Nghiên cứu này đã phát triển một hệ thống hỗ trợ ra quyết định về bênh tim HDDSS dựa trên web sử dụng các kĩ thuật phân loại trong khai thác dữliệu, cụ thể là, các mơ hình cây quyết định
Trang 1ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN
TP HỒ CHÍ MINH - THÁNG 6, NĂM 2014
Mục lục
Trang 2Giới thiệu 2
1 Đặt vấn đề 3
2 Phát biểu bài toán 4
3 Mục tiêu nghiên cứu 5
4 Tổng quan về khai phá dữ liệu 6
5 Phương pháp 7
5.1 Nguồn dữ liệu 7
5.2 Các mô hình khai phá 8
5.3 Đánh giá hiệu quả của mô hình 9
5.4 Đánh giá các mục tiêu khai phá 13
6 Kết luận 20
Tài liệu tham khảo: 21
Trang 3Giới thiệu
Bài thu hoạch này trình bày các vấn đề việc xây dựng một hệ thống hỗ trợ ra quyết địnhcho các bác sĩ trong việc chẩn đốn một bệnh nhân cĩ phải bị bệnh về tim hay khơng Nộidung của bài thu hoạch này chủ yếu được dịch từ bài báo “Web-Based Heart DiseaseDecision Support System using Data Mining Classification Modeling Techniques” củacác tác giả Sellappan Palaniappan và Rafiah Awang [1]
Ngành y tế thu thập một lượng lớn dữ liệu mà trong đĩ khơng phải dữ liệu nào cũng cĩthể “khai thác được” để khám phá các thơng tin ẩn cho việc ra quyết định hiệu quả củangười làm cơng tác chăm sĩc sức khỏe Phát hiện các mẫu ẩn và mối quan hệ thườngxuyên chưa được khai thác Các mơ hình kĩ thuật khai thác dữ liệu tiên tiến cĩ thể giúpkhắc phục tình trạng này Nghiên cứu này đã phát triển một hệ thống hỗ trợ ra quyết định
về bênh tim (HDDSS) dựa trên web sử dụng các kĩ thuật phân loại trong khai thác dữliệu, cụ thể là, các mơ hình cây quyết định, Nạve Bayes và mạng nơron Các kết quả chothấy mỗi kỹ thuật cĩ các sức mạnh riêng của nĩ trong việc nhận ra các mục tiêu của cácmục tiêu khai phá đã được xác định
HDDSS cĩ thể trả lời các câu truy vấn “what if” phức tạp, điều mà các hệ thống hỗ trợ raquyết định truyền thống cĩ thể khơng làm được Sử dụng hồ sơ y tế như tuổi tác, giớitính, huyết áp và lượng đường trong máu cĩ thể dự đốn khả năng bệnh nhân bị bệnh tim
Nĩ cho phép hiểu biết quan trọng, ví dụ mơ hình, mối quan hệ giữa các yếu tố y tế liênquan đến bệnh tim, được thành lập HDDSS cĩ giao diện thân thiện, ổn định, đáng tin cậy
và cĩ thể mở rộng
Trang 4Hầu hết các bệnh viện hiện nay sử dụng một số loại hệ thống thông tin bệnh viện đểquản lý các dữ liệu về chăm sóc sức khỏe hoặc bệnh nhân của họ Các hệ thống nàytạo ra một lượng lớn các dữ liệu dạng các con số, văn bản, biểu đồ và hình ảnh Thậtkhông may, những dữ liệu này rất hiếm khi được sử dụng để hỗ trợ ra quyết định lâmsàng Có rất nhiều thông tin ẩn trong các dữ liệu này mà phần lớn là chưa được khaithác Điều này đặt ra một câu hỏi quan trọng: "Làm thế nào để chúng ta chuyển dữliệu thành các thông tin hữu ích để hỗ trợ việc ra quyết định cho các người làmchuyên môn chăm sóc sức khỏe?" Đây là động lực chính cho nghiên cứu này.
