[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_th%E1%BB%9Di%20gian%20s%E1%BB%91ng%20s%C3%B3t{\"limit\":5}":3,"_public_topic_byId_thời gian sống sót":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":41,"createUser":51,"publishUser":55,"keywords":59,"keywordCount":10,"enrichTopicLink":60,"status":61,"createTime":62,"updateTime":63,"publishTime":64,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":65,"relateTopics":66},"thời gian sống sót","Thời gian sống sót là gì? Ý nghĩa và ứng dụng chuyên sâu","Tìm hiểu Thời gian sống sót (Survival time \u002F Survival analysis): định nghĩa khoa học chuẩn mực, cơ chế vận hành, các thông số thực nghiệm và ứng dụng ch...","\u003Cp>\u003Cstrong>Thời gian sống sót\u003C\u002Fstrong> (\u003Cem>Survival time \u002F Survival analysis\u003C\u002Fem>) là biến số thời gian liên tục đo khoảng cách từ một thời điểm mốc xác định (như thời điểm chẩn đoán, bắt đầu can thiệp phẫu thuật hoặc dùng thuốc) cho đến khi xuất hiện một biến cố lâm sàng quan tâm (như tử vong, bệnh tái phát hoặc thất bại điều trị) trong nghiên cứu y học và dịch tễ học.\u003C\u002Fp>\n\u003Ch2>Định nghĩa thời gian sống sót\u003C\u002Fh2>\n\u003Cp>Thời gian sống sót (survival time) là khoảng thời gian từ thời điểm bắt đầu theo dõi một cá thể cho đến khi xảy ra một sự kiện xác định, thường là tử vong, tái phát bệnh, hoặc một điểm kết thúc nghiên cứu có ý nghĩa lâm sàng. Biến này được sử dụng phổ biến trong nghiên cứu y sinh, đặc biệt trong các thử nghiệm lâm sàng để đánh giá hiệu quả điều trị hoặc dự báo tiên lượng.\u003C\u002Fp>\n\u003Cp>Khác với các biến đầu ra truyền thống, thời gian sống sót là một biến ngẫu nhiên liên tục và có đặc điểm quan trọng là có thể bị kiểm duyệt. Thời gian sống sót không chỉ mô tả thời điểm xảy ra sự kiện mà còn phản ánh xác suất sống sót tích lũy theo thời gian, thường được trình bày bằng các hàm toán học và đồ thị để diễn giải một cách trực quan.\u003C\u002Fp>\n\u003Cp>Trong các nghiên cứu lâm sàng, thời gian sống sót được sử dụng để tính các chỉ số như thời gian sống trung vị (median survival time), tỷ lệ sống sau 1, 3 hoặc 5 năm, và ước lượng xác suất sống còn tổng thể (overall survival – OS). Những chỉ số này giúp các bác sĩ lâm sàng và nhà nghiên cứu ra quyết định điều trị, theo dõi và đánh giá kết quả can thiệp.\u003C\u002Fp>\n\n\u003Ch2>Đặc điểm dữ liệu sống sót\u003C\u002Fh2>\n\u003Cp>Dữ liệu sống sót có một số đặc điểm thống kê riêng biệt cần được xử lý cẩn trọng trong quá trình phân tích. Đặc điểm nổi bật nhất là sự hiện diện của dữ liệu kiểm duyệt (censoring), thường gặp nhất là kiểm duyệt phải (right censoring), tức là sự kiện chưa xảy ra tại thời điểm kết thúc quan sát.\u003C\u002Fp>\n\u003Cp>Ví dụ, nếu một bệnh nhân vẫn còn sống khi kết thúc nghiên cứu, ta không biết chính xác thời gian tử vong của họ mà chỉ biết họ đã sống ít nhất đến thời điểm đó. Đây là thông tin không đầy đủ nhưng vẫn có giá trị thống kê nếu được xử lý đúng cách.\u003C\u002Fp>\n\u003Cp>Một số dạng kiểm duyệt phổ biến:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Kiểm duyệt phải:\u003C\u002Fstrong> sự kiện chưa xảy ra tại thời điểm kết thúc nghiên cứu.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Kiểm duyệt trái:\u003C\u002Fstrong> sự kiện xảy ra trước khi bắt đầu quan sát.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Kiểm duyệt khoảng:\u003C\u002Fstrong> sự kiện xảy ra trong một khoảng thời gian nhưng không rõ thời điểm chính xác.