[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_hi%E1%BB%87u%20su%E1%BA%A5t%20ch%E1%BA%A9n%20%C4%91o%C3%A1n{\"limit\":5}":3,"_public_topic_byId_hi%E1%BB%87u%20su%E1%BA%A5t%20ch%E1%BA%A9n%20%C4%91o%C3%A1n":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":13,"englishTitle":17,"synonyms":18,"definition":23,"discipline":24,"references":25,"faqs":50,"createUser":60,"publishUser":64,"keywords":68,"keywordCount":79,"enrichTopicLink":80,"status":81,"createTime":82,"updateTime":83,"publishTime":84,"linkEnrichedTime":85,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":86,"wikidataId":10,"relateTopics":87},"hiệu suất chẩn đoán","Hiệu suất chẩn đoán là gì? Các bài báo nghiên cứu khoa học","Hiệu suất chẩn đoán là chỉ số phản ánh mức độ chính xác của một xét nghiệm trong việc phân loại đúng người bệnh và người không bệnh dựa trên tiêu chuẩn xác minh. Nó bao gồm các thành phần như độ nhạy, độ đặc hiệu, giá trị tiên đoán và độ chính xác tổng thể, được sử dụng rộng rãi trong y học lâm sàng và nghiên cứu. ","\u003Cp>\nHiệu suất chẩn đoán (diagnostic accuracy) là chỉ số đánh giá khả năng của một xét nghiệm, mô hình, hoặc thuật toán trong việc xác định đúng tình trạng bệnh lý hoặc không bệnh của một cá nhân. Đây là thước đo tổng hợp phản ánh mức độ khớp giữa kết quả chẩn đoán và tình trạng bệnh thực tế được xác nhận bằng tiêu chuẩn vàng (gold standard) hoặc phương pháp xác minh chính xác nhất hiện có.\n\u003C\u002Fp>\n\u003Cp>\nTrong {{topic|%7B%22topic%22%3A%22nghi%C3%AAn%20c%E1%BB%A9u%20y%20h%E1%BB%8Dc%22%7D}} và ứng dụng lâm sàng, hiệu suất chẩn đoán là yếu tố trung tâm để so sánh các công cụ chẩn đoán, lựa chọn xét nghiệm phù hợp, và {{topic|%7B%22topic%22%3A%22%C4%91%C3%A1nh%20gi%C3%A1%20ch%E1%BA%A5t%20l%C6%B0%E1%BB%A3ng%22%7D}} của hệ thống y tế. Nó không chỉ liên quan đến độ chính xác chung mà còn thể hiện sự cân bằng giữa phát hiện đúng người bệnh và tránh chẩn đoán nhầm cho người khỏe mạnh.\n\u003C\u002Fp>\n\u003Cp>\nMột công cụ chẩn đoán có hiệu suất cao cần đạt được:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Khả năng phát hiện chính xác người mắc bệnh (độ nhạy cao)\u003C\u002Fli>\n  \u003Cli>Khả năng loại trừ chính xác người không mắc bệnh (độ đặc hiệu cao)\u003C\u002Fli>\n  \u003Cli>Tỷ lệ kết quả dương tính là đúng thật sự (PPV cao)\u003C\u002Fli>\n  \u003Cli>Tỷ lệ kết quả âm tính là đúng không bệnh (NPV cao)\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Thành phần cấu thành hiệu suất chẩn đoán\u003C\u002Fh2>\n\u003Cp>\nHiệu suất chẩn đoán không phải là một đại lượng đơn nhất, mà là tổ hợp của nhiều chỉ số thống kê được suy ra từ dữ liệu {{topic|%7B%22topic%22%3A%22th%E1%BB%AD%20nghi%E1%BB%87m%20l%C3%A2m%20s%C3%A0ng%22%7D}}. Các chỉ số chính bao gồm:\n\u003C\u002Fp>\u003Col>\n  \u003Cli>Độ nhạy (sensitivity)\u003C\u002Fli>\n  \u003Cli>Độ đặc hiệu (specificity)\u003C\u002Fli>\n  \u003Cli>Giá trị tiên đoán dương (PPV)\u003C\u002Fli>\n  \u003Cli>Giá trị tiên đoán âm (NPV)\u003C\u002Fli>\n  \u003Cli>Độ chính xác tổng thể (overall accuracy)\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nCác chỉ số này được xác định từ ma trận phân loại nhị phân, chia theo kết quả xét nghiệm và tình trạng bệnh thực tế. Cấu trúc bảng 2x2 như sau:\n\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Kết quả xét nghiệm\u003C\u002Fth>\n    \u003Cth>Bệnh\u003C\u002Fth>\n    \u003Cth>Không