[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_ph%C3%A2n%20t%E1%BA%A7ng%20nguy%20c%C6%A1{\"limit\":5}":3,"_public_topic_byId_phân tầng nguy cơ":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":10,"synonyms":10,"definition":10,"discipline":10,"references":10,"faqs":10,"createUser":17,"publishUser":21,"keywords":25,"keywordCount":26,"enrichTopicLink":27,"status":28,"createTime":29,"updateTime":30,"publishTime":31,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":32,"relateTopics":33},"phân tầng nguy cơ","Phân tầng nguy cơ là gì? Các nghiên cứu khoa học liên quan","Phân tầng nguy cơ là quá trình đánh giá và phân loại cá nhân theo mức độ rủi ro mắc bệnh hoặc biến cố y khoa để tối ưu hoá chăm sóc và điều trị. Phương pháp này kết hợp nhiều yếu tố như tuổi, chỉ số sinh học, bệnh sử và hành vi nhằm xác định ai cần can thiệp sớm và ai chỉ cần theo dõi. ","\u003Cdiv>\u003Ch2>Định nghĩa phân tầng nguy cơ\u003C\u002Fh2>\n\u003Cp>\nPhân tầng nguy cơ (Risk Stratification) là một quá trình đánh giá có hệ thống nhằm xác định mức độ rủi ro của một cá nhân hoặc nhóm người trong việc phát triển các biến cố sức khỏe nghiêm trọng, chẳng hạn như mắc bệnh mạn tính, nhập viện, biến chứng cấp tính hoặc tử vong. Phương pháp này dựa trên phân tích tổng hợp nhiều yếu tố như tuổi tác, chỉ số sinh học, bệnh sử, lối sống và các thông số lâm sàng.\n\u003C\u002Fp>\n\u003Cp>\nKhái niệm phân tầng nguy cơ đóng vai trò cốt lõi trong y học hiện đại, đặc biệt là trong mô hình y học dựa trên giá trị (value-based care), nơi tài nguyên chăm sóc sức khỏe được ưu tiên phân bổ dựa trên mức độ nguy cơ của bệnh nhân. Phân tầng nguy cơ giúp xác định ai cần can thiệp y tế khẩn cấp, ai có thể trì hoãn điều trị và ai có thể chỉ cần theo dõi định kỳ. Điều này góp phần giảm tải hệ thống y tế, nâng cao hiệu quả điều trị và kiểm soát chi phí.\n\u003C\u002Fp>\n\u003Cp>\nTrong lâm sàng, thuật ngữ “risk stratification” được sử dụng rộng rãi trong nhiều chuyên khoa: tim mạch, ung bướu, nội tiết, hô hấp, thần kinh… Mỗi chuyên ngành có các công cụ, mô hình hoặc thang điểm phân tầng nguy cơ riêng biệt, nhưng cùng phục vụ một mục tiêu chung là cá thể hóa chăm sóc sức khỏe.\n\u003C\u002Fp>\n\n\u003Ch2>Vai trò trong y học lâm sàng và dự phòng\u003C\u002Fh2>\n\u003Cp>\nPhân tầng nguy cơ là một bước quan trọng trong quá trình ra quyết định lâm sàng. Thay vì áp dụng cùng một phác đồ điều trị cho tất cả bệnh nhân, các bác sĩ có thể lựa chọn chiến lược điều trị phù hợp hơn với từng mức độ nguy cơ. Chẳng hạn, trong bệnh tim mạch, người có nguy cơ cao được chỉ định dùng thuốc statin, thuốc chống kết tập tiểu cầu hoặc can thiệp mạch vành sớm, trong khi người nguy cơ thấp chỉ cần thay đổi lối sống.\n\u003C\u002Fp>\n\u003Cp>\nViệc cá thể hóa điều trị dựa trên phân tầng nguy cơ không chỉ nâng cao hiệu quả điều trị mà còn giúp giảm tác dụng phụ, tránh điều trị quá mức, và cải thiện sự hài lòng của bệnh nhân. Ngoài ra, trong các chương trình sàng lọc cộng đồng, việc sử dụng công cụ phân tầng nguy cơ giúp xác định đúng đối tượng mục tiêu cần được can thiệp. Ví dụ, không phải ai cũng cần nội soi đại tràng tầm soát ung thư đại trực tràng, mà chỉ những người có nguy cơ trung bình đến cao mới cần làm định kỳ.