2 Phát biểu bài toán
Nhiều hệ thống thông tin bệnh viện được thiết kế để hỗ trợ thanh toán viện phí chobệnh nhân, quản lý hàng tồn kho và thực hiện các thống kê đơn giản Nơi có những hệthống hỗ trợ quyết định, chúng thường rất hạn chế Chúng có thể trả lời các truy vấnđơn giản như “Tuổi trung bình của bệnh nhân bệnh tim là bao nhiêu?”, “Có bao nhiêu
ca phẫu thuật phải nằm ở bệnh viện nhiều hơn 10 ngày?” , “Xác định số lượng bệnhnhân nữ độc thân, trên 30 tuổi và đang điều trị ung thư” Tuy nhiên, chúng không thểtrả lời các truy vấn phức tạp như “Xác định các yếu tố dự báo quan trọng tiền phẫuthuật mà có thể làm tăng thời gian nằm viện”, “Với các hồ sơ của bệnh nhân ung thư,nên việc điều trị bao gồm chỉ hóa trị liệu, chỉ thực hiện phóng xạ, hoặc cả hai hóa trị
Trang 5và xạ trị?”, “Với các hồ sơ bệnh nhân đã biết, dự đốn xác suất của các bệnh nhân cĩthể cĩ bệnh tim.”
Thơng thường, các quyết định lâm sàng được thực hiện dựa trên trực giác của bác sĩchứ khơng phải là những kiến thức dữ liệu phong phú trong cơ sở dữ liệu Việc thựchiện điều này dẫn đến những ảnh hưởng xấu khơng mong muốn, các lỗi và chi phí y
tế quá mức cĩ ảnh hưởng đến chất lượng dịch vụ cung cấp cho bệnh nhân Wu vàcộng sự đã đề nghị việc tích hợp các hỗ trợ quyết định lâm sàng với hồ sơ bệnh nhândựa trên máy tính cĩ thể làm giảm các sai sĩt y tế, nâng cao sự an tồn cho bệnh nhân,giảm sự biến đổi thực tế khơng mong muốn, và cải thiện kết quả chuẩn đốn bệnhnhân Đây là sự hứa hẹn các cơng cụ mơ hình hĩa và phân tích dữ liệu cĩ khả năngtạo ra mơi trường kiến thức phong phú mơi trường mà cĩ thể cải thiện đáng kể chấtlượng của các quyết định lâm sàng
3 Mục tiêu nghiên cứu
Nghiên cứu này sẽ phát triển một nguyên mẫu của hệ thống hỗ trợ ra quyết định chẩnđốn bệnh về tim dựa trên nền Web (Heart Disease Decision Support System -HDDSS), sử dụng ba kĩ thuật phân lớp trong khai thác dữ liệu, cụ thể là, cây quyếtđịnh, Nạve Bayes và mạng Nơron
Nĩ cĩ thể trích xuất các thơng tin ẩn (các mẫu và các mối quan hệ) liên quan đến bệnhtim từ một cơ sở dữ liệu lịch sử bệnh tim Nĩ cĩ thể trả lời các truy vấn phức tạp liênquan đến chẩn đốn bệnh tim và do đĩ giúp các chuyên viên chăm sĩc sức khỏe đưa
ra các quyết định lâm sàng thơng minh mà các hệ thống hỗ trợ quyết định truyềnthống đã cĩ khơng thể làm được Nĩ sẽ giúp họ cung cấp các phương pháp điều trịhiệu quả với chi phí thấp hơn Để nâng cao sự trực quan và dễ giải thích, HDDSS sẽhiển thị kết quả cả bằng các bảng và các dạng đồ họa
Trang 64 Tổng quan về khai phá dữ liệu
Mặc dù khai phá dữ liệu đã được khoảng hơn hai thập kỷ, tiềm năng của nó chỉ đangđược nhận ra ngay bây giờ Khai phá dữ liệu kết hợp phân tích thống kê, máy học vàcác kĩ thuật cơ sở dữ liệu để trích xuất các mẫu ẩn và mối quan hệ từ cơ sở dữ liệulớn Fayyad định nghĩa khai phá dữ liệu như là: “một quá trình rút trích không tầmthường của các thông tin hữu ích tiềm ẩn, chưa được biết trước từ các dữ liệu đượclưu trữ trong cơ sở dữ liệu” Giudici định nghĩa nó như là “một quá trình lựa chọn,thăm dò và mô hình của một lượng lớn dữ liệu để khám phá các quy tắc hoặc các mốiquan hệ mà lúc đầu chưa được biết với mục đích thu được các kết quả rõ ràng và hữuích cho chủ sở hữu của cơ sở dữ liệu”
