sau khi tiến hành chạy thử nghiệm, chúng tôi trích ra một số minh họa như Bảng 3.2 dưới đây:
Bảng 3.2. Một số kết quả thử nghiệm
TT Chỉ số (Tiêu chí) Kết quả tư vấn
Phù hợp/Không phù hợp với ý kiến của bác sĩ 1 158; 43; 37; 26; 140; 80; 80 I84; J40; Bình thường Phù hợp 2 145; 50; 37; 19; 110; 70; 69 Bình thường; K08.1; H52.1; M47 Phù hợp 3 163; 51; 37; 24; 120; 70; 80 I84;J40; Bình thường Phù hợp 4 143; 39; 37; 19; 120; 70; 68 H52.1; K08.1;Bình thường; Q66.0; M54.5 Không phù hợp 5 168; 65; 37; 19; 155; 90; 65 Bình thường; I10; H52.1; K08.1; Q66.0 Phù hợp 6 161; 50; 37; 24; 160; 90; 65 I10;H52.1;K08.1;Bình thường; Q66.0 Phù hợp 7 163; 54; 37; 25; 110; 70; 86 Y86; I10; H26; K08.1; J40 Không phù hợp 8 142; 51; 37; 20; 180; 100; 86 Y86; I10; H26; K08.1; J40; Phù hợp 9 141; 47; 36.5; 19; 140; 80; 70 K08.1; M47; K52; M25.5; Bình thường Không phù hợp 10 158; 60; 37; 22; 110; 70; 75 E14; Bình thường; H52.1 Phù hợp 11 168; 60; 37.5; 20; 150; 90; 74 Bình thường; I10; U62.111; M47; H26 Phù hợp 12 162; 48; 37; 20; 180; 90; 71 K08.1; U62.111; M47; K52; M25.5 Không phù hợp
62 13 68; 10.5; 37; 22; 100; 60; 74 Bình thường; I10; U62.111; M47; H26 Phù hợp 14 163; 40; 37; 20; 100; 60; 72 U62.111; G47.0; M47; U62.141; H26 Không phù hợp 15 151; 55; 37; 30; 140; 70; 70 K08.1; M47; K52; M25.5; Bình thường Phù hợp 16 150; 47; 37; 23; 110; 90; 75 E14; Bình thường; H52.1 Phù hợp 17 140; 35; 27; 24; 120; 70; 72 U62.111; G47.0; M47; U62.141; H26 Không phù hợp 18 161; 54; 37; 35; 120; 70; 70 K08.1; M47; K52; M25.5; Bình thường Phù hợp 19 171; 54; 37; 25; 130; 70; 65 Bình thường; I10; H52.1; K08.1 Phù hợp 20 136; 48; 37; 20; 160; 80; 86 Y86; I10; H26; K08.1; J40 Phù hợp Trong đó:
- Cột chỉ số (tiêu chí) lần lượt là chiều cao, cân nặng, nhiệt độ, nhịp thở, huyết áp tối đa, huyết áp tối thiểu, mạch.
- Cột kết quả tư vấn: Hệ thống đưa ra kết quả tư vấn bao gồm các mã bệnh theo bộ mã bệnh ICD 10 do Bộ y tế ban hành.
- Cột ý kiến của bác sĩ là so sánh giữa kết quả tư vấn của chương trình với ý kiến của bác sĩ.
Chi tiết hơn nữa cho cột Kết quả tư vấn trong Bảng 3.2, chúng tôi thử nghiệm cho từng trường hợp, chẳng hạn như trường hợp thứ 6, Hệ thống đưa ra các tư vấn như: I10; H52.1; K08.1; Bình thường; Q66.0 (xem Hình 3.4). Tham khảo ý kiến bác sĩ thì đây là kết quả phù hợp.
63
Hình 3.4 Kết quả thử nghiệm trường hợp thứ 6
Tương tự như trên, đối với trường hợp thứ 7 trong Bảng 3.2, Hệ thống kết luận: Y86; I10; H26; K08.1; J40 (Hình 3.5). Kết quả này là không phù hợp so với ý kiến của chuyên gia.
Hình 3.5 Kết quả thử nghiệm trường hợp thứ 7
Như vậy, trong luận văn này, chúng tôi đã thử nghiệm toàn bộ 134 hồ sơ sức khỏe tại TYT Thị trấn Ngô Mây:
64
- Số kết quả tư vấn của chương trình phù hợp với ý kiến cuả bác sĩ là 80 hồ sơ sức khỏe chiếm 59,7%.
- Số kết quả tư vấn của chương trình không phù hợp với ý kiến của bác sĩ là 54 hồ sơ sức khỏe chiếm 40,3%.