bệnh\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Dương tính\u003C\u002Ftd>\n    \u003Ctd>TP (True Positive)\u003C\u002Ftd>\n    \u003Ctd>FP (False Positive)\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Âm tính\u003C\u002Ftd>\n    \u003Ctd>FN (False Negative)\u003C\u002Ftd>\n    \u003Ctd>TN (True Negative)\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nÝ nghĩa từng ô trong bảng:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>TP:\u003C\u002Fstrong> Người bệnh được chẩn đoán đúng là bệnh\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>FP:\u003C\u002Fstrong> Người không bệnh nhưng bị chẩn đoán nhầm là bệnh\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>FN:\u003C\u002Fstrong> Người bệnh nhưng bị chẩn đoán nhầm là không bệnh\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>TN:\u003C\u002Fstrong> Người không bệnh được chẩn đoán đúng là không bệnh\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Các công thức tính hiệu suất chẩn đoán\u003C\u002Fh2>\n\u003Cp>\nTừ bảng 2x2, các {{topic|%7B%22topic%22%3A%22ch%E1%BB%89%20s%E1%BB%91%20hi%E1%BB%87u%20su%E1%BA%A5t%22%7D}} chẩn đoán được tính toán theo các công thức sau:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Độ nhạy:\n    \u003Cscript type=\"math\u002Ftex\">\\text{Sensitivity} = \\frac{TP}{TP + FN}\u003C\u002Fscript>\n  \u003C\u002Fli>\n  \u003Cli>Độ đặc hiệu:\n    \u003Cscript type=\"math\u002Ftex\">\\text{Specificity} = \\frac{TN}{TN + FP}\u003C\u002Fscript>\n  \u003C\u002Fli>\n  \u003Cli>Giá trị tiên đoán dương:\n    \u003Cscript type=\"math\u002Ftex\">\\text{PPV} = \\frac{TP}{TP + FP}\u003C\u002Fscript>\n  \u003C\u002Fli>\n  \u003Cli>Giá trị tiên đoán âm:\n    \u003Cscript type=\"math\u002Ftex\">\\text{NPV} = \\frac{TN}{TN + FN}\u003C\u002Fscript>\n  \u003C\u002Fli>\n  \u003Cli>Độ chính xác tổng thể:\n    \u003Cscript type=\"math\u002Ftex\">\\text{Accuracy} = \\frac{TP + TN}{TP + TN + FP + FN}\u003C\u002Fscript>\n  \u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nCác công thức trên cho phép so sánh hiệu suất của các công cụ khác nhau, đồng thời đánh giá tác động của một thay đổi trong {{topic|%7B%22topic%22%3A%22ph%C6%B0%C6%A1ng%20ph%C3%A1p%20ch%E1%BA%A9n%20%C4%91o%C3%A1n%22%7D}}. Tuy nhiên, từng chỉ số phản ánh một khía cạnh riêng, do đó cần được phân tích kết hợp để có cái nhìn toàn diện.\n\u003C\u002Fp>\n\u003Cp>\nVí dụ minh họa với dữ liệu giả định:\n\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Kết quả\u003C\u002Fth>\n    \u003Cth>Bệnh\u003C\u002Fth>\n    \u003Cth>Không bệnh\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Dương tính\u003C\u002Ftd>\n    \u003Ctd>80\u003C\u002Ftd>\n    \u003Ctd>10\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Âm tính\u003C\u002Ftd>\n    \u003Ctd>20\u003C\u002Ftd>\n    \u003Ctd>90\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cul>\n  \u003Cli>Độ nhạy = 80 \u002F (80 + 20) = 0.80\u003C\u002Fli>\n  \u003Cli>Độ đặc hiệu = 90 \u002F (90 + 10) = 0.90\u003C\u002Fli>\n  \u003Cli>PPV = 80 \u002F (80 + 10) = 0.89\u003C\u002Fli>\n  \u003Cli>NPV = 90 \u002F (90 + 20) = 0.82\u003C\u002Fli>\n  \u003Cli>Độ chính xác = (80 + 90) \u002F 200 = 0.85\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>ROC curve và AUC\u003C\u002Fh2>\n\u003Cp>\nBiểu đồ ROC (Receiver Operating Characteristic) là công cụ quan trọng để {{topic|%7B%22topic%22%3A%22%C4%91%C3%A1nh%20gi%C3%A1%20hi%E1%BB%87u%20su%E1%BA%A5t%22%7D}} phân biệt của một xét nghiệm tại nhiều ngưỡng khác nhau. Trục hoành thể hiện tỷ lệ dương tính giả (1 - độ đặc hiệu), còn trục tung biểu diễn độ nhạy. Mỗi điểm trên đường cong ROC tương ứng với một ngưỡng phân loại cụ thể.