Khai phá dữ liệu sử dụng hai chiến lược: học có giám sát và học không giám sát Học
có giám sát sử dụng các giá trị của các biến đầu vào để dự đoán một biến mục tiêu vớigiá trị đã biết trong khi học không có giám sát hoạt động theo cách tương tự, nhưngthường xuyên hơn nó dự đoán một biến mục tiêu là một giá trị chưa biết
Mỗi kỹ thuật khai thác dữ liệu phục vụ một mục đích khác nhau tùy thuộc vào mụctiêu mô hình Hai mục tiêu mô hình phổ biến nhất là phân lớp và dự báo Mô hìnhphân lớp dự đoán các nhãn phân loại (rời rạc, không có thứ tự) trong khi các mô hình
dự đoán dự đoán các hàm có giá trị liên tục Cây quyết định và mạng Nơron sử dụngcác thuật toán phân loại trong khi hồi quy, luật kết hợp và gom cụm sử dụng các thuậttoán dự đoán
Giải thuật cây quyết định bao gồm CART (Classification and Regression Tree), ID3(Iterative Dichotomized 3) và C4.5 Các thuật toán khác nhau trong việc lựa chọn cácphần chia nhỏ, khi để dừng một nút khỏi chia nhỏ, và phân công của lớp để một nútkhông chia CART sử dụng chỉ số Gini để đo tạp chất của một phân vùng hoặc tập dữliệu huấn luyện Nó xử lý các dữ liệu đa chiều, có tính phân loại và liên tục
Trang 7Naive Bayes hoặc luật Bayes là cơ sở cho nhiều phương pháp máy học và khai phá dữliệu Các quy tắc (thuật tốn) được sử dụng để tạo ra các mơ hình với khả năng dựđốn Nĩ cung cấp cách thức mới để khám phá và hiểu dữ liệu Nĩ học được từ các
"bằng chứng" bằng cách tính tốn sự tương quan giữa các mục tiêu và các biến khác Mạng nơron bao gồm ba lớp: các đơn vị đầu vào, ẩn và đầu ra (các biến) Sự kết nốigiữa các đơn vị đầu vào và các đơn vị ẩn và đầu ra được dựa trên sự liên quan của cácgiá trị được gán(trọng số) của đơn vị đầu vào cụ thể Các trọng số càng cao thì càngquan trọng Các thuật tốn mạng nơron sử dụng các hàm chuyển tuyến tính vàsigmoid Mạng thần kinh phù hợp để huấn luyện một số lượng lớn dữ liệu với ít đầuvào Nĩ được sử dụng khi các kỹ thuật khác khơng đạt yêu cầu
5 Phương pháp
HDDSS sử dụng 6 giai đoạn của phương pháp CRISP-DM để xây dựng các mơ hìnhkhai thác dữ liệu DMX (Data Mining Extension), một ngơn ngữ truy vấn kiểu SQLcho khai phá dữ liệu, được sử dụng để xây dựng và truy cập vào các nội dung của mơhình Các bảng và đồ họa trực quan được tích hợp để mở rộng khả năng phân tích vàgiải thích kết quả
5.1 Nguồn dữ liệu
Tổng cộng cĩ 909 bản ghi với 15 thuộc tính y tế (yếu tố) được lấy từ cơ sở dữ liệu cácbệnh về tim Cleveland Các bản ghi này đã được chia đều thành hai bộ dữ liệu: bộ dữliệu huấn luyện (455 bản ghi) và bộ dữ liệu thử nghiệm (454 bản ghi) Để tránh thiên
vị, các bản ghi cho mỗi bộ được chọn một cách ngẫu nhiên Mơ hình phân loại đượcchọn là thuật tốn Nạve Bayes chỉ hỗ trợ các thuộc tính phân loại Cả các thuật tốncây quyết định mạng Nơron hỗ trợ các thuộc tính phân loại và liên tục Để thống nhất,chỉ các thuộc tính phân loại được sử dụng cho tất cả ba mơ hình Tất cả các thuộc tính
y tế trong hình 1 được chuyển đổi từ số thành dữ liệu phân loại Thuộc tính “chẩn
Trang 8đoán” được xác định là thuộc tính có thể dự đoán có giá trị “1” cho bệnh nhân bị bệnhtim và giá trị “0” cho các bệnh nhân không bị bệnh tim Thuộc tính “PatientID" được
