[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_m%C3%B4%20h%C3%ACnh%20l%C3%A2m%20s%C3%A0ng{\"limit\":5}":3,"_public_topic_byId_m%C3%B4%20h%C3%ACnh%20l%C3%A2m%20s%C3%A0ng":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":19,"definition":25,"discipline":26,"references":27,"faqs":49,"createUser":59,"publishUser":63,"keywords":64,"keywordCount":65,"enrichTopicLink":66,"status":67,"createTime":68,"updateTime":69,"publishTime":70,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":71,"wikidataId":10,"relateTopics":72},"mô hình lâm sàng","Mô hình lâm sàng là gì? Các nghiên cứu khoa học liên quan","Mô hình lâm sàng là cấu trúc khoa học dùng để mô phỏng, dự đoán hoặc giải thích quá trình bệnh lý, chẩn đoán và điều trị trong thực hành y học hiện đại. Đây là công cụ hỗ trợ ra quyết định lâm sàng dựa trên dữ liệu bệnh nhân, được xây dựng bằng phương pháp thống kê, học máy và mô phỏng sinh lý. ","\u003Ch2>Định nghĩa mô hình lâm sàng\u003C\u002Fh2>\u003Cp>\u003Cstrong>Mô hình lâm sàng\u003C\u002Fstrong> (\u003Cem>clinical model\u003C\u002Fem>, hay mô hình dự đoán lâm sàng) là cấu trúc toán học hoặc thuật toán học máy được xây dựng nhằm mô phỏng, chẩn đoán hoặc dự báo kết cục lâm sàng dựa trên việc tích hợp đa chiều các biến số đầu vào như triệu chứng lâm sàng, dấu ấn sinh học và dữ liệu bệnh án điện tử. Mô hình lâm sàng đóng vai trò cốt lõi trong hệ thống hỗ trợ ra quyết định lâm sàng (CDSS), giúp cá thể hóa phác đồ điều trị và phân tầng chính xác nguy cơ biến cố cho từng người bệnh.\u003C\u002Fp>\u003Cp>Mô hình lâm sàng có thể mang tính định lượng (như mô hình toán học, thống kê) hoặc định tính (dựa trên quy tắc lâm sàng, thuật toán kinh nghiệm). Trong y học hiện đại, các mô hình này thường được kết hợp với trí tuệ nhân tạo, dữ liệu lớn (big data) và hồ sơ bệnh án điện tử (EHR) để nâng cao tính chính xác và khả năng ứng dụng thực tiễn. Một ví dụ điển hình là mô hình dự đoán nguy cơ nhồi máu cơ tim dựa trên dữ liệu huyết áp, cholesterol, chỉ số khối cơ thể (BMI) và thói quen hút thuốc.\u003C\u002Fp>\u003Cp>Về bản chất, mô hình lâm sàng không chỉ là công cụ hỗ trợ mà còn là một hình thức trừu tượng hóa kiến thức y học, cho phép tái hiện quá trình bệnh lý dưới dạng có thể mô phỏng, kiểm định và cải tiến. Các mô hình tiên tiến hiện nay có thể dự đoán diễn biến bệnh nhân theo thời gian, đánh giá tác động của can thiệp điều trị, hoặc tối ưu hóa phác đồ dựa trên dữ liệu cá nhân hóa.\u003C\u002Fp>\n\n\u003Ch2>Phân loại mô hình lâm sàng\u003C\u002Fh2>\u003Cp>Các mô hình lâm sàng có thể được phân loại theo mục tiêu, phương pháp và cấu trúc dữ liệu đầu vào. Cách phân loại này giúp định hướng rõ ràng về mục tiêu nghiên cứu và ứng dụng thực tiễn của từng loại mô hình. Dưới đây là bảng tổng hợp một số loại mô hình phổ biến trong y học hiện nay:\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"6\">\u003Cthead>\u003Ctr>\u003Cth>Loại mô hình\u003C\u002Fth>\u003Cth>Mục tiêu chính\u003C\u002Fth>\u003Cth>Ví dụ ứng dụng\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Mô hình chẩn đoán\u003C\u002Ftd>\u003Ctd>Xác định khả năng mắc bệnh\u003C\u002Ftd>\u003Ctd>Mô hình D-dimer trong chẩn đoán huyết khối tĩnh mạch sâu\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Mô hình tiên lượng\u003C\u002Ftd>\u003Ctd>Dự báo kết cục lâm sàng hoặc nguy cơ tử vong\u003C\u002Ftd>\u003Ctd>Thang điểm APACHE II trong hồi sức tích cực\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Mô hình điều trị\u003C\u002Ftd>\u003Ctd>Lựa chọn phương pháp điều trị