\n\u003C\u002Fp>\n\u003Cp>\nDiện tích dưới đường cong (AUC – Area Under the Curve) thể hiện khả năng phân biệt tổng thể của xét nghiệm. AUC càng gần 1 thì khả năng phân loại càng cao. Một xét nghiệm hoàn hảo có AUC = 1.0, còn xét nghiệm ngẫu nhiên có AUC = 0.5.\n\u003C\u002Fp>\n\u003Cp>\nBảng diễn giải mức AUC:\n\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"5\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>AUC\u003C\u002Fth>\n    \u003Cth>Đánh giá\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>0.90 – 1.00\u003C\u002Ftd>\n    \u003Ctd>Xuất sắc\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>0.80 – 0.89\u003C\u002Ftd>\n    \u003Ctd>Tốt\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>0.70 – 0.79\u003C\u002Ftd>\n    \u003Ctd>Khá\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>0.60 – 0.69\u003C\u002Ftd>\n    \u003Ctd>Yếu\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>0.50 – 0.59\u003C\u002Ftd>\n    \u003Ctd>Không giá trị\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nĐường ROC và AUC thường được sử dụng trong nghiên cứu đánh giá thuật toán học máy, đặc biệt trong các hệ thống hỗ trợ ra quyết định y khoa. Xem hướng dẫn chi tiết từ FDA tại FDA Biomarker Qualification.\n\u003C\u002Fp>\n\u003Ch2>Vai trò trong y học lâm sàng\u003C\u002Fh2>\n\u003Cp>\nHiệu suất chẩn đoán là yếu tố then chốt giúp bác sĩ lựa chọn công cụ phù hợp cho từng mục đích lâm sàng cụ thể. Trong thực tế, không có xét nghiệm nào có độ nhạy và độ đặc hiệu tuyệt đối, do đó việc cân đối các chỉ số hiệu suất là điều bắt buộc để tối ưu hóa giá trị lâm sàng. \n\u003C\u002Fp>\n\u003Cp>\nVí dụ, trong sàng lọc bệnh, mục tiêu là không bỏ sót người bệnh, nên ưu tiên xét nghiệm có độ nhạy cao. Ngược lại, khi xác nhận chẩn đoán, cần giảm sai số dương tính giả, tức ưu tiên xét nghiệm có độ đặc hiệu cao.\n\u003C\u002Fp>\n\u003Cp>\nCác tình huống ứng dụng điển hình:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Độ nhạy cao: {{topic|%7B%22topic%22%3A%22s%C3%A0ng%20l%E1%BB%8Dc%20ung%20th%C6%B0%20c%E1%BB%95%20t%E1%BB%AD%20cung%22%7D}}, xét nghiệm COVID-19 nhanh\u003C\u002Fli>\n  \u003Cli>Độ đặc hiệu cao: xác nhận HIV, giang mai, ung thư phổi qua sinh thiết\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nĐặc biệt trong môi trường ICU (chăm sóc tích cực), hiệu suất chẩn đoán của các test sinh học nhanh (PCT, CRP, troponin...) quyết định hướng điều trị và tỷ lệ sống còn của bệnh nhân. Do đó, các quyết định lâm sàng dựa trên xét nghiệm cần hiểu rõ bản chất hiệu suất và giới hạn của nó.\n\u003C\u002Fp>\n\n\u003Ch2>Ảnh hưởng của tỷ lệ hiện mắc\u003C\u002Fh2>\n\u003Cp>\nMột yếu tố có ảnh hưởng lớn nhưng thường bị bỏ qua trong đánh giá hiệu suất chẩn đoán là {{topic|%7B%22topic%22%3A%22t%E1%BB%B7%20l%E1%BB%87%20hi%E1%BB%87n%20m%E1%BA%AFc%22%7D}} (prevalence) trong quần thể được xét nghiệm. Dù độ nhạy và độ đặc hiệu là đặc trưng nội tại của xét nghiệm, giá trị tiên đoán dương (PPV) và âm (NPV) lại phụ thuộc mạnh vào tỷ lệ hiện mắc bệnh.