thuyẾt minh ĐỀ tÀi khoa hỌc vÀ cÔng nghỆbao/papers/jvn/application2018/r01...(do cq...

1

Đại học Quốc gia Thành phố Hồ Chí Minh

Mẫu R01 - cập nhật TT55 Ngày nhận hồ sơ Mã số đề tài

(Do CQ quản lý ghi)

THUYẾT MINH

ĐỀ TÀI KHOA HỌC VÀ CÔNG NGHỆ

A. THÔNG TIN CHUNG A1. Tên đề tài

- Tên tiếng Việt: Học máy và ứng dụng (Giai đoạn 2)

- Tên tiếng Anh: Machine Learning and Applications

A2. Thuộc ngành/nhóm ngành (N/NN) N/NN ưu tiên 1: Khoa học sự sống;

Hướng nghiên cứu: Khoa học sức khoẻ Y Sinh, Y tế điện tử N/NN ưu tiên 2: Công nghệ thông tin và truyền thông;

Hướng nghiên cứu: Khoa học dữ liệu, học máy

Giới thiệu chuyên gia/nhà khoa học am hiểu đề tài này (không bắt buộc)

TT Họ và tên Hướng nghiên cứu chuyên sâu

Cơ quan công tác, địa chỉ Điện thoại, Email

1 GS BS Nguyễn Đức Công

Nội khoa và chuyên gia tim mạnh

Giám đốc bệnh viện Thống Nhất, tpHCM

[email protected] 0982160860

2 GS BS Lê Vũ Anh Y tế công cộng, y tế dự phòng.

Nguyên Giám đốc Đại học y tế cộng đồng. Chủ tịch hội y học cộng đồng

0913226746

A3. Loại hình nghiên cứu (Tham khảo tiêu chuẩn đề tài đối với từng loại hình NC, chọn 01 trong 03 loại hình)

Nghiên cứu ứng dụng A4. Thời gian thực hiện (Tham khảo tiêu chuẩn đề tài cấp ĐHQG-HCM loại A, B, C để chọn thời gian thực hiện phù hợp)

24 tháng (kể từ khi được duyệt).

A5. Tổng kinh phí (Lưu ý tính nhất quán giữa mục này và mục B8. Tổng hợp kinh phí đề nghị cấp)

Tổng kinh phí: Click here to enter text. triệu đồng, gồm - Kinh phí từ ĐHQG-HCM: 2000 triệu đồng

Trong đó: Kinh phí khoán chi: … triệu đồng Kinh phí không khoán chi: …. triệu đồng

- Kinh phí từ nguồn huy động (vốn tự có và vốn khác): Click here to enter text. triệu đồng, trong đó:

Vốn tự có: Click here to enter text. triệu đồng (văn bản chứng minh kèm theo).

2

Vốn khác: Click here to enter text. triệu đồng (văn bản chứng minh kèm theo). Đã nộp hồ sơ đề nghị tài trợ từ nguồn kinh phí khác? (nếu có, ghi rõ tên tổ chức tài trợ)

Click here to enter text.

A6. Chủ nhiệm Học hàm, học vị, họ và tên: GS, TS, Hồ Tú Bảo Ngày, tháng, năm sinh: 16/6/1952 Nam/ Nữ: Nam Số CMND: 010453767 Ngày cấp: 27/11/2010 Nơi cấp: Hà Nội

Mã số thuế cá nhân: 8018344408 Số tài khoản: 0011003593034 Tại ngân hàng: Vietcombank Địa chỉ cơ quan: Viện John von Neumann – ĐHQG HCM Điện thoại: 0915441913, Email: [email protected]

Tóm tắt kinh nghiệm có liên quan đến đề tài của nhóm nghiên cứu (không quá 500 chữ) GS Hồ Tú Bảo nghiên cứu về Học máy (machine learning) và Khai phá Dữ liệu (data mining) từ 1980 đến nay, ở môi trường cạnh tranh quốc tế. Hai hướng nghiên cứu chính là các phương pháp học máy cho các kiểu dữ liệu phức tạp và các phát triển các phương pháp học máy để giải các bài toán trong lĩnh vực Y-Sinh. GS Hồ Tú Bảo là chuyên gia CNTT có am hiểu về các vấn đề y học và sinh học phân tử.

Về nghiên cứu, GS Hồ Tú Bảo đã phát triển nhiều phương pháp học máy như CABRO (học luật dự đoán từ dữ liệu có nhãn), OSHAM (học hệ phân cấp các khái niệm), LUPC (học với dữ liệu không cân bằng), TRSM (học với mô hình dung tha), mô hình và hệ chuyên gia OREST, mô hình và hệ khai phá dữ liệu D2MS (data mining with model selection) ... Về nghiên cứu ứng dụng trong Y-Sinh, GS Hồ Tú Bảo đã phụ trách việc xây hệ chuyên gia chẩn đoán bệnh đau cột sống tại bệnh viện Bạch Mai (1989-1990), phân tích dữ liệu ung thư dạ dày tại Trung tâm nghiên cứu Ung thư Tokyo (1999-2003), phân tích dữ liệu bệnh viêm gan Bệnh viện Đại học Chi Ba, Nhật Bản (từ 2002-2014 qua 3 đề tài), và đang chủ trì xây dựng một trong những dự án đầu tiên tại Nhật Bản về khai thác BAĐT, do nhóm phân tích dữ liệu tại Viện Khoa học và Công nghệ Tiên tiến Nhật Bản (JAIST) phối hợp với các giáo sư, bác sĩ tại Bệnh viện Đại học Chiba. Kết quả nghiên cứu được viết trong hơn 60 bài báo trên các tạp chí quốc tế (khoảng một nửa trong danh sách ISI), và hơn 200 bài ở hội nghị quốc tế. GS Hồ Tú Bảo hiện tham gia ban biên tập của 4 tạp chí quốc tế, và là thành viên ban điều hành (steering committee) của hội nghị châu Á về học máy (ACML), châu Á-Thái Bình dương về Trí tuệ nhân tạo (PRICAI), và châu Á-Thái Bình dương về khai phá dữ liệu (PAKDD).

GS Hồ Tú Bảo tập trung làm việc về Bệnh án điện tử từ 2012 và chủ trì thành công đề tài này của Đại học Quốc gia Hồ Chí Minh ở giai đoạn 1 (4.2015-3.2017).

Về đào tạo, chủ nhiệm đã giảng dạy nhiều năm về các phương pháp phân tích dữ liệu, về học máy và ứng dụng. Đã hướng dẫn bảo vệ thành công 25 tiến sĩ (6 NCS đang làm luận án tiến sĩ) và hơn 50 thạc sĩ. A7. Cơ quan chủ trì

Tên cơ quan: Viện John von Neumann – ĐHQG HCM Họ và tên thủ trưởng: TS Nguyễn Minh Trung Điện thoại: 08 3724 6560 Fax: 08 3724 6556 E-mail : [email protected] Số tài khoản: 9527.1.1105771.00000 Tại kho bạc nhà nước quận Thủ Đức

3

A8. Đối tác có đóng góp cho nghiên cứu (Giấy xác nhận đính kèm theo mẫu R04)

Cơ quan 1: Bệnh viện Thống Nhất, TPHCM Tên cơ quan: Bệnh viện Thống Nhất Họ và tên thủ trưởng: GS TS Nguyễn Đức Công Điện thoại: 0982160860 Fax: Địa chỉ: 1, Lý Thường Kiệt, Quận Tân Bình, Tp Hồ Chí Minh

Khả năng đóng góp cho đề tài của đối tác (không quá 500 chữ) Bệnh Viện Thống Nhất sẽ cung cấp một server chứa dữ liệu thật, trước hết là ở Khoa Tiêu Hoá, để đề tài chạy thử nghiệm phần mềm nhập BAĐT theo cấu trúc và ngôn ngữ chuẩn hoá đã xây dựng ở giai đoạn 1 (2015-2017). Khoa dược của bệnh viện hỗ trợ các nghiên cứu về thuốc. Cơ quan 2: Bệnh viện Đại học Y-Dược thành phố Hồ Chí Minh Họ và tên thủ trưởng: PGS, TS Nguyễn Hoàng Bắc Địa chỉ: 215 Hồng Bàng, P.11, Q.5, TP.HCM Điện thoại: (84.8) 3855 4269 - 3952 5355 Fax: (84.8) 3950 6126

Khả năng đóng góp cho đề tài của đối tác (không quá 500 chữ) Phối hợp trong việc xây dựng BAĐT, tạo CSDL BAĐT (trung gian) thứ cấp và phối hợp nghiên cứu khai thác BAĐT trong các nội dung 3, 4, và 5.

