[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_d%E1%BB%AF%20li%E1%BB%87u%20d%E1%BB%8Bch%20t%E1%BB%85%20h%E1%BB%8Dc{\"limit\":5}":3,"_public_topic_byId_dữ liệu dịch tễ học":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":17,"englishTitle":18,"synonyms":10,"definition":19,"discipline":20,"references":21,"faqs":43,"createUser":53,"publishUser":57,"keywords":61,"keywordCount":10,"enrichTopicLink":62,"status":63,"createTime":64,"updateTime":65,"publishTime":66,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":67,"relateTopics":68},"dữ liệu dịch tễ học","Dữ liệu dịch tễ học là gì? Ý nghĩa và ứng dụng chuyên sâu","Tìm hiểu Dữ liệu dịch tễ học (Epidemiological data): định nghĩa khoa học chuẩn mực, cơ chế vận hành, các thông số thực nghiệm và ứng dụng chuyên sâu.","\u003Cp>\u003Cstrong>Dữ liệu dịch tễ học\u003C\u002Fstrong> (\u003Cem>Epidemiological data\u003C\u002Fem>) là tập hợp các thông tin định lượng và định tính về sự phân bố, tần suất xuất hiện và các yếu tố quyết định sức khỏe hoặc bệnh tật trong một quần thể dân cư xác định, làm căn cứ khoa học cho việc hoạch định chính sách y tế công cộng.\u003C\u002Fp>\n\u003Ch2>Định nghĩa dữ liệu dịch tễ học\u003C\u002Fh2>\n\u003Cp>Dữ liệu dịch tễ học là tập hợp có hệ thống các thông tin liên quan đến sức khỏe, bệnh tật, tử vong và các yếu tố nguy cơ trong một cộng đồng dân số. Loại dữ liệu này được thu thập từ nhiều nguồn khác nhau và đóng vai trò nền tảng cho việc nghiên cứu nguyên nhân, mô hình phân bố và tác động của bệnh tật đối với con người. Nó cung cấp một bức tranh tổng thể về tình trạng sức khỏe cộng đồng, từ đó làm cơ sở cho việc xây dựng chính sách y tế và triển khai các biện pháp phòng ngừa.\u003C\u002Fp>\n\u003Cp>Đặc điểm quan trọng của dữ liệu dịch tễ học là tính đại diện cho quần thể và khả năng phản ánh xu hướng theo thời gian. Không giống dữ liệu lâm sàng vốn tập trung vào từng cá nhân, dữ liệu dịch tễ học nhấn mạnh sự phân bố bệnh trong cộng đồng, giúp so sánh giữa các nhóm dân cư, vùng địa lý và thời kỳ khác nhau. Chính vì vậy, nó trở thành công cụ cốt lõi để đánh giá và dự báo diễn biến dịch bệnh.\u003C\u002Fp>\n\u003Cp>Dữ liệu dịch tễ học bao gồm nhiều loại chỉ số khác nhau:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cb>Tỷ lệ hiện mắc (Prevalence):\u003C\u002Fb> cho biết số ca bệnh đang tồn tại trong một quần thể tại một thời điểm.\u003C\u002Fli>\n  \u003Cli>\u003Cb>Tỷ lệ mắc mới (Incidence):\u003C\u002Fb> phản ánh số ca bệnh mới phát sinh trong một khoảng thời gian.\u003C\u002Fli>\n  \u003Cli>\u003Cb>Tỷ lệ tử vong (Mortality rate):\u003C\u002Fb> cho thấy mức độ nghiêm trọng của bệnh đối với cộng đồng.\u003C\u002Fli>\n  \u003Cli>\u003Cb>Các yếu tố nguy cơ:\u003C\u002Fb> bao gồm đặc điểm nhân khẩu học, hành vi sức khỏe, điều kiện kinh tế xã hội và yếu tố môi trường.