tối ưu\u003C\u002Ftd>\u003Ctd>Thuật toán điều chỉnh liều insulin tự động\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Mô hình mô phỏng sinh lý\u003C\u002Ftd>\u003Ctd>Giải thích cơ chế bệnh sinh hoặc phản ứng dược lý\u003C\u002Ftd>\u003Ctd>Mô phỏng hệ tuần hoàn bằng mô hình toán học đa ngăn\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Cp>Bên cạnh các nhóm chính trên, mô hình lâm sàng còn có thể được phân loại theo thời gian (mô hình tĩnh và động), theo không gian (mô hình 1D, 2D, 3D), hoặc theo bản chất dữ liệu (mô hình thực nghiệm, mô hình cơ học, mô hình dữ liệu học máy). Việc chọn loại mô hình phù hợp phụ thuộc vào mục đích nghiên cứu, độ phức tạp của dữ liệu và yêu cầu lâm sàng cụ thể.\u003C\u002Fp>\u003Cp>Chẳng hạn, trong lĩnh vực tim mạch, các mô hình hồi quy logistic được dùng phổ biến để xác định yếu tố nguy cơ, trong khi mô hình học sâu (deep learning) lại được ưu tiên cho phân tích hình ảnh y học như chụp CT, MRI hay siêu âm.\u003C\u002Fp>\n\n\u003Ch2>Nguyên tắc xây dựng mô hình lâm sàng\u003C\u002Fh2>\u003Cp>Quá trình xây dựng một mô hình lâm sàng đòi hỏi tuân thủ nghiêm ngặt quy trình khoa học để đảm bảo tính hợp lệ và khả năng ứng dụng. Các giai đoạn cơ bản gồm: thu thập dữ liệu, tiền xử lý, lựa chọn biến đầu vào, xây dựng mô hình, hiệu chỉnh, và kiểm định. Dữ liệu đầu vào có thể đến từ bệnh án điện tử, nghiên cứu lâm sàng ngẫu nhiên (RCT), hoặc cơ sở dữ liệu quan sát.\u003C\u002Fp>\u003Cp>Bảng dưới đây mô tả khái quát quy trình xây dựng mô hình lâm sàng:\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"6\">\u003Cthead>\u003Ctr>\u003Cth>Bước\u003C\u002Fth>\u003Cth>Mục tiêu\u003C\u002Fth>\u003Cth>Phương pháp thường dùng\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Thu thập dữ liệu\u003C\u002Ftd>\u003Ctd>Xây dựng bộ dữ liệu đại diện\u003C\u002Ftd>\u003Ctd>Trích xuất từ EHR, RCT hoặc registry\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Tiền xử lý\u003C\u002Ftd>\u003Ctd>Loại bỏ nhiễu, chuẩn hóa dữ liệu\u003C\u002Ftd>\u003Ctd>Xử lý mất dữ liệu, mã hóa biến\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Chọn biến đầu vào\u003C\u002Ftd>\u003Ctd>Xác định yếu tố có ý nghĩa thống kê\u003C\u002Ftd>\u003Ctd>Phân tích hồi quy, kiểm định giả thuyết\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Xây dựng mô hình\u003C\u002Ftd>\u003Ctd>Thiết lập công thức hoặc thuật toán\u003C\u002Ftd>\u003Ctd>Hồi quy, mạng nơ-ron, cây quyết định\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Hiệu chỉnh và kiểm định\u003C\u002Ftd>\u003Ctd>Đánh giá độ chính xác, khả năng khái quát\u003C\u002Ftd>\u003Ctd>Cross-validation, bootstrapping, ROC-AUC\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Cp>Ví dụ, trong mô hình tiên lượng sống còn, công thức cơ bản của phân tích sống sót có thể được mô tả như sau: \u003Cscript type=\"math\u002Ftex\">S(t) = e^{-\\lambda t}\u003C\u002Fscript>, trong đó \u003Cscript type=\"math\u002Ftex\">S(t)\u003C\u002Fscript> là xác suất sống tại thời điểm \u003Cscript type=\"math\u002Ftex\">t\u003C\u002Fscript>, và \u003Cscript type=\"math\u002Ftex\">\\lambda\u003C\u002Fscript> là tần suất nguy cơ tử vong. Các mô hình phức tạp hơn như mô hình Cox hoặc mô hình DeepSurv sẽ mở rộng phương trình này với nhiều biến độc lập.\u003C\u002Fp>\n\n\u003Ch2>Vai trò trong thực hành y học\u003C\u002Fh2>\u003Cp>Mô hình lâm sàng là công cụ quan trọng trong y học hiện đại, giúp nâng cao chất lượng chăm sóc và giảm gánh nặng cho hệ thống y tế. Trong thực hành lâm sàng, chúng được sử dụng để hỗ trợ bác sĩ trong việc ra quyết định, dự đoán kết cục và cá nhân hóa điều trị cho từng bệnh nhân. Các mô hình này đặc biệt hữu ích trong bối cảnh bệnh nhân có nhiều bệnh lý phối hợp, khi quyết định điều trị đòi hỏi cân nhắc nhiều yếu tố rủi ro.