XÂY DỰNG MÔ HÌNH TRÍ TUỆ NHÂN TẠO ĐỂ TẦM SOÁT RUNG NHĨ TRÊN DỮ LIỆU LỚN ĐIỆN TÂM ĐỒ LƯU ĐỘNG TẠI BỆNH VIỆN NGUYỄN TRÃI
Notice bibliographique
Résumé
Đại cương: Rung nhĩ là rối loạn nhịp tim có ý nghĩa lâm sàng mang tính phổ biến. Tầm soát rung nhĩ hiện tại được thực hiện dựa trên phần mềm thuật toán (algorithm) với nhiều giới hạn và tạo ra gánh nặng cho nhân viên y tế khi phân tích dữ liệu lớn điện tâm đồ (ECG). Trí tuệ nhân tạo (AI) là công cụ có nhiều tiềm năng để hỗ trợ tầm soát rung nhĩ. Mục tiêu: Xây dựng mô hình AI có đủ năng lực tầm soát rung nhĩ và đánh giá năng lực tầm soát rung nhĩ của mô hình AI trên các tập dữ liệu Holter ECG 24 giờ thực tế. Phương pháp nghiên cứu: Nghiên cứu hồi cứu dữ liệu lớn Holter ECG 24 giờ được thực hiện tại bệnh viện Nguyễn Trãi từ tháng 3 đến tháng 9 năm 2024. Mô hình AI được xây dựng dựa trên kiến trúc ResNet thuộc về học sâu (deep learning). Kết quả: Từ 1089 bộ dữ liệu Holter ECG tập huấn, 3218 đoạn rung nhĩ (1785953 giây) và 2631 đoạn không rung nhĩ (486775 giây) được chọn lọc để xây dựng mô hình AI. Trên 400 bộ dữ liệu Holter ECG lượng giá, mô hình AI đạt độ nhạy 100% và độ đặc hiệu 80% trong tầm soát rung nhĩ. Kết luận: Mô hình AI của bệnh viện Nguyễn Trãi có tiềm năng ứng dụng thực tế để tầm soát hiệu quả rung nhĩ trên dữ liệu lớn ECG.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,008 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».