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Bảng minh họa một số chỉ số cơ bản:\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Chỉ số\u003C\u002Fth>\n    \u003Cth>Ý nghĩa\u003C\u002Fth>\n    \u003Cth>Ví dụ\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Tỷ lệ hiện mắc\u003C\u002Ftd>\n    \u003Ctd>Số ca bệnh tồn tại tại một thời điểm\u003C\u002Ftd>\n    \u003Ctd>5% dân số mắc tiểu đường năm 2020\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Tỷ lệ mắc mới\u003C\u002Ftd>\n    \u003Ctd>Số ca mới phát sinh trong thời gian nhất định\u003C\u002Ftd>\n    \u003Ctd>200 ca lao mới\u002F100.000 dân trong năm\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Tỷ lệ tử vong\u003C\u002Ftd>\n    \u003Ctd>Số ca tử vong trong cộng đồng\u003C\u002Ftd>\n    \u003Ctd>50 ca tử vong\u002F100.000 dân do ung thư phổi\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Lịch sử và sự phát triển\u003C\u002Fh2>\n\u003Cp>Sự hình thành dữ liệu dịch tễ học gắn liền với lịch sử phát triển của dịch tễ học nói chung. Vào thế kỷ 19, John Snow – một bác sĩ người Anh – được coi là người đặt nền móng hiện đại cho ngành này. Ông đã thu thập dữ liệu về số ca mắc dịch tả tại London và phát hiện mối liên quan giữa bệnh và nguồn nước nhiễm bẩn. Công trình này chứng minh sức mạnh của dữ liệu dịch tễ học trong việc truy tìm nguyên nhân và kiểm soát dịch bệnh.\u003C\u002Fp>\n\u003Cp>Trong thế kỷ 20, nhiều hệ thống giám sát bệnh tật đã ra đời, bao gồm các hệ thống báo cáo tử vong, ghi nhận ca bệnh truyền nhiễm và nghiên cứu đoàn hệ quy mô lớn. Những hệ thống này cung cấp dữ liệu dài hạn, cho phép phân tích xu hướng bệnh tật và đánh giá hiệu quả can thiệp y tế công cộng. Sự phát triển của các phương pháp thống kê hiện đại càng làm tăng giá trị ứng dụng của dữ liệu dịch tễ học.\u003C\u002Fp>\n\u003Cp>Bước sang thế kỷ 21, dữ liệu dịch tễ học bước vào kỷ nguyên kỹ thuật số. Các hồ sơ sức khỏe điện tử (EHRs), cơ sở dữ liệu y tế quốc gia và nguồn dữ liệu lớn (big data) từ thiết bị di động, mạng xã hội và cảm biến sinh học đã mở rộng phạm vi thu thập và phân tích. Điều này giúp xây dựng hệ thống giám sát y tế công cộng theo thời gian thực, đặc biệt quan trọng trong bối cảnh các đại dịch toàn cầu.\u003C\u002Fp>\n\u003Cp>Các mốc phát triển quan trọng:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>1854: John Snow phân tích dịch tả ở London, chứng minh nguồn gốc nước ô nhiễm.\u003C\u002Fli>\n  \u003Cli>Đầu thế kỷ 20: Hệ thống đăng ký tử vong và bệnh truyền nhiễm được thiết lập.\u003C\u002Fli>\n  \u003Cli>Giữa thế kỷ 20: Xuất hiện các nghiên cứu đoàn hệ dài hạn, ví dụ nghiên cứu Framingham về bệnh tim mạch.\u003C\u002Fli>\n  \u003Cli>Thế kỷ 21: Áp dụng dữ liệu lớn và trí tuệ nhân tạo trong giám sát dịch tễ học.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Các loại dữ liệu dịch tễ học\u003C\u002Fh2>\n\u003Cp>Dữ liệu dịch tễ học có thể được chia thành nhiều loại dựa trên phương pháp thu thập và nguồn gốc. Mỗi loại có ưu điểm, hạn chế và ứng dụng khác nhau trong nghiên cứu sức khỏe cộng đồng. Việc phân loại này giúp lựa chọn dữ liệu phù hợp cho từng mục tiêu nghiên cứu cụ thể.\u003C\u002Fp>\n\u003Cp>Thứ nhất, dữ liệu quan sát bao gồm dữ liệu từ khảo sát dân số, nghiên cứu cắt ngang, nghiên cứu bệnh-chứng và nghiên cứu đoàn hệ. Đây là loại dữ liệu phản ánh thực trạng bệnh và yếu tố nguy cơ trong cộng đồng, cho phép phân tích mối quan hệ nhân quả tiềm năng.\u003C\u002Fp>\n\u003Cp>Thứ hai, dữ liệu can thiệp được thu thập từ thử nghiệm lâm sàng ngẫu nhiên (RCTs) hoặc nghiên cứu can thiệp cộng đồng. Loại dữ liệu này có giá trị cao trong việc xác định hiệu quả của các biện pháp y tế như vaccine, thuốc điều trị hoặc chính sách sức khỏe cộng đồng.