[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_kh%E1%BA%A3%20n%C4%83ng%20g%C3%A2y%20nhi%E1%BB%85m{\"limit\":5}":3,"_public_topic_byId_khả năng gây nhiễm":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":10,"definition":18,"discipline":19,"references":20,"faqs":36,"createUser":46,"publishUser":50,"keywords":54,"keywordCount":65,"enrichTopicLink":66,"status":67,"createTime":68,"updateTime":69,"publishTime":70,"linkEnrichedTime":71,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":72,"relateTopics":73},"khả năng gây nhiễm","Khả năng gây nhiễm là gì? Các nghiên cứu khoa học liên quan","Khả năng gây nhiễm là chỉ số khoa học phản ánh mức độ dễ dàng mà tác nhân gây bệnh như virus hoặc vi khuẩn lan truyền giữa các cá thể trong cộng đồng. Yếu tố ảnh hưởng gồm đặc tính sinh học của tác nhân, trạng thái miễn dịch và hành vi xã hội của vật chủ, cùng điều kiện môi trường như nhiệt độ hay độ ẩm.","\u003Cp>\u003Cstrong>Khả năng gây nhiễm\u003C\u002Fstrong> (\u003Cem>Infectivity \u002F Infectious potential\u003C\u002Fem>) là (infectivity) là đại lượng định lượng năng lực của một tác nhân gây bệnh (virus, vi khuẩn hoặc ký sinh trùng) trong việc xâm nhập, sống sót và thiết lập quá trình nhiễm trùng thành công bên trong cơ thể vật chủ nhạy cảm.\u003C\u002Fp>\n\u003Ch2>Định nghĩa và khái niệm cơ bản\u003C\u002Fh2>\n\u003Cp>“Khả năng gây nhiễm” (transmissibility) là chỉ số khoa học dùng để đánh giá mức độ dễ dàng mà một {{topic|%7B%22topic%22%3A%22t%C3%A1c%20nh%C3%A2n%20g%C3%A2y%20b%E1%BB%87nh%22%7D}} (virus, vi khuẩn, nấm, ký sinh trùng…) lan truyền từ cá thể này sang cá thể khác.\u003C\u002Fp>\n\u003Cp>Trong dịch tễ học, khả năng gây nhiễm không chỉ phản ánh tính chất sinh học của vi khuẩn hoặc virus, mà còn bao gồm các {{topic|%7B%22topic%22%3A%22y%E1%BA%BFu%20t%E1%BB%91%20b%C3%AAn%20ngo%C3%A0i%22%7D}} như môi trường, hành vi của con người và điều kiện xã hội. Nó thường được phân biệt thành hai khái niệm chính:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Độ lây truyền\u003C\u002Fstrong>: khả năng một cá thể nhiễm bệnh lây sang một cá thể khác trong điều kiện cụ thể.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tính truyền nhiễm\u003C\u002Fstrong>: mức độ tổng quát, phản ánh khả năng lây lan của mầm bệnh trong cộng đồng dân cư.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Lịch sử và sự phát triển của khái niệm\u003C\u002Fh2>\n\u003Cp>Khái niệm “khả năng gây nhiễm” xuất hiện trong dịch tễ học hiện đại từ đầu thế kỷ XX, khi các nhà khoa học bắt đầu áp dụng {{topic|%7B%22topic%22%3A%22l%C3%BD%20thuy%E1%BA%BFt%20x%C3%A1c%20su%E1%BA%A5t%22%7D}} và {{topic|%7B%22topic%22%3A%22m%C3%B4%20h%C3%ACnh%20to%C3%A1n%20h%E1%BB%8Dc%22%7D}} để hiểu diễn biến dịch bệnh. Ban đầu, người ta chỉ quan tâm đến việc theo dõi chuỗi lây truyền và ghi nhận số ca mắc mới qua từng đợt dịch.\u003C\u002Fp>\n\u003Cp>Cho đến những năm 1920–1930, với sự phát triển của các mô hình SIR (Susceptible–Infectious–Recovered), các nhà nghiên cứu như Kermack và McKendrick đã đặt nền móng cho việc biểu diễn khả năng gây nhiễm dưới dạng con số cụ thể, từ đó tiến tới tính toán các chỉ số dự báo quy mô dịch.