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Bên cạnh đó, dữ liệu sống sót còn có thể gặp hiện tượng “cạnh tranh rủi ro” (competing risks), khi có nhiều nguyên nhân dẫn đến kết thúc quan sát và các nguyên nhân này loại trừ lẫn nhau. Điều này yêu cầu mô hình hóa phù hợp để tránh sai lệch ước lượng.\u003C\u002Fp>\n\n\u003Ch2>Hàm sống sót và hàm nguy cơ\u003C\u002Fh2>\n\u003Cp>Hai khái niệm then chốt trong phân tích sống sót là hàm sống sót và hàm nguy cơ, giúp mô tả xác suất còn sống tại một thời điểm cụ thể cũng như nguy cơ xảy ra sự kiện trong thời gian ngắn tiếp theo. Đây là cơ sở để xây dựng các mô hình phân tích định lượng.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Hàm sống sót\u003C\u002Fstrong> được định nghĩa là xác suất một cá thể sống sót quá thời điểm \u003Cscript type=\"math\u002Ftex\">t\u003C\u002Fscript>:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">S(t) = P(T > t)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Nó là hàm giảm dần và luôn nằm trong khoảng từ 0 đến 1. Khi \u003Cscript type=\"math\u002Ftex\">S(t) = 0.5\u003C\u002Fscript>, thời điểm \u003Cscript type=\"math\u002Ftex\">t\u003C\u002Fscript> đó được gọi là thời gian sống trung vị.\u003C\u002Fp>\n\u003Cp>\u003Cstrong>Hàm nguy cơ\u003C\u002Fstrong> là xác suất điều kiện xảy ra sự kiện tại thời điểm \u003Cscript type=\"math\u002Ftex\">t\u003C\u002Fscript> nếu cá thể còn sống đến thời điểm đó:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">h(t) = \\lim_{\\Delta t \\to 0} \\frac{P(t \\leq T \u003C t + \\Delta t \\mid T \\geq t)}{\\Delta t}\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Hàm nguy cơ có thể diễn giải như “tốc độ chết” hoặc nguy cơ tích lũy. Nó không phải xác suất, mà là mật độ xảy ra sự kiện tại thời điểm cụ thể. Từ hàm nguy cơ, ta có thể khôi phục lại hàm sống sót bằng công thức:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">S(t) = \\exp\\left(-\\int_0^t h(u) \\, du\\right)\u003C\u002Fscript>\u003C\u002Fp>\n\n\u003Ch2>Phương pháp Kaplan-Meier\u003C\u002Fh2>\n\u003Cp>Kaplan-Meier là một trong những phương pháp kinh điển và phổ biến nhất để ước lượng hàm sống sót \u003Cscript type=\"math\u002Ftex\">S(t)\u003C\u002Fscript> từ dữ liệu kiểm duyệt. Đây là phương pháp phi tham số, không cần giả định phân phối của thời gian sống và cho phép phân tích từng thời điểm sự kiện xảy ra.\u003C\u002Fp>\n\u003Cp>Ước lượng Kaplan-Meier được tính bằng công thức:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">S(t) = \\prod_{t_i \\leq t} \\left(1 - \\frac{d_i}{n_i}\\right)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">d_i\u003C\u002Fscript>: số sự kiện (ví dụ: tử vong) xảy ra tại thời điểm \u003Cscript type=\"math\u002Ftex\">t_i\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">n_i\u003C\u002Fscript>: số cá thể còn “nguy cơ” (at risk) ngay trước thời điểm \u003Cscript type=\"math\u002Ftex\">t_i\u003C\u002Fscript>\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Ước lượng được cập nhật tại mỗi thời điểm sự kiện và giữ nguyên giữa các thời điểm. Đường cong Kaplan-Meier là một đường bậc thang giảm dần thể hiện xác suất sống còn theo thời gian. Khoảng tin cậy thường được tính theo phương pháp Greenwood.