\u003C\u002Fp>\n\u003Cp>Thứ ba, dữ liệu giám sát là thông tin được thu thập liên tục từ các hệ thống báo cáo bệnh truyền nhiễm, đăng ký tử vong và cơ sở dữ liệu bệnh viện. Đây là nguồn dữ liệu quan trọng để theo dõi dịch bệnh và đánh giá xu hướng theo thời gian.\u003C\u002Fp>\n\u003Cp>Cuối cùng, dữ liệu về yếu tố môi trường và xã hội cũng là một phần của dữ liệu dịch tễ học. Chúng bao gồm các yếu tố như mức độ ô nhiễm, điều kiện sống, chế độ ăn uống, hành vi sức khỏe và tình trạng kinh tế. Những yếu tố này giúp giải thích sự khác biệt về bệnh tật giữa các quần thể.\u003C\u002Fp>\n\u003Cp>Bảng so sánh các loại dữ liệu:\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Loại dữ liệu\u003C\u002Fth>\n    \u003Cth>Nguồn thu thập\u003C\u002Fth>\n    \u003Cth>Ứng dụng\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Quan sát\u003C\u002Ftd>\n    \u003Ctd>Khảo sát dân số, nghiên cứu đoàn hệ\u003C\u002Ftd>\n    \u003Ctd>Xác định mối liên quan bệnh – yếu tố nguy cơ\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Can thiệp\u003C\u002Ftd>\n    \u003Ctd>Thử nghiệm lâm sàng, can thiệp cộng đồng\u003C\u002Ftd>\n    \u003Ctd>Đánh giá hiệu quả thuốc, vaccine, chính sách\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Giám sát\u003C\u002Ftd>\n    \u003Ctd>Báo cáo bệnh viện, hệ thống giám sát y tế\u003C\u002Ftd>\n    \u003Ctd>Theo dõi dịch bệnh, phát hiện sớm ổ dịch\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Môi trường – xã hội\u003C\u002Ftd>\n    \u003Ctd>Ô nhiễm, điều kiện sống, hành vi sức khỏe\u003C\u002Ftd>\n    \u003Ctd>Phân tích yếu tố ảnh hưởng đến sức khỏe cộng đồng\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Phương pháp thu thập và xử lý\u003C\u002Fh2>\n\u003Cp>Thu thập dữ liệu dịch tễ học yêu cầu quy trình chặt chẽ và đáng tin cậy. Phương pháp truyền thống bao gồm phỏng vấn, bảng hỏi, ghi nhận y tế và quan sát trực tiếp. Ngày nay, nhiều công nghệ mới như cảm biến sinh học, điện thoại thông minh và hệ thống giám sát điện tử được ứng dụng để thu thập dữ liệu theo thời gian thực, mở rộng quy mô và độ chính xác.\u003C\u002Fp>\n\u003Cp>Sau khi thu thập, dữ liệu phải trải qua các bước xử lý bao gồm làm sạch dữ liệu, loại bỏ thông tin sai lệch hoặc thiếu sót, chuẩn hóa định dạng và mã hóa. Việc phân tích thống kê sử dụng các phần mềm như R, Python, SAS hoặc SPSS để phát hiện xu hướng, mối quan hệ nhân quả và các yếu tố nguy cơ. Các mô hình toán học cũng được áp dụng, ví dụ trong dự báo sự lây lan dịch bệnh dựa trên tỷ lệ lây nhiễm cơ bản \u003Cscript type=\"math\u002Ftex\">R_0\u003C\u002Fscript>.\u003C\u002Fp>\n\u003Cp>Danh sách công cụ hỗ trợ xử lý dữ liệu:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Phần mềm phân tích: R, Python, SAS, SPSS.\u003C\u002Fli>\n  \u003Cli>Công cụ quản lý dữ liệu: SQL, Excel nâng cao, phần mềm Epi Info.\u003C\u002Fli>\n  \u003Cli>Kỹ thuật học máy: phân loại, hồi quy, mô hình dự báo.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Nhờ các bước xử lý này, dữ liệu dịch tễ học trở thành cơ sở khoa học đáng tin cậy để hỗ trợ ra quyết định trong y tế công cộng.\u003C\u002Fp>\n\u003Ch2>Ứng dụng trong giám sát sức khỏe cộng đồng\u003C\u002Fh2>\n\u003Cp>Dữ liệu dịch tễ học đóng vai trò trung tâm trong việc xây dựng và vận hành các hệ thống giám sát y tế công cộng. Các cơ quan y tế sử dụng dữ liệu này để theo dõi tình trạng bệnh tật, phát hiện sớm ổ dịch, xác định nhóm dân số có nguy cơ cao và triển khai biện pháp phòng ngừa. Khi có dịch bệnh bùng phát, việc phân tích dữ liệu dịch tễ học cho phép dự đoán xu hướng lan rộng và đánh giá mức độ ảnh hưởng đến cộng đồng.