\u003C\u002Fp>\n\u003Cp>Qua các đại dịch mang tính toàn cầu như dịch cúm Tây Ban Nha (1918–1919), SARS (2003) và gần đây nhất là COVID-19 (2019–nay), khái niệm này tiếp tục được hoàn thiện. Các công cụ {{topic|%7B%22topic%22%3A%22sinh%20h%E1%BB%8Dc%20ph%C3%A2n%20t%E1%BB%AD%22%7D}}, {{topic|%7B%22topic%22%3A%22gi%E1%BA%A3i%20tr%C3%ACnh%20t%E1%BB%B1%20gen%22%7D}} và phân tích chuỗi truyền lây đã giúp hiểu sâu hơn về cơ chế đột biến và ảnh hưởng đến khả năng gây nhiễm.\u003C\u002Fp>\n\n\u003Ch2>Các chỉ số đo lường chính\u003C\u002Fh2>\n\u003Cp>Chỉ số thường dùng nhất để biểu thị khả năng gây nhiễm là hệ {{topic|%7B%22topic%22%3A%22s%E1%BB%91%20sinh%20s%E1%BA%A3n%20c%C6%A1%20b%E1%BA%A3n%22%7D}} R₀ (\u003Cem>basic reproduction number\u003C\u002Fem>), được định nghĩa là số cá thể nhạy cảm mà một cá thể nhiễm có thể lây trong điều kiện lý tưởng (không có biện pháp can thiệp).\u003C\u002Fp>\n\u003Cp>Công thức tính R₀ trong mô hình SIR cơ bản:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">R_0 = \\frac{\\beta}{\\gamma}\u003C\u002Fscript>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Tham số\u003C\u002Fth>\n      \u003Cth>Ý nghĩa\u003C\u002Fth>\n      \u003Cth>Đơn vị\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>β (beta)\u003C\u002Ftd>\n      \u003Ctd>Tốc độ lây nhiễm trung bình\u003C\u002Ftd>\n      \u003Ctd>lây nhiễm\u002Fngày\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>γ (gamma)\u003C\u002Ftd>\n      \u003Ctd>Tỷ lệ hồi phục hoặc loại bỏ\u003C\u002Ftd>\n      \u003Ctd>ngày⁻¹\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>Ngoài R₀, còn có hệ số sinh sản hiệu quả Re (effective reproduction number), thể hiện mức lây lan thực tế trong điều kiện đã áp dụng các biện pháp kiểm soát hoặc khi đã có miễn dịch cộng đồng.\u003C\u002Fp>\n\n\u003Ch2>Yếu tố ảnh hưởng đến khả năng gây nhiễm\u003C\u002Fh2>\n\u003Cp>Đặc tính sinh học của tác nhân gây bệnh quyết định phần lớn tiềm năng lây lan. Ví dụ, virus RNA thường có tốc độ đột biến cao, dẫn đến khả năng bám dính và xâm nhập tế bào chủ mạnh hơn.\u003C\u002Fp>\n\u003Cp>Vật chủ cũng đóng vai trò quan trọng: sức đề kháng, trạng thái miễn dịch, tuổi tác, và hành vi xã hội (như tiếp xúc gần, đi lại, tụ tập đông người) đều ảnh hưởng đến mức độ lây lan thực tế.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Môi trường: nhiệt độ, độ ẩm cao có thể làm giảm hoặc tăng khả năng tồn tại của mầm bệnh.\u003C\u002Fli>\n  \u003Cli>Mật độ dân cư: khu vực đông dân cư thường có R₀ cao hơn do tỷ lệ giao tiếp gần.\u003C\u002Fli>\n  \u003Cli>Biện pháp can thiệp: từ rửa tay, đeo khẩu trang đến cách ly và phong tỏa.\u003C\u002Fli>\n\u003C\u002Ful>\u003Ch2>Phương pháp ước tính\u003C\u002Fh2>\n\u003Cp>Mô hình toán học là công cụ chủ chốt để ước tính khả năng gây nhiễm. Trong đó, mô hình SIR (Susceptible–Infectious–Recovered) và SEIR (Susceptible–Exposed–Infectious–Recovered) được sử dụng rộng rãi nhờ cấu trúc đơn giản, dễ điều chỉnh tham số. SEIR bổ sung giai đoạn “Exposed” để mô phỏng thời kỳ ủ bệnh, giúp phản ánh chính xác hơn quá trình lây lan của nhiều virus có giai đoạn ẩn sau khi xâm nhập cơ thể.