\u003C\u002Fp>\n\u003Cp>Bảng dưới minh họa cách xây dựng Kaplan-Meier cho một mẫu nhỏ:\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Thời điểm (t)\u003C\u002Fth>\n      \u003Cth>Số sống sót trước đó (n)\u003C\u002Fth>\n      \u003Cth>Số tử vong (d)\u003C\u002Fth>\n      \u003Cth>S(t)\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>2\u003C\u002Ftd>\n      \u003Ctd>10\u003C\u002Ftd>\n      \u003Ctd>1\u003C\u002Ftd>\n      \u003Ctd>0.9\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>5\u003C\u002Ftd>\n      \u003Ctd>9\u003C\u002Ftd>\n      \u003Ctd>2\u003C\u002Ftd>\n      \u003Ctd>0.7\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>8\u003C\u002Ftd>\n      \u003Ctd>7\u003C\u002Ftd>\n      \u003Ctd>1\u003C\u002Ftd>\n      \u003Ctd>0.6\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>Phương pháp Kaplan-Meier được sử dụng rộng rãi trong nghiên cứu y học, dược học, và kỹ thuật độ tin cậy, nhờ tính linh hoạt và khả năng trực quan hóa kết quả qua đồ thị sống sót.\u003C\u002Fp>\n\u003Ch2>Kiểm định so sánh thời gian sống\u003C\u002Fh2>\n\u003Cp>Khi so sánh thời gian sống giữa hai hoặc nhiều nhóm, ví dụ giữa hai phác đồ điều trị khác nhau, người ta sử dụng các kiểm định thống kê chuyên biệt để đánh giá sự khác biệt giữa các đường cong Kaplan-Meier. Phương pháp phổ biến nhất là kiểm định log-rank, còn gọi là Mantel-Cox test.\u003C\u002Fp>\n\u003Cp>Kiểm định log-rank là kiểm định không tham số, so sánh số sự kiện thực tế quan sát được với số sự kiện kỳ vọng tại mỗi thời điểm sự kiện, dựa trên giả định rằng các nhóm có phân phối sống sót giống nhau nếu không có ảnh hưởng điều trị.\u003C\u002Fp>\n\u003Cp>Biểu thức kiểm định log-rank:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">Z = \\frac{\\sum (O_i - E_i)}{\\sqrt{\\sum V_i}}\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">O_i\u003C\u002Fscript>: số sự kiện quan sát ở nhóm i\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">E_i\u003C\u002Fscript>: số sự kiện kỳ vọng ở nhóm i\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">V_i\u003C\u002Fscript>: phương sai\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Ngoài log-rank, một số kiểm định khác như Breslow (Generalized Wilcoxon) hoặc Tarone-Ware áp dụng trọng số lớn hơn cho các sự kiện sớm, phù hợp khi giả định nguy cơ không hằng định theo thời gian.\u003C\u002Fp>\n\n\u003Ch2>Mô hình Cox và hồi quy sống sót\u003C\u002Fh2>\n\u003Cp>Mô hình Cox là phương pháp hồi quy bán tham số được sử dụng rộng rãi để phân tích ảnh hưởng của các biến giải thích đến nguy cơ xảy ra sự kiện, đồng thời xử lý dữ liệu kiểm duyệt một cách hiệu quả. Đây là mô hình trung tâm trong phân tích sống sót hiện đại.\u003C\u002Fp>\n\u003Cp>Biểu thức cơ bản của mô hình:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex\">h(t|x) = h_0(t) \\exp(\\beta_1 x_1 + \\beta_2 x_2 + \\ldots + \\beta_p x_p)\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong đó:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">h(t|x)\u003C\u002Fscript>: hàm nguy cơ có điều kiện theo biến độc lập \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript>\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">h_0(t)\u003C\u002Fscript>: hàm nguy cơ cơ sở (không cần giả định cụ thể)\u003C\u002Fli>\n  \u003Cli>\u003Cscript type=\"math\u002Ftex\">\\beta_i\u003C\u002Fscript>: hệ số hồi quy cần ước lượng\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Mô hình Cox không yêu cầu biết trước phân phối của thời gian sống, chỉ giả định tỷ số nguy cơ giữa các cá thể là không đổi theo thời gian (proportional hazards assumption). Nếu giả định này bị vi phạm, cần dùng mô hình mở rộng như Cox theo thời gian hoặc mô hình AFT (Accelerated Failure Time).