Phát triển khung ứng dụng sức khỏe di động thông minh dựa trên học máy để chẩn đoán và đề xuất điều trị cá nhân hóa trong bệnh đái tháo đường type 2
Tóm tắt: 0
| 
PDF: 1 
##plugins.themes.academic_pro.article.main##
Author
Từ khóa:
Trí tuệ nhân tạo
Naïve Bayes
Đái tháo đường type 2
Hệ thống hỗ trợ quyết định lâm sàng
Y tế di động
Tóm tắt
Đái tháo đường type 2 (T2D) là một trong những bệnh mạn tính có tốc độ gia tăng nhanh, đặt ra nhu cầu phát triển các công cụ tự động hỗ trợ chẩn đoán sớm và quản lý điều trị hiệu quả. Nghiên cứu này đề xuất một khung hệ thống hỗ trợ quyết định lâm sàng dựa trên học máy cho bài toán phân loại ba lớp gồm: bình thường, tiền đái tháo đường và T2D. Phương pháp xây dựng một quy trình phân tích dữ liệu lâm sàng đầu-cuối hoàn chỉnh, bao gồm thu thập dữ liệu, tiền xử lý, lựa chọn đặc trưng dựa trên tiêu chí Fisher Ratio và mô hình phân loại xác suất Naïve Bayes. Kết quả thực nghiệm trên dữ liệu thực tế của bệnh nhân Việt Nam cho thấy, mô hình đạt độ chính xác 96.67%, vượt trội so với các phương pháp đối sánh. Trên cơ sở đó, phương pháp được hiện thực hóa thành ứng dụng đa nền tảng (web và di động), cho thấy tiềm năng của mô hình đề xuất dựa trí tuệ nhân tạo trong hỗ trợ quyết định lâm sàng và chăm sóc sức khỏe cá nhân hóa.
Tài liệu tham khảo
-
[1] W. C. Lee, S. Balu, D. Cobden, A. V. Joshi, and C. L. Pashos, “Prevalence and economic consequences of medication adherence in diabetes: a systematic literature review,” Manag. Care Interface, vol. 19, no. 7, pp. 31–41, Jul. 2006.
[2] J. Kim, “Sign language recognition with RNN and Mediapipe,” GitHub Repos., 2021. Accessed: Feb. 11, 2026. [Online]. Available: https://github.com/rabBit64/Sign-language-recognition-with-RNN-and-Mediapipe
[3] D. Sisodia and D. S. Sisodia, “Prediction of Diabetes using Classification Algorithms,” Procedia Comput. Sci., vol. 132, pp. 1578–1585, Jan. 2018, doi: 10.1016/j.procs.2018.05.122.
[4] H. Naz and S. Ahuja, “Deep learning approach for diabetes prediction using PIMA Indian dataset,” J. Diabetes Metab. Disord., vol. 19, no. 1, pp. 391–403, Jun. 2020, doi: 10.1007/s40200-020-00520-5.
[5] J. B. Echouffo-Tcheugui and E. Selvin, “Prediabetes and What It Means: The Epidemiological Evidence,” Annu. Rev. Public Health, vol. 42, no. Volume 42, 2021, pp. 59–77, Apr. 2021, doi: 10.1146/annurev-publhealth-090419-102644.
[6] J. J. Khanam and S. Y. Foo, “A comparison of machine learning algorithms for diabetes prediction,” ICT Express, vol. 7, no. 4, pp. 432–439, Dec. 2021, doi: 10.1016/j.icte.2021.02.004.
[7] V.-T. Nguyen, N.-M. Tran, P.-N. Tran, T.-H. Tran, T.-K. T. Thi, and V.-K. Pham, “Development of a Wearable Device for Heart Rate Monitoring and Fall Detection Using Machine Learning for Early Detection of Cardiovascular Anomalies,” The University of Danang - Journal of Science and Technology, vol. 22, no. 6A, pp. 7–12, Jun. 2024.
[8] C.-D. Hoang, V.-H. Pham, and T. Tran, “Research on a Smart Mobile Application and Cloud Computing Technology for Diabetes Monitoring and Diagnosis,” The University of Danang - Journal of Science and Technology, vol. 11, no. 108.2, Nov. 2016.
[9] Ministry of Health of Vietnam, “Decision No. 5316/QD-BYT approving the medical digitalization program until 2025, 2020,” thuvienphapluat.vn, Jan. 11, 2026. [Online]. Available: https://thuvienphapluat.vn/van-ban/EN/The-thao-Y-te/Decision-5316-QD-BYT-2020-Medical-digitalization-program-until-2025-and-orientation-to-2030/461299/tieng-anh.aspx [Accessed March 02, 2025].
[10] M. Phongying and S. Hiriote, “Diabetes Classification Using Machine Learning Techniques,” Computation, vol. 11, p. 96, May 2023, doi: 10.3390/computation11050096.
[11] L. Salsabila, M. Pangga, S. Yasser, N. Riyani, S. Aminah, and W. Nengsih, “Application of Naïve Bayes Algorithm for Diabetes Prediction,” Unisda J. Math. Comput. Sci. UJMC, vol. 10, pp. 56–68, Jun. 2024, doi: 10.52166/ujmc.v10i1.6886.
[12] R. A. Fisher, “The use of multiple measurements in taxonomic problems,” Ann. Eugen., vol. 7, no. 2, pp. 179–188, Sep. 1936, doi: 10.1111/j.1469-1809.1936.tb02137.x.
[13] A. Diabetes Association Professional Practice Committee, “9. Pharmacologic Approaches to Glycemic Treatment: Standards of Care in Diabetes-2024,” Diabetes Care, vol. 47, no. Supplement_1, pp. S158–S178, Dec. 2023, doi: 10.2337/dc24-S009.
[14] M. O. Edeh et al., “A classification algorithm-based hybrid diabetes prediction model,” Front. Public Health, vol. 10, Art. no. 829519, 2022, doi: 10.3389/fpubh.2022.829519.
[15] Ministry of Health of Vietnam, “Guidelines for Diagnosis and Treatment of Endocrine–Metabolic Diseases. Hanoi, Vietnam” Accessed: Feb. 11, 2026. [Online]. Available: https://thuvienphapluat.vn/van-ban/EN/The-thao-Y-te/Decision-2058-QD-BYT-2020-guidelines-diagnosis-and-treatment-of-some-common-mental-disorders/460519/tieng-anh.aspx. [Accessed March 02, 2025]
Xem thêm
##plugins.themes.academic_pro.article.sidebar##
Đã Xuất bản
Jul 31, 2026
Download
Cách trích dẫn
Tien, N. V., N. D. A. Quan, D. T. Linh, và N. T. N. Anh. “Phát triển Khung ứng dụng sức khỏe Di động thông Minh dựa Trên học máy để chẩn đoán Và đề xuất điều trị Cá nhân hóa Trong bệnh đái tháo đường Type 2”. Tạp Chí Khoa học Và Công nghệ Đại học Đà Nẵng, vol 24, số p.h 7A, Tháng Bảy 2026, tr 44-51, doi:10.31130/ud-jst.2026.24(7A).141E.