sử dụng như khóa; phần còn lại là các thuộc tính đầu vào Giả sử rằng các dữ liệutrùng lặp, thiếu hay không phù hợp đã được xử lí
Trang 95.3 Đánh giá hiệu quả của mơ hình
Hiệu quả của mơ hình đã được thử nghiệm bằng cách sử dụng hai phương pháp: LiftChart và Classification Matrix Mục đích là để xác định mơ hình nào đưa ra tỷ lệ dựđốn chính xác cao nhất cho việc chẩn đốn các bệnh nhân bị bệnh tim
Lift Chart Để xác định nếu cĩ đủ thơng tin để học các mẫu để đáp ứng thuộc tính dự
đốn, các cột trong mơ hình huấn luyện đã được ánh xạ tới các cột trong bộ dữ liệuthử nghiệm Các mơ hình, cột dự đốn và trạng thái của cột để dự đốn bệnh nhân bịbệnh tim (giá trị dự đốn = 1) cũng đã được lựa chọn Hình 2 cho thấy đầu ra của LiftChart Trục X cho thấy tỷ lệ các bộ dữ liệu thử nghiệm được sử dụng để so sánh các
dự đốn trong khi trục Y cho thấy tỷ lệ phần trăm của các giá trị được dự đốn chomột trạng thái cụ thể Các đường màu xanh lam và xanh lá cây hiển thị các kết quảcho các mơ hình dự đốn ngẫu nhiên và lý tưởng tương ứng Các đường màu tím,vàng và đỏ tương ứng hiển thị các kết quả của các mơ hình mạng Nơron, Nạve Bayes
và cây quyết định
Trang 10Hình 2 Kết quả của Lift Chart với giá trị dự đoánDòng màu xanh lá cây đầu cho thấy mô hình lý tưởng; nó chiếm 100% tập hợp mụctiêu cho các bệnh nhân bị bệnh tim bằng cách sử dụng 46% của bộ dữ liệu thửnghiệm Đường màu xanh lam phía dưới cho thấy dòng ngẫu nhiên mà luôn luôn làmột dòng 45 độ trên bảng xếp hạng Nó cho thấy rằng nếu chúng ta đoán ngẫu nhiênkết quả cho từng trường hợp, 50% trong tập hợp mục tiêu sẽ được ghi lại bằng 50%của bộ dữ liệu thử nghiệm Tất cả ba dòng mô hình (màu tím, màu vàng và màu đỏ)nằm giữa đường ngẫu nhiên đoán và lý tưởng, cho thấy rằng cả ba có đủ thông tin đểtìm hiểu mô hình để đáp ứng với tình trạng dự đoán được.
Lift Chart với giá trị không dự đoán được Các bước để tạo ra Lift Chart là tương
tự như trên ngoại trừ trạng thái của cột có thể dự đoán được để trống Nó không baogồm một đường cho mô hình đoán ngẫu nhiên Nó cho biết mỗi mô hình ở tình trạngtrong việc dự đoán số lượng chính xác của thuộc tính dự đoán được như thế nào Hình
Trang 113 cho thấy đầu ra của Lift Chart Trục X cho thấy tỷ lệ dữ liệu thử nghiệm được sửdụng để so sánh các dự đốn trong khi trục Y cho thấy tỷ lệ dự đốn rằng là chínhxác Các đường màu xanh, tím, xanh lá cây và màu đỏ hiển thị lý tưởng, NeuralNetwork, Nạve Bayes và Quyết định cây mơ hình tương ứng Biểu đồ cho thấy việcthực hiện các mơ hình trên tất cả các trạng thái cĩ thể Dịng lý tưởng (màu xanh) ởgĩc 45 độ, cho thấy rằng nếu 50% của bộ dữ liệu thử nghiệm được xử lý, 50% kiểmtra dữ liệu được dự đốn một cách chính xác.
Hình 3 Kết quả Lift Chart với giá trị khơng dự đốnBiểu đồ cho thấy rằng nếu 50% tập hợp được xử lý, tỷ lệ phần trăm của các dự đốnchính xác của mạng Nơron cĩ mức cao nhất (49,34%), tiếp theo là Nạve Bayes(47,58%) và cây quyết định (41,85%) Nếu tồn bộ tập hợp được xử lý, mơ hìnhNạve Bayes dường như là tốt hơn so với hai mơ hình cịn lại vì nĩ cĩ số lượng cao
Trang 12nhất của dự đốn chính xác (86,12%), tiếp theo mạng Nơron (85,68%) và cây quyếtđịnh (80,4%).