\n\u003C\u002Fp>\n\u003Cp>\nDưới đây là một số lợi ích rõ rệt của phân tầng nguy cơ trong thực hành y khoa:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Ưu tiên chăm sóc cho nhóm bệnh nhân có nguy cơ cao nhất\u003C\u002Fli>\n  \u003Cli>Tối ưu hóa hiệu quả chi phí cho hệ thống y tế\u003C\u002Fli>\n  \u003Cli>Giảm tỷ lệ nhập viện không cần thiết\u003C\u002Fli>\n  \u003Cli>Nâng cao khả năng dự phòng biến chứng nghiêm trọng\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Phương pháp phân tầng nguy cơ\u003C\u002Fh2>\n\u003Cp>\nCó nhiều phương pháp khác nhau được sử dụng để thực hiện phân tầng nguy cơ. Phổ biến nhất là sử dụng các thang điểm lâm sàng được xây dựng dựa trên dữ liệu dịch tễ học lớn. Những mô hình này đơn giản, dễ sử dụng trong thực hành thường ngày và thường được tích hợp vào hệ thống hồ sơ bệnh án điện tử.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, các phương pháp hiện đại hơn bao gồm ứng dụng học máy (machine learning) và trí tuệ nhân tạo (AI) để xây dựng các mô hình dự đoán có độ chính xác cao hơn. Những mô hình này có thể xử lý dữ liệu đa chiều, phi cấu trúc và phát hiện các mối liên hệ phi tuyến giữa các biến số mà mô hình truyền thống không thể nhận biết.\n\u003C\u002Fp>\n\u003Cp>\nMột số công cụ phân tầng nguy cơ điển hình:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Tên mô hình\u003C\u002Fth>\n      \u003Cth>Ứng dụng\u003C\u002Fth>\n      \u003Cth>Biến số đầu vào\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>CHA\u003Csub>2\u003C\u002Fsub>DS\u003Csub>2\u003C\u002Fsub>-VASc\u003C\u002Ftd>\n      \u003Ctd>Rung nhĩ – đánh giá nguy cơ đột quỵ\u003C\u002Ftd>\n      \u003Ctd>Tuổi, giới, tăng huyết áp, đái tháo đường, suy tim, tiền sử đột quỵ, bệnh mạch vành\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Framingham Risk Score\u003C\u002Ftd>\n      \u003Ctd>Nguy cơ tim mạch tổng thể trong 10 năm\u003C\u002Ftd>\n      \u003Ctd>Tuổi, giới, cholesterol, huyết áp, hút thuốc, đái tháo đường\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>GRACE Score\u003C\u002Ftd>\n      \u003Ctd>Hội chứng vành cấp – tiên lượng tử vong\u003C\u002Ftd>\n      \u003Ctd>Tuổi, nhịp tim, huyết áp, creatinine, ST chênh, men tim, suy tim\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Yếu tố ảnh hưởng đến phân tầng nguy cơ\u003C\u002Fh2>\n\u003Cp>\nPhân tầng nguy cơ chính xác phụ thuộc vào độ tin cậy và đầy đủ của dữ liệu đầu vào. Các yếu tố thường được sử dụng trong mô hình phân tầng nguy cơ bao gồm thông tin nhân khẩu học (tuổi, giới tính), yếu tố nguy cơ lâm sàng (huyết áp, cholesterol, chỉ số khối cơ thể), bệnh nền (đái tháo đường, bệnh thận, suy tim), và kết quả xét nghiệm cận lâm sàng (HbA1c, creatinine, men tim).\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, trong những năm gần đây, các yếu tố phi truyền thống như trạng thái tâm thần, mức độ hoạt động thể chất, tình trạng kinh tế – xã hội, độ tuân thủ điều trị, và mức độ tiếp cận y tế cũng được cân nhắc đưa vào mô hình dự báo nguy cơ, đặc biệt trong các nghiên cứu sức khỏe cộng đồng. Những yếu tố này giúp mô hình có độ chính xác cao hơn và phản ánh toàn diện hơn về nguy cơ thật sự của cá nhân.