Với kết quả như trên, ta có thể thấy được hệ thống tư vấn này cũng đem lại một số ý nghĩa nhất định. Từ đó, các bác sĩ có thêm một số lựa chọn mang tính định hướng để củng cố hoặc kiểm chứng thêm kết luận của mình. Do vậy, nếu sử dụng hệ tư vấn, kết quả chẩn đoán bệnh sẽ tăng phần chắc chắn khi kết luận bệnh cho bệnh nhân.
3.5. Nhận xét và đánh giá kết quả
Với các dữ liệu mô phỏng như trên, hệ thống cho ra kết quả tư vấn đơn giản, dễ hiểu và chính xác, đa số trùng khớp với ý kiến của bác sĩ.
Tốc độ xử lý của hệ thống tương đối nhanh, do đó sẽ tiết kiệm thời gian khi áp dụng xử lý cho các khối dữ liệu lớn. Thường mỗi lần tư vấn thực hiện trong vòng chưa đầy 1 phút.
Hệ thống này là một công cụ phân tích hữu ích, giúp cho bác sĩ trong việc tiết kiệm thời gian khám chữa bệnh cho người bệnh.
Chất lượng tư vấn phụ thuộc vào chất lượng bộ dữ liệu. Do đó nếu được triển khai theo thời gian tích lũy dữ liệu càng lớn thì độ chính xác của hệ thống càng cao.
KẾT LUẬN CHƯƠNG 3
Trong chương cuối này, luận văn đã trình bày cách thức tổ chức, xây dựng ứng dụng và thử nghiệm. Đồng thời đã phân tích và giải quyết được bài toán tư vấn trong lĩnh vực y tế dựa trên tiếp cận không tương tác giữa các tiêu chí. Qua đó chúng ta thấy được khả năng ứng dụng của giải pháp trên toàn hệ thống tư vấn là rất cần thiết.
65
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 1. Kết quả đạt được
Về mặt lý thuyết:
Tìm hiểu về các mô hình hệ tư vấn và cách phân loại các hệ tư vấn;
Tìm hiểu các tiêu chí đánh giá và các phương pháp đánh giá một hệ tư vấn;
Tìm hiểu và trình bày một số chủ đề mới trong nghiên cứu về hệ tư vấn;
Tổng kết lại các hướng nghiên cứu chính về hệ tư vấn.
Về thực nghiệm:
Xây dựng chương trình thử nghiệm mô hình tư vấn đa tiêu chí với tiếp cận không tương tác sử dụng giải pháp lọc cộng tác dựa theo người dùng và mục dữ liệu;
Thử nghiệm hệ thống với 134 hồ sơ sức khỏe trong lĩnh vực y tế, so sánh kết quả với ý kiến chuyên gia.
2. Hướng phát triển
Trên cơ sở các kết quả đạt được trong nghiên cứu này, chúng tôi nhận thấy còn một số vấn đề cần tiếp tục được nghiên cứu để có được kết quả tốt hơn như: (1) Tiếp tục nghiên cứu đa dạng các mô hình ra quyết định dựa trên tương tác hay không tương tác các tiêu chí trong hệ thống tư vấn với nhiều khía cạnh, phương diện khác nhau nhằm xử lý những tồn tại, hạn chế của hệ tư vấn hiện nay, tất nhiên còn rất nhiều vấn đề nữa cần phải giải quyết hoặc nghiên cứu tiếp. (2) Trong luận văn này cũng gợi mở một số giải pháp tập trung theo tiếp cận chỉ kết hợp các tiêu chí mà không cần tương tác giữa các tiêu chí nhưng cũng mang lại kết quả đáng tin cậy. Qua đó những mô hình mà tôi đã tổng kết cũng đóng góp một số hướng tư vấn để khai thác, phát triển
66
mô hình đề xuất cũng chưa đủ thời gian để nghiên cứu đánh giá lỗi một cách triệt để, rào đón những khiếm khuyết trong hệ thống cũng như thời gian chạy giải thuật nếu dữ liệu tăng lên nhiều hoặc có khả năng bùng nổ tổ hợp thì cần có những biện pháp thích hợp xử lý thông tin. Vì thế trong thời gian tới bản thân tiếp tục nghiên cứu phát triển thêm để hoàn thiện, cải tiến thêm mô hình đã có.
DANH MỤC TÀI LIỆU THAM KHẢO
[1] Lư Chân Thiện và Nguyễn Thái Nghe, Một cách tiếp cận trong xây dựng hệ thống gợi ý theo ngữ cảnh, Kỷ yếu Hội nghị Quốc gia lần thứ VIII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR); Hà Nội, ngày 9-10/7/2015.