Nếu ít hơn 50% tập hợp được xử lý các dịng Lift cho mạng Nơron và Nạve Bayes sẽluơn luơn cao hơn so với cây quyết định Điều này cho thấy mạng Nơron và NạveBayes là tốt hơn trong việc tạo ra các dự đốn chính xác cho tỷ lệ cao hơn cây quyếtđịnh Dọc theo trục X dịng Lift cho mạng Nơron và Nạve Bayes chồng lên nhau.Điều này cho thấy cả hai mơ hình đều tốt cho việc dự đốn chính xác Nếu cĩ nhiềuhơn 50% tập hợp được xử lý, mạng Nơron và Nạve Bayes cĩ vẻ tốt hơn khi chúngcung cấp tỷ lệ phần trăm cao của các dự đốn chính xác hơn là cây quyết định Điềunày cĩ được bởi vì dịng Lift cho cây quyết định sẽ luơn luơn thấp hơn so với mạngNơron và Nạve Bayes Đối với phạm vi tập hợp nhất định, mạng Nơron dường nhưtốt hơn so với Naives Bayes và ngược lại
Ma trận phân loại Phân loại ma trận hiển thị tần số của các dự đốn chính xác và
khơng chính xác Nĩ so sánh các giá trị thực tế trong bộ dữ liệu thử nghiệm với cácgiá trị dự đốn trong mơ hình huấn luyện Trong ví dụ này, các dữ liệu thử nghiệm cĩ
208 bệnh nhân bị bệnh tim và 246 bệnh nhân khơng cĩ bệnh tim Hình 4 cho thấy kếtquả của ma trận phân loại cho 3 mơ hình Các hàng biểu diễn cho các giá trị dự đốntrong khi các cột biểu diễn cho các giá trị thực tế (1 cho các bệnh nhân bị bệnh tim, '0'cho các bệnh nhân khơng cĩ bệnh tim) Cột ngồi cùng bên trái hiển thị các giá trị dựđốn của các mơ hình Các giá trị chẩn đốn cho thấy những dự đốn chính xác
Hình 4 Kết quả của ma trận phân loại cho 3 mơ hình
Trang 13Hình 5 tĩm tắt kết quả của tất cả ba mơ hình Nạve Bayes dường như là hiệu quả nhất
vì nĩ cho tỷ lệ cao nhất của các dự đốn chính xác (86,53%) cho bệnh nhân bị bệnhtim, tiếp theo là mạng Nơron (với một sự khác biệt nhỏ hơn 1%) và cây quyết định.Tuy nhiên cây quyết định dường như là hiệu quả nhất để dự đốn bệnh nhân khơng cĩbệnh tim (89%) so với hai mơ hình khác
Hình 5 Các kết quả
5.4 Đánh giá các mục tiêu khai phá
Năm mục tiêu khai phá dữ liệu được xác định dựa trên thăm dị của bộ dữ liệu bệnhtim và mục tiêu của nghiên cứu này Chúng được đánh giá đối với các mơ hình huấnluyện Kết quả cho thấy cả ba mơ hình đã đạt được các mục tiêu đã nêu, cho thấy rằngchúng cĩ thể được sử dụng để cung cấp hỗ trợ quyết định cho các bác sĩ để chẩn đốnbệnh nhân và phát hiện các yếu tố y tế liên quan đến bệnh tim Năm mục tiêu đượcliệt kê và thảo luận dưới đây:
Mục tiêu 1: Với các hồ sơ y tế của bệnh nhân đã cĩ, dự đốn những người cĩ khả
năng được chẩn đốn cĩ bệnh về tim Tất cả ba mơ hình cĩ thể trả lời câu hỏi này
bằng cách sử dụng truy vấn đơn và hàng loạt hoặc dự đốn tham gia truy vấn Cả haitruy vấn cĩ thể dự đốn về các trường hợp một đầu vào và trường hợp nhiều đầu vào
Trang 14tương ứng HDDSS hỗ trợ dự đốn sử dụng các kịch bản “what-if” Người dùng nhậpvào các giá trị của các thuộc tính y tế để chẩn đốn bệnh nhân bị bệnh tim Ví dụ,nhập các giá trị Age = 70, CA = 2, Chest Pain Type = 4, Sex = M, Slope = 2 và Thal
= 3 vào các mơ hình, sẽ cho kết quả thể hiện trong hình 6 Cả ba mơ hình cho thấy,người đĩ cĩ bệnh tim Nạve Bayes xác định xác suất cao nhất (95%) với 432 trườnghợp hỗ trợ, theo sau là cây quyết định (94,93%) với 106 trường hợp hỗ trợ và mạngNơron (93,54%) với 298 trường hợp hỗ trợ Các giá trị càng cao, các bác sĩ cĩ thểkhuyên bệnh nhân phải trải qua kiểm tra tim hơn nữa Thực hiện các kịch bản “what-if” do đĩ cĩ thể giúp ngăn ngừa các cơn đau tim tiềm năng
Hình 6 Một module truy vấn đơn
Mục tiêu 2: Xác định những ảnh hưởng và mối quan hệ đáng kể trong các đầu vào
liên quan đến trạng thái dự đốn bệnh tim Dependency viewer ở mơ hình cây quyết
định và Nạve Bayes cho thấy kết quả từ quan trọng nhất đến ít nhất (thấp nhất) dự
