Ứng dụng của trí tuệ nhân tạo trong dự báo tình trạng quá tải tại khoa cấp cứu

Báo cáo viên: Bs. Trần Hoàng Minh – BV TWQĐ 108

01

03

02

04

ĐẶT VẤN ĐỀ

CÁC PHƯƠNG PHÁP DỰ BÁO TRUYỀN THỐNG

MÔ HÌNH DỰ BÁO DỰA TRÊN TRÍ TUỆ NHÂN TẠO

TƯƠNG LAI VÀ ỨNG DỤNG

NỘI DUNG

ĐẶT VẤN ĐỀ

Quá tải là gì?

Hậu quả của tình trạng quá tải tại khoa cấp cứu

01

• Quá tải là tình trạng mất cân bằng giữa cung và cầu
• Quá tải tại bệnh viện gây ra nhiều hậu quả nghiêm trọng: Tỷ lệ tử vong tăng, thời gian chờ đợi lâu,…

​

• Khoa Cấp cứu với đặc điểm:

Cung: Nhân viên làm việc 24/24 dưới áp lực cao

Cầu: Số lượng bệnh nhân nhu cầu khám ngày

càng tăng lên cùng với đó là nhóm bệnh nhân đa

dạng, phức tạp với yêu cầu cao về chẩn đoán

sớm.

​

🡪 Tình trạng quá tải càng nghiêm trọng hơn

​

TÌNH TRẠNG QUÁ TẢI

Tại Việt Nam, số lượt khám tăng dần, cụ thể trong 10 tháng đầu năm ghi nhận 120 triệu lượt khám, tăng 10,6% so với cùng kì năm 2021

​

​

Tại Khoa Cấp cứu BV TWQĐ 108, năm 2018 ghi nhận gần 60.000 lượt cấp cứu/ năm, cao điểm lên tới >200 bệnh nhân/ ngày.

​

​

TÌNH TRẠNG QUÁ TẢI

Dựa trên 45 nghiên cứu từ 15 quốc gia, tình trạng quá tải tại Khoa Cấp cứu:

​

• Tăng tỷ lệ tử vong 5-10%. Đặc biệt cao ở các bệnh nhân cần can thiệp khẩn cấp.

​

• Giảm chất lượng chăm sóc: Tỷ lệ sai sót y khoa tăng lên từ 15-20%; Thời gian điều trị kháng sinh cho bệnh nhân trung bình bị trì hoãn 2h.

​

• Kéo dài thời gian lưu trú và chờ đợi: tăng thời gian chờ đợi trung bình từ 30-90p; thời gian lưu tại khoa từ tăng 4h.

​

• Ảnh hưởng tới nhân viên y tế: mức độ căng thẳng tăng đáng kể, tỷ lệ nghỉ việc tăng 10-25%

​

​

"The Impact of Emergency Department Crowding on Patient Outcomes: A Systematic Review" Annals of Emergency medicine

HẬU QUẢ

• Tình trạng quá tải tại khoa cấp cứu có tác động tiêu cực nghiêm trọng đến kết quả điều trị của bệnh nhân, bao gồm tăng tỷ lệ tử vong, giảm chất lượng chăm sóc, và tăng áp lực lên nhân viên y tế.

​

• Cần có các biện pháp can thiệp toàn diện, bao gồm cải thiện quy trình, tăng cường nguồn lực, và ứng dụng công nghệ để quản lý quá tải

​

• Dự báo sớm tình trạng quá tải, giúp các cơ sở chủ động nguồn lực, chủ động ứng phó, giảm hậu quả gây ra

​

​

HẬU QUẢ

CÁC PHƯƠNG PHÁP CẢNH BÁO QUÁ TẢI �TRUYỀN THỐNG

Dựa vào dữ liệu lịch sử

Dựa vào các thang điểm

02

Nguyên lý phân tích:

• Dựa vào dữ liệu bệnh nhân trong quá khứ để tìm ra xu hướng và mô hình dự báo quá tải trong tương lai.
• Các mô hình thường sử dụng: Hồi quy thống kê, chuỗi thời gian, mô phỏng sự kiện rời rạc.

​

Ưu điểm:

• Sử dụng dữ liệu thực tế, dễ triển khai.
• Giải thích rõ ràng, phù hợp với nhiều loại dữ liệu.

​

Hạn chế:

• Độ chính xác bị ảnh hưởng nếu có yếu tố bất thường (dịch bệnh, thảm họa...).
• Không linh hoạt khi đối mặt với dữ liệu phi tuyến tính và phức tạp.

