32. PHÁT HIỆN CÁC MỨC SUY DINH DƯỠNG Ở BỆNH NHI DỰA VÀO TRÍ TUỆ NHÂN TẠO
Main Article Content
Abstract
Mục tiêu: Xây dựng mô hình hỗ trợ phát hiện sớm mức độ suy dinh dưỡng ở bệnh nhi. Các mục tiêu cụ thể bao gồm: (1) Đánh giá độ chính xác của mô hình; (2) Phân tích các yếu tố quan trọng nhất trong thang đo; và (3) Đánh giá hiệu quả của mô hình trên một vài nhóm bệnh cụ thể.
Đối tượng và phương pháp nghiên cứu: Nghiên cứu cắt ngang mô tả được thực hiện trên 1.563 bệnh nhi nội trú tại Bệnh viện Nhi Đồng 2. Mô hình trí tuệ nhân tạo được xây dựng để dự đoán 5 mức độ suy dinh dưỡng dựa trên thang đo đang áp dụng tại bệnh viện.
Kết quả: Mô hình Hồi quy Logistic đạt độ chính xác tổng thể 96%. Các yếu tố về bệnh nền (rối loạn chuyển hóa, kém hấp thu) và tình trạng ăn uống có ảnh hưởng lớn nhất đến kết quả dự đoán, vượt trội so với các chỉ số nhân trắc đơn thuần. Khi đánh giá trên các nhóm bệnh lý cụ thể, mô hình hoạt động tốt trên nhóm bệnh viêm hô hấp dưới (độ chính xác 95%) nhưng giảm hiệu quả trên nhóm tiêu chảy cấp (82%). Mô hình gặp khó khăn trong việc phân loại nhóm suy dinh dưỡng “Rất nặng” do dữ liệu bị mất cân bằng nghiêm trọng.
Kết luận: Việc xây dựng mô hình hỗ trợ phân loại mức độ suy dinh dưỡng là một phương pháp hiệu quả, đồng thời đảm bảo khả năng diễn giải cao. Các yếu tố bệnh lý nền và tình trạng ăn uống là các dấu hiệu quan trọng nhất. Các nghiên cứu xử lý mất cân bằng dữ liệu và cá nhân hóa mô hình cho từng nhóm bệnh lý cần được áp dụng để tăng hiệu quả ứng dụng.
Article Details
Keywords
Suy dinh dưỡng trẻ em, hồi quy logistic, mô hình dự đoán, sàng lọc nguy cơ, trí tuệ nhân tạo.
References
[2] Souliyakane, A., Nguyễn Thị Yến, Nguyễn Thị Thuý Hồng, Chu Thị Phương Mai, Lê Hữu Thành. (2021). Tình trạng dinh dưỡng ở trẻ 6 tháng đến 5 tuổi tại Phòng khám Dinh dưỡng Bệnh viện Nhi Trung ương. Vietnam Medical Journal, 507(2), 2021. (in Vietnamese)
[3] Aanjankumar, S., Sathyamoorthy, M., Dhanaraj, R.K. et al. (2025). Prediction of malnutrition in kids by integrating ResNet-50-based deep learning technique using facial images. Sci Rep 15, 7871, 2025.
[4] Das, S. and Rahman, R.M. (2011). Application of ordinal logistic regression analysis in determining risk factors of child malnutrition in Bangladesh. Nutrition Journal, 10 (124).
[5] Di Martino, F., Delmastro, F., & Dolciotti, C. (2023). Explainable AI for malnutrition risk prediction from m-Health and clinical data. Smart Health, 23, 100429.
[6] Ezzat, M.A, Albassam, E.M., Aldajani, E.A., Alaskar, R.A., & Devol, E.B. (2022). Implementation of new indicators of pediatric malnutrition and comparison to previous indicators. International Journal of Pediatric and Adolescent Medicine 9, 216-224.
[7] Govender, I., Rangiah, S., Kaswa, R., & Nzaumvila, D. (2021). Malnutrition in children under the age of 5 years in a primary health care setting. South African Family Practice, 63(1), 5416.
[8] Janssen, S. M., Bouzembrak, Y., & Tekinerdogan, B. (2024). Artificial Intelligence in Malnutrition: a systematic literature review. Advances in Nutrition, 100264.