\n\u003C\u002Fp>\n\u003Cp>\nTrong quần thể có tỷ lệ mắc thấp, dù xét nghiệm có độ nhạy và độ đặc hiệu cao, vẫn có thể dẫn đến nhiều dương tính giả, khiến PPV thấp. Ngược lại, trong quần thể có tỷ lệ mắc cao, NPV có xu hướng giảm.\n\u003C\u002Fp>\n\u003Cp>\nCông thức tính PPV và NPV theo xác suất Bayes:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\text{PPV} = \\frac{Se \\cdot P}{Se \\cdot P + (1 - Sp)(1 - P)}\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\text{NPV} = \\frac{Sp \\cdot (1 - P)}{(1 - Se) \\cdot P + Sp \\cdot (1 - P)}\u003C\u002Fscript>\u003C\u002Fli>\n\u003C\u002Ful>\nTrong đó:\n\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">Se\u003C\u002Fscript> là độ nhạy\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">Sp\u003C\u002Fscript> là độ đặc hiệu\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">P\u003C\u002Fscript> là tỷ lệ hiện mắc\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nDo vậy, hiệu suất chẩn đoán phải được đánh giá trong ngữ cảnh dịch tễ cụ thể. Một xét nghiệm có hiệu suất rất tốt trong môi trường nghiên cứu có thể không hiệu quả khi áp dụng đại trà nếu không tính đến yếu tố hiện mắc.\n\u003C\u002Fp>\n\n\u003Ch2>Hiệu suất chẩn đoán trong học máy và AI y tế\u003C\u002Fh2>\n\u003Cp>\nTrong các hệ thống trí tuệ nhân tạo (AI) ứng dụng trong y học, hiệu suất chẩn đoán là cơ sở {{topic|%7B%22topic%22%3A%22%C4%91%C3%A1nh%20gi%C3%A1%20%C4%91%E1%BB%99%20tin%20c%E1%BA%ADy%22%7D}} của mô hình. Các chỉ số từ học máy như accuracy, precision, recall, F1-score tương ứng lần lượt với độ chính xác tổng thể, PPV, độ nhạy và trung bình điều hòa giữa precision và recall.\n\u003C\u002Fp>\n\u003Cp>\nMô hình AI học từ dữ liệu lớn cần được đánh giá bằng dữ liệu kiểm thử độc lập, trong đó ma trận nhầm lẫn (confusion matrix) đóng vai trò giống như bảng 2x2 trong y học cổ điển. Ngoài các chỉ số truyền thống, các công cụ AI cần xem xét thêm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>AUC-ROC và AUC-PR (precision-recall)\u003C\u002Fli>\n  \u003Cli>Tỷ lệ sai lệch lớp (class imbalance ratio)\u003C\u002Fli>\n  \u003Cli>Hiệu suất theo phân nhóm (age, gender, comorbidities)\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nĐặc biệt, AI cần được đánh giá không chỉ bằng thống kê mà còn bằng giá trị lâm sàng thực tế. Theo một nghiên cứu từ Nature Digital Medicine, nhiều mô hình AI có accuracy cao nhưng vẫn thất bại do không giải thích được hoặc không phù hợp với dòng công việc của bác sĩ.\n\u003C\u002Fp>\n\n\u003Ch2>Các hạn chế trong đánh giá hiệu suất chẩn đoán\u003C\u002Fh2>\n\u003Cp>\nDù là một công cụ thiết yếu, đánh giá hiệu suất chẩn đoán vẫn tồn tại nhiều giới hạn cần lưu ý. Trước hết, sai lệch lựa chọn (spectrum bias) có thể xảy ra nếu mẫu nghiên cứu không đại diện cho bệnh nhân ngoài thực địa, làm méo mó độ nhạy hoặc độ đặc hiệu.\n\u003C\u002Fp>\n\u003Cp>\nThứ hai, chuẩn vàng (gold standard) không phải lúc nào cũng chính xác tuyệt đối. Một số bệnh lý không có tiêu chuẩn xác định tuyệt đối (ví dụ như trầm cảm, đau mãn tính), làm cho việc xác minh tình trạng bệnh trở nên khó khăn và ảnh hưởng đến các chỉ số hiệu suất.