\u003C\u002Fp>\u003Cp>Ví dụ, mô hình CHA₂DS₂-VASc được sử dụng rộng rãi trong tim mạch để đánh giá nguy cơ đột quỵ ở bệnh nhân rung nhĩ không do bệnh van tim. Dựa vào tổng điểm của từng yếu tố nguy cơ như tuổi, giới tính, tiền sử đột quỵ hoặc tiểu đường, mô hình giúp xác định bệnh nhân nào cần dùng thuốc chống đông máu. Tương tự, mô hình CURB-65 trong hô hấp học hỗ trợ bác sĩ đánh giá mức độ nặng của viêm phổi cộng đồng.\u003C\u002Fp>\u003Cp>Các mô hình này không chỉ giúp giảm sai sót y khoa mà còn tối ưu hóa phân bổ nguồn lực, như xác định bệnh nhân nào cần nhập viện hoặc theo dõi ngoại trú. Ngoài ra, mô hình lâm sàng còn đóng vai trò trong đào tạo y khoa, giúp sinh viên và bác sĩ nội trú hiểu rõ mối liên hệ giữa dữ liệu và quyết định điều trị trong bối cảnh thực tế.\u003C\u002Fp>\n\u003Ch2>Đánh giá hiệu năng mô hình\u003C\u002Fh2>\u003Cp>Đánh giá hiệu năng là bước quan trọng để xác định độ tin cậy của mô hình lâm sàng trước khi ứng dụng thực tế. Một mô hình tốt không chỉ cần phù hợp với dữ liệu huấn luyện mà còn phải duy trì độ chính xác trên dữ liệu mới, thể hiện khả năng khái quát hóa (generalization). Các tiêu chí đánh giá thường dựa trên thống kê, xác suất và phân tích ROC (Receiver Operating Characteristic).\u003C\u002Fp>\u003Cp>Các chỉ số phổ biến gồm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Accuracy (độ chính xác):\u003C\u002Fstrong> Tỷ lệ dự đoán đúng tổng thể.\u003C\u002Fli>\u003Cli>\u003Cstrong>Sensitivity (độ nhạy):\u003C\u002Fstrong> Tỷ lệ phát hiện đúng các trường hợp bệnh thật.\u003C\u002Fli>\u003Cli>\u003Cstrong>Specificity (độ đặc hiệu):\u003C\u002Fstrong> Khả năng phân biệt người bệnh và người khỏe mạnh.\u003C\u002Fli>\u003Cli>\u003Cstrong>AUC (Area Under the Curve):\u003C\u002Fstrong> Diện tích dưới đường cong ROC, đo khả năng phân loại của mô hình.\u003C\u002Fli>\u003Cli>\u003Cstrong>Calibration:\u003C\u002Fstrong> Mức độ khớp giữa xác suất dự đoán và kết quả thực tế.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Bảng minh họa ví dụ về đánh giá mô hình chẩn đoán bệnh tim mạch:\u003C\u002Fp>\u003Ctable border=\"1\" cellpadding=\"6\">\u003Cthead>\u003Ctr>\u003Cth>Chỉ số\u003C\u002Fth>\u003Cth>Giá trị\u003C\u002Fth>\u003Cth>Ý nghĩa\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Accuracy\u003C\u002Ftd>\u003Ctd>0.87\u003C\u002Ftd>\u003Ctd>Mô hình dự đoán đúng 87% trường hợp\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Sensitivity\u003C\u002Ftd>\u003Ctd>0.90\u003C\u002Ftd>\u003Ctd>Phát hiện đúng 90% người bệnh\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Specificity\u003C\u002Ftd>\u003Ctd>0.84\u003C\u002Ftd>\u003Ctd>Phân biệt đúng 84% người không bệnh\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>AUC\u003C\u002Ftd>\u003Ctd>0.93\u003C\u002Ftd>\u003Ctd>Khả năng phân loại rất tốt\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Cp>Các phương pháp kiểm định chéo (cross-validation) hoặc bootstrap thường được áp dụng để giảm thiên lệch và đánh giá ổn định mô hình. Ngoài ra, hiệu năng mô hình nên được xác nhận trên nhiều quần thể khác nhau (external validation) trước khi triển khai lâm sàng rộng rãi.