A9. Nhân lực nghiên cứu (Chỉ cung cấp lý lịch khoa học của thành viên chủ chốt đính kèm theo mẫu R03; đối với thành viên chủ chốt không thuộc ĐHQG-HCM thì cần bổ sung giấy xác nhận phối hợp thực hiện theo mẫu R04)

TT Học hàm, học vị, Họ tên

Đơn vị công tác Phân công

Chỉ ghi số thứ tự của nội dung được phân công

Danh sách thành viên chủ chốt (Thành viên chủ chốt là người có đóng góp khoa học và chủ trì hoặc đồng chủ trì một hoặc nhiều nội dung nghiên cứu; Trường hợp nghiên cứu sinh là thành viên chủ chốt thì phải ghi chữ NCS trước học vị và họ tên)

1 GS TSKH Hồ Tú Bảo JVN-ĐHQGHCM Chủ trì nội dung: 3, 4, 5 2 GS TS Cao Hoàng Trụ ĐHBK và JVN-ĐHQGHCM Chủ trì nội dung: 1, 2 3 BS Nguyễn Văn Bính Viện Quân Y 175 Đồng chủ trì nội dung: 1 4 TS Võ Thị Ngọc Châu ĐHBK-ĐHQGHCM Đồng chủ trì nội dung: 3 5 PGS TS Lê Thị Lý ĐHQT-ĐHQGHCM Đồng chủ trì nội dung: 5 6 TS Nguyễn Thị Minh Huyền ĐHKHTN-ĐHQGHN Đồng chủ trì nội dung: 2

Danh sách học viên cao học (HVCH), sinh viên (SV) (HVCH, SV dự kiến tham gia và sẽ hoàn thành luận án tốt nghiệp từ đề tài)

1 NCS Hoàng Khánh Hùng Viện JAIST Tham gia nội dung: 4 2 NCS Đặng Trần Thái Viện JAIST Tham gia nội dung: 5 3 NCS Vũ Duy Hiến Học viện Ngân hàng Tham gia nội dung: 3 4 NCS Nguyễn Dương Hùng Học viện Ngân hàng Tham gia nội dung: 4 5 HVCH Lê Phước Bảo Khanh ĐH Quốc tế Tham gia nội dung: 5

4

6 HVCH Phạm Trường Duy ĐH Quốc tế Tham gia nội dung: 5 7 JVN 8 JVN

B. MÔ TẢ NGHIÊN CỨU B1. Tổng quan tình hình nghiên cứu trong, ngoài nước (Trên cơ sở đánh giá tình hình nghiên cứu trong và ngoài nước, phân tích những công trình nghiên cứu, những kết quả mới nhất có liên quan đến đề tài, đánh giá những khác biệt về trình độ KH&CN trong nước và thế giới, những vấn đề đã được giải quyết, cần nêu rõ những vấn đề còn tồn tại)

Trong những năm gần đây, các hệ thông tin bệnh viện (HTTBV) (HIS: Hospital Information Systems) ở Việt Nam được cải thiện rất nhiều theo sự tiến bộ của công nghệ thông tin (CNTT). Một số bệnh viện đã và đang nâng cấp HTTBV để tạo ra các bệnh án điện tử (BAĐT, tiếng Anh: EMR Electronic Medical Records), là dạng điện tử chứa tất cả các thông tin chi tiết, vốn trước đây được lưu trên giấy, về khám chữa bệnh của người bệnh trong một lần nằm điều trị ở bệnh viện [1], [8], [9]. Có nhiều cấp độ khác nhau về nội dung và chất lượng của các BAĐT, nhưng có thể chia theo hai mức cơ bản và nâng cao, ứng với hai mục tiêu sử dụng chính: (i) Quản lý bệnh viện và bệnh nhân (cơ bản), và (ii) Khám chữa bệnh và nghiên cứu y học (nâng cao) [10]. Hầu hết các HTTBV ở các bệnh viện của ta mới tạo được các BAĐT ở mức cơ bản dùng cho quản lý bệnh viện. Tuy nhiên, gần đây một số bệnh viện (bệnh viện đa khoa Vân Đồn Quảng Ninh, bệnh viện Sản-Nhi Đà Nẵng, bệnh viện Thống Nhất thành phố HCM… đã và đang tạo được BAĐT ở mức nâng cao như ở nhiều nước tiên tiến với các ghi chép lâm sàng hàng ngày của bác sĩ và y tá về người bệnh, thay cho việc ghi chép và lưu trữ trên giấy, mở ra khả năng khai thác tự động giá trị chính yếu của BAĐT cho mục tiêu (ii). Khai thác các ghi chép lâm sàng trong BAĐT hiện đang là vấn đề thời sự của Y học thế giới vì BAĐT là nguồn thông tin quý báu và khổng lồ để con người- với sự trợ giúp của máy tính- tìm ra những tri thức y học mới và cập nhật những tri thức y học đã có [9], [15], [17], [18], [19]. Sở dĩ vậy vì mọi kiến thức y học xưa nay đều do chính con người tìm ra do quan sát và phân tích hiện trạng lâm sàng của người bệnh. Việc khai thác các dữ liệu lâm sàng, cũng như việc liên kết chúng với dữ liệu cận lâm sàng, đang được giới y học thế giới cho là sẽ tạo sự thay đổi có tính cách mạng cho chăm sóc sức khoẻ và nghiên cứu y học.

Nhu cầu xây dựng và khai thác bệnh án điện tử gần đây đã được nhận thức rõ ràng ở Việt Nam. Đề tài đã được mời giới thiệu về BAĐT và nghiên cứu của đề tài ở nhiều nơi, như tại Cục Quân y với lãnh đạo của 17 bệnh viện quân đội phía Bắc (17.3.2016), bệnh viện quân đội 108, diễn đàn cấp cao CNTT-TT Việt Nam năm 2015. Trong tháng 3.2017 chủ nhiệm đề tài có tham gia buổi làm việc với Phó thủ tướng Vũ Đức Đam và đại diện Bộ y tế về ứng dụng CNTT trong y tế, tại đó xác định vai trò nghiên cứu của đại học trong hợp tác với doanh nghiệp và cơ quan nhà nước, vai trò đem các công nghệ hiện đại vào Y tế.

Ngoài nước

Xây dựng và khai thác BAĐT là hai khía cạnh chính trong lĩnh vực này. Xây dựng BAĐT là việc đang được thực hiện ở nhiều quốc gia trong những năm gần đây. Ở mức cơ bản, BAĐT chứa tất cả các thông tin về người bệnh như xưa nay vẫn có trên bệnh án giấy, và việc khai thác chúng giúp cho việc quản lý bệnh nhân và bệnh viện, và việc này đã làm được lâu nay ở các nước phát triển. Ở mức nâng cao, BAĐT có thêm các ghi chép lâm sàng hàng ngày của bác sĩ và y tá (thực hiện ghi chép bằng thiết bị điện tử về các nhận xét lâm sàng) và các dữ liệu cận lâm sàng thu được từ các loại máy móc y tế (xét nghiệm, X-quang, nội soi, CT scanner, MRI ... trong các hệ PACS). Các dữ liệu ghi chép lâm sàng có giá trị và tầm quan trọng đặc biệt, nhưng cũng là phần khó tạo ra nhất vì cần có trang thiết bị, và đặc biệt là việc thay đổi kỹ năng và thói quen ghi chép trên máy tính của các bác sĩ và y tá tại bệnh viện. Khác với cách hiểu phổ biến ở ta về BAĐT chỉ có mức cơ bản, giới y học quốc tế quan niệm BAĐT cần đầy đủ cả hai mức độ, và trong chương trình này ta cũng dùng từ BAĐT theo nghĩa này. Hình 1 cho thấy tỷ lệ phần trăm bệnh viện ở các nước phát triển đã có HTTBV tạo ra BAĐT tiên tiến, và Hình 2 cho thấy tình hình xây dựng BAĐT đầy đủ ở Nhật Bản vào năm 2011 [21] (do đa số các bệnh viện cỡ nhỏ và trung bình còn chưa có BAĐT, tỷ lệ chung đạt quãng 44% như ở Hình 2).

Vì giá trị to lớn và lâu dài của BAĐT đối với y học, việc khai thác BAĐT được theo đuổi trong những năm gần đây [1], [8], [9], [10], [16]. Từ năm 2006, Trung tâm quốc gia I2B2 về Tính toán Y-Sinh của Mỹ (Informatics for Integrating Biology and the Bedside https://www.i2b2.org) đã tổ chức hằng năm các cuộc thi trên toàn thế giới về xử lý dữ liệu BAĐT tiếng Anh (các Challenges), thường với trên 100 nhóm nghiên cứu từ khắp nơi tham gia. Các Challenges của I2B2 liên quan đến phát triển công nghệ để phân tích văn

5

bản lâm sàng viết bằng tiếng Anh và trích rút thông tin về bệnh, thuốc, điều trị... từ BAĐT. Cũng vậy từ năm 2013, nước Nhật tổ chức các hội thảo kêu gọi giới nghiên cứu tham gia giải quyết các bài toán khai thác BAĐT tiếng Nhật, và đưa nội dung khai thác BAĐT vào hướng ưu tiên phát triển, mời gọi các chương trình/đề tài nghiên cứu.