\n\u003C\u002Fp>\n\u003Cp>\nMột số nhóm yếu tố ảnh hưởng điển hình:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Yếu tố sinh học: tuổi, giới, gen, chỉ số sinh học\u003C\u002Fli>\n  \u003Cli>Yếu tố bệnh lý: số lượng và mức độ nghiêm trọng của bệnh nền\u003C\u002Fli>\n  \u003Cli>Yếu tố hành vi: hút thuốc, uống rượu, ăn uống, vận động\u003C\u002Fli>\n  \u003Cli>Yếu tố xã hội: thu nhập, trình độ học vấn, nơi cư trú\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2>Phân tầng nguy cơ trong bệnh tim mạch\u003C\u002Fh2>\n\u003Cp>\nTrong lĩnh vực tim mạch, phân tầng nguy cơ là nền tảng trong việc xác định chiến lược điều trị, dự phòng và theo dõi bệnh nhân. Các hướng dẫn quốc tế như của American College of Cardiology (ACC) hay European Society of Cardiology (ESC) đều nhấn mạnh vai trò của phân tầng nguy cơ trong quản lý bệnh tim thiếu máu cục bộ, suy tim, tăng huyết áp và loạn nhịp.\n\u003C\u002Fp>\n\u003Cp>\nMột trong những công cụ được áp dụng rộng rãi là mô hình SCORE2 (Systematic Coronary Risk Estimation 2), được thiết kế để ước tính nguy cơ tử vong do tim mạch trong vòng 10 năm ở người không có tiền sử bệnh lý tim mạch. Mô hình này sử dụng dữ liệu như tuổi, giới, mức cholesterol toàn phần, huyết áp tâm thu và tình trạng hút thuốc.\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\"> Risk = f(Age, Sex, Smoking, Systolic\\ BP, Total\\ Cholesterol) \u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nBên cạnh SCORE2, một số công cụ trực tuyến như \u003Ca href=\"https:\u002F\u002Ftools.acc.org\u002FASCVD-Risk-Estimator-Plus\u002F\">ASCVD Risk Estimator\u003C\u002Fa> của ACC cũng được sử dụng để hỗ trợ quyết định về việc kê đơn statin, thuốc chống tiểu cầu hoặc kiểm soát yếu tố nguy cơ khác. Những mô hình này đã được tích hợp vào hồ sơ bệnh án điện tử (EMR), giúp bác sĩ ra quyết định lâm sàng nhanh chóng và chính xác.\n\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng trong ung thư học\u003C\u002Fh2>\n\u003Cp>\nTrong ung thư học, phân tầng nguy cơ được dùng để hướng dẫn điều trị và tiên lượng, đặc biệt trong các loại ung thư có mức độ dị biệt về tiến triển như ung thư vú, ung thư tuyến tiền liệt, ung thư phổi. Phân tầng dựa trên đặc điểm mô học, giai đoạn bệnh, dấu ấn sinh học và phản ứng với điều trị ban đầu.\n\u003C\u002Fp>\n\u003Cp>\nChẳng hạn, với ung thư vú thể dương tính thụ thể hormone, các công cụ như Oncotype DX hoặc MammaPrint giúp đánh giá nguy cơ tái phát di căn xa. Những bệnh nhân có nguy cơ thấp có thể tránh được hóa trị, trong khi nhóm nguy cơ cao cần được can thiệp tích cực hơn. Trong ung thư tuyến tiền liệt, Gleason score, PSA và chỉ số nguy cơ lâm sàng giúp chia nhóm: nguy cơ thấp, trung bình và cao – từ đó xác định lựa chọn điều trị giữa theo dõi chủ động, phẫu thuật hoặc xạ trị.\n\u003C\u002Fp>\n\u003Cp>\nBảng minh họa phân tầng nguy cơ trong ung thư vú (Oncotype DX):\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Chỉ số nguy cơ\u003C\u002Fth>\n      \u003Cth>Nguy cơ tái phát\u003C\u002Fth>\n      \u003Cth>Khuyến nghị\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd><18\u003C\u002Ftd>\n      \u003Ctd>Thấp\u003C\u002Ftd>\n      \u003Ctd>Không cần hóa trị\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>18–30\u003C\u002Ftd>\n      \u003Ctd>Trung bình\u003C\u002Ftd>\n      \u003Ctd>Xem xét tùy trường hợp\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>>30\u003C\u002Ftd>\n      \u003Ctd>Cao\u003C\u002Ftd>\n      \u003Ctd>Khuyến nghị hóa trị\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Trí tuệ nhân tạo trong phân tầng nguy cơ\u003C\u002Fh2>\n\u003Cp>\nỨng dụng trí tuệ nhân tạo (AI) trong phân tầng nguy cơ đang thay đổi cách tiếp cận truyền thống trong y học cá thể hóa. AI có khả năng xử lý khối lượng dữ liệu y tế khổng lồ bao gồm hình ảnh học, xét nghiệm, hồ sơ bệnh án và dữ liệu từ thiết bị đeo thông minh. Các mô hình học sâu (deep learning) giúp phát hiện các mẫu tiềm ẩn không rõ ràng mà con người hoặc các mô hình thống kê không nhận thấy.