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong y học cá thể hóa\u003C\u002Fh2>\u003Cp>Y học cá thể hóa (personalized medicine) là xu hướng phát triển tất yếu trong kỷ nguyên dữ liệu lớn. Các mô hình lâm sàng hiện đại có thể tích hợp dữ liệu di truyền, sinh học phân tử, lối sống và yếu tố môi trường để dự đoán đáp ứng điều trị hoặc nguy cơ mắc bệnh cho từng cá nhân. Mục tiêu là xây dựng phác đồ “đúng thuốc, đúng liều, đúng người”.\u003C\u002Fp>\u003Cp>Ví dụ, trong ung thư học, mô hình tiên lượng có thể dựa trên biểu hiện gen để phân tầng bệnh nhân thành nhóm đáp ứng tốt hoặc kém với hóa trị. Một công thức đơn giản cho xác suất sống sót theo mô hình Cox là: \u003Cscript type=\"math\u002Ftex\">h(t|x) = h_0(t)e^{\\beta x}\u003C\u002Fscript>, trong đó \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript> là vector biến lâm sàng và \u003Cscript type=\"math\u002Ftex\">\\beta\u003C\u002Fscript> là hệ số ước lượng. Mô hình này được mở rộng thành DeepSurv để khai thác các mối quan hệ phi tuyến tính bằng học sâu.\u003C\u002Fp>\u003Cp>Theo nghiên cứu của \u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41591-019-0508-1\" target=\"_blank\">Nature Medicine\u003C\u002Fa>, việc ứng dụng học máy trong y học cá thể hóa giúp cải thiện độ chính xác tiên lượng lên tới 25–40% so với phương pháp thống kê truyền thống.\u003C\u002Fp>\n\n\u003Ch2>Mô hình AI và học sâu trong y học\u003C\u002Fh2>\u003Cp>Trí tuệ nhân tạo (AI) đã mang đến bước tiến vượt bậc cho mô hình lâm sàng, đặc biệt trong các lĩnh vực chẩn đoán hình ảnh, xét nghiệm di truyền và dự đoán biến chứng bệnh. Mạng nơ-ron tích chập (CNN) được dùng phổ biến trong xử lý hình ảnh y học như X-quang, CT, MRI, giúp phát hiện sớm ung thư, viêm phổi hoặc tổn thương não.\u003C\u002Fp>\u003Cp>Một số ứng dụng tiêu biểu:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>DeepSurv:\u003C\u002Fstrong> Áp dụng học sâu trong phân tích sống sót, được phát triển bởi \u003Ca href=\"https:\u002F\u002Fstanfordmlgroup.github.io\u002Fprojects\u002Fdeepsurv\u002F\" target=\"_blank\">Stanford ML Group\u003C\u002Fa>.\u003C\u002Fli>\u003Cli>\u003Cstrong>CheXNet:\u003C\u002Fstrong> Phát hiện viêm phổi từ ảnh X-quang với độ chính xác tương đương bác sĩ chuyên khoa.\u003C\u002Fli>\u003Cli>\u003Cstrong>Google DeepMind:\u003C\u002Fstrong> Dự đoán suy thận cấp 48 giờ trước khi khởi phát bằng mạng học sâu.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Các mô hình học sâu có thể tự động học đặc trưng phức tạp từ dữ liệu mà không cần can thiệp thủ công, giúp tăng hiệu quả phát hiện bất thường. Tuy nhiên, một thách thức lớn là tính “giải thích được” (explainability), khi mô hình hoạt động như một “hộp đen” và khó xác định nguyên nhân của quyết định.\u003C\u002Fp>\n\n\u003Ch2>Hạn chế và rủi ro\u003C\u002Fh2>\u003Cp>Mặc dù có tiềm năng to lớn, mô hình lâm sàng vẫn đối mặt với nhiều hạn chế. Sai lệch trong dữ liệu đầu vào, chọn mẫu không đại diện hoặc hiện tượng overfitting có thể dẫn đến sai số nghiêm trọng. Một mô hình phù hợp với một nhóm dân số nhỏ có thể không hiệu quả khi áp dụng rộng rãi. Ngoài ra, các yếu tố như chất lượng dữ liệu, thiếu chuẩn hóa trong ghi chép bệnh án và sự khác biệt về thiết bị đo lường cũng ảnh hưởng đáng kể.\u003C\u002Fp>\u003Cp>Vấn đề đạo đức và pháp lý cũng cần được quan tâm. Việc sử dụng mô hình AI trong y tế đặt ra câu hỏi về trách nhiệm khi xảy ra sai sót: liệu là do thuật toán, bác sĩ hay nhà sản xuất phần mềm. Do đó, các tổ chức như \u003Ca href=\"https:\u002F\u002Fwww.fda.gov\u002Fmedical-devices\u002Fsoftware-medical-device-samd\u002Fartificial-intelligence-and-machine-learning-software-medical-device\" target=\"_blank\">FDA\u003C\u002Fa> đã ban hành hướng dẫn quản lý mô hình AI như một thiết bị y tế (Software as a Medical Device – SaMD).