Có thể thấy một số xu thế và nội dung nghiên cứu-phát triển trên thế giới cho khai thác BAĐT những năm vừa qua như sau: (i) Một là việc xây dựng các phương pháp và công cụ xử lý ngôn ngữ tự nhiên cho văn bản lâm sàng trong BAĐT với đặc điểm văn bản ngắn, viết theo thể trần thuật, không theo ngữ pháp chuẩn, và gắn với tri thức y học [2], [15], [24], [28]; (ii) Hai là phát triển các phương pháp học máy và thống kê hiện đại dùng cho việc khai thác BAĐT, cho việc chỉ định dùng thuốc [4], [5], [11], [12], [17], [27], phát hiện mẫu dạng đặc trưng bệnh [25], mô hình diễn biến bệnh [26] v.v.; (iii) Ba là phân tích BAĐT để hiểu biết sâu hơn về diễn biến và điều trị một số bệnh [6], [14]; (iv) Bốn là dùng BAĐT để hỗ trợ quá trình chẩn đoán bệnh [9], [21]. Năm là dùng BAĐT trong nghiên cứu mối quan hệ bệnh-thuốc [3], [7], [29], [30].

Trong nước

Nhiều bệnh viện trong nước đã có HTTBV tạo ra được BAĐT ở mức cơ bản [41], hay những người quan tâm đến BAĐT [39]. Gần đây, Bộ Y tế có một dự án lớn “Bệnh án điện tử và quản lý hệ thống khám chữa bệnh” và triển khai thí điểm tại năm bệnh viện trên cả nước. Tuy đề án chỉ đề cập tới các BAĐT ở mức cơ bản, những nỗ lực này cho phép một số cơ sở y tế tạo ra các BAĐT ở mức cơ bản, góp phần cho những bước đi lâu dài tiếp theo khi BAĐT được nâng cấp lên mức cao hơn. Đáng mừng là một số bệnh viện đã độc lập xây dựng HTTBV tiên tiến của mình (như với hệ thống MEDI solutions của công ty Hoa Sen) và tạo ra BAĐT đầy đủ thông tin ở hai mức như ở các nước phát triển (bệnh viện Vân Đồn Quảng Ninh, bệnh viện Sản-Nhi Đà Nẵng, bệnh viện Thống Nhất thành phố Hồ Chí Minh…) với một số cơ sở dữ liệu (CSDL) xây dựng từ đầu 2013, đã đủ lớn để tiến hành các nghiên cứu về BAĐT [33].

Từ hơn 10 năm qua, chúng ta đã có một đội ngũ cán bộ nghiên cứu trẻ và năng động về ứng dụng toán học vào CNTT trong Y-Sinh, nắm được các phương pháp học máy và thống kê hiện đại giải quyết nhiều vấn đề có ý nghĩa. Có thể kể ra một số thí dụ tiêu biểu, đó là phát triển phương pháp học máy trong tin sinh học để khảo sát các dãy amino acids [32], hay các mạng quan hệ phiên mã [37], xây dựng công cụ cho xử lý văn bản tiếng Việt [52], [53]. Một số nghiên cứu về bệnh tật dựa trên dữ liệu omics như từ mạng tín hiệu đến bệnh phát sinh từ bệnh khác [34], quan hệ của miRNA với các mẫu khối u [40], từ tương tác protein đến các nhóm gien gây bệnh [38], hay các quan hệ của các dòng virus cúm A với các đột biến [35]. Một hướng khác là nghiên cứu về quan hệ bệnh và thuốc, như về Tamiflu với virus cúm A [35] hay tạo các bảng tần suất từ BAĐT để nghiên cứu ảnh hưởng của các nhóm thuốc [33].

Hình 1. Hai bước khai thác BAĐT

6

…………………………………………………………………………………………………….

B2. Ý tưởng khoa học, tính cấp thiết và tính mới (Chỉ ra những hạn chế cụ thể trình độ KH&CN trong nước và thế giới, từ đó nêu được hướng giải quyết mới - luận giải mục tiêu đặt ra của đề tài và tính cấp thiết, lợi ích của kết quả nghiên cứu đối với ngành, đối với tổ chức chủ trì, đối với xã hội)

Hình 2. Thành viên đề tài làm việc ở nhiều bệnh viện giai đoạn 1

Hình 3. Giới thiệu về bệnh án điện tử với cộng đồng

7

Một trong những yếu tố ít được quan tâm trong khám chữa bệnh là tổng hợp thông tin sau điều trị. Nguồn thông tin này rất quan trọng để đánh giá phương pháp điều trị, tỉ lệ tái phát bệnh, mức độ tác dụng của thuốc hay tương tác giữa các loại thuốc và các hiệu ứng phụ của chúng. BAĐT cho phép tạo nguồn tin này, cho phép khảo sát vĩ mô để rút ngắn các nghiên cứu đánh giá thuốc, so sánh tính hiệu quả giữa các loại thuốc, đánh giá rủi ro cho người bệnh, tìm kiếm những tác dụng mới từ các loại thuốc sẵn có. Theo tổ chức y tế thế giới (WHO), tỉ lệ kháng thuốc kháng sinh ở người Việt Nam thuộc nhóm cao nhất thế giới. Nguyên nhân chính là việc sử dụng thuốc kháng sinh không theo chỉ định của người dân và việc bán thuốc không theo chuẩn. Với BAĐT, có thể giám sát tình trạng sử dụng thuốc, phát hiện và đánh giá các nhóm thuốc kháng sinh gây hiệu ứng lờn thuốc để từ đó tiến đến loại bỏ hoặc hạn chế tùy vào hệ gien của người Việt. Một tiềm năng to lớn khác của BAĐT là khảo sát các tác dụng phụ cả tích cực và tiêu cực từ các loại thuốc.

Một thí dụ là Metformin, vốn được dùng rộng rãi để chữa bệnh tiểu đường type 2, đang được khảo sát khả năng chữa ung thư. Bên cạnh việc thí nghiệm, BAĐT giúp theo dõi các bệnh nhân đang dùng Metformin, nhất là các bệnh nhân đang bị ung thư, như một phương pháp đánh giá một tính năng khác của thuốc.

BAĐT có thể đem lại một bộ mặt khác cho nền Y tế nước hà, giúp cải thiện sức khỏe và sự an toàn của bệnh nhân cũng như là một nguồn dữ liệu vô cùng quý báu cho nghiên cứu y học từ nay về sau.

Hai yếu tố chính của công nghệ nền khai thác BAĐT với ghi chép lâm sàng là xử lý tiếng Việt và các phương pháp học máy và thống kê hiện đại. Muốn khai thác được loại BAĐT này, một mặt ta cần những phương pháp và công cụ xử lý tiếng Việt cho các ghi chép lâm sàng, mặt khác ta cần những phương pháp học máy và thống kê mới và hiệu quả để phân tích được loại dữ liệu lớn phức tạp này. Có thể nói nếu không sớm phát triển được các phương pháp học máy và thống kê cần thiết, ta sẽ không bao giờ khai thác được BAĐT. ……………………………………………………………………………………………………..

B3. Kết quả nghiên cứu sơ khởi (nếu có) (Trước khi đệ trình đề cương này, nhóm nghiên cứu có thể đã thực hiện những nghiên cứu sơ khởi, nếu có thì trình bày kết quả và kỹ thuật sử dụng)

Hình 4. Giới thiệu về BAĐT ở các cơ quan y tế

8

Trong giai đoạn 1 (4.2015-3.2017) nhóm nghiên cứu đã thực hiện nghiên cứu trên 5 nội dung. Hiện nay thời gian đã hết và đề tài đang chờ kết quả các bài báo nộp tạp chí để nghiệm thu đề tài. Những kết quả đã làm được viết trong các báo cáo Xác định việc xây dựng dựng và khai thác BAĐT là con đường dài, trong chương trình nghiên cứu 5 năm đã được ĐHQGHCM phê duyệt, các nội dung được chia cho hai giai đoạn có tính kế tục, giai đoạn 1 (4.2015-3.2017) nhằm vào các xây dựng các công cụ cơ bản với một vài thử nghiệm ban đầu, và giai đoạn 2 (4.2018-3.2020) nhằm tăng cường nghiên cứu khai thác BAĐT trong khi tiếp tục phát triển và hoàn thiện các công cụ của giai đoạn 1.