\n\u003C\u002Fp>\n\u003Cp>\nMột ví dụ tiêu biểu là ứng dụng mạng nơron tích chập (CNN) để phân tích hình ảnh chụp X-quang ngực nhằm dự đoán nguy cơ bệnh phổi tắc nghẽn mạn tính (COPD) hoặc bệnh phổi mô kẽ. Trong tim mạch, AI có thể phân tích ECG, MRI tim hoặc siêu âm để tiên lượng nguy cơ đột tử hoặc suy tim tiến triển.\n\u003C\u002Fp>\n\u003Cp>\nTham khảo từ \u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41746-020-0251-4\">Nature – Risk Stratification with AI\u003C\u002Fa> cho thấy các thuật toán như XGBoost, Random Forest và LSTM có độ chính xác dự đoán cao hơn mô hình truyền thống. Tuy nhiên, cần chú trọng đến tính minh bạch (explainability), vì một số mô hình AI hiện nay vẫn là “hộp đen”, gây khó khăn trong giải thích và chấp nhận lâm sàng.\n\u003C\u002Fp>\n\n\u003Ch2>Hạn chế và thách thức\u003C\u002Fh2>\n\u003Cp>\nDù hữu ích, phân tầng nguy cơ vẫn đối mặt với nhiều giới hạn trong thực hành. Thứ nhất là sự khác biệt về đặc điểm dân số giữa các nghiên cứu phát triển mô hình và quần thể áp dụng thực tế, dẫn đến sai lệch trong kết quả đánh giá. Thứ hai là chất lượng dữ liệu đầu vào – nếu thông tin không đầy đủ, không chuẩn hóa hoặc có sai số, mô hình sẽ đưa ra dự báo không chính xác.\n\u003C\u002Fp>\n\u003Cp>\nBên cạnh đó, việc lựa chọn ngưỡng (cut-off) để xác định nhóm nguy cơ cũng là vấn đề nhạy cảm. Một ngưỡng quá thấp sẽ khiến nhiều người bị phân loại sai là “nguy cơ cao”, dẫn đến can thiệp không cần thiết. Ngược lại, ngưỡng quá cao sẽ bỏ sót nhiều ca bệnh có nguy cơ thật sự. Ngoài ra, việc tích hợp các yếu tố xã hội, hành vi và tâm lý vào mô hình là thách thức cả về phương pháp lẫn đạo đức.\n\u003C\u002Fp>\n\u003Cp>\nCác rào cản khác gồm:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Thiếu minh bạch và khả năng giải thích từ mô hình AI\u003C\u002Fli>\n  \u003Cli>Lo ngại về quyền riêng tư và bảo mật dữ liệu bệnh nhân\u003C\u002Fli>\n  \u003Cli>Thiếu chuẩn hóa và hướng dẫn sử dụng cụ thể cho từng quốc gia, khu vực\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Tương lai và hướng phát triển\u003C\u002Fh2>\n\u003Cp>\nTrong tương lai, phân tầng nguy cơ sẽ gắn bó chặt chẽ hơn với y học chính xác (precision medicine), nơi mà mô hình đánh giá nguy cơ không chỉ dựa trên dữ liệu lâm sàng mà còn tích hợp thông tin di truyền, biểu sinh, microbiome, hành vi sống và môi trường sống. Việc sử dụng nền tảng dữ liệu đa tầng (multi-omics) cho phép xây dựng các mô hình nguy cơ có độ chính xác và cá nhân hóa cao hơn.\n\u003C\u002Fp>\n\u003Cp>\nCác hệ thống hỗ trợ quyết định lâm sàng (Clinical Decision Support Systems – CDSS) được tích hợp trong phần mềm bệnh viện sẽ tự động đề xuất phân tầng nguy cơ và chiến lược điều trị tối ưu dựa trên hồ sơ bệnh nhân. Đây là bước tiến quan trọng hướng đến chăm sóc y tế chủ động, dự đoán và cá thể hóa.