Chẩn đoán bệnh trong y học cổ truyền: Hướng tiếp cận dựa trên đồ thị tri thức mờ dạng cặp
Disease Diagnosis in the Traditional Medicine: A Novel Approach based on FKG-Pairs.
Abstract
Chẩn đoán bệnh trong y học cổ truyền thường được cốt lại trong bốn cách là “Vọng - Văn - Vấn - Thiết” (hay
còn được gọi là “Tứ chẩn”). Trong những năm gần đây, đội ngũ lương y, bác sĩ đã sử dụng kết hợp giữa phác đồ điều trị trong y học cổ truyền với kết quả khám, xét nghiệm trong y học hiện đại nhằm nâng cao chất lượng chẩn đoán bệnh. Điều này đã thúc đẩy mạnh mẽ công tác nghiên cứu y học cổ truyền dân tộc và áp dụng công nghệ thông tin vào trong quá trình khám và chẩn đoán bệnh nhằm mục đích hỗ trợ đội ngũ lương y, bác sĩ tại bệnh viện y học cổ truyền ở các địa phương. Gần đây, hướng nghiên cứu suy luận dựa trên đồ thị tri thức mờ với ưu điểm cho phép thực hiện suy luận trong những trường hợp thiếu tri thức trong kho dữ liệu đã nhận được nhiều sự quan tâm và chú ý của các nhà nghiên cứu trong và ngoài nước. Tuy nhiên, các nghiên cứu chủ yếu tập trung vào khai phá tri thức trong mạng xã hội hay các bài toán ứng dụng trong các lĩnh vực khác mà chưa tập trung vào bài toán y tế. Trong nghiên cứu này, một hướng tiếp cận mới dựa trên mô hình đồ thị tri thức mờ dạng cặp được đề xuất ứng dụng cho bài toán chẩn đoán bệnh trong y học cổ truyền. Mô hình đề xuất được áp dụng đối với bài toán chẩn đoán bệnh cho các sản phụ và đã chứng minh được hiệu quả trong việc suy luận xấp xỉ, chẩn đoán bệnh trong y học cổ truyền.
References
W. H. Organization et al., WHO traditional medicine strategy: 2014-2023. World Health Organization, 2013.
T. chí y học cổ truyền Viện Y Dược cổ truyền dân tộc, “Y học cổ truyền là gì? Nguyên tắc chữa bệnh và
địa chỉ khám, chữa uy tín [đăng tải ngày 23/6/2020]”, tại địa chỉ: https://www.tapchiyhoccotruyen.com/y-hoc-cotruyen.html, [truy cập ngày 20/5/2021].
P. A. Bonatti, S. Decker, A. Polleres, and V. Presutti, “Knowledge graphs: New directions for knowledge representation on the semantic web (dagstuhl seminar 18371),” in Dagstuhl Reports, vol. 8, no. 9. Schloss Dagstuhl-LeibnizZentrum fuer Informatik, 2019.
L. T. H. Lan, T. M. Tuan, T. T. Ngan, N. L. Giang, V. T. N. Ngoc, P. Van Hai et al., “A new complex fuzzy
inference system with fuzzy knowledge graph and extensions in decision making,” IEEE Access, vol. 8, pp. 164 899– 164 921, 2020.
Đăng Công Việt, Nghiên cứu chuẩn đoán và xử trí tiền sản giật tại Bệnh viện Phụ sản Trung ương, Luận văn thạc sĩ, 2020, Đại học Y Hà Nội.
H. Van Pham and L. K. Cu, “Intelligent rule-based support model using log files in big data for optimized service call center schedule,” in Intelligent Computing in Engineering. Springer, 2020, pp. 931–942.
S. Meier, B. Gebel-Sauer, and P. Schubert, “Knowledge graph for the visualisation of crm objects in a social network of business objects (sonbo): Development of the sonbo visualiser,” Procedia Computer Science, vol. 181, pp. 448– 456, 2021.
C. K. Long, H. Q. Trung, T. N. Thang, N. T. Dong, and P. Van Hai, “A knowledge graph approach for the detection of digital human profiles in big data,” Journal of Science and Technology: Issue on Information and Communications Technology, vol. 19, no. 6.2, pp. 6–15, 2021.
T. T. Ngan, L. T. H. Lan, T. M. Tuan, N. H. Minh et al., “Colorectal cancer diagnosis with complex fuzzy inference
system,” in Frontiers in Intelligent Computing: Theory and Applications. Springer, 2020, pp. 11–20.
J. Liu, F. Schmid, K. Li, and W. Zheng, “A knowledge graphbased approach for exploring railway operational accidents,” Reliability Engineering & System Safety, vol. 207, p. 107352, 2021.
X. Wang and D. Calvanese, “Editorial for special issue of journal of big data research on “big data meets knowledge graphs”,” 2021.
L. Zadeh, “Fuzzy sets, information and control,” vol. 8, no. 3, pp. 338–353, 1965.
L. C. Ortega, L. D. Otero, and C. Otero, “Fuzzy inference system framework to prioritize the deployment of resources in low visibility traffic conditions,” IEEE Access, vol. 7, pp. 174 368–174 379, 2019.
T. M. Tuan, L. T. H. Lan, S.-Y. Chou, T. T. Ngan, L. H. Son, N. L. Giang, M. Ali et al., “M-cfis-r: Mamdani complex
fuzzy inference system with rule reduction using complex fuzzy measures in granular computing,” Mathematics, vol. 8, no. 5, p. 707, 2020.
L. A. Zadeh, “Approximate reasoning based on fuzzy logic,” in Proceedings of the 6th international joint conference on Artificial intelligence-Volume 2, 1979, pp. 1004–1010.
S. Moussa and S. B. H. Kacem, “Symbolic approximate reasoning with fuzzy and multi-valued knowledge,” Procedia computer science, vol. 112, pp. 800–810, 2017.
T. T. Sơn, “Lập luận xấp xỉ với giá trị của biến ngôn ngữ,” Tạp chí Tin học và Điều kiển, vol. 15, pp. 6–10, 1999.
N. Đức Thọ và cộng sự, “Ứng dụng Đồ thị tri thức, tri thức suy diễn và học máy trong chuyển đổi số,” pp. 453–458, 2020.
S. Jin, J. Peng, Z. Li, and Q. Shen, “Bidirectional approximate reasoning-based approach for decision support,” Information Sciences, vol. 506, pp. 99–112, 2020.
J. Xiong and J. Wu, “Construction of approximate reasoning model for dynamic cps network and system parameter identification,” Computer Communications, vol. 154, pp. 180–187, 2020.