\u003C\u002Fp>\u003Cp>Để đảm bảo an toàn, mô hình lâm sàng cần được thẩm định độc lập, công bố minh bạch dữ liệu huấn luyện và thường xuyên cập nhật theo thay đổi thực tế lâm sàng.\u003C\u002Fp>\n\n\u003Ch2>Hướng phát triển trong tương lai\u003C\u002Fh2>\u003Cp>Trong tương lai, mô hình lâm sàng sẽ ngày càng tích hợp đa nguồn dữ liệu từ gen – môi trường – hành vi – thiết bị đeo. Sự kết hợp giữa mô phỏng sinh lý (mechanistic modeling) và học máy (machine learning) sẽ tạo ra “mô hình lai” vừa có khả năng giải thích vừa có độ chính xác cao.\u003C\u002Fp>\u003Cp>Một xu hướng khác là phát triển mô hình thích nghi theo thời gian (adaptive models), liên tục học từ dữ liệu thực tế của bệnh nhân, giúp cập nhật phác đồ điều trị trong thời gian thực. Ngoài ra, trí tuệ nhân tạo giải thích được (Explainable AI – XAI) sẽ giúp bác sĩ hiểu rõ cơ chế quyết định của mô hình, tăng niềm tin trong ứng dụng lâm sàng.\u003C\u002Fp>\u003Cp>Các mô hình này không chỉ giới hạn trong bệnh viện mà còn được triển khai trong chăm sóc sức khỏe cộng đồng, theo dõi bệnh mạn tính từ xa và dự đoán dịch tễ học. Sự kết hợp giữa mô hình lâm sàng, công nghệ điện toán đám mây và IoT y tế sẽ hình thành hệ sinh thái “bệnh viện số” trong tương lai gần.\u003C\u002Fp>\n\n","Mô hình lâm sàng","clinical model \u002F clinical prediction model",[20,21,22,23,24],"clinical prediction model","mô hình dự đoán lâm sàng","mô hình tiên lượng lâm sàng","thang điểm lâm sàng","clinical decision model","Mô hình lâm sàng (clinical model, hay mô hình dự đoán lâm sàng) là cấu trúc toán học hoặc thuật toán học máy được xây dựng nhằm mô phỏng, chẩn đoán hoặc dự báo kết cục lâm sàng dựa trên việc tích hợp đa chiều các biến số đầu vào như triệu chứng lâm sàng, dấu ấn sinh học và dữ liệu bệnh án điện tử.","MEDICAL_HEALTH_SCIENCES",[28,35,42],{"citationText":29,"title":30,"authors":31,"source":32,"year":33,"doi":34,"url":10},"Steyerberg EW. (2009). Clinical Prediction Models: A Practical Approach to Development, Validating, and Updating. Springer New York.","Clinical Prediction Models","Steyerberg","Springer New York",2009,"10.1007\u002F978-0-387-77244-8",{"citationText":36,"title":37,"authors":38,"source":39,"year":40,"doi":41,"url":10},"Collins GS, Reitsma JB, Altman DG, Moons KG. (2015). Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. BMJ, 350, g7594.","Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement","Collins, Reitsma, Altman, Moons","BMJ",2015,"10.1136\u002Fbmj.g7594",{"citationText":43,"title":44,"authors":45,"source":46,"year":47,"doi":48,"url":10},"Katzman JL, Shaham U, Cloninger A, Bates J, Jiang T, Kluger Y. (2018). DeepSurv: personalized treatment recommender system using a Cox proportional hazards deep neural network. BMC Medical Research Methodology, 18, 24.","DeepSurv: personalized treatment recommender system using a Cox proportional hazards deep neural network","Katzman, Shaham, Cloninger, Bates, Jiang, Kluger","BMC Medical Research Methodology",2018,"10.1186\u002Fs12874-018-0482-1",[50,53,56],{"question":51,"answer":52},"Hai nhóm chỉ số quan trọng nhất để đánh giá một mô hình dự đoán lâm sàng là gì?","Đó là độ phân biệt (discrimination, thường đo lường bằng diện tích dưới đường cong ROC\u002FAUC hoặc chỉ số Harrell C-index) và độ chuẩn định (calibration, đánh giá sự tương quan giữa xác suất rủi ro dự đoán của mô hình