Những nội dung giai đoạn 1 được tiếp tục theo đuổi trong giai đoạn 2 ở đề án gồm:

- Nội dung 1(C): Sản phẩm được tiếp tục phát triển và đưa vào thử nghiệm và có kết nối sử dụng các thành tựu của nhận dạng tiếng nói (nội dung 1 giai đoạn 2)

- Nội dung 2 (X): Không phát triển như nội dung mới nhưng được cải tiến trong quá trình sử dụng.

- Nội dung 3 (C): Các đầu việc đã làm không đưa vào giai đoạn 2 tuy vẫn được cải tiến trong nội dung 2 của giai đoạn 2 về xây dựng công cụ xử lý văn bản lâm sàng.

- Nội dung 4 (X): Không phát triển như nội dung mới nhưng được cải tiến trong quá trình sử dụng.

- Nội dung 5 (X): Được tiếp tục theo đuổi với bài toán mới.

Hình 5. Các nội dung ở giai đoạn 1 sẽ dừng (X) hoặc tiếp tục (C) ở giai đoạn 2

Hình 6. Các nội dung được nghiên cứu trong giai đoạn 2.

9

Chú ý là ở giai đoạn 1 “cơ sở dữ liệu thứ cấp loại 1” được bệnh viện cung cấp ở dạng đơn giản, không cấu trúc và “cơ sở dữ liệu thứ cấp loại 2” là BAĐT ở CSDL thứ cấp loại 1 được biến đổi về dạng tính toán được. Tuy nhiên đề tài ở giai đoạn 2 hướng đến một bài toán cơ bản hơn: Chuyển các BAĐT ở một bệnh viện qua một dạng trung gian, đủ để dùng cho các ứng dụng và đảm bảo riêng tư, dưới một lược đồ CSDL thích hợp và hiệu quả. Đây là nội dung 3, nội dung quan trọng của giai đoạn 2, làm cơ sở cho mọi ứng dụng khai thác BAĐT.

B4. Tài liệu tham khảo (Tên công trình, tác giả, nơi và năm công bố, chỉ nêu những danh mục đã được trích dẫn trong thuyết minh này) 1. Boonstra, A. and Broekhuis, M. (2010). Barriers to the acceptance of electronic medical records by

physicians from systematic review to taxonomy and interventions. BMC Health Services Research, 10(231): 1–17.

2. Chen, E., Hripcsak, G., Xu, H., Markatou, M., and Friendman, C. (2009). Automated acquisition of disease-drug knowledge from biomedical and clinical documents. An initial study. Journal of the American Medical Informatics, 15(1): 87–98.

3. Chiang, A. and Butte, A. Systematic evaluation of drug-disease relationships to identify leads for novel drug uses. Clin Pharmacol Ther.

4. Ding, H., Takigawa, I., Mamitsuka, H., and Zhu, S. (2013). Similarity-based machine learning methods for predicting drug-target interactions: a brief review. Briefings in Bioinformatics.

5. Doan, S., Collier, N., Xu, H., Pham, H., and Tu, M. (2012). Recognition of medication information from discharge summaries using ensembles of classifiers. BMC Medical Informatics and Decision Making, 12(36).

6. Duan, L., Khoshneshin, M., Street, W., and Liu, M. Adverse drug effect detection. IEEE Trans. Information Technology in Biomedicine.

7. Dudley, J., Deshpande, T., and Butte, A. (2011). Exploiting drug-disease relationships for computational drug repositioning. Briefings in Bioinformatics, 12.

8. Gottesman, O. and et al. (2013). The electronic medical records and genomics (emerge) network: past, present, and future. American College of Medical Genetics and Genomics, 15(10): 761–771.

9. Hersh, W. R. (1995). The electronic medical records: Promises and problems. SIG Knowledge Discovery and Data Mining, 35–42.

Hình 7. Hai bước trên lộ trình của BAĐT tiếng Việt: tạo dựng và khai thác

10

10. Jensen, P., Jensen, L., and Brunak, S. (2012). Mining electronic health records: towards better research applications and clinical care. Translational Genetics, 13:395–405.

11. Kashiwagi, K. and Tsukahara, S. (2014). Impact of patient access to Internet health records on glaucoma medication: Randomized controlled trial. J. Medical Internet Research, 16(1):1–22.

12. LePendu, P., Liu, Y., Iyer, S., Udell, M., and Shah, N. (2012). Analyzing patterns of drug use in clinical notes for patient safety. AMIA Summits Transl Sci Proc., pages 63–70.

13. Liu, M., Matheny, M., Hu, Y., and Xu, H. (2012). Data mining methodologies for pharmacovigilance. Clin Pharmacol Ther., 91(6):322–329.

14. Liu, M., Renne, E., Hinz, M., Matheny, M., Denny, J., Schildcrout, J., Miller, R., and Xu, H. (2013). Comparative analysis of pharmacovigilance methods in the detection of adverse drug reactions using electronic medical records. J Am Med Inform Assoc., 20(420-426).

15. Meystre, S.M., Savova, G.K., Kipper-Schuler, K.C. et al. (2008), “Extracting information from textual documents in the electronic health record: a review of recent research,” Yearb Med Inf., vol. 35, 128–144.

16. Miller, R. and Sim, I. (2004). Physician’s use of electronic medical records: Barriers and solutions. Health Affairs, 23(2): 116–126.

17. Neveol, A. and Lu, Z. Automatic integration of drug indications from multiple health resources. Journal of Biomedical Informatics.

18. Price, M., Singer, A., and Kim, J. (2013). Adopting electronic medical records. Are they just electronic paper records? Canadian Family Physician, 59(10): 322–329.

19. Roden, D., Xu, H., Denny, J., and Wilke1, R. (2012). Electronic medical records as a tool in clinical pharmacology: Opportunities and challenges. Clin Pharmacol Ther., 91(6):322–329.

20. Smelcer, J., Miller-Jacobs, H., and Kantrovich, L. (2009). Usability of electronic medical records. Journal of Usability of Electronic Medical Records, 4(2): 70–84.

21. Suzuki T., Doi S., Takabayashi K. et al.: Construction of the Integrated Multicentre Discharge Summary Database, MedInfo 2013: 1064, 2013.

22. Takabayashi, K., Doi, S., and Suzuki, T. (2011). Japanese EMRs and it in medicine: Expansion, integration, and reuse of data. Healthcare Informatics Research, 17(3): 178–183.

23. Thompson, D., Os- heroff, J., Classen, D., and Sittig, D. (2006). A review of methods to estimate the benefits of electronic medical records in hospitals and the need for a national benefits database. Journal of Healthcare Information Management, 21(1): 62–68.

24. Uzuner, O., Solti, I., and E. Cadag (2010). Extracting medication information from clinical text, J. Amer. Med. Inform. Assoc., Vol. 17, No. 5, 514–518.

25. Wang F., Lee N., Hu J., Sun J., Ebadollahi S. (2012). Towards heterogeneous temporal clinical event pattern discovery: A convolutional approach, ACM KDD 2012.

26. Wang X., Sontag D., Wang F. (2014). Unsupervied learning of disease progression modeling, ACM Knowledge Discovery and Data Mining, August 24-27.

27. Wei, W., Cronin, R., Xu, H., Lasko, T., Bastarache, L., and Denny, J. (2013). Development and evaluation of an ensemble resource linking medications to their indications. J Am Med Inform Assoc., 20: 954–961.

28. Xu, H., Stenner, S., Doan, S., Johnson, K., Waitman, L., and Denny, J. (2010). Medex: a medication information extraction system for clinical narratives. J Am Med Inform Assoc, 17:19–24.

29. Xu, R. and Wang, Q. A knowledge-driven conditional approach to extract pharmacogenomics specific drug-gene relationships from free text. Journal of Biomedical Informatics.

30. Xu, R. and Wang, Q. Large-scale extraction of accurate drug-disease treatment pairs from biomedical literature for drug repurposing. BMC Bioinfmatics.

31. Patrick, J. and Nguyen, D. (2011). Automated Proof Reading of Clinical Notes, 25th Pacific Asia Conference on Language, Information and Computation, pp. 303–312.

32. Young, J., Eley, D., Fahey, P., Patterson, E., and Hegney, D. (2010). Enabling research in general practice. Increasing functionality of electronic medical records. Australian Family Physician, 39(7): 506–509.

33. Dang Cao Cuong, Vincent Lefort, Le Sy Vinh, Le Si Quang, Olivier Gascual (2011). ReplacementMatrix: a web server for maximum-likelihood estimation of amino acid replacement rate matrices. Bioinformatics 27 (19): 2758-2760.

34. Ho T.B., Hoang K.H., Nguyen D.K., Huynh T.A. (2014). An initial study of drug-disease relationships using EMRs, Asia Conference on Information Systems ACIS 2014, Dec. 1-3.

35. Matsuo R., Ho T.B. (2014). An Ontology Based Term Weighting Method for Exploiting EMR, Asia Conference on Information Systems ACIS 2014, 1-3 December, Nha Trang.