\u003C\u002Fp>\n\u003Cp>Trong thực tế, dữ liệu dịch tễ học giúp giám sát nhiều lĩnh vực khác nhau:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Bệnh truyền nhiễm như cúm mùa, sốt rét, HIV\u002FAIDS và COVID-19.\u003C\u002Fli>\n  \u003Cli>Bệnh không lây nhiễm như tiểu đường, tim mạch và ung thư.\u003C\u002Fli>\n  \u003Cli>Các yếu tố xã hội – môi trường như dinh dưỡng, ô nhiễm không khí và điều kiện vệ sinh.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Một ví dụ điển hình là đại dịch COVID-19, nơi dữ liệu dịch tễ học được sử dụng để xây dựng bản đồ dịch tễ, theo dõi hệ số lây nhiễm \u003Cscript type=\"math\u002Ftex\">R_t\u003C\u002Fscript>, và đánh giá hiệu quả của các biện pháp như giãn cách xã hội hoặc tiêm vaccine. Các dữ liệu này không chỉ phục vụ cho quốc gia mà còn được chia sẻ toàn cầu để xây dựng chiến lược phòng chống dịch chung.\u003C\u002Fp>\n\n\u003Ch2>Vai trò trong nghiên cứu dịch bệnh\u003C\u002Fh2>\n\u003Cp>Dữ liệu dịch tễ học là nền tảng cho việc thiết kế và thực hiện các nghiên cứu dịch bệnh. Nhờ dữ liệu này, các nhà khoa học có thể tính toán tỷ lệ mắc bệnh, xác định các yếu tố nguy cơ và mô tả đường lây truyền. Ví dụ, khi nghiên cứu bệnh truyền nhiễm, việc tính toán hệ số lây nhiễm cơ bản \u003Cscript type=\"math\u002Ftex\">R_0\u003C\u002Fscript> cho biết số người trung bình mà một ca bệnh có thể lây sang trong cộng đồng chưa có miễn dịch.\u003C\u002Fp>\n\u003Cp>Trong các thử nghiệm vaccine, dữ liệu dịch tễ học được sử dụng để xác định nhóm đối tượng nghiên cứu, theo dõi số ca nhiễm mới và tính toán hiệu quả bảo vệ. Các nghiên cứu đoàn hệ dựa trên dữ liệu dịch tễ học dài hạn cũng giúp phát hiện mối liên hệ giữa các yếu tố nguy cơ như hút thuốc, chế độ ăn uống hay ô nhiễm môi trường với bệnh mãn tính.\u003C\u002Fp>\n\u003Cp>Bảng ví dụ về vai trò của dữ liệu trong nghiên cứu dịch bệnh:\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Ứng dụng\u003C\u002Fth>\n    \u003Cth>Mục đích\u003C\u002Fth>\n    \u003Cth>Ví dụ\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Đánh giá yếu tố nguy cơ\u003C\u002Ftd>\n    \u003Ctd>Xác định mối liên quan nhân quả\u003C\u002Ftd>\n    \u003Ctd>Hút thuốc lá và ung thư phổi\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Tính toán chỉ số lây lan\u003C\u002Ftd>\n    \u003Ctd>Dự đoán tốc độ dịch bệnh\u003C\u002Ftd>\n    \u003Ctd>\u003Cscript type=\"math\u002Ftex\">R_0\u003C\u002Fscript> của SARS-CoV-2\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Thử nghiệm vaccine\u003C\u002Ftd>\n    \u003Ctd>Đo lường hiệu quả bảo vệ\u003C\u002Ftd>\n    \u003Ctd>Vaccine COVID-19 mRNA\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Thách thức trong quản lý dữ liệu\u003C\u002Fh2>\n\u003Cp>Mặc dù mang lại nhiều giá trị, dữ liệu dịch tễ học cũng đối diện nhiều thách thức. Một trong những vấn đề lớn là thiếu tính đồng bộ giữa các hệ thống ghi nhận dữ liệu. Các quốc gia và tổ chức thường sử dụng định dạng, tiêu chuẩn và quy trình thu thập khác nhau, khiến việc chia sẻ và so sánh dữ liệu gặp khó khăn.