1 of 25

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG TIÊN LƯỢNG

BỆNH NHÂN VIÊM PHỔI MẮC PHẢI TẠI CỘNG ĐỒNG

BS.Nguyễn Anh Tuấn – BSNT.Lê Đức Duẩn

Khoa Cấp cứu – Bệnh viện TWQĐ 108

Tp. Hồ Chí Minh – 2026

2 of 25

NỘI DUNG

ĐẶT VẤN ĐỀ

PHƯƠNG PHÁP NGHIÊN CỨU

KẾT QUẢ, BÀN LUẬN

KẾT LUẬN

3 of 25

PHẦN I. ĐẶT VẤN ĐỀ

4 of 25

1. University Of Washington (2023). Global Burden of Disease.

2. Viasus D, Cillóniz C, Cardozo CG, Puerta P, Garavito A, Torres A (2018). Early, short and long-term mortality in community-acquired pneumonia. Annals of Research Hospitals.

3. Cavallazzi R, Furmanek S, Arnold FW, Beavin LA, Wunderink RG, Niederman MS, Ramirez JA (2020). The Burden of Community-Acquired Pneumonia Requiring Admission to ICU in the United States. Chest.

1,2 – 48 / 1000
20 – 25% NHẬP VIỆN
10 – 20% ICU

TOÀN CẦU

1,2 TRIỆU ED
9 – 14% ICU

MỸ

5 of 25

6 of 25

7 of 25

Ứng dụng ML (Machine Learning)

trong dự báo mức độ nặng ở bệnh nhân viêm phổi cộng đồng

Trên thế giới, có một số công trình ứng dụng học máy cho bài toán tiên lượng CAP. Tuy nhiên, ở Việt Nam, chưa có công trình nào ứng dụng học máy để tiên lượng mức độ nặng của CAP, đặc biệt trong môi trường khoa Cấp cứu, nơi yêu cầu ra quyết định nhanh chóng, chính xác và phù hợp điều kiện thực tế.

Khoảng trống này đặt ra nhu cầu cấp thiết phải phát triển một mô hình tiên lượng hiện đại, có khả năng hỗ trợ bác sĩ trong phân tầng nguy cơ, tối ưu hóa can thiệp sớm và cải thiện kết cục người bệnh.

Kết quả nghiên cứu sẽ góp phần nâng cao năng lực dự báo mức độ nặng của CAP, hỗ trợ ra quyết định lâm sàng tại khoa Cấp cứu, đồng thời tạo nền tảng cho các nghiên cứu ứng dụng trí tuệ nhân tạo trong y học cấp cứu tại Việt Nam.

8 of 25

Thuật toán XGBoost (eXtreme Gradient Boosting)

XGBoost là một sự cải tiến của Gradient Boosting giúp tăng hiệu quả và tốc độ

Working principle model of the XGBoost algorithm - THEETAS 2022, April 16-17, Jabalpur, India.

DOI 10.4108/eai.16-4-2022.2318160

9 of 25

Thuật toán XGBoost (Extreme Gradient Boosting)

10 of 25

MỤC TIÊU NGHIÊN CỨU

Đánh giá hiệu quả dự báo của mô hình học máy

dựa trên dữ liệu lâm sàng và cận lâm sàng nhằm dự báo nhu cầu nhập ICU ở bệnh nhân viêm phổi cộng đồng nhập viện.

so sánh với các thang điểm tiên lượng truyền thống trong thực hành lâm sàng.

Xây dựng và huấn luyện mô hình học máy

11 of 25

PHẦN II. PHƯƠNG PHÁP

NGHIÊN CỨU

12 of 25

PHƯƠNG PHÁP NGHIÊN CỨU

Thiết kế nghiên cứu

Phương pháp chọn mẫu

Hồi cứu

Mô tả - Phân tích

Ứng dụng mô hình học máy

Phương pháp chọn mẫu:

Chọn toàn bộ mẫu

Thời gian: từ năm 2021 đến năm 2022

Địa điểm: Khoa Cấp cứu – Bệnh viện TWQĐ 108

13 of 25

PHƯƠNG PHÁP NGHIÊN CỨU

Chẩn đoán ban đầu là HAP/VAP.