và tỷ lệ biến cố thực tế quan sát được).",{"question":54,"answer":55},"Tiêu chuẩn TRIPOD có ý nghĩa gì trong nghiên cứu mô hình lâm sàng?","TRIPOD là bộ hướng dẫn quốc tế quy định các tiêu chuẩn báo cáo minh bạch cho các nghiên cứu phát triển và kiểm định mô hình dự đoán đa biến chẩn đoán hoặc tiên lượng, nhằm hạn chế rủi ro sai số thiên lệch và đảm bảo tính tái lập của nghiên cứu.",{"question":57,"answer":58},"Thách thức hộp đen của các mô hình học sâu trong y tế được giải quyết như thế nào?","Các nhà nghiên cứu ứng dụng phương pháp Trí tuệ nhân tạo giải thích được (Explainable AI - XAI) như SHAP, LIME và các bản đồ nhiệt chú ý để minh bạch hóa mức độ đóng góp của từng biến số bệnh lý vào quyết định của thuật toán.",{"id":60,"researcherId":10,"name":61,"imageUrl":62},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",{"id":60,"researcherId":10,"name":61,"imageUrl":62},[13],1,false,"PUBLISHED","2025-10-10T02:43:57.969+00:00","2026-09-16T10:49:27.115+00:00","2025-10-20T07:43:36.583+00:00",268,[73,76,79,88,94,99,105,110,116,122],{"id":74,"title":75,"term":74,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chánh niệm","Chánh niệm là gì? Các nghiên cứu khoa học về Chánh niệm",{"id":77,"title":78,"term":77,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"ketamin","Ketamin là gì? Các nghiên cứu khoa học về Ketamin",{"id":80,"title":81,"term":80,"englishTitle":82,"definition":83,"discipline":26,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"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.","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":89,"title":90,"term":91,"englishTitle":92,"definition":93,"discipline":26,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"dass 21","DASS-21 là gì? Cấu trúc, cách tính điểm và ý nghĩa sàng lọc","DASS-21","Depression Anxiety Stress Scales - 21 Items","DASS-21 (Depression Anxiety Stress Scales - 21 Items) là thang đo tự báo cáo gồm 21 câu hỏi trắc lượng tâm lý, được sử dụng để sàng lọc và đánh giá mức độ nghiêm trọng của ba trạng thái cảm xúc tiêu cực: trầm cảm, lo âu và căng thẳng.",{"id":95,"title":96,"term":95,"englishTitle":97,"definition":98,"discipline":26,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"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":100,"title":101,"term":102,"englishTitle":103,"definition":104,"discipline":26,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"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":106,"title":107,"term":106,"englishTitle":108,"definition":109,"discipline":26,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"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":111,"title":112,"term":113,"englishTitle":114,"definition":115,"discipline":26,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"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":117,"title":118,"term":119,"englishTitle":120,"definition":121,"discipline":26,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"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.",{"id":123,"title":124,"term":123,"englishTitle":125,"definition":126,"discipline":26,"disciplineCode":84,"disciplineLabel":85,"disciplineColor":86,"disciplineIcon":87},"báo cáo ca bệnh","Báo cáo ca bệnh là gì? Các nghiên cứu khoa học liên quan","case report","Báo cáo ca bệnh (case report) là một ấn phẩm y học mô tả chi tiết và có hệ thống về triệu chứng, chẩn đoán, điều trị và diễn tiến bất thường hoặc hiếm gặp của một bệnh nhân đơn lẻ trong thực hành lâm sàng."]