​

​

​

​

DỰA VÀO DỮ LIỆU LỊCH SỬ

1. Phương pháp Hồi quy

​

• Nguyên lý: Phân tích mối quan hệ giữa các yếu tố đầu vào (ví dụ: ngày trong tuần, thời tiết, số bệnh nhân trước đó) và đầu ra (số bệnh nhân cấp cứu).
• Ví dụ: Mô hình thống kê thấy số bệnh nhân thường tăng lên vào đầu tuần, ngày thời tiết nắng, thì nó sẽ dự đoán được dựa trên các dữ liệu trước đây

​

​

​

DỰA VÀO DỮ LIỆU LỊCH SỬ

Nghiên cứu tiêu biểu:

- Phương pháp: Sử dụng hồi quy đa biến để xác định mối liên hệ giữa số lượng bệnh nhân nhập viện và các yếu tố như ngày trong tuần, thời tiết, số ca cấp cứu trước đó

- Kết quả: Mô hình có độ chính xác 75-85%, nhưng độ linh hoạt kém khi có sự thay đổi đột ngột

​

2. Phương pháp Chuỗi thời gian

​

• Nguyên lý: Xem xét dữ liệu theo trình tự thời gian để tìm xu hướng và chu kỳ lặp lại
• Ví dụ: Nếu mỗi ngày thứ Hai lượng bệnh nhân tăng 20% so với Chủ nhật, mô hình chuỗi thời gian có thể dự báo điều này dựa trên các tuần trước.

​

DỰA VÀO DỮ LIỆU LỊCH SỬ

• Nghiên cứu tiêu biểu:
• Phương pháp: Sử dụng để dự báo lượng bệnh nhân đến khoa Cấp cứu trong 8 giờ tiếp theo.
• Kết quả: Mô hình có độ chính xác trung bình 80%, nhưng cần cập nhật dữ liệu thường xuyên.

​

3. Mô phỏng sự kiện rời rạc

• Nguyên lý: Tạo ra một mô hình mô phỏng quy trình tiếp nhận bệnh nhân tại khoa Cấp cứu, từ lúc nhập viện đến khi xuất viện
• Ví dụ: Nếu một bệnh nhân cần X phút để được chẩn đoán, Y phút để xét nghiệm, mô hình sẽ tính toán xem khi nào khoa Cấp cứu sẽ bị quá tải.

​

DỰA VÀO DỮ LIỆU LỊCH SỬ

• Nghiên cứu tiêu biểu:
• Phương pháp: Mô phỏng toàn bộ quy trình cấp cứu để xác định điểm nghẽn và dự báo tình trạng quá tải.
• Kết quả: Giúp các bệnh viện tối ưu hóa quy trình tiếp nhận bệnh nhân, nhưng đòi hỏi dữ liệu chi tiết.

​

Khái niệm:

• Dùng các chỉ số cụ thể để đánh giá mức độ quá tải khoa Cấp cứu theo thời gian thực.
• Các thang điểm phổ biến: NEDOCS, EDWIN.

​

Ưu điểm:

• Dễ triển khai, có thể áp dụng nhanh chóng.
• Không cần dữ liệu lịch sử, phù hợp với các tình huống cấp bách.

​

Hạn chế:

• Chỉ đánh giá tình trạng hiện tại, không dự báo trước.
• Một số chỉ số có thể bị ảnh hưởng bởi yếu tố khách quan.

​

​

​

​

DỰA VÀO THANG ĐIỂM

• Thang điểm NEDOCS:

Dữ liệu đầu vào: Số bệnh nhân đang điều trị / số giường; Số bệnh nhân chờ khám, số bệnh nhân thở máy; Thời gian chờ dài nhất, số bác sĩ trực

​

Điểm 0-50: Bình thường, không cảnh báo; 50-100 hơi quá tải; ..>140 Nguy cơ đóng cửa ED, yêu cầu hỗ trợ khẩn cấp

​

​

• Kết quả: NEDOCS có độ chính xác 89% trong việc phản ánh tình trạng quá tải thực tế của khoa Cấp cứu.

​

​

​

​

​

DỰA VÀO THANG ĐIỂM

• Thang điểm EDWIN:

Dữ liệu đầu vào: Số lượng bệnh nhân theo mức ưu tiên, số bác sĩ đang làm việc, tổng số giường tại khoa,...

Điểm <1.5: hoạt động ở mức có thể quản lý;

Điểm 1.5-2.0: Rất bận rộn nhưng chưa quá tải

Điểm >2.0: Cực kì bận rộn, quá tải nghiêm trọng

​

​

• Kết quả: Khả năng phân biệt và đo lường, tuy nhiên hạn chế trong dự báo.