\u003C\u002Fp>\n\u003Cp>Một thách thức khác là sai số đo lường và thiên lệch trong thu thập dữ liệu. Dữ liệu có thể bị thiếu, không đầy đủ hoặc không chính xác do nhiều nguyên nhân như khai báo sai, lỗi kỹ thuật hoặc yếu tố xã hội. Những sai lệch này có thể dẫn đến kết luận sai lầm, ảnh hưởng nghiêm trọng đến quyết định y tế công cộng.\u003C\u002Fp>\n\u003Cp>Quyền riêng tư và đạo đức cũng là mối quan tâm lớn. Dữ liệu sức khỏe cá nhân có tính nhạy cảm cao, do đó cần được bảo mật tuyệt đối. Các quy định như HIPAA (Mỹ) và GDPR (châu Âu) đã được ban hành để đảm bảo quyền lợi của cá nhân khi dữ liệu sức khỏe được thu thập và phân tích.\u003C\u002Fp>\n\n\u003Ch2>Tương lai và triển vọng\u003C\u002Fh2>\n\u003Cp>Tương lai của dữ liệu dịch tễ học gắn liền với sự phát triển của công nghệ số, trí tuệ nhân tạo (AI) và dữ liệu lớn (big data). Các nguồn dữ liệu mới từ hồ sơ y tế điện tử (EHRs), thiết bị đeo thông minh, cảm biến sinh học và thậm chí dữ liệu mạng xã hội đang được tích hợp để tăng độ chính xác và kịp thời của giám sát dịch tễ học.\u003C\u002Fp>\n\u003Cp>Phân tích dữ liệu dịch tễ học bằng học máy (machine learning) và mô hình dự báo hiện đại cho phép nhận diện xu hướng tiềm ẩn và dự báo dịch bệnh với độ chính xác cao hơn. Điều này đặc biệt quan trọng trong bối cảnh dịch bệnh mới nổi và biến đổi khí hậu, vốn có thể làm thay đổi mô hình lây lan bệnh tật toàn cầu.\u003C\u002Fp>\n\u003Cp>Sự hợp tác quốc tế ngày càng quan trọng trong quản lý dữ liệu dịch tễ học. Các nền tảng toàn cầu như WHO Global Health Observatory hay Global Burden of Disease Study cung cấp cơ sở dữ liệu mở, giúp các nhà khoa học, nhà hoạch định chính sách và tổ chức quốc tế phối hợp hiệu quả hơn trong việc kiểm soát dịch bệnh và cải thiện sức khỏe toàn cầu.\u003C\u002Fp>","Dữ liệu dịch tễ học","Epidemiological data","Dữ liệu dịch tễ học là tập hợp các thông tin định lượng và định tính về sự phân bố, tần suất xuất hiện và các yếu tố quyết định sức khỏe hoặc bệnh tật trong một quần thể dân cư xác định, làm căn cứ khoa học cho việc hoạch định chính sách y tế công cộng.","MEDICAL_HEALTH_SCIENCES",[22,29,36],{"citationText":23,"title":24,"authors":25,"source":26,"year":27,"doi":28,"url":10},"KARINKAN, ANSOUMANE (2022). Surveillance of Acute Flaccid Paralysis: Epidemiological Aspects and Surveillance Indicators in Kankan Health Regional. Research Square Platform LLC. doi:10.21203\u002Frs.3.rs-1753460\u002Fv1","Surveillance of Acute Flaccid Paralysis: Epidemiological Aspects and Surveillance Indicators in Kankan Health Regional","KARINKAN, ANSOUMANE","Research Square Platform LLC",2022,"10.21203\u002Frs.3.rs-1753460\u002Fv1",{"citationText":30,"title":31,"authors":32,"source":33,"year":34,"doi":35,"url":10},"De la Luz (2008). Health Indicators Associated to Atmospheric Pollutants, an Epidemiological Surveillance System in Mexico City Metropolitan Area. Epidemiology. doi:10.1097\u002F01.ede.0000291929.76821.64","Health Indicators Associated to Atmospheric Pollutants, an Epidemiological Surveillance System in Mexico City Metropolitan Area","De la Luz","Epidemiology",2008,"10.1097\u002F01.ede.0000291929.76821.64",{"citationText":37,"title":38,"authors":39,"source":40,"year":41,"doi":42,"url":10},"Pan (2025). Changes in epidemiological characteristics of varicella and breakthrough cases: Insights