\n\u003C\u002Fp>\n\u003Cp>\nCác yếu tố khác:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Sự phụ thuộc vào người thực hiện (operator-dependent variability)\u003C\u002Fli>\n  \u003Cli>Biến động theo thiết bị và nền tảng công nghệ\u003C\u002Fli>\n  \u003Cli>Hiệu ứng kỳ vọng (expectation bias) khi bác sĩ biết trước kết quả khác\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong chính sách y tế và nghiên cứu\u003C\u002Fh2>\n\u003Cp>\nHiệu suất chẩn đoán là yếu tố bắt buộc trong hồ sơ phê duyệt các công cụ y tế mới từ các cơ quan quản lý như FDA (Mỹ), EMA (châu Âu), và Bộ Y tế Việt Nam. Các {{topic|%7B%22topic%22%3A%22x%C3%A9t%20nghi%E1%BB%87m%20ch%E1%BA%A9n%20%C4%91o%C3%A1n%22%7D}} in vitro (IVD), thiết bị y tế chẩn đoán hình ảnh, và phần mềm AI hỗ trợ chẩn đoán đều phải trình dữ liệu hiệu suất lâm sàng trước khi được chấp thuận.\n\u003C\u002Fp>\n\u003Cp>\nVí dụ, FDA yêu cầu nộp dữ liệu từ nghiên cứu lâm sàng chứng minh các chỉ số hiệu suất có ý nghĩa thống kê, cùng với phương pháp xác minh độc lập. Xem thêm tại FDA IVD Clinical Performance Studies.\n\u003C\u002Fp>\n\u003Cp>\nTrong nghiên cứu y học, hiệu suất chẩn đoán cũng là tiêu chí quan trọng trong các phân tích hệ thống (systematic reviews) và tổng hợp dữ liệu meta-analysis. Các công cụ như QUADAS-2 được thiết kế để đánh giá chất lượng của nghiên cứu hiệu suất chẩn đoán.\n\u003C\u002Fp>","Diagnostic accuracy",[19,20,21,22],"Độ chính xác chẩn đoán","Hiệu năng chẩn đoán","Diagnostic performance","Diagnostic test accuracy","Hiệu suất chẩn đoán (diagnostic accuracy) là khả năng của một xét nghiệm y khoa hoặc mô hình phân loại trong việc phân biệt chính xác giữa người mắc bệnh và người không mắc bệnh so với một tiêu chuẩn vàng tham chiếu.","MEDICAL_HEALTH_SCIENCES",[26,32,38,44],{"citationText":27,"title":28,"authors":29,"source":10,"year":30,"doi":31,"url":10},"Hanley, J. A., & McNeil, B. J. (1982). The meaning and use of the area under a receiver operating characteristic (ROC) curve. Radiology, 143(1), 29–36.","The meaning and use of the area under a receiver operating characteristic (ROC) curve.","Hanley JA, McNeil BJ",1982,"10.1148\u002Fradiology.143.1.7063747",{"citationText":33,"title":34,"authors":35,"source":10,"year":36,"doi":37,"url":10},"Whiting, P. F., Rutjes, A. W., Westwood, M. E., Mallett, S., Deeks, J. J., Reitsma, J. B., ... & Bossuyt, P. M. (2011). QUADAS-2: A Revised Tool for the Quality Assessment of Diagnostic Accuracy Studies. Annals of Internal Medicine, 155(8), 529–536.","QUADAS-2: A Revised Tool for the Quality Assessment of Diagnostic Accuracy Studies","Whiting PF, Rutjes AW, Westwood ME, et al.",2011,"10.7326\u002F0003-4819-155-8-201110180-00009",{"citationText":39,"title":40,"authors":41,"source":10,"year":42,"doi":43,"url":10},"Bossuyt, P. M., Reitsma, J. B., Bruns, D. E., Gatsonis, C. A., Glasziou, P. P., Irwig, L., ... & Cohen, J. F. (2015). STARD 2015: An Updated List of Essential Items for Reporting Diagnostic Accuracy Studies. BMJ, 351, h5527.","STARD 2015: An Updated List of Essential Items for Reporting Diagnostic Accuracy Studies","Bossuyt PM, Reitsma JB, Bruns DE, et al.",2015,"10.1136\u002Fbmj.h5527",{"citationText":45,"title":46,"authors":47,"source":10,"year":48,"doi":49,"url":10},"Kelly, C. J., Karthikesalingam, A., Suleyman, M., Corrado, G., & King, D. (2019). Key challenges for delivering clinical impact with artificial intelligence. BMC Medicine, 17(1), 195.","Key challenges for delivering clinical impact with artificial intelligence","Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D",2019,"10.1186\u002Fs12916-019-1426-2",[51,54,57],{"question":52,"answer":53},"Độ nhạy và độ đặc hiệu