​

🡪 Nhìn chung, các phương pháp truyền thống có điểm chung là đơn giản, độ chính xác tương đối cao trong cảnh báo nhưng hạn chế trong dự báo.

​

​

​

​

DỰA VÀO THANG ĐIỂM

MÔ HÌNH DỰ ĐOÁN BẰNG AI

Tổng quan

Cơ chế hoạt động

Ưu nhược điểm và ứng dụng

03

Khái niệm:

• Trí tuệ nhân tạo (AI) là công nghệ máy tính có khả năng học hỏi, phân tích dữ liệu và đưa ra dự đoán hoặc quyết định.
• Công nghệ chính: Machine Learning, Deep Learning, Xử lý ngôn ngữ tự nhiên (NLP).

​

Tính phù hợp của AI :

​

• Xử lý dữ liệu lớn: AI có thể phân tích lượng lớn dữ liệu từ nhiều nguồn (hồ sơ bệnh án, thiết bị IoT, thời tiết, v.v.).
• Dự đoán chính xác: AI phát hiện các mẫu ẩn và dự báo tình trạng quá tải dựa trên dữ liệu lịch sử và thời gian thực.
• Tự động hóa: AI giúp tự động hóa quy trình dự báo và cảnh báo, tiết kiệm thời gian và công sức.

​

​

​

​

​

​

Ứng dụng cụ thể

• Dự báo số lượng bệnh nhân: Dự đoán số lượng bệnh nhân đến khoa cấp cứu trong các khung thời gian khác nhau.
• Phân loại bệnh nhân: Tự động phân loại bệnh nhân theo mức độ khẩn cấp.
• Tối ưu hóa nguồn lực: Đề xuất phân bổ nhân lực và giường bệnh hiệu quả

​

​

​

​

​

​

TỔNG QUAN

Gồm 5 bước:

​

Bước 1: Thu thập dữ liệu

​

Bước 2: Tiền xử lý dữ liệu

​

Bước 3: Phân tích và huấn luyện mô hình

​

Bước 4: Đưa ra quyết định

​

Bước 5: Tự học từ lỗi sai

​

​

​

​

​

"Machine Learning for Healthcare Systems" (Springer, 2021)

HOẠT ĐỘNG

Các nguồn dữ liệu:

​

- Dữ liệu bệnh nhân từ hệ thống quản lý bệnh viện.

​

- Dữ liệu thời gian thực (ví dụ: cảm biến giường bệnh, thiết bị theo dõi bệnh nhân).

​

- Dữ liệu bên ngoài (thời tiết, dịch bệnh, sự kiện xã hội).

​

VD: BV Johns Hopkins thu thập 10.000 ca bệnh/ngày từ hệ thống bệnh án điện tử

​

Nguồn dữ liệu càng lớn, ”cỗ máy” càng tối ưu

​

​

​

​

1. THU THẬP DỮ LIỆU

"Machine Learning for Healthcare Systems" (Springer, 2021)

2. TIỀN XỬ LÝ DỮ LIỆU

Làm sạch dữ liệu

- Loại bỏ dữ liệu trùng lặp hoặc sai lệch.

- Kiểm tra tính nhất quán của dữ liệu.

​

Biến đổi và chuẩn hóa dữ liệu

- Mã hóa dữ liệu phân loại (ví dụ: mức độ nghiêm trọng của bệnh nhân).

- Chuẩn hóa dữ liệu số để đảm bảo đồng nhất đơn vị đo lường.

​

Giảm chiều dữ liệu

- Loại bỏ các biến dư thừa, ít ảnh hưởng đến kết quả dự đoán.

- Sử dụng PCA (Principal Component Analysis) để giảm chiều dữ liệu nếu có quá nhiều biến.

"Machine Learning for Healthcare Systems" (Springer, 2021)

Chia tập dữ liệu

Chia dữ liệu thành tập huấn luyện (training set) và tập kiểm tra (test set), thường theo tỉ lệ 80:20 hoặc 70:30.

​

Chọn mô hình phù hợp

Các mô hình phổ biến: Hồi quy logistic, Random Forest, Mạng nơ-ron nhân tạo (ANN), Học sâu (Deep Learning).

​

Huấn luyện mô hình

Dữ liệu đã tiền xử lý được đưa vào mô hình để huấn luyện.

​

Đánh giá hiệu suất mô hình

Đánh giá thông qua tương quan tập test và tập huấn luyện

Sử dụng các chỉ số như độ chính xác (accuracy), độ nhạy (recall), độ đặc hiệu (specificity), F1-score

3. HUẤN LUYỆN MÔ HÌNH – MODEL TRAINING

- Dự đoán số lượng bệnh nhân, thời gian chờ đợi, và nguy cơ quá tải.