from Surveillance Data in Ningbo Spanning 2010 to 2023 (Preprint). JMIR Publications Inc.. doi:10.2196\u002Fpreprints.71691","Changes in epidemiological characteristics of varicella and breakthrough cases: Insights from Surveillance Data in Ningbo Spanning 2010 to 2023 (Preprint)","Pan","JMIR Publications Inc.",2025,"10.2196\u002Fpreprints.71691",[44,47,50],{"question":45,"answer":46},"Dữ liệu dịch tễ học được phân loại theo các tiêu chí cơ bản nào?","Dữ liệu dịch tễ học thường được phân thành dữ liệu tỷ lệ mắc mới (incidence), tỷ lệ hiện mắc (prevalence), tỷ suất tử vong (mortality rate), cùng với các biến số về con người (tuổi, giới, nghề nghiệp), thời gian (xu hướng mùa, chu kỳ dịch) và không gian (phân bố địa lý).",{"question":48,"answer":49},"Hệ thống giám sát dịch tễ học (epidemiological surveillance) thu thập dữ liệu bằng cách nào?","Hệ thống giám sát vận hành qua hai cơ chế chính: giám sát thụ động (báo cáo thường quy từ các cơ sở y tế theo quy định) và giám sát chủ động (điều tra thực địa, xét nghiệm sàng lọc cộng đồng hoặc giám sát dựa trên sự kiện và tín hiệu truyền thông).",{"question":51,"answer":52},"Các sai số hệ thống (bias) thường gặp trong thu thập dữ liệu dịch tễ học là gì?","Các sai số phổ biến gồm sai số chọn (selection bias do mẫu không đại diện), sai số thông tin\u002Fnhớ lại (information\u002Frecall bias khi thu thập tiền sử phơi nhiễm) và yếu tố nhiễu (confounding) đòi hỏi kỹ thuật chuẩn hóa tỷ lệ hoặc phân tích hồi quy đa biến để hiệu chỉnh.",{"id":54,"researcherId":10,"name":55,"imageUrl":56},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":58,"researcherId":10,"name":59,"imageUrl":60},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",[13],false,"PUBLISHED","2025-04-24T02:08:26.124+00:00","2026-09-03T04:14:54.048+00:00","2025-08-27T04:10:48.267+00:00",177,[69,79,84,89,95,100,105,111,116,122],{"id":70,"title":71,"term":72,"englishTitle":73,"definition":74,"discipline":20,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"biến cố tim mạch chính","Biến cố tim mạch chính (MACE) là gì? Tiêu chí và dự báo","Biến cố tim mạch chính","major adverse cardiovascular events","Biến cố tim mạch chính (MACE) là tiêu chí kết cục lâm sàng gộp then chốt trong các thử nghiệm lâm sàng tim mạch, thường bao gồm tử vong do tim mạch, nhồi máu cơ tim không tử vong và đột quỵ không tử vong.","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":80,"title":81,"term":80,"englishTitle":82,"definition":83,"discipline":20,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"u nội mô mạch máu dạng biểu mô","U nội mô mạch máu dạng biểu mô là gì? Khái niệm và ứng dụng","Epithelioid hemangioendothelioma (EHE)","U nội mô mạch máu dạng biểu mô (epithelioid hemangioendothelioma - EHE) là một loại sarcoma mạch máu hiếm gặp có mức độ ác tính trung bình, đặc trưng bởi các tế bào nội mô hình biểu mô sắp xếp trong chất đệm dạng niêm nhầy hoặc hyaline.",{"id":85,"title":86,"term":85,"englishTitle":87,"definition":88,"discipline":20,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"rối loạn phát triển","Rối loạn phát triển là gì? Các bài báo nghiên cứu khoa học","Developmental disorder","Rối loạn phát triển (Developmental disorder) là nhóm bệnh lý khởi phát trong giai đoạn phát triển của trẻ, gây suy giảm hoặc gián đoạn