\u003C\u002Fp>\n\u003Cp>Ưu điểm của mô hình Cox:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Ước lượng được ảnh hưởng tương đối của các yếu tố nguy cơ (hazard ratio)\u003C\u002Fli>\n  \u003Cli>Kiểm soát được nhiều biến đồng thời\u003C\u002Fli>\n  \u003Cli>Cho phép phân tích dữ liệu kiểm duyệt và đa biến\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Ứng dụng trong nghiên cứu lâm sàng\u003C\u002Fh2>\n\u003Cp>Phân tích sống sót đóng vai trò quan trọng trong nghiên cứu lâm sàng, đặc biệt trong ung thư học, ghép tạng, bệnh truyền nhiễm và điều trị tim mạch. Thời gian sống được sử dụng làm tiêu chí đánh giá chính trong các thử nghiệm thuốc, thiết bị y tế và quy trình điều trị.\u003C\u002Fp>\n\u003Cp>Các chỉ số phổ biến trong báo cáo kết quả lâm sàng:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Overall Survival (OS):\u003C\u002Fstrong> thời gian từ khi bắt đầu điều trị đến khi tử vong do bất kỳ nguyên nhân nào.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Progression-Free Survival (PFS):\u003C\u002Fstrong> thời gian từ khởi trị đến khi bệnh tiến triển hoặc tử vong.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Event-Free Survival (EFS):\u003C\u002Fstrong> thời gian sống không có biến cố xác định trước (tái phát, chuyển nặng, tử vong,...)\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Bảng dưới minh họa vai trò của thời gian sống trong đánh giá hiệu quả điều trị:\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\">\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Chỉ số\u003C\u002Fth>\n      \u003Cth>Ý nghĩa\u003C\u002Fth>\n      \u003Cth>Ứng dụng\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Median OS\u003C\u002Ftd>\n      \u003Ctd>Thời gian sống trung vị\u003C\u002Ftd>\n      \u003Ctd>So sánh hiệu quả điều trị giữa các nhóm\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Hazard Ratio\u003C\u002Ftd>\n      \u003Ctd>Tỷ số nguy cơ giữa nhóm can thiệp và chứng\u003C\u002Ftd>\n      \u003Ctd>Mô hình Cox\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Kaplan-Meier Curve\u003C\u002Ftd>\n      \u003Ctd>Đồ thị biểu diễn xác suất sống còn\u003C\u002Ftd>\n      \u003Ctd>Phân tích định tính và trực quan\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Giải thích kết quả và hạn chế\u003C\u002Fh2>\n\u003Cp>Việc diễn giải kết quả phân tích sống sót đòi hỏi hiểu rõ bối cảnh lâm sàng và các giả định thống kê. Cần phân biệt tỷ lệ sống thực sự với tỷ lệ sống ước lượng, và kiểm tra các giả định mô hình như proportional hazards trong Cox regression.\u003C\u002Fp>\n\u003Cp>Một số hạn chế thường gặp:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Dữ liệu kiểm duyệt không ngẫu nhiên dẫn đến thiên lệch\u003C\u002Fli>\n  \u003Cli>Thời gian theo dõi ngắn khiến ước lượng không ổn định\u003C\u002Fli>\n  \u003Cli>Thiếu điều chỉnh nhiễu làm sai lệch kết luận về nhân quả\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Trong báo cáo, cần trình bày đầy đủ số lượng mẫu, thời gian theo dõi trung bình, tỷ lệ kiểm duyệt, đồ thị Kaplan-Meier kèm khoảng tin cậy và kết quả kiểm định có p-value.