[2] Nguyễn Thái Nghe (2013). Kỹ thuật phân rã ma trận trong xây dựng hệ thống gợi ý. Trang 44-53, số 06/2013. Tạp chí Khoa học Trường Đại học Đà Lạt
[3] Nguyễn Tấn Hoàng, Huỳnh Hữu Hưng, Huỳnh Xuân Hiệp. Tư vấn lọc cộng tác theo mục dựa trên độ biến thiên chỉ số hàm ý theo yếu tố phản ví dụ trong trường hàm ý. Hội thảo quốc gia lần thứ XX: Một số vấn đề chọn lọc của Công nghệ thông tin và truyền thông. Trang: 372-379. Năm 2017.
[4] Phan Phương Lan, Huỳnh Hữu Hưng, Huỳnh Xuân Hiệp. Hệ tư vấn lọc cộng tác dựa trên các độ đo hàm ý thống kê. Hội nghị REV-ECIT 2017. Trang: 200-205. Năm 2017.
[5] Phan Phương Lan, Huỳnh Hữu Hưng, Huỳnh Xuân Hiệp. Hệ tư vấn dựa trên độ đo cường độ hàm ý và trách nhiệm. Hội nghị FAIR 2017. Trang: 256-266. Năm 2017.
[6] Tri Minh Huynh, Vu The Tran, Hung Huu Huynh, Hiep Xuan Huynh. Item-based collaborative filtering in the multi-criteria recommender system with ordered weighted averaging operator on sparse datasets. The International Conference on Information and Communication Technology and Digital Convergence Business (ICIDB-2018). Pages: accepted. Year 2018.
[7] Lan Phuong Phan, Hung Huu Huynh, Hiep Xuan Huynh. User based Recommender Systems using Implicative Rating Measure. IJACSA. No: 8. Pages: 37-43. Year 2017.
[8] A. Felfernig, M. Jeran, G. Ninaus, F. Reinfrank, S. Reiterer, and M. Stettinger, “Basic Approaches in Recommendation Systems”, Recommendation Systems in Software Engineering, Springer-Verlag Berlin Heidelberg, 2014, pp. 15-38,.
[9] A.S. Lampropoulos and G.A. Tsihrintzis, “Review of Previous Work Related to Recommender Systems”, Machine Learning Paradigms, Springer International Publishing Switzerland, 2015, pp. 13-30.
[10] C. Aggarwal, Recommender Systems: The Textbook, Springer International Publishing Switzerland, 2016, ISBN 978-3-319-29657-9. [11] F. Belanger, “A conjoint analysis of online consumer satisfaction”,
Journal of Electronic Commerce Research, 6, 2005, pp. 95–111. [12] G. Adomavicius and A. Tuzhilin, “Context-aware recommender
systems”, Recommender Systems Handbook, Springer, New York, 2011, pp. 217–253.
[13] G. Adomavicius, A. Tuzhilin, “Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions”, IEEE Transactions on Knowledge and Data Engineering, 17, 2005, pp. 734-749.
[14] I Avazpour, T Pitakrat, L Grunske, J Grundy, “Dimensions and metrics for evaluating recommendation systems”, Recommendation Systems in Software Engineering, 2014, pp. 245-273.
[15] I. Garcia, L. Sebastia, “A negotiation framework for heterogeneous group recommendation”, Expert Systems with Applications, 41, 2014, pp. 1245–1261.
[16] J. Bobadilla, F. Ortega, A. Hernando, A. Gutiérrez, “Recommender systems survey”, Knowledge-Based Systems, 46, 2013, pp. 109-132. [17] J. Canny, “Collaborative filtering with privacy via factor analysis”,
ACM SIGR Conference, 2002, pp. 238–245.
[18] J. Lu, D. Wu, M. Mao, W. Wang, G. Zhang, “Recommender system application developments: a survey”. Decision Support Systems, 74, 2015, pp. 12-32.
[19] R. Burke, “Hybrid Web Recomender Systems”, The Adaptive Web: Methods and Strategies of Web Personalization, Springer-Verlag: London, 2006.
[20] R. Gras, J.C. Regnier, “Extension de l’analyse statistique implicative au cas des variables continues quelconques”, Springer, 2015, pp. 130- 142.
[21] X. Amatriain, A. Jaimes, N. Oliver, J. Pujol 2011), “Data mining methods for recommender systems”, Recommender Systems Handbook, Springer US, pp. 39-71.
[22] L.M. DeCampos, J.M. Fernandez-Luna, J.F. Huete, M.A. Rueda- Morales, “Managing uncertainty in group recommending processes”,
UMUAI, 19, 2009, pp. 207-242.
[23] I. Garcia, S. Pajares, L. Sebastia, and E. Onaindia, “Preference elicitation techniques for group recommender systems”, Information Science, 189, 2012, pp. 155-175.
[24] http://www.amazon.com [25] http://www.netflix.com