\u003C\u002Fp>\n\u003Cp>Các mô hình agent‐based (dựa trên tác nhân cá nhân) mô phỏng tương tác của từng cá thể trong quần thể với nhau và với môi trường. Phương pháp này cho phép mô phỏng chi tiết hành vi như di chuyển, tiếp xúc, sử dụng biện pháp bảo hộ, từ đó ước tính R₀ và Re tùy theo kịch bản can thiệp.\u003C\u002Fp>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Mô hình\u003C\u002Fth>\n      \u003Cth>Đặc điểm\u003C\u002Fth>\n      \u003Cth>Ưu điểm\u003C\u002Fth>\n      \u003Cth>Hạn chế\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>SIR\u003C\u002Ftd>\n      \u003Ctd>3 nhóm: nhạy cảm, nhiễm, hồi phục\u003C\u002Ftd>\n      \u003Ctd>Đơn giản, dễ tính toán\u003C\u002Ftd>\n      \u003Ctd>Không mô tả giai đoạn ủ bệnh\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>SEIR\u003C\u002Ftd>\n      \u003Ctd>Thêm nhóm ủ bệnh\u003C\u002Ftd>\n      \u003Ctd>Phù hợp với dịch có ủ bệnh dài\u003C\u002Ftd>\n      \u003Ctd>Phức tạp hơn, nhiều tham số\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Agent‐based\u003C\u002Ftd>\n      \u003Ctd>Mô phỏng theo cá thể\u003C\u002Ftd>\n      \u003Ctd>Chi tiết, linh hoạt kịch bản\u003C\u002Ftd>\n      \u003Ctd>Tốn tài nguyên tính toán\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>Phân tích chuỗi truyền lây (transmission chain analysis) dựa trên dữ liệu ca bệnh thực tế, các sự kiện “superspreading” (lây lan vượt trội) và điều tra dịch tễ giúp định hình cấu trúc mạng lưới lây nhiễm. Kết hợp với khảo sát mẫu huyết thanh (seroprevalence surveys), các nhà nghiên cứu có thể ước tính tỷ lệ nhiễm không triệu chứng và điều chỉnh giá trị R₀, Re cho sát thực tế hơn.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong dự báo và phòng chống dịch\u003C\u002Fh2>\n\u003Cp>Dự báo dịch bệnh dựa trên các mô hình nêu trên giúp cơ quan y tế lập kế hoạch nguồn lực, dự trù giường bệnh và thiết lập các biện pháp kiểm soát phù hợp. Việc mô phỏng kịch bản “không can thiệp” so với “có can thiệp” cho phép {{topic|%7B%22topic%22%3A%22%C4%91%C3%A1nh%20gi%C3%A1%20t%C3%A1c%20%C4%91%E1%BB%99ng%22%7D}} của từng biện pháp như {{topic|%7B%22topic%22%3A%22gi%C3%A3n%20c%C3%A1ch%20x%C3%A3%20h%E1%BB%99i%22%7D}}, phong tỏa và tiêm chủng.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Ước tính quy mô dịch: mô hình SIR\u002FSEIR cho biết khi nào số ca mắc đạt đỉnh và thời gian dịch kéo dài.\u003C\u002Fli>\n  \u003Cli>Đánh giá hiệu quả can thiệp: so sánh Re trước và sau biện pháp như cách ly, đeo khẩu trang.\u003C\u002Fli>\n  \u003Cli>Lập kế hoạch tiêm chủng: xác định mức độ bao phủ cần đạt để tạo miễn dịch cộng đồng.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Cơ quan như World Health Organization sử dụng hệ thống mô hình đa nguồn để thông báo khuyến cáo toàn cầu, trong khi CDC xây dựng bản đồ tương tác, cập nhật Re theo địa phương mỗi ngày dựa trên dữ liệu nhập viện và xét nghiệm dương tính (\u003Ca href=\"https:\u002F\u002Fwww.cdc.gov\u002Fepi-modeling\" target=\"_blank\">CDC Epi Modeling\u003C\u002Fa>).