Hồ sơ bệnh án không đầy đủ hoặc thiếu dữ liệu cốt lõi.

Bệnh nhân ≥ 18 tuổi, được chẩn đoán CAP theo BYT 2020.

Bệnh nhân được nhập viện điều trị tại Khoa lâm sàng (hô hấp, truyền nhiễm, hồi sức tích cực).

Có đầy đủ dữ liệu lâm sàng, cận lâm sàng cần thiết trong vòng 24 giờ đầu nhập viện.

Tiêu chuẩn loại trừ

Tiêu chuẩn lựa chọn

Nhập viện ban đầu tại ICU.

Nhập ICU do các nguyên nhân chính khác (CTSN nặng, suy tim nặng, NMCT cấp hoặc nhiều bệnh lý nặng phối hợp...).

Tiền sử mắc các bệnh lý mạn tính (COPD, giảm tiểu cầu vô căn, CKD...).

14 of 25

QUY TRÌNH NGHIÊN CỨU

Xây dựng cơ sở dữ liệu thô từ bệnh án, hồ sơ y tế, xét nghiệm

Huấn luyện mô hình

Phát triển mô hình

Kiểm tra mô hình

Bệnh nhân Viêm phổi cộng đồng (2021-2022)

Làm sạch và chuẩn hóa dữ liệu, lựa chọn các biến lâm sàng – cận lâm sàng có giá trị tiên lượng

Kiểm định mô hình và so sánh với thang điểm truyền thống (CURB-65)

Thu thập dữ liệu

Xây dựng mô hình

Đối tượng nghiên cứu

Tiền xử lý dữ liệu

Đánh giá & Kết luận

15 of 25

Chỉ tiêu và biến số nghiên cứu

Biến đầu vào

Lâm sàng: tuổi, giới, mạch, huyết áp trung bình, tần số thở, rối loạn ý thức, thân nhiệt.

Xét nghiệm máu: nồng độ glucose, urê, creatinin, natri, albumin, protein, lactate, số lượng bạch cầu, neutrophil, lymphocyte, tiểu cầu, RDW.

Xquang phổi: thâm nhiễm đa thùy, tràn dịch màng phổi.

Kết cục

Nguy cơ nhập ICU

16 of 25

PHẦN III. �KẾT QUẢ VÀ BÀN LUẬN

17 of 25

Một số đặc điểm lâm sàng theo kết cục

Đặc điểm	Nhập ICU (n = 75)	Không nhập ICU (n = 275)	P
Tuổi (năm)	81,2 ± 10,1	71,4 ± 15,0	0,013
Giới nam (%)	51 (68,0%)	177 (64,4%)	0,558
Rối loạn ý thức, n (%)	47 (62,7 %)	30 (10,9%)	< 0,001
Tần số thở (lần/phút)	21,8 ± 3,3	18,3 ± 3,4	0,005
Tần số tim (lần/phút)	101,1 ± 20,8	94,5 ± 17,3	0,013
MAP (mmHg)	93,7 ± 17,2	96,0 ± 14,9	0,084
Thân nhiệt (độ C)	37,6 ± 1,3	37,5 ± 3,7	0,771

18 of 25

Một số đặc điểm cận lâm sàng theo kết cục

Đặc điểm	Nhập ICU (n = 75)	Không nhập ICU (n = 275)	P

19 of 25

Tốc độ học:

η = 0.05

Độ sâu cây tối đa: max_depth = 2

Hệ số Regularization:

γ = 0,3

Số cây quyết định: nrounds = 32

Các siêu tham số (hyperparameter) của mô hình XGBoost

…

Kiểm soát mức độ đóng góp của cây mới.