11

36. Moharasan G., Ho T.B. (2014). Challenges and Opportunities of Temporal Information Extraction from Electronic Medical Records, Asia Conference on Information Systems ACIS 2014, 1-3 December, Nha Trang.

37. Le Ly, Leluk J. (2010). Study on Phylogenetic Relationships, Variability, and Correlated Mutations in M2 Proteins of Influenza Virus A. PLoS ONE 6(8): e22970.

38. Le Ly, Eric. H. L., David J. Hardy, Thanh N. Truong, Klaus S. (2009). Electrostatic Funnel Directs Binding of Tamiflu to H5N1/H1N1pdm Neuraminidase. PLOS Computational Biology.

39. Le Ngoc Tu, Tu Bao Ho, Bich Hai Ho (2013). Computational Reconstruction of Transcriptional Relationships from ChIP-Chip Data. IEEE/ACM Trans. Comput. Biology Bioinform 10(2): 300-307.

40. Nguyen Thanh Phuong, Ho Tu Bao (2011). Detecting Disease Genes Based on Semi-Supervised Learning and Protein-Protein Interaction, Artificial Intelligence in Medicine, Vol. 54, 63-71.

41. Nguyễn Văn Phi, Trần Văn Lăng, Phan Huy Anh Vũ, Nguyễn Tuấn Anh (2011), Nghiên cứu giải pháp xây dựng bệnh án điện tử hỗ trợ chẩn đoán y khoa, Một số vấn đề chọn lọc của Công nghệ thông tin và truyền thông, 10.2011.

42. Tran Dang Hung, Tu Bao Ho, Tho Hoan Pham, Kenji Satou (2011). MicroRNA Expression Profiles for Classification and Analysis of Tumor Samples. IEICE Trans. Information Systems (3): 416-422.

43. Vũ Duy Hải, Nguyễn Đức Thuận, Hoàng Quang Huy (2009). Thiết kế cấu trúc cơ sở dữ liệu trong quản lý thông tin bệnh viện, Tạp chí Khoa học Tự nhiên và Công nghệ, 25(2009) 205-210.

42. Le, N., Ho, T.B., Kanda, T., Kawasaki, S., Takabayashi, K., Wu, S., Yokosaka, O. (2013). A Semi-Supervised Learning Method for Discriminative Motif Finding and Its Application, Journal of Universal Computer Science, Vol. 19. No. 4, 563-580.

43. Nguyen, T.P., Ho, T.B. (2011). Detecting Disease Genes Based on Semi-Supervised Learning and Protein-Protein Interaction Networks, Artificial Intelligence in Medicine, Vol. 54, 63-71.

44. Tran, D.H., Ho, T.B., Pham, T.H., Satou, K. (2011). microRNA expression profiles for classification and analysis of tumor samples, IEICE Trans. Information Systems, E94.D(3), 416-422, 2011.

45. Ho, T.B. (2008). Vietnamese Language Processing: Issues and Challenges, Special Issue in Journal of Science, Natural Sciences and Technology, Vol. 24, N3S, Vietnam National University- Hanoi Publishers, 10-16.

46. Tran, D.H., Satou, K., Ho, T.B. (2008). Finding microRNA regulatory modules in human genome using rule induction, Journal BMC Bioinformatics, Vol. 9, No. Supp 11, 1-10, MedCentral.

47. Ho, T.B., Kawasaki, S., Takabayashi, K., Nguyen, C.H. (2007). Integration of learning methods, medical literature and expert inspection in medical data mining, IEICE Trans. Information and Systems, Vol. E90-D, No. 10, 1574-1581.

48. Ho, T.B., Nguyen, C.H., Kawasaki, S., Le, S.Q., Takabayashi, K. (2007). Exploiting Temporal Relations in Mining Hepatitis Data, Journal of New Generation Computing, Ohmsha, Ltd. and Springer-Verlag, Vol. 25. No. 3, 247-262

49. Kawasaki, S., Nguyen, T.D., Ho, T.B. (2003). Temporal Abstraction for Long-Term Changed Tests in the Hepatitis Domain Journal of Advanced Computational Intelligence & Intelligent Informatics, Fuji Technology Press Ltd., Vol. 17, No. 3, 348-354.

50. Nguyen, H.T. & Cao, T.H. (2012). Named Entity Disambiguation: A Hybrid Approach, International Journal of Computational Intelligence Systems, 5 (6), 1052-1067 (2012).

51. Cao, T.H. & Ngo, V.M. (2012). Semantic Search by Latent Ontological Features, Journal of New Generation Computing, 30 (1), 53-71.

52. Hồ Tú Bảo (2015). Xây dựng và khai thác BAĐT: Con đường mới trong khám chữa bệnh và nghiên cứu y học. Tạp chí Khoa học và Công Nghệ Việt Nam, 3.2015.

53. Hồ Tú Bảo (2014). Bệnh án điện tử: Nguồn dữ liệu lớn vô giá của y học, Tạp chí Tia Sáng, 5.2015. 54. Nguyễn Văn Bính, Cao Hoàng Trụ, Hồ Tú Bảo, Nguyễn Đức Công. Tạo lập bệnh án điện tử: Bước

then chốt trong ứng dụng công nghệ thông tin để nâng cao chất lượng khám chữa bệnh. Bài gửi Tạp chí Y học Thực hành.

55. Ho Tu Bao, Le Ly, Dang Tran Thai, Siriwon Taewijit, Data-driven Approach to Detect and Predict Adverse Drug Reactions, Current Pharmaceutical Design Journal, Vol. 22, No. 23 (May 2016), 3498-3526 (ISI).

56. Vo Thi Ngoc Chau, Cao, T. H., and Ho Tu Bao.Abbreviation Identification in Clinical Notes with Level-wise Feature Engineering and Supervised Learning. The 2016 Pacific Rim Knowledge Acquisition Workshop (PKAW 2016), LNAI 9806, pp. 1-15, August 22-23, 2016.

57. Nguyen Dong Phuong and Vo Thi Ngoc Chau. Automatic de-identification of medical records with a multilevel hybrid semi-supervised learning approach. In Proc. of the IEEE RIVF International Conference on Computing and Communication Technologies (RIVF 2016), 2016, Hà Nội - Việt Nam.

12

58. Moharasan Ganhdimathi, Ho Tu Bao. A semi-supervised approach for temporal information extraction from clinical text, IEEE International Conference on Research, Innovation and Vision for Future, RIVF 2016, Hanoi, November 7-9, 2016.

59. Dang Tran Thai, Ho Tu Bao. Mixture of language models utilization in score-based sentiment classification on clinical narratives, 29th International Conference on Industrial, Engineering & Other Applications of Applied Intelligent Systems (IEA/AIE 2016), 2-4 August 2016, Morioka, Japan, LNAI 9799, pp. 255–268, 2016.

60. Pham Duy, Le Bao Khanh, Le Ly, Ho Tu Bao, System pharmacology: application of network theory in predicting potential adverse drug eaction based on gene expression data, IEEE International Conference on Research, Innovation and Vision for Future, RIVF 2016, Hanoi, November 7-9, 2016.

61. Dang Tran Thai, Ouankhamchan Phetnidda, Ho Tu Bao. Detection of New Drug Indications from Electronic Medical Records, IEEE International Conference on Research, Innovation and Vision for Future, RIVF 2016, Hanoi, November 7-9, 2016.

62. Moharasan Ganhdimathi, Ho Tu Bao. Extraction of Temporal Events from Clinical Text using Semi-Supervised Conditional Random Fields. International Conference on Data Mining and Big Data (DMBD’2017), Fukuoka July 27 August 1, 2017.

B5. Mục tiêu, nội dung, kế hoạch nghiên cứu B5.1 Mục tiêu (Nói rõ mục tiêu khoa học/công nghệ mà đề tài hướng tới và mức độ giải quyết - Bám sát và cụ thể hóa định hướng mục tiêu theo đặt hàng - nếu có)

Mục tiêu chương trình này do ĐHQG tài trợ là nghiên cứu xây dựng một số phương pháp và phần mềm công cụ cơ bản để xây dựng và khai thác BAĐT tiếng Việt và ứng dụng thử nghiệm trong hỗ trợ khám chữa bệnh và nghiên cứu sử dụng thuốc trong điều trị. B5.2 Nội dung và phương pháp nghiên cứu (Liệt kê và mô tả chi tiết nội dung và phương pháp nghiên cứu, mô tả rõ các thí nghiệm, đặc biệt làm rõ các hoạt động để giải trình chi tiết phần phụ lục kinh phí)

Nội dung 1: Công cụ nhập bệnh án điện tử

a. Mục tiêu nội dung 1 (Bám sát và định hướng theo mục tiêu chung)

Xây dựng công cụ phần mềm nhập BAĐT bằng tay và tiếng nói, theo cấu trúc và ngôn ngữ được chuẩn hoá.

b. Sản phẩm khoa học dự kiến và chỉ tiêu đánh giá

Sản phẩm: Một công cụ phần mềm trên máy tính bảng giúp nhập BAĐT nhanh và chuẩn, bằng thao tác chọn-nhấn và tiếng nói.