\u003C\u002Fp>\n\n\u003Ch2>Thí dụ điển hình\u003C\u002Fh2>\n\u003Cp>SARS năm 2003 có R₀ ước tính khoảng 2–4 ban đầu, nhưng nhờ biện pháp cách ly nghiêm ngặt tại Trung Quốc và Hồng Kông, giá trị Re nhanh chóng giảm xuống dưới 1 trong vòng 3 tháng, chấm dứt dịch. Phân tích chỉ ra sự lây lan chủ yếu qua tiếp xúc gần và giọt bắn đường hô hấp (\u003Ca href=\"https:\u002F\u002Fwww.who.int\u002Fpublications-detail-redirect\u002FWHO_CDS_CSR_ARO_2004.1\" target=\"_blank\">WHO SARS Report\u003C\u002Fa>).\u003C\u002Fp>\n\u003Cp>Dịch cúm H1N1 năm 2009 lan rộng nhanh với R₀ 1.4–1.6, chủ yếu do mức độ miễn dịch cộng đồng thấp. Chiến lược tiêm chủng mục tiêu nhóm nguy cơ đã giúp giới hạn số ca nặng và tử vong tại nhiều quốc gia.\u003C\u002Fp>\n\u003Cp>Đại dịch COVID-19 giai đoạn đầu có R₀ ước tính 2.2–3.3, biến chủng Alpha và Delta sau đó đẩy R₀ lên trên 5–6. Các mô hình SEIR nâng cao và dữ liệu giám sát biến chủng theo thời gian thực giúp dự đoán đợt bùng phát mới và tối ưu hóa {{topic|%7B%22topic%22%3A%22chi%E1%BA%BFn%20l%C6%B0%E1%BB%A3c%20ph%C3%A2n%20ph%E1%BB%91i%22%7D}} vaccine (\u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41591-021-01339-3\" target=\"_blank\">Nature Medicine\u003C\u002Fa>).\u003C\u002Fp>\n\n\u003Ch2>Giới hạn và thách thức\u003C\u002Fh2>\n\u003Cp>Giá trị R₀ và Re mang tính ước lượng, phụ thuộc vào chất lượng và đầy đủ của dữ liệu ghi nhận ca nhiễm. Thiếu sót xét nghiệm, ca nhiễm không triệu chứng và sai sót trong báo cáo dẫn đến sai số cao.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Biến chủng mới liên tục xuất hiện, thay đổi tính chất sinh học và khả năng lây lan.\u003C\u002Fli>\n  \u003Cli>Khó tách bạch ảnh hưởng của các biện pháp can thiệp với thay đổi hành vi tự phát của dân cư.\u003C\u002Fli>\n  \u003Cli>Độ trễ giữa nhiễm, triệu chứng, xét nghiệm và báo cáo gây trì hoãn trong cập nhật mô hình.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Chi phí tính toán và yêu cầu chuyên môn cao làm hạn chế khả năng áp dụng mô hình phức tạp tại các nước có nguồn lực hạn chế.\u003C\u002Fp>\n\n\u003Ch2>Xu hướng nghiên cứu tương lai\u003C\u002Fh2>\n\u003Cp>Ứng dụng trí tuệ nhân tạo và học máy trong mô hình hóa dịch tễ đang nổi lên mạnh mẽ. Các thuật toán deep learning có khả năng xử lý lượng lớn dữ liệu phi cấu trúc (hình ảnh y tế, văn bản báo cáo, tín hiệu theo dõi di chuyển) để dự báo sớm đợt bùng phát.\u003C\u002Fp>\n\u003Cp>Chiến lược “One Health” kết nối dữ liệu giữa y tế con người, y tế động vật và môi trường nhằm phát hiện sớm mầm bệnh xoành xoạch từ các “vùng giới” (spillover hotspots). Hệ thống giám sát vi sinh tích hợp với GIS (Geographic Information System) giúp theo dõi nguy cơ lan truyền qua biên giới địa lý.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Phát triển mô hình linh hoạt, tự cập nhật tham số theo dữ liệu thời gian thực.\u003C\u002Fli>\n  \u003Cli>Tích hợp mạng xã hội và dữ liệu di động để phản ánh hành vi tiếp xúc cộng đồng chính xác hơn.\u003C\u002Fli>\n  \u003Cli>Khả năng mô phỏng đồng thời nhiều loại can thiệp và kịch bản chính sách y tế công cộng.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Danh mục tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>Centers for Disease Control and Prevention. “Modeling Infectious Diseases.” \u003Ca href=\"https:\u002F\u002Fwww.cdc.gov\u002Fepi-modeling\" target=\"_blank\">CDC Epi Modeling\u003C\u002Fa>.