Giới hạn độ phức tạp của mô hình để tăng tính tổng quát hoá.

Hệ số Regularization để phạt các phân chia không hiệu quả.

Tổng số lượng cây quyết định được xây dựng.

20 of 25

Tầm quan trọng của các biến trong mô hình XGBoost

21 of 25

So sánh hiệu suất dự báo nhập ICU

1. Xu Z, Guo K, Chu W, Lou J, Chen C. Performance of Machine Learning Algorithms for Predicting Adverse Outcomes in CAP. Front Bioeng Biotechnol. 2022;10:903426. 2. Huang D, Gong L, Wei C, Wang X, Liang Z. An explainable machine learning-based model to predict intensive care unit admission among patients with CAP and connective tissue disease. Respir Res. Jun 18 2024;25(1):246.

1, Nghiên cứu của Xu và cộng sự:

- Thực hiện trên 2032 BN CAP từ năm 2012-2015 ở 3 thành phố ở Nam Mỹ

- Nghiên cứu hiệu quả của 9 mô hình học máy trong dự đoán kết cục bất lợi của BN CAP

- Kết cục bất lợi: nhập viện, nhập ICU và tử vong

- Mô hình XGBoost đạt hiệu suất tốt nhất trong dự báo nhập viện (AUC = 0,92), dự báo nhập ICU (AUC = 0,801) và tử vong (AUC = 0,831)

2, Nghiên cứu của Huang và cộng sự:

- Thực hiện trên 1529 BN

- Nghiên cứu hiệu quả của 9 mô hình học máy trong dự đoán kết cục bất lợi của BN CAP

- Kết cục bất lợi: nhập viện, nhập ICU và tử vong

Mô hình XGBoost đã cho thấy có hiệu quả vượt trội với AUC đạt 0,941 và độ chính xác là 0,913.

22 of 25

So sánh hiệu suất dự báo nhập ICU

Metrics	XGBoost	CURB-65
AUC	0,876	0,826
Accuracy	0,89	0,73
Se	0,95	0,71
Sp	0,62	0,74
PPV	0,91	0,40
NPV	0,76	0,91

1, Nghiên cứu của Xu và cộng sự:

- Thực hiện trên 2032 BN CAP từ năm 2012-2015 ở 3 thành phố ở Nam Mỹ

- Nghiên cứu hiệu quả của 9 mô hình học máy trong dự đoán kết cục bất lợi của BN CAP

- Kết cục bất lợi: nhập viện, nhập ICU và tử vong

- Mô hình XGBoost đạt hiệu suất tốt nhất trong dự báo nhập viện (AUC = 0,92), dự báo nhập ICU (AUC = 0,801) và tử vong (AUC = 0,831)

2, Nghiên cứu của Huang và cộng sự:

- Thực hiện trên 1529 BN

- Nghiên cứu hiệu quả của 9 mô hình học máy trong dự đoán kết cục bất lợi của BN CAP

- Kết cục bất lợi: nhập viện, nhập ICU và tử vong

Mô hình XGBoost đã cho thấy có hiệu quả vượt trội với AUC đạt 0,941 và độ chính xác là 0,913.

23 of 25

Biểu đồ phân tích đường cong quyết định (DCA)

24 of 25

PHẦN IV. �KẾT LUẬN

25 of 25

01

02

03

Mô hình XGBoost bao gồm 6 biến dự báo độc lập, có hiệu suất phân loại tốt hơn so với thang điểm CURB-65, với AUC lần lượt là 0,876 so với 0,826 trong dự báo nhập ICU.

Các biến dự báo quan trọng nhất gồm: rối loạn ý thức -> tăng urê máu -> giảm tiểu cầu -> tăng tần số thở -> thâm nhiễm đa thùy phổi -> tăng số lượng Neutrophil.

Mô hình XGBoost là một công cụ hỗ trợ lâm sàng chính xác hơn đáng kể, giúp tiên lượng tốt bệnh nhân CAP nguy cơ cao.