sự trưởng thành về nhận thức, vận động, ngôn ngữ hoặc hành vi xã hội.",{"id":90,"title":91,"term":92,"englishTitle":93,"definition":94,"discipline":20,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"chỉ số lâm sàng nha chu","Chỉ số lâm sàng nha chu là gì? Định nghĩa và ứng dụng","Chỉ số lâm sàng nha chu","periodontal clinical indices","Chỉ số lâm sàng nha chu là hệ thống các thang đo định lượng được chuẩn hóa trong nha khoa dùng để đánh giá mức độ tích tụ mảng bám, tình trạng viêm nướu, độ sâu túi nha chu và mức độ mất bám dính lâm sàng của mô nâng đỡ răng.",{"id":96,"title":97,"term":96,"englishTitle":98,"definition":99,"discipline":20,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"cao chiết","Cao chiết là gì? Phân loại, quy trình và tiêu chuẩn","botanical extract","Cao chiết là chế phẩm đậm đặc thu được bằng cách chiết xuất hoạt chất sinh học từ nguyên liệu tự nhiên bằng dung môi thích hợp, sau đó loại bỏ bã và bốc hơi một phần hoặc toàn bộ dung môi để đạt thể chất quy định.",{"id":101,"title":102,"term":101,"englishTitle":103,"definition":104,"discipline":20,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"brca1","BRCA1 là gì? Các nghiên cứu khoa học liên quan","BRCA1 DNA repair associated","BRCA1 là gen ức chế khối u nằm trên nhiễm sắc thể 17q21 của người, mã hóa một protein nhân có vai trò duy trì tính toàn vẹn của bộ gen thông qua cơ chế sửa chữa đứt gãy sợi đôi DNA bằng tái tổ hợp tương đồng.",{"id":106,"title":107,"term":108,"englishTitle":109,"definition":110,"discipline":20,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"pi rads","PI-RADS là gì? Thang điểm đánh giá MRI tuyến tiền liệt","PI-RADS","Prostate Imaging Reporting and Data System","PI-RADS là hệ thống chuẩn hóa quốc tế phân tầng nguy cơ ung thư tuyến tiền liệt có ý nghĩa lâm sàng dựa trên hình ảnh chụp cộng hưởng từ đa thông số (mpMRI).",{"id":112,"title":113,"term":112,"englishTitle":114,"definition":115,"discipline":20,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"tình trạng sức khỏe","Tình trạng sức khỏe là gì? Định nghĩa WHO, thang đo SF-36 và các chỉ số","Health Status","Tình trạng sức khỏe là trạng thái toàn diện về thể chất, tâm thần và xã hội của một cá nhân hay quần thể theo định nghĩa WHO, được đo lường qua các thang đo chức năng như SF-36 và các chỉ số dịch tễ học.",{"id":117,"title":118,"term":119,"englishTitle":120,"definition":121,"discipline":20,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"bệnh hbh","Bệnh HbH là gì? Các nghiên cứu khoa học về Bệnh HbH","Bệnh HbH","Hemoglobin H disease","Bệnh HbH (bệnh Hemoglobin H) là một thể bệnh alpha-thalassemia mức độ trung gian do mất chức năng 3 trong số 4 gen alpha-globin, dẫn đến sự thiếu hụt nghiêm trọng chuỗi alpha-globin và làm dư thừa các chuỗi beta tự do kết tụ thành tetramer beta-4 không bền vững (Hemoglobin H), gây thiếu máu tán huyết mạn tính.",{"id":123,"title":124,"term":125,"englishTitle":126,"definition":127,"discipline":20,"disciplineCode":75,"disciplineLabel":76,"disciplineColor":77,"disciplineIcon":78},"mô sẹo","Mô sẹo là gì? Quá trình hình thành, phân loại và điều trị","Mô sẹo","scar tissue","Mô sẹo là vùng mô liên kết sợi giàu collagen hình thành trong quá trình tự làm lành sau tổn thương mô hoặc phẫu thuật để thay thế mô bình thường."]