Sản phẩm kèm theo: 1 đăng ký giải pháp hữu ích; 1 bài báo trên tạp chí y học trong nước; 4 sinh viên tốt nghiệp đại học.

Ý nghĩa của sản phẩm: Ở các bệnh viện chưa có hệ thống thông tin, các bác sĩ và điều dưỡng viên phải viết bằng tay trên bệnh án giấy. Ở các bệnh viện đã có hệ thống thông tin, các bác sĩ và điều dưỡng viên phải nhập lại bệnh án giấy vào máy tính, dưới dạng văn bản tường thuật. Cách nhập BAĐT như thế bị chậm và ngôn từ sử dụng tuỳ vào bác sĩ hoặc điều dưỡng viên nên không được chuẩn. Công cụ phần mềm trên máy tính bảng mà đề tài xây dựng cho phép các bác sĩ và điều dưỡng viên mang theo và nhập ngay BAĐT khi khám chữa bệnh. Phần mềm được thiết kế nhằm giảm thiểu việc gõ các phím chữ, mà chủ yếu bằng các thao tác chọn-nhấn và bằng tiếng nói. Các từ ngữ chuyên môn được chuẩn hoá và cung cấp sẵn, hạn chế sự không thống nhất về ngôn từ giữa các bác sĩ hoặc điều dưỡng viên khi nhập bệnh án.

13

Chỉ tiêu đánh giá: Do các bác sĩ và điều dưỡng viên sử dụng và có ý kiến đánh giá.

c. Phương pháp (Mô tả chi tiết: phương pháp, quy trình chọn mẫu và cách thức thu thập số liệu có thể có; iii) lý giải việc lựa chọn của tác giả),

• Tích hợp tính năng nhận dạng tiếng nói vào công cụ phần mềm nhập BAĐT đã xây dựng ở giai đoạn trước (2015-2017).

• Kết nối phần mềm với server chứa dữ liệu thật ở một bệnh viện đối tác để chạy thử nghiệm phần mềm.

d. Phân tích và diễn giải số liệu thu được

Ý kiến và nhận xét thu được từ các bác sĩ và điều dưỡng viên dùng thử nghiệm sẽ cho thấy các ưu nhược điểm để cải tiến và hoàn thiện phần mềm trong tương lai.

Nội dung 2: Hiệu đính tự động văn bản lâm sàng

a. Mục tiêu

Phát triển các phương pháp xử lý nhiễu trong văn bản lâm sàng; kết hợp với các phương pháp và công cụ xử lý văn bản lâm sàng ở giai đoạn 1.


Sản phẩm: Một công cụ tự động hiệu đính (proof reading) văn bản lâm sàng. Công cụ này sẽ được tích hợp vào bộ công cụ xử lý văn bản lâm sàng đã xây dựng ở giai đoạn trước (2015-2017).

Sản phẩm kèm theo: 1 bài báo tạp chí ISI; 2 bài báo hội nghị quốc tế có chất lượng; 2 sinh viên tốt nghiệp cao học và 4 sinh viên tốt nghiệp đại học.

Ý nghĩa của sản phẩm: Các văn bản lâm sàng thường có nhiều nhiễu như những chuỗi kí tự không phải là từ, lỗi đánh vần, kiểu viết rút gọn hoặc viết tắt, và cấu trúc văn phạm sai. Các nhiễu này ảnh hưởng đến chất lượng xử lý văn bản lâm sàng ở các công việc khác nhau. Việc hiệu đính các nhiễu này có hai phần là bình thường hoá (normalization) và chuẩn hoá (standardization). Quá trình bình thường hoá bao gồm việc sửa lỗi đánh vần, và mở rộng các từ viết rút gọn hoặc viết tắt. Còn quá trình chuẩn hoá là chuyển đổi văn bản lâm sàng về các dạng thức mà các bác sĩ cho là chuẩn, như cách ghi các số đo trong y khoa. Việc phát hiện và sửa lỗi đánh vấn có hai loại là dựa theo từ (word-based) hoặc dựa theo ngữ cảnh (context-based). Việc khử nhiễu văn bản lâm sàng là một vấn đề khó và bước tiền xử lý nó là quan trọng cho việc sử dụng và xử lý văn bản lâm sàng ở các bước tiếp theo.

Hình 7. Sơ đồ dự kiến dùng nhận dạng tiếng nói để chuyển mô tả lâm sàng vào BAĐT

14

Chỉ tiêu đánh giá: Chất lượng khử nhiễu được đánh giá bằng sự cải thiện hiệu quả của một giải thuật xử lý văn bản lâm sàng sau khi được khử nhiễu so với trước khi thực hiện nó.

c. Phương pháp (Mô tả chi tiết: phương pháp, quy trình chọn mẫu và cách thức thu thập số liệu

có thể có; iii) lý giải việc lựa chọn của tác giả),

• Nghiên cứu các công trình liên quan về hiệu đính tự động văn bản lâm sàng tiếng Anh. Từ đó đề xuất các phương pháp cải tiến.

• Nghiên cứu các đặc trưng của tiếng Việt có thể ảnh hưởng đến vấn đề khử nhiễu văn bản lâm sàng, để đề xuất các cách giải quyết phù hợp.


Đề tài sẽ chạy một số giải thuật đã có như nhận diện thực thể hoặc rút trích quan hệ trên văn bản lâm sàng trước và sau khi được hiệu đính tự động, và xem hiệu quả của các giải thuật đó có được cải thiện không [31].

Nội dung 3: Xây dựng phương pháp kết nối các CSDL của BAĐT từ các bệnh viện khác nhau


Xây dựng phương pháp và công cụ tạo ra các cơ sở dữ liệu BAĐT trung gian từ các các BAĐT gốc trên hệ thông tin của bệnh viện.


Sản phẩm: Một lược đồ cơ sở dữ liệu quan hệ và công cụ để trích rút những dữ liệu cần thiết từ BAĐT trong hệ thông tin bệnh viện để tạo ra bản sao các BAĐT trong cơ sở dữ liệu BAĐT trung gian.

Sản phẩm đi kèm: Một bài báo tạp chí, một bài hội nghị.

Ý nghĩa của sản phẩm: Các BAĐT trong hệ thông tin bệnh viện luôn phải bảo vệ và không thể tính toán, khai thác trực tiếp trên chúng. Muốn BAĐT có ích, tức có thể khai thác được chúng, cần tạo ra một cơ sở dữ liệu trung gian, chứa bản sao của các BAĐT sau khi chọn những dữ liệu cần cho tính toán sau này và lọc bỏ thông tin riêng tư. Lược đồ CSDL trung gian còn có ý nghĩa lớn khi cho phép kết nối BAĐT từ nhiều bệnh viện. Dù hệ thống thông tin ở các bệnh viện khác nhau, BAĐT đều có thể chuyển về dạng trung gian này theo cùng một lược đồ và khuôn dạng. Chỉ tiêu đánh giá:

Đánh giá bởi chuyên gia về tính hiệu quả, tính đầy đủ và toàn vẹn của dữ liệu. c. Phương pháp

- Xác định các dữ liệu cần trích rút từ BAĐTgốc trong HTTBV để biểu diễn trong CSDL thứ cấp.

- Xây dựng, thiết kế lược đồ CSDL.

- Tạo công cụ phần mềm thực hiện xây dựng CSDL

- Phát triển thuật toán lọc thông tin riêng tư (deidentification) d. Phân tích và diễn giải số liệu thu được

- Phân tích sự đảm bảo các yêu cầu của CSDL (tính chuẩn hoá, ràng buộc về tính toàn vẹn dữ liệu...)

15

Nội dung 4: Hệ tư vấn xác định phác đồ điều trị và quyết định điều trị


Xây dựng phương pháp hỗ trợ quyết định điều trị dựa trên phác đồ điều trị học trên các nhóm bệnh nhân đồng thời tham khảo những trường hợp tương tự đã được điều trị trong quá khứ.


Sản phẩm: Một phương pháp và hệ thử nghiệm tư vấn ra quyết định điều trị dựa trên việc tìm ra phác đồ điều trị thích hợp và tham khảo một số trường hợp tương tự đã điều trị.

Sản phẩm kèm theo: 1 bài báo ISI, 1 bài hội nghị quốc tế tốt, 1 NCS tốt nghiệp tiến sĩ.