\n\u003C\u002Fp>\n\u003Cp>\nCác hướng nghiên cứu đang được thúc đẩy:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Phát triển mô hình AI có khả năng giải thích (Explainable AI)\u003C\u002Fli>\n  \u003Cli>Đánh giá tính ứng dụng lâm sàng trong nhiều môi trường thực tế\u003C\u002Fli>\n  \u003Cli>Tích hợp dữ liệu thời gian thực từ thiết bị đeo và hệ thống y tế\u003C\u002Fli>\n  \u003Cli>Xây dựng khung pháp lý và đạo đức cho việc phân tầng nguy cơ dựa trên AI\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Col>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.ahajournals.org\u002Fdoi\u002Ffull\u002F10.1161\u002FCIR.0000000000001052\">American Heart Association – Cardiovascular Risk Stratification\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.qrisk.org\">QRISK3 Cardiovascular Risk Algorithm\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Ftools.acc.org\u002FASCVD-Risk-Estimator-Plus\u002F\">ASCVD Risk Estimator Plus – ACC\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.ncbi.nlm.nih.gov\u002Fpmc\u002Farticles\u002FPMC7272315\u002F\">NCBI – AI in Medical Risk Prediction\u003C\u002Fa>\u003C\u002Fli>\n  \u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41746-020-0251-4\">Nature Digital Medicine – Risk Stratification with AI\u003C\u002Fa>\u003C\u002Fli>\n\u003C\u002Fol>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",{"id":22,"researcherId":10,"name":23,"imageUrl":24},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[13],1,false,"PUBLISHED","2025-09-18T09:05:09.218+00:00","2025-09-19T01:54:07.499+00:00","2025-09-19T01:54:07.462+00:00",251,[34,44,47,57,63,68,73,84,90,96],{"id":35,"title":36,"term":35,"englishTitle":37,"definition":38,"discipline":39,"disciplineCode":40,"disciplineLabel":41,"disciplineColor":42,"disciplineIcon":43},"yếu tố nhân khẩu học","Yếu tố nhân khẩu học là gì? Các bài báo nghiên cứu khoa học","demographic factors","Yếu tố nhân khẩu học là tập hợp các đặc tính và biến số định lượng mô tả cấu trúc, quy mô, sự phân bố và động thái biến đổi của một quần thể dân cư, bao gồm các đặc điểm sinh học và kinh tế - xã hội như độ tuổi, giới tính, học vấn, thu nhập và nơi cư trú.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":45,"title":46,"term":45,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"loạn sản mức độ cao","Loạn sản mức độ cao là gì? Các bài báo nghiên cứu khoa học",{"id":48,"title":49,"term":48,"englishTitle":50,"definition":51,"discipline":52,"disciplineCode":53,"disciplineLabel":54,"disciplineColor":55,"disciplineIcon":56},"gày còm","Gày còm là gì? Cơ chế sinh bệnh và phác đồ phục hồi","emaciation","Gày còm (emaciation \u002F wasting) là tình trạng suy dinh dưỡng cấp tính mức độ nặng đặc trưng bởi sự tiêu hao nghiêm trọng và nhanh chóng của mô mỡ dưới da và khối cơ xương, dẫn đến sụt giảm trọng lượng cơ thể rõ rệt so với chiều cao hoặc chuẩn phát triển nhân trắc học.","MEDICAL_HEALTH_SCIENCES","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":58,"title":59,"term":60,"englishTitle":61,"definition":62,"discipline":52,"disciplineCode":53,"disciplineLabel":54,"disciplineColor":55,"disciplineIcon":56},"chẩn đoán trước phẫu thuật","Chẩn đoán trước phẫu thuật là gì? Định nghĩa và ứng dụng","Chẩn đoán trước phẫu thuật","preoperative diagnosis","Chẩn đoán trước phẫu thuật là quá trình đánh giá toàn diện tình trạng bệnh lý, phân tầng nguy cơ tim mạch - hô hấp và xác định hình thái giải phẫu của người bệnh trước khi phẫu thuật nhằm xây dựng kế hoạch điều trị và hồi sức chu phẫu tối