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
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.156 | 0.095 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".