\u003C\u002Fp>\n\n\u003Ch2>Phân tích sống sót bằng phần mềm\u003C\u002Fh2>\n\u003Cp>Nhiều phần mềm thống kê hiện đại hỗ trợ phân tích sống sót toàn diện, từ mô hình Kaplan-Meier đến hồi quy Cox:\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>R:\u003C\u002Fstrong> sử dụng gói \u003Ccode>survival\u003C\u002Fcode> với hàm \u003Ccode>survfit()\u003C\u002Fcode>, \u003Ccode>coxph()\u003C\u002Fcode>. Có thể vẽ đồ thị Kaplan-Meier bằng \u003Ccode>ggsurvplot()\u003C\u002Fcode> từ gói \u003Ccode>survminer\u003C\u002Fcode>.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Stata:\u003C\u002Fstrong> cung cấp lệnh \u003Ccode>stset\u003C\u002Fcode>, \u003Ccode>sts graph\u003C\u002Fcode> và \u003Ccode>stcox\u003C\u002Fcode> với giao diện trực quan.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>SAS:\u003C\u002Fstrong> có thủ tục \u003Ccode>PROC LIFETEST\u003C\u002Fcode> cho Kaplan-Meier và \u003Ccode>PROC PHREG\u003C\u002Fcode> cho hồi quy Cox.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Các phần mềm này cho phép phân tích sâu dữ liệu lớn, kiểm tra giả định mô hình và xuất báo cáo khoa học đạt chuẩn quốc tế.\u003C\u002Fp>","Thời gian sống sót","Survival time \u002F Survival analysis","Thời gian sống sót là biến số thời gian liên tục đo khoảng cách từ một thời điểm mốc xác định (như thời điểm chẩn đoán, bắt đầu can thiệp phẫu thuật hoặc dùng thuốc) cho đến khi xuất hiện một biến cố lâm sàng quan tâm (như tử vong, bệnh tái phát hoặc thất bại điều trị) trong nghiên cứu y học và dịch tễ học.","MEDICAL_HEALTH_SCIENCES",[22,29,36],{"citationText":23,"title":24,"authors":25,"source":26,"year":27,"doi":28,"url":10},"Lawless (2002). Statistical Models and Methods for Lifetime Data. Wiley Series in Probability and Statistics. doi:10.1002\u002F9781118033005","Statistical Models and Methods for Lifetime Data","Lawless","Wiley Series in Probability and Statistics",2002,"10.1002\u002F9781118033005",{"citationText":30,"title":31,"authors":32,"source":33,"year":34,"doi":35,"url":10},"Francis, Lawless (1983). Statistical Models and Methods for Lifetime Data.. Biometrics. doi:10.2307\u002F2531129","Statistical Models and Methods for Lifetime Data.","Francis, Lawless","Biometrics",1983,"10.2307\u002F2531129",{"citationText":37,"title":24,"authors":38,"source":39,"year":34,"doi":40,"url":10},"Schafer, Lawless (1983). Statistical Models and Methods for Lifetime Data. Technometrics. doi:10.2307\u002F1267739","Schafer, Lawless","Technometrics","10.2307\u002F1267739",[42,45,48],{"question":43,"answer":44},"Dữ liệu bị khuyết góc (censored data \u002F biến cố kiểm duyệt) trong phân tích sống sót là gì?","Là hiện tượng đối tượng nghiên cứu chưa gặp biến cố quan tâm tại thời điểm kết thúc theo dõi, hoặc bị mất dấu theo dõi (lost to follow-up), hoặc tử vong do nguyên nhân cạnh tranh khác; người phân tích chỉ biết đối tượng đã sống sót ít nhất đến thời điểm kiểm duyệt đó.",{"question":46,"answer":47},"Đường cong sống sót Kaplan-Meier và phép kiểm Log-rank được áp dụng như thế nào?","Ước lượng Kaplan-Meier là phương pháp phi tham số từng bước tính xác suất tích lũy sống sót theo thời gian; phép kiểm Log-rank so sánh thống kê xem có sự khác biệt có ý nghĩa giữa hai hay nhiều đường cong sống sót của các nhóm điều trị hay không.",{"question":49,"answer":50},"Mô hình hồi quy rủi ro tỷ lệ Cox (Cox proportional hazards model) có ý nghĩa gì trong phân tích đa biến?","Mô