Dùng AI xác định cơn rung nhĩ từ máy đo tín hiệu điện tim cầm tay

Rung nhĩ là một dạng rối loạn nhịp tim rất phổ biến và có nguy cơ khiến bệnh nhân hình thành huyết khối trong tâm nhĩ. Nếu không phát hiện sớm và xử lý kịp thời, chứng rối loạn này sẽ có thể dẫn đến đột quỵ, suy tim, tắc mạch và bệnh mạch vành.

Bởi vậy, trong nghiên cứu “Stacking segment-based CNN with SVM for recognition of atrial fibrillation from single-lead ECG recordings” công bố trên tạp chí Biomedical Signal Processing and Control, TS. Quang đã phối hợp với các đồng nghiệp ở Đại học Victoria Wellington và Viện Công nghệ Wellington để xây dựng một mô hình giúp tự động phát hiện cơn rung nhĩ với máy đo điện tim cầm tay bằng phương pháp học máy. Do chưa có tập dữ liệu điện tim của bệnh nhân tại Việt Nam, nhóm nghiên cứu đã sử dụng một bộ dữ liệu gồm 8.528 mẫu đo điện tim cầm tay từ cơ sở dữ liệu về dấu hiệu sinh lý nổi tiếng trên thế giới là PhysioNet để nghiên cứu và huấn luyện cho mô hình. Mỗi mẫu trong tập dữ liệu có độ dài dao động từ 7,3 - 60 giây, được đo ở 300 Hz, đồng nghĩa với việc mỗi mẫu có 2,200 - 18,000 điểm đo. Các mẫu này cũng đã được các chuyên gia đọc và phân loại thành bốn nhóm là: tín hiệu bình thường; có cơn rung nhĩ; loại rối loạn khác; và tín hiệu nhiễu.

Dù tập dữ liệu cơ bản đã được phân loại như vậy, nhóm nghiên cứu vẫn phải đối mặt với rất nhiều thách thức. Trong đó, điểm khó đầu tiên đến từ việc “bản thân chất lượng tín hiệu đo điện tim cầm tay một đạo trình đã không thể nào bằng tín hiệu đo 12 đạo trình ở bệnh viện, do đó dữ liệu thu từ máy này sẽ có rất nhiều ‘nhiễu’”, TS. Quang giải thích. Thêm vào đó, người đo ở đây lại là bệnh nhân hoặc người nhà - những người không có chuyên môn sâu hay kỹ thuật đo chuẩn như bác sỹ, dẫn đến việc chất lượng tín hiệu đo bị suy giảm đáng kẻ. Một vấn đề khác là cơn rung nhĩ thường chỉ diễn ra trong một vài giây, trong khi đó khoảng thời gian đo có thể kéo dài khoảng 30 giây - 1 phút, làm sao để tìm ra được đúng một đoạn ngắn bị rung nhĩ ấy là một khó khăn không nhỏ. Và cuối cùng, “các mẫu có cơn rung nhĩ rất thấp, trong khi đó số lượng mẫu cho kết quả bình thường hoặc một loại rối loại nhịp tim khác thì lại rất nhiều, do đó tập dữ liệu này bị chênh lệch mẫu nghiêm trọng”, TS. Quang cho hay.

Để giải quyết vấn đề, nhóm nghiên cứu cho rằng, việc đầu tiên cần phải xử lý chính là làm thể nào để cân bằng lại dữ liệu. “Phương án chúng tôi lựa chọn chính là chia tín hiệu điện tim thành các đoạn nhỏ và điều chỉnh độ dịch khung. Do các đoạn được chia càng gần nhau thì số lượng đoạn mình có càng nhiều, các đoạn càng xa nhau thì số lượng đoạn càng ít đi, cho nên với các mẫu bình thường (vốn có quá nhiều), chúng tôi sử dụng độ dịch khung lớn còn các mẫu rung nhĩ (vốn có ít mẫu) thì chúng tôi chọn độ dịch khung ngắn để làm sao tổng số đoạn của mỗi nhóm dao động từ 20,000 - 22,000 đoạn”, TS. Quang giải thích.

Sau khi đã cân bằng dữ liệu và nhận biết được tình trạng của từng đoạn (có rung nhĩ hay không), nhóm nghiên cứu sử dụng mô hình thuật toán SVM (có nơi dịch là máy vector hỗ trợ) để học sự phân bố của các đoạn đó rồi mới đưa ra kết luận về tình trạng của cả mẫu. Lý do là bởi, “nếu mình chỉ đưa ra quyết định trực tiếp mà không sử dụng thuật toán này thì sẽ không hợp lý vì đa phần các đoạn tín hiệu là bình thường chứ không phải có rung nhĩ. Việc học sự phân bố này sẽ cho phép phân loại chính xác mỗi mẫu đấy có phải là rung nhĩ hoặc là nhiễu hay không”, TS. Quang giải thích.

Kết quả thử nghiệm cho thấy, mô hình của nhóm TS. Quang có khả năng đưa ra dự đoạn với độ chính xác khoảng 84,19%. “Chúng tôi cũng làm thử nghiệm này 5 lần, mỗi lần lại chia một phần tập dữ liệu để huấn luyện và một phần để kiểm tra. Việc này nhằm khẳng định kết quả của mình không bị lệch quá vào một nhóm dữ liệu nào đấy”, TS. Quang cho biết thêm. Và “cả năm lần thử nghiệm đều cho thấy kết quả không chênh lệch nhau nhiều, chứng tỏ phương pháp của nhóm là ổn định với các tập dữ liệu”.

Không chỉ có độ ổn định, khi so sánh với các phương pháp hiện đại khác cũng sử dụng cùng một bộ dữ liệu như nhóm của TS. Quang, kết quả cũng cho thấy mô hình của nhóm anh có độ chính xác cao hơn. Lý giải về điều này, anh cho rằng, nhóm đã dựa trên giả định là khi một người bị bệnh rung nhĩ thì sẽ không bị rung nhĩ trên toàn bộ cả tín hiệu dài 60 giây mà thường chỉ có dấu hiệu trong một đoạn thời gian rất ngắn. “Bằng cách phân tách thành từng đoạn nhỏ như vây, chúng tôi đã có thể ‘bắt’ được chính xác mẫu rung nhĩ đang xảy ra ở đâu, từ đó có thể học được cách xác định chuẩn xác hơn”, TS. Quang chia sẻ.

Hiện tại, mô hình này đang được nhóm nghiên cứu chạy trên server của mình. Theo TS. Quang, việc kết hợp chương trình của nhóm với các thiết bị đo cầm tay sẽ giúp người bệnh hay người nhà bệnh nhân có thể đo bất cứ lúc nào và tại địa điểm nào, chương trình cũng có thể xác định được ngay liệu người đó có bị rung nhĩ hay không, hay tín hiệu của họ bình thường và chỉ bị hồi hộp một chút. “Bản thân các thiết bị điện tim đấy cũng kết nối với điện thoại thông minh, do đó có thể dễ dàng thu thập lại và gửi cho bác sỹ lâm sàng”, TS. Quang nói.