Ý nghĩa của sản phẩm: Thường có sai sót trong quá trình điều trị, do vậy việc hỗ trợ bác sĩ chọn ra cách điều trị thích hợp trong diễn biến bệnh và điều trị có ý nghĩa quan trọng. Điều này có thể đạt được nếu khai thác được nguồn BAĐT rất lớn các bệnh nhân đã được điều trị và biết được sai đúng, hiệu quả. Ngoài ra, so sánh tham khảo các trường hợp hiếm, khó có ý nghĩa rất lớn.

Khai thác CSDL rất lớn các BAĐT để trợ giúp bác sĩ khi phải ra quyết định điều trị trong quá trình diễn tiến điều trị của bệnh nhân.

Chỉ tiêu đánh giá: Đánh giá độ chính xác tư vấn dựa trên BAĐT được gán nhãn và đánh giá theo ý kiến chuyên gia y tế.

c. Phương pháp

- Từ SCDL lớn các BAĐT chia bệnh nhân trong CSDL thành các nhóm bệnh nhân có nhiều tính chất chung. Cách làm này phụ thuộc rất nhiều vào độ đo sự tương tự giữa hai BAĐT bất kỳ. Dự kiến sử dụng phương pháp Restricted Bozltmann Machines (RBM)

- Tự động học phác đồ điều trị cho các nhóm bệnh nhân từ BAĐT của họ.

- Xác định nhóm bệnh nhân trong CSDL BAĐT giống với người bệnh.

- Tư vấn dùng phác đồ điều trị của nhóm cho người bệnh khi tham khảo các trường hợp tương tự.


- Khai thác trên 40 nghìn BAĐT trên CSDL MIMIC III của Harvard Medical School.

Hình 8. Lược đồ cơ bản của giải pháp

16

Nội dung 5: Xác định hiệu ứng phụ của thuốc liên quan lịch sử điều trị


Xây dựng phương pháp mới và hệ tính toán xác định hiệu ứng phụ khi dùng thuốc.


Sản phẩm: Một phương pháp phát hiện hiệu ứng phụ của thuốc từ bệnh án điện tử có độ chính xác cao hơn các phương pháp đang tồn tại.

Sản phẩm kèm theo: Dự kiến một bài báo tạp chí ISI hoặc báo quốc tế, 2 bài báo hội nghị, 1 NCS tốt nghiệp tiến sĩ.

Ý nghĩa của sản phẩm: BAĐT đang được xem là nguồn dữ liệu quý báu để dự đoán các các tác dụng phụ của thuốc có thể xảy ra. Các phương pháp hiện nay phát hiện hiệu ứng phụ từ BAĐT dựa trên các tần suất đồng xuất hiện của thuốc và hiệu ứng để xác định quan hệ nhân quả giữa chúng, nhưng hiện có độ chính xác thấp. Sở dĩ vậy vì các tính chất phức tạp và sự phong phú của BAĐT chưa được khai thác tốt, và đây là điểm xuất phát của chúng tôi để đạt hiệu qủa cao hơn.

Chỉ tiêu đánh giá: Độ chính xác của dự đoán dựa trên tập BAĐT được xác định rõ hiệu ứng phụ.

c. Phương pháp

- Xem xét diễn biến của tác động của thuốc theo một quá trình phụ thuộc thời gian, không cố định như các phương pháp đang có.

- Xác định một giả thuyết (assumption) cơ bản: Quan hệ nhân quả của một cặp thuốc-hiệu ứng phụ xuất hiện trong một lần dùng thuốc liên quan đến quan đến quá trình điều trị với các loại thuốc khác (hình vẽ).

- Biểu diễn việc dùng thuốc theo quá trình phụ thuộc thời gian. - Học các luật liên kết (association rules) với ràng buộc của giả thuyết nêu ở trên.


Hình 9. Giả thuyết cơ bản của phương pháp: Hiệu ứng phụ liên quan đến các thuốc đã sử dụng.

17

- Khai thác và thử nghiệm trên 40 nghìn BAĐT từ CSDL MIMIC III của Harvard Medical School. - Thử nghiệm trên một loại bệnh và điều trị.

.

B5.3 Tóm tắt công việc và phân công Nội dung Kết quả khoa học cần đạt và tiêu chí đánh giá Nguồn nhân lực

Nội dung 1 - Hoàn thiện hệ nhập dữ liệu

- Tích hợp với nhận dạng tiếng nói

Chủ trì: CH Trụ 5 tháng (ngày) Tham gia:

Nguyễn Văn Bính: 14 tháng (ngày) Hồ Tú Bảo: 2 tháng

Nội dung 2 - Nghiên cứu các công trình liên quan đề xuất các phương pháp cải tiến.

- Nghiên cứu các đặc trưng của tiếng Việt có thể ảnh hưởng đến vấn đề khử nhiễu văn bản lâm sang để đề xuất các cách giải quyết phù hợp.

Chủ trì: CH Trụ 10 tháng (ngày) Tham gia:

Nguyễn Thị Minh Huyền: 9 tháng (ngày)

Nội dung 3 - Xác định dữ liệu cần trích rút từ BAĐT gốc trong HTTBV để đưa vào CSDL thứ cấp.

- Xây dựng, thiết kế lược đồ CSDL.

- Tạo công cụ phần mềm thực hiện xây dựng CSDL

- Phát triển thuật toán lọc thông tin riêng tư

Chủ trì: HT Bảo 8 tháng (ngày) Tham gia:

Võ Thị Ngọc Châu 14 tháng (ngày)

Cao Hoàng Trụ 3 tháng (ngày)

Nội dung 4 - Xây dựng độ đo sự tương tự giữa các BAĐT, xác định các nhóm bệnh nhân giống nhau

- Học phác đồ điều trị của mỗi nhóm

- Xác định k-NN của người bệnh từ CSDL

- Tư vấn khi tham khảo các trường hợp tương tự

Chủ trì: HT Bảo 6 tháng

Nội dung 5 - Xây dựng mô hình biểu diễn việc dùng thuốc theo quá trình điều trị

- Xây dựng thuật toán dùng mô hình để xác định quan hệ nhân quả giữa các cặp thuốc-hiệu ứng phụ.

Chủ trì: HT Bảo 6 tháng Tham gia:

Lê Thị Lý: 9 tháng

B5.4 Tính khả thi

a. Về nguyên vật liệu, năng lượng

18

Nội dung

TT Danh sách nguyên vật liệu, năng lượng cần có Nguồn kinh phí*

(Từ ĐHQG; từ đối tác; từ cơ quan chủ trì,..)

Nội dung 1

1

2

3

4

Nội dung 2

... ...

*Đối với kinh phí từ ĐHQG thì giải trình tại Phụ lục Khoản 2; Cần có minh chứng bằng văn bản đối với kinh phí từ nguồn khác.

b. Về trang thiết bị:

Nội dung

TT Danh sách thiết bị (TB) cần có

Khả năng huy động Hiện có tại ĐHQG (Tại PTN/… nào?)

Chưa có tại ĐHQG*

(Thuê ngoài; tận dụng của đối tác; mua mới từ nguồn kinh phí

nào,..)

Nội dung 1

1 TB1:

2 TB2:

3

4

Nội dung 2

... ...

*Đối với thiết bị chưa có tại ĐHQG: nếu huy động kinh phí từ ĐHQG thì giải trình tại Phụ lục Khoản 3; Cần có minh chứng bằng văn bản đối với kinh phí từ nguồn khác.

c. Về lực lượng nghiên cứu (Nêu rõ năng lực, kinh nghiệm của nhóm nghiên cứu và đối tác để khẳng định tính khả thi của từng nội dung nghiên cứu đặt ra)

19

Nội dung

Năng lực, kinh nghiệm của nhóm nghiên cứu

Năng lực, kinh nghiệm của đối tác

Nội dung 1

Có kiến thức về công việc, và kinh nghiệm thực hiện đề tài giai đoạn 1 (chuẩn hoá ngôn ngữ, hệ nhập dữ liệu, làm sạch dữ liệu)

Bệnh viện Thống Nhất và Bệnh viện ĐH Y-Dược có HTTBV tốt và đồng ý hợp tác

Nội dung 2

Có kiến thức về công việc, và kinh nghiệm thực hiện đề tài giai đoạn 1.


Nội dung 3

Có kiến thức và kinh nghiệm xây dựng CSDL, kinh nghiệm CSDL MIMICIII


Nội dung 4

Có kinh nghiệm xác định độ đo sự tương tự, phân nhóm, học phân cấp, học k-NN…

Bệnh viện Thống Nhất và Bệnh viện ĐH Y-Dược có các chuyên gia giỏi tham gia.

Nội dung 5

Có kinh nghiệm nghiên cứu về thuốc, quen và làm chủ các tài nguyên cho nghiên cứu

Bệnh viện Thống Nhất và Bệnh viện ĐH Y-Dược có các chuyên gia giỏi tham gia.

d. Mô tả nội dung, nhân sự của các chuyến đi trong quá trình triển khai nghiên cứu để có cơ sở đánh giá công tác phí trong và ngoài nước

Click here to enter text.