hình Cox đánh giá tác động đồng thời của nhiều biến số độc lập (tuổi, giai đoạn bệnh, phương pháp điều trị) lên hàm rủi ro (hazard function) mà không cần giả định dạng phân phối cụ thể của thời gian sống sót nền, cho ra tỷ số rủi ro (Hazard Ratio - HR).",{"id":52,"researcherId":10,"name":53,"imageUrl":54},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":56,"researcherId":10,"name":57,"imageUrl":58},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[13],false,"PUBLISHED","2025-07-04T09:36:07.365+00:00","2026-09-03T06:17:33.687+00:00","2025-07-06T16:33:34.459+00:00",262,[67,78,83,92,98,103,109,114,120,126],{"id":68,"title":69,"term":70,"englishTitle":71,"definition":72,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"caenorhabditis elegans","Caenorhabditis elegans là gì? Các nghiên cứu khoa học","Caenorhabditis elegans","Caenorhabditis elegans \u002F C. elegans","Caenorhabditis elegans là một loài giun tròn nhỏ sống tự do trong đất, có chiều dài khoảng 1 mm, thân trong suốt và là sinh vật mô hình kinh điển trong nghiên cứu sinh học phát triển, di truyền học và khoa học thần kinh.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":79,"title":80,"term":79,"englishTitle":81,"definition":82,"discipline":73,"disciplineCode":74,"disciplineLabel":75,"disciplineColor":76,"disciplineIcon":77},"phân phối thống kê","Phân phối thống kê là gì? Các nghiên cứu khoa học liên quan","Statistical distribution \u002F Probability distribution","Phân phối thống kê là một hàm số toán học mô tả khả năng xảy ra của các giá trị hoặc khoảng giá trị khác nhau của một biến ngẫu nhiên rời rạc hoặc liên tục.",{"id":84,"title":85,"term":84,"englishTitle":86,"definition":87,"discipline":20,"disciplineCode":88,"disciplineLabel":89,"disciplineColor":90,"disciplineIcon":91},"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":93,"title":94,"term":95,"englishTitle":96,"definition":97,"discipline":20,"disciplineCode":88,"disciplineLabel":89,"disciplineColor":90,"disciplineIcon":91},"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":99,"title":100,"term":99,"englishTitle":101,"definition":102,"discipline":20,"disciplineCode":88,"disciplineLabel":89,"disciplineColor":90,"disciplineIcon":91},"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":104,"title":105,"term":106,"englishTitle":107,"definition":108,"discipline":20,"disciplineCode":88,"disciplineLabel":89,"disciplineColor":90,"disciplineIcon":91},"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":110,"title":111,"term":110,"englishTitle":112,"definition":113,"discipline":20,"disciplineCode":88,"disciplineLabel":89,"disciplineColor":90,"disciplineIcon":91},"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":115,"title":116,"term":117,"englishTitle":118,"definition":119,"discipline":20,"disciplineCode":88,"disciplineLabel":89,"disciplineColor":90,"disciplineIcon":91},"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":121,"title":122,"term":123,"englishTitle":124,"definition":125,"discipline":20,"disciplineCode":88,"disciplineLabel":89,"disciplineColor":90,"disciplineIcon":91},"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":127,"title":128,"term":127,"englishTitle":129,"definition":130,"discipline":20,"disciplineCode":88,"disciplineLabel":89,"disciplineColor":90,"disciplineIcon":91},"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."]