khác với giá trị tiên đoán (PPV\u002FNPV) ở điểm nào?","Độ nhạy và độ đặc hiệu là đặc tính nội tại của xét nghiệm (xác suất kết quả khi đã biết tình trạng bệnh), trong khi PPV và NPV cho biết xác suất thực sự mắc bệnh khi đã có kết quả xét nghiệm và phụ thuộc trực tiếp vào tỷ lệ hiện mắc (prevalence) của bệnh trong quần thể.",{"question":55,"answer":56},"Tại sao một xét nghiệm có độ đặc hiệu 95% vẫn có thể cho nhiều kết quả dương tính giả trong sàng lọc cộng đồng?","Khi tỷ lệ hiện mắc của bệnh trong cộng đồng rất thấp (ví dụ 0,1%), số lượng người khỏe mạnh áp đảo số người bệnh; do đó 5% dương tính giả trên tập người khỏe mạnh sẽ vượt trội so với số lượng người bệnh thực sự được phát hiện, làm giảm mạnh giá trị tiên đoán dương PPV.",{"question":58,"answer":59},"Chỉ số AUC-ROC được giải thích như thế nào về mặt xác suất?","AUC-ROC thể hiện xác suất mà xét nghiệm sẽ xếp hạng một cá nhân được chọn ngẫu nhiên từ nhóm mắc bệnh có điểm số\u002Fchỉ số xét nghiệm cao hơn một cá nhân được chọn ngẫu nhiên từ nhóm không mắc bệnh.",{"id":61,"researcherId":10,"name":62,"imageUrl":63},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",{"id":65,"researcherId":10,"name":66,"imageUrl":67},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[69,70,71,72,73,74,75,76,77,78],"nghiên cứu y học","đánh giá chất lượng","thử nghiệm lâm sàng","chỉ số hiệu suất","phương pháp chẩn đoán","đánh giá hiệu suất","sàng lọc ung thư cổ tử cung","tỷ lệ hiện mắc","đánh giá độ tin cậy","xét nghiệm chẩn đoán",10,true,"PUBLISHED","2025-10-02T07:05:41.027+00:00","2026-09-15T08:34:56.210+00:00","2025-10-03T09:54:26.576+00:00","2026-09-15T08:34:51.237+00:00",263,[88,91,94,97,100,103,106,109,112,115],{"id":89,"title":90,"term":89,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"bibliometrics","Bibliometrics là gì? Các nghiên cứu khoa học về Bibliometrics",{"id":92,"title":93,"term":92,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chất lượng thông tin","Chất lượng thông tin là gì? Nghiên cứu khoa học liên quan",{"id":95,"title":96,"term":95,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"trắc nghiệm khách quan","Trắc nghiệm khách quan là gì? Các công bố khoa học về Trắc nghiệm khách quan",{"id":98,"title":99,"term":98,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"nghiên cứu hồi cứu","Nghiên cứu hồi cứu là gì? Các nghiên cứu khoa học về Nghiên cứu hồi cứu",{"id":101,"title":102,"term":101,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"năng lực số","Năng lực số là gì? Các công bố nghiên cứu khoa học liên quan",{"id":104,"title":105,"term":104,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"nghiên cứu tổng quan","Nghiên cứu tổng quan là gì? Các bài báo nghiên cứu khoa học",{"id":107,"title":108,"term":107,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chuột cống trắng","Chuột cống trắng là gì? Các công bố khoa học về Chuột cống trắng",{"id":110,"title":111,"term":110,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"density","Density là gì? Các công bố khoa học về Density",{"id":113,"title":114,"term":113,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"simulation","Simulation là gì? Các nghiên cứu khoa học về mô phỏng",{"id":116,"title":117,"term":116,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"yếu tố ảnh hưởng","Yếu tố ảnh hưởng là gì? Các nghiên cứu khoa học liên quan"]