ưu.",{"id":64,"title":65,"term":64,"englishTitle":66,"definition":67,"discipline":52,"disciplineCode":53,"disciplineLabel":54,"disciplineColor":55,"disciplineIcon":56},"hiv aids","Hiv aids là gì? Các công bố khoa học về Hiv aids","HIV\u002FAIDS \u002F Human immunodeficiency virus infection and acquired immunodeficiency syndrome","HIV\u002FAIDS là bệnh truyền nhiễm mạn tính do virus gây suy giảm miễn dịch ở người (HIV) tấn công và phá hủy các tế bào lympho T CD4+, dẫn đến suy giảm miễn dịch tiến triển và hội chứng suy giảm miễn dịch mắc phải (AIDS) kèm nhiễm trùng cơ hội và ung thư.",{"id":69,"title":70,"term":71,"englishTitle":69,"definition":72,"discipline":52,"disciplineCode":53,"disciplineLabel":54,"disciplineColor":55,"disciplineIcon":56},"anesthesia","Anesthesia là gì? Bốn trụ cột gây mê toàn thân, phân loại ASA và an toàn phòng mổ","Anesthesia","Anesthesia (gây mê hồi sức) là chuyên ngành y khoa can thiệp kiểm soát cảm giác đau và phản xạ cơ thể có phục hồi hoàn toàn, tạo điều kiện vô cảm an toàn tuyệt đối cho người bệnh trong phẫu thuật và thủ thuật ngoại khoa.",{"id":74,"title":75,"term":76,"englishTitle":77,"definition":78,"discipline":79,"disciplineCode":80,"disciplineLabel":81,"disciplineColor":82,"disciplineIcon":83},"chuỗi gen","Chuỗi gen là gì? Các bài báo nghiên cứu khoa học liên quan","Chuỗi gen","Gene sequence \u002F DNA sequence","Chuỗi gen là trật tự sắp xếp tuyến tính của các nucleotide mang bốn loại base nitơ (A, T, G, C) trên phân tử acid nucleic, chứa mã di truyền quy định cấu trúc bậc một của protein hoặc các phân tử RNA chức năng.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":85,"title":86,"term":87,"englishTitle":88,"definition":89,"discipline":52,"disciplineCode":53,"disciplineLabel":54,"disciplineColor":55,"disciplineIcon":56},"bệnh nhân béo phì","Bệnh nhân béo phì là gì? Ý nghĩa và ứng dụng chuyên sâu","Bệnh nhân béo phì","Obese patients \u002F Obesity in clinical medicine","Bệnh nhân béo phì là nhóm đối tượng lâm sàng mắc bệnh mạn tính phức tạp đặc trưng bởi sự tích tụ mỡ thừa bất thường gây suy giảm chức năng các cơ quan, được phân loại theo chỉ số khối cơ thể (BMI) và đòi hỏi các chiến lược chăm sóc y tế, gây mê, điều trị chuyên biệt.",{"id":91,"title":92,"term":93,"englishTitle":94,"definition":95,"discipline":52,"disciplineCode":53,"disciplineLabel":54,"disciplineColor":55,"disciplineIcon":56},"ung thư tuyến giáp biệt hóa","Ung thư tuyến giáp biệt hóa là gì? Định nghĩa và ứng dụng","Ung thư tuyến giáp biệt hóa","Differentiated thyroid cancer (DTC)","Ung thư tuyến giáp biệt hóa là nhóm các bệnh lý ác tính bắt nguồn từ các tế bào biểu mô nang giáp, bảo tồn một phần các đặc tính sinh lý của mô giáp bình thường (như khả năng bắt giữ iod), chủ yếu bao gồm thể nhú và thể nang.",{"id":97,"title":98,"term":99,"englishTitle":100,"definition":101,"discipline":52,"disciplineCode":53,"disciplineLabel":54,"disciplineColor":55,"disciplineIcon":56},"bệnh bạch cầu myeloid cấp tính","Bệnh bạch cầu myeloid cấp tính là gì? Định nghĩa và ứng dụng","Bệnh bạch cầu myeloid cấp tính","acute myeloid leukemia (AML)","Bệnh bạch cầu myeloid cấp tính (AML) là bệnh lý ác tính của hệ tạo máu đặc trưng bởi sự tăng sinh vô tính không kiểm soát và khiếm khuyết biệt hóa của các tế bào tiền thân dòng tủy, dẫn đến thâm nhiễm tủy xương và suy tủy tiến triển nhanh chóng."]