\u003C\u002Fli>\n  \u003Cli>World Health Organization. “SARS: Clinical features and diagnostics.” \u003Ca href=\"https:\u002F\u002Fwww.who.int\u002Fpublications-detail-redirect\u002FWHO_CDS_CSR_ARO_2004.1\" target=\"_blank\">WHO SARS Report\u003C\u002Fa>.\u003C\u002Fli>\n  \u003Cli>Li Q, Guan X, Wu P, et al. “Early Transmission Dynamics in Wuhan, China, of Novel Coronavirus–Infected Pneumonia.” \u003Cem>New England Journal of Medicine\u003C\u002Fem>, 2020. DOI: \u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.1056\u002FNEJMoa2001316\" target=\"_blank\">10.1056\u002FNEJMoa2001316\u003C\u002Fa>.\u003C\u002Fli>\n  \u003Cli>Keeling MJ, Rohani P. “Modeling Infectious Diseases in Humans and Animals.” Princeton University Press, 2008.\u003C\u002Fli>\n  \u003Cli>Ferguson NM, Laydon D, Nedjati‐Gilani G, et al. “Impact of non-pharmaceutical interventions (NPIs) to reduce COVID-19 mortality and healthcare demand.” \u003Cem>Imperial College London\u003C\u002Fem>, 2020. DOI: \u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.25561\u002F77482\" target=\"_blank\">10.25561\u002F77482\u003C\u002Fa>.\u003C\u002Fli>\n  \u003Cli>An der Heiden M, Buchholz U. “Modeling the spread of COVID-19 in Germany: Early assessment and short-term forecasting.” \u003Cem>Eurosurveillance\u003C\u002Fem>, 2020. DOI: \u003Ca href=\"https:\u002F\u002Fdoi.org\u002F10.2807\u002F1560-7917.ES.2020.25.17.2000851\" target=\"_blank\">10.2807\u002F1560-7917.ES.2020.25.17.2000851\u003C\u002Fa>.\u003C\u002Fli>\n\u003C\u002Fol>","Infectivity \u002F Infectious potential","Khả năng gây nhiễm (infectivity) là đại lượng định lượng năng lực của một tác nhân gây bệnh (virus, vi khuẩn hoặc ký sinh trùng) trong việc xâm nhập, sống sót và thiết lập quá trình nhiễm trùng thành công bên trong cơ thể vật chủ nhạy cảm.","MEDICAL_HEALTH_SCIENCES",[21,28,32],{"citationText":22,"title":23,"authors":24,"source":25,"year":26,"doi":27,"url":10},"Huang (2021). Review of: \"SARS-CoV-2 infectivity by viral load, S gene variants and demographic factors and the utility of lateral flow devices to prevent transmission\". Qeios Ltd. doi:10.32388\u002Fthbisw","Review of: \"SARS-CoV-2 infectivity by viral load, S gene variants and demographic factors and the utility of lateral flow devices to prevent transmission\"","Huang","Qeios Ltd",2021,"10.32388\u002Fthbisw",{"citationText":29,"title":23,"authors":30,"source":25,"year":26,"doi":31,"url":10},"Farronato (2021). Review of: \"SARS-CoV-2 infectivity by viral load, S gene variants and demographic factors and the utility of lateral flow devices to prevent transmission\". Qeios Ltd. doi:10.32388\u002Fg4pepv","Farronato","10.32388\u002Fg4pepv",{"citationText":33,"title":23,"authors":34,"source":25,"year":26,"doi":35,"url":10},"Alizadeh (2021). Review of: \"SARS-CoV-2 infectivity by viral load, S gene variants and demographic factors and the utility of lateral flow devices to prevent transmission\". Qeios Ltd. doi:10.32388\u002F1cgfdz","Alizadeh","10.32388\u002F1cgfdz",[37,40,43],{"question":38,"answer":39},"Chỉ số ID50 (Infectious Dose 50) biểu thị điều gì trong đo lường khả năng gây nhiễm?","ID50 là liều lượng hoặc số lượng tác nhân gây bệnh