B6. Kết quả nghiên cứu B6.1 Mô tả sản phẩm/kết quả nghiên cứu (bắt buộc) Dạng I: Các sản phẩm mềm (Bao gồm nhưng không giới hạn các loại sau và phải có tính mới: lý thuyết; thuật toán; phương pháp; nguyên lý ứng dụng; mô hình; tiêu chuẩn; quy phạm; bản vẽ thiết kế; quy trình; sơ đồ, bản đồ; số liệu, cơ sở dữ liệu; báo cáo khoa học; tài liệu dự báo; đề án, qui hoạch; luận chứng kinh tế-kỹ thuật; báo cáo nghiên cứu khả thi; phần mềm máy tính; các loại khác) TT Tên sản phẩm Chỉ tiêu đánh giá (định lượng) Ghi chú

Dạng II: Các sản phẩm cứng (Gồm: mẫu-prototype; vật liệu; thiết bị, máy móc; dây chuyền công nghệ; giống cây trồng; giống vật nuôi; các loại khác)

TT Tên sản phẩm cụ thể và

chỉ tiêu chất lượng chủ yếu của sản phẩm

Đơn vị đo

Mức chất lượng Dự kiến số lượng/

quy mô sản phẩm tạo ra

Chỉ tiêu đánh giá

(định lượng)

Mẫu tương tự (theo các tiêu chuẩn mới nhất)

Trong nước Thế giới

Mức chất lượng các sản phẩm dạng II so với các sản phẩm tương tự trong nước và thế giới (Làm rõ cơ sở khoa học và thực tiễn để xác định các chỉ tiêu về chất lượng cần đạt của các sản phẩm) ...........................................................................................................................................................

20

B6.2 Ấn phẩm khoa học

TT Ấn phẩm dự kiến Số lượng Dự kiến nơi công bố

(Nhà xuất bản, tạp chí, hội nghị) 1. Sách

1.1 Chuyên khảo tiếng nước ngoài

1.2 Chuyên khảo tiếng Việt

2. Bài báo đăng tạp chí uy tín

2.1 Tạp chí quốc tế* 02

01 bài SCI (kết quả của nội dung 2 hoặc 4) 01 bài SCI-E; (kết quả của nội dung 5) 00 thuộc xếp hạng: … (kết quả của nội dung …)

2.2 Tạp chí trong nước (thuộc danh mục tính điểm của các hội đồng học hàm)

Kết quả của nội dung …

3. Bài báo đăng hội nghị có phản biện

3.1 Hội nghị quốc tế 04 Tên hội nghị: PAKDD (Kết quả của nội dung 1, 3, 4)

3.2 Hội nghị trong nước 02 Tên hội nghị: KSE, SoICT (Kết quả của nội dung 1, 2, 3)

* Tạp chí quốc tế: nêu IF/ xếp hạng của tạp chí dự kiến công bố kết quả để làm cơ sở xem xét đề xuất kinh phí ........................................................................................................................................................... ........................................................................................................................................................... ........................................................................................................................................................... B6.3 Sở hữu trí tuệ TT Hình thức đăng ký Số lượng Nội dung dự kiến đăng ký 1 Sáng chế Kết quả của nội dung …

2 Kiểu dáng công nghiệp Kết quả của nội dung …

3 Giải pháp hữu ích 3 Kết quả của nội dung 1, 2, 3

4 Thiết kế bố trí mạch tích hợp bán dẫn


5 Nhãn hiệu; giống cây trồng, vật nuôi,...


6 Bản quyền tác giả (tác phẩm, sách/giáo trình, phần mềm...)


21

B6.4 Đóng góp cho đào tạo

Bậc đào tạo

Số lượng

Nêu rõ hoàn tất hay tham gia đào tạo tiến sỹ, công việc NCS, HVCH hay SV được giao trong đề tài

Tiền công của NCS, HVCH, SV

(triệu đồng) Tiến sỹ 2

Thạc sỹ 6

Đại học

B7. Những đóng góp của nghiên cứu B7.1 Đóng góp mới về tri thức; mức độ giải quyết vấn đề nghiên cứu đặt ra

B7.2 Đóng góp thực tiễn về chính sách, về khả năng ứng dụng trong thực tế

B7.3 Phát triển nhóm nghiên cứu (So sánh trình độ của nhóm nghiên cứu với các nhóm trong nước và ngoài nước cùng lĩnh vực)

B7.4 Khả năng chuyển giao kết quả nghiên cứu (Chỉ dành cho loại hình nghiên cứu triển khai)

B8. Tổng hợp kinh phí đề nghị cấp Đơn vị tính: triệu đồng

TT Các khoản chi phí Tổng kinh phí Từ ĐHQG Từ nguồn huy động

1 Khoản 1: Tiền công lao động trực tiếp và thuê chuyên gia

2 Khoản 2: Vật tư

3 Khoản 3: Chi khác

4 Khoản 4: Quản lý chung nhiệm vụ KH&CN

(Tối đa là 5% của tổng 03 khoản trên và không quá 200 triệu đồng)

Tổng cộng:

(*) Theo quy định tại Thông tư số 55/2015/TTLT/BTC-BKHCN của liên Bộ Tài chính – Bộ Khoa học và Công nghệ ban hành ngày 22 / 4/ 2015

Ngày ...... tháng ...... năm .... Ngày ...... tháng ...... năm .... Chủ tịch hội đồng thẩm địnhi

(Họ tên, chữ ký)

Chủ nhiệm (Họ tên và chữ ký)

i , ii, iii Chỉ ký tên, đóng dấu khi Đề tài được phê duyệt

22

Ngày ...... tháng ...... năm.... Ngày ...... tháng ...... năm .... Cơ quan chủ trìii

(Họ tên, chữ ký, đóng dấu)

Cơ quan chủ quảniii (Họ tên, chữ ký, đóng dấu)

23

C. PHỤ LỤC: GIẢI TRÌNH CÁC KHOẢN CHI Khoản 1: Tiền công lao động trực tiếp và thuê chuyên gia (Danh sách này được tổng hợp từ mục B5.3 và A9)

TT Nội dung chi Tổng kinh phí Từ ĐHQG Từ nguồn huy động Ghi chú

1 Tổng hợp tiền công lao động trực tiếp Bảng 1.1

2 Tổng hợp tiền công thuê chuyên gia trong và ngoài nước

Bảng 1.2

Cộng:

Bảng 1.1 Tổng hợp tiền công lao động trực tiếp

Đơn vị tính: triệu đồng TT Chức

danh Họ và tên Hstcn4

(1) Số ngày

(2) Tổng kinh phí

(3)=(1)*(2) Từ

ĐHQG Từ nguồn huy động

1 Chủ nhiệm

2 Thành viên thực hiện chính;

Thư ký khoa học

1…

2….

….

3 Thành viên …..

4 Kỹ thuật viên, nhân viên hỗ trợ

Cộng:

Bảng 1.2 Tổng hợp tiền công thuê chuyên gia trong và ngoài nước

Đơn vị tính: triệu đồng TT Họ và tên Nội dung công việc Tổng

kinh phí Từ ĐHQG Từ nguồn

huy động

1

2

3

Cộng:

4 Hệ số tiền công theo ngày được hướng dẫn tại công văn số 1567/ĐHQG-KHCN ngày 04/9/2015 của ĐHQG-HCM

24

Khoản 2: Vật tư Đơn vị tính: triệu đồng

TT Nội dung chi Tổng kinh phí

Từ ĐHQG

Từ nguồn huy động

I Nguyên, vật liệu

1

2

II Dụng cụ, phụ tùng, vật rẻ tiền mau hỏng

III Năng lượng, nhiên liệu

1 Than

2 Điện

3 Xăng, dầu

4 Nhiên liệu khác

5 Nước

IV Mua sách, tài liệu, số liệu

Cộng:

25

Khoản 3. Chi khác Đơn vị tính: triệu đồng

TT Nội dung chi Tổng kinh phí Từ ĐHQG Từ nguồn huy động

1 Điều tra, khảo sát thu thập số liệu

2 Tổ chức Hội thảo khoa học trong nước

3 Tổ chức Hội thảo khoa học ngoài nước/quốc tế

4 Tham dự Hội thảo khoa học trong nước

5 Tham dự Hội thảo khoa học ngoài nước

6 Chi văn phòng phẩm, thông tin liên lạc, in ấn

7 Hội đồng tự đánh giá kết quả thực hiện nhiệm vụ KH&CN (nếu có)

Cộng:

thuyẾt minh ĐỀ tÀi khoa hỌc vÀ cÔng nghỆbao/papers/jvn/application2018/r01...(do cq...

Documents