​

- Đưa ra cảnh báo sớm cho nhân viên y tế. Cùng với đó là gợi ý phân bổ nhân lực tự động

​

- Tự học: Cơ chế Reinforcement Learning: Điều chỉnh trọng số mô hình trong mỗi lần dự đoán sai

​

VD: Mô hình dự đoán dựa trên số bệnh nhân dự đoán sai, lần tới sẽ thêm biến thời tiết

4-5. ĐƯA RA QUYẾT ĐỊNH VÀ TỰ HỌC

- Có thể tính toán độ chính xác cao hơn, phân tích các dữ liệu phức tạp

- Xử lý lượng dữ liệu lớn từ nhiều nguồn khác nhau

- Phân tích và dự báo theo thời gian thực giúp phản ứng một cách kịp thời

- Dự báo các tình huống bất ngờ

- Khả năng học hỏi và cải thiện liên tục

- Giảm thời gian chờ đợi.

- Tăng tỷ lệ bệnh nhân được điều trị kịp thời.

​

​

​

​

​

​

ƯU ĐIỂM

Chi phí triển khai cao: Đầu tư vào công nghệ và đào tạo nhân lực.

​

Phụ thuộc vào dữ liệu: Yêu cầu dữ liệu chất lượng cao và đầy đủ.

​

Rủi ro bảo mật: Bảo vệ dữ liệu nhạy cảm của bệnh nhân.

​

​

​

​

​

NHƯỢC ĐIỂM

1. Mô hình AI tại Bệnh viện Đại học Johns Hopkins (Mỹ)

Mục tiêu: Dự báo tình trạng quá tải và tối ưu hóa quy trình tiếp nhận bệnh nhân.

Công nghệ sử dụng: Machine Learning và phân tích dữ liệu thời gian thực.

Kết quả:

Giảm thời gian chờ đợi trung bình từ 90 phút xuống còn 60 phút.

Tăng tỷ lệ bệnh nhân được điều trị kịp thời lên 20%.

Cải thiện mức độ hài lòng của bệnh nhân và nhân viên y tế.

​

HIỆU QUẢ VÀ TÍNH ỨNG DỤNG

2. Mô hình AI tại Bệnh viện Đại học Stanford (Mỹ)

Mục tiêu: Dự đoán số lượng bệnh nhân đến khoa cấp cứu và phân bổ nguồn lực.

Công nghệ sử dụng: Deep Learning và dữ liệu lịch sử.

Kết quả:

Dự báo chính xác 85% số lượng bệnh nhân trong vòng 24 giờ.

Giảm tỷ lệ quá tải vào giờ cao điểm xuống 15%.

Tối ưu hóa việc sử dụng giường bệnh và nhân lực.

​

HIỆU QUẢ VÀ TÍNH ỨNG DỤNG

3. Dùng mô hình Deep learning trong dự báo quá tải tại ED

Mục tiêu: Dự báo tình trạng quá tải và tối ưu hóa quy trình tiếp nhận bệnh nhân.

Công nghệ sử dụng: Deep Learning và phân tích dữ liệu thời gian thực.

Kết quả: Mô hình học sâu Deeplearning có kết quả khả quan hơn các mô hình học máy hiện có

HIỆU QUẢ VÀ TÍNH ỨNG DỤNG

Đã có những nghiên cứu bước đầu về dự đoán tình trạng quá tải, hay tối ưu thời gian của bệnh nhân khi điều trị tại khoa cấp cứu, tuy nhiên chưa có mô hình AI nào ứng dụng về dự báo trong lĩnh vực này.

TẠI VIỆT NAM

Nghiên cứu ứng dụng AI là xu thế mới của nghành y học nói chung

​

Theo PubMed Central: tính đến năm 2023, có hơn 12.000 bài báo khoa học liên quan đến ứng dụng AI trong y học.

Theo tạp chí The Lancet Digital Health cho thấy, từ năm 2015 đến 2020, số lượng nghiên cứu về AI trong y tế đã tăng gấp bốn lần.

​

Ứng dụng AI trong dự báo quá tải tại khoa cấp cứu:

Mặc dù chưa có nhiều nghiên cứu cụ thể về việc sử dụng AI để dự báo quá tải tại khoa cấp cứu, một số nghiên cứu đã khám phá tiềm năng của AI trong việc dự đoán lưu lượng bệnh nhân và quản lý nguồn lực.

​

Tương lai Kết hợp sử dụng AI và các phương pháp truyền thống: đưa các dữ liệu đầu vào như thang điểm, dữ liệu lịch sử

​

​

XU THẾ TRONG TƯƠNG LAI

XIN CẢM ƠN !!!