tối thiểu cần thiết để gây ra nhiễm trùng ở 50% số cá thể vật chủ thí nghiệm nhạy cảm được tiếp xúc; giá trị ID50 càng thấp chứng tỏ khả năng gây nhiễm của mầm bệnh càng mạnh.",{"question":41,"answer":42},"Khả năng gây nhiễm (infectivity) khác biệt như thế nào so với độc lực (virulence) và khả năng gây bệnh (pathogenicity)?","Khả năng gây nhiễm phản ánh mức độ dễ dàng xâm nhập và thiết lập nhiễm trùng; khả năng gây bệnh là năng lực tạo ra biểu hiện bệnh lý lâm sàng; còn độc lực là mức độ nghiêm trọng hoặc tỷ lệ tử vong\u002Ftổn thương mô do mầm bệnh gây ra.",{"question":44,"answer":45},"Những yếu tố sinh học phân tử nào quyết định khả năng gây nhiễm của virus hô hấp?","Khả năng gây nhiễm phụ thuộc vào ái lực liên kết giữa protein gai bề mặt virus với thụ thể tế bào chủ (như RBD của SARS-CoV-2 với ACE2), hiệu quả dung hợp màng tế bào, nồng độ tải lượng virus phóng thích trong giọt bắn và tính ổn định vật lý trong môi trường aerosol.",{"id":47,"researcherId":10,"name":48,"imageUrl":49},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":51,"researcherId":10,"name":52,"imageUrl":53},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",[55,56,57,58,59,60,61,62,63,64],"tác nhân gây bệnh","yếu tố bên ngoài","lý thuyết xác suất","mô hình toán học","sinh học phân tử","giải trình tự gen","số sinh sản cơ bản","đánh giá tác động","giãn cách xã hội","chiến lược phân phối",10,true,"PUBLISHED","2025-06-19T08:17:09.181+00:00","2026-09-09T12:13:40.364+00:00","2025-06-28T02:41:01.863+00:00","2026-09-09T12:13:39.208+00:00",303,[74,77,80,83,86,89,92,95,98,101],{"id":75,"title":76,"term":75,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"hứng thú học tập","Hứng thú học tập là gì? Các công bố khoa học về Hứng thú học tập",{"id":78,"title":79,"term":78,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chuỗi markov","Chuỗi markov là gì? Các công bố khoa học về Chuỗi markov",{"id":81,"title":82,"term":81,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"khối lượng phân tử","Khối lượng phân tử là gì? Các công bố khoa học về Khối lượng phân tử",{"id":84,"title":85,"term":84,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"autonomy","Autonomy là gì? Các công bố khoa học về Autonomy",{"id":87,"title":88,"term":87,"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":90,"title":91,"term":90,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"literature","Literature là gì? Các nghiên cứu khoa học về Literature",{"id":93,"title":94,"term":93,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"cơ chế bệnh sinh","Cơ chế bệnh sinh là gì? Các nghiên cứu khoa học về Cơ chế bệnh sinh",{"id":96,"title":97,"term":96,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"saccharomyces cerevisiae","Saccharomyces cerevisiae là gì? Các công bố khoa học về Saccharomyces cerevisiae",{"id":99,"title":100,"term":99,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"bộ lọc kalman","Bộ lọc kalman là gì? Các nghiên cứu khoa học về Bộ lọc kalman",{"id":102,"title":103,"term":102,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"thí nghiệm vật lí","Thí nghiệm vật lí là gì? Các công bố khoa học về Thí nghiệm vật lí"]