Phân loại thuốc đúng cách giúp đảm bảo rằng các cơ sở y tế và bệnh viện luôn có đủ thuốc cần thiết để điều trị cho bệnh nhân, đồng thời giảm thiểu nguy cơ nhập phải thuốc giả, thuốc kém chất lượng. Việc này cũng giúp giảm chi phí do không phải phụ thuộc vào giá độc quyền từ các nhà nhập khẩu. Tuân thủ đúng liệu trình dùng thuốc đóng vai trò quan trọng trong việc điều trị bệnh, đặc biệt là đối với những bệnh nhân mắc các bệnh mạn tính. Tuy nhiên, việc quản lý dùng thuốc vẫn gặp nhiều thách thức, đặc biệt ở người cao tuổi và các khu vực nông thôn. Nhằm giải quyết vấn đề này, nhóm tác giả đã phát triển một hệ thống hỗ trợ quản lý dùng thuốc và kết nối điều trị thông minh, mang lại nhiều giá trị và lợi ích thiết thực.

Hệ thống hỗ trợ quản lý dùng thuốc do các tác giả phát triển sử dụng công nghệ internet kết nối vạn vật (IoT) và trí tuệ nhân tạo (AI) để giám sát và nhắc nhở bệnh nhân uống thuốc đúng giờ, đồng thời cập nhật dữ liệu thời gian thực lên nền tảng ThingSpeak. Điều này cho phép nhân viên y tế và gia đình theo dõi tình trạng dùng thuốc của bệnh nhân từ xa, giúp can thiệp kịp thời khi cần thiết.

Thu thập dữ liệu tự động và cập nhật lên ThingSpeak.

Cách hoạt động của hệ thống rất đơn giản nhưng hiệu quả. Khi khởi động, người dùng có thể cài đặt thời gian uống thuốc cho từng ngăn thuốc trong ngày. Đến giờ, hệ thống sẽ mở ngăn thuốc tương ứng và phát âm thanh nhắc nhở. Sau khi bệnh nhân lấy thuốc, thời gian sẽ được cập nhật lên nền tảng ThingSpeak, giúp gia đình và nhân viên y tế có thể giám sát từ xa.

Thiết bị IoT trong dự án ThingSpeak.

Hệ thống được phát triển từ các linh kiện phổ biến như Arduino uno R3, Wemos D1 R1, module MP3, module thời gian thực, module hạ áp, servo MG995 và màn hình LCD 20x4. Sự kết hợp giữa các linh kiện này giúp tạo ra một thiết bị vừa hiệu quả vừa tiết kiệm chi phí, dễ dàng ứng dụng rộng rãi trong các cơ sở y tế, nhà thuốc và hộ gia đình.

Để xây dựng được hệ thống hỗ trợ quản lý dùng thuốc, nhóm tác đã sử dụng bộ dữ liệu là tập hợp các thông tin được tổ chức có hệ thống, thường dưới dạng bảng gồm các hàng và cột. Hàng đại diện cho các bản ghi riêng lẻ, còn cột đại diện cho các thuộc tính hoặc biến của dữ liệu. Bộ dữ liệu có thể chứa dữ liệu định lượng, định tính, thời gian hoặc không gian, thường được sử dụng trong khoa học dữ liệu, học máy và trực quan hóa dữ liệu để phân tích và ra quyết định. Dữ liệu thô sau khi được làm sạch và phân tích sẽ giúp rút ra các kết luận và dự đoán hữu ích trong nhiều lĩnh vực khác nhau. Bộ dữ liệu nằm trong hệ thống cơ sở dữ liệu, như mô tả dưới đây.

Hệ thống phân loại tủ thuốc bằng khoa học dữ liệu nhằm hỗ trợ quản lý dùng thuốc và kết nối điều trị thông minh, sử dụng dữ liệu thu thập từ các cảm biến IoT, lịch sử dùng thuốc của bệnh nhân và thông tin sức khỏe cá nhân. Các thiết bị cảm biến IoT theo dõi thời gian và liều lượng thuốc bệnh nhân dùng, gửi dữ liệu đến hệ thống qua kết nối wifi. Để phát triển hệ thống này, các tác giả bài báo đã tiến hành: i) Thu thập và chuẩn bị dữ liệu: Thu thập dữ liệu: Tìm kiếm và thu thập dữ liệu liên quan đến thuốc, bao gồm thông tin về các thuộc tính như thành phần, nhóm thuốc, liều lượng và các tác dụng phụ; làm sạch dữ liệu: xử lý các giá trị thiếu, loại bỏ các thông tin dư thừa và chuẩn hóa dữ liệu; tách dữ liệu: chia dữ liệu thành hai phần: dữ liệu huấn luyện (training set) và dữ liệu kiểm tra (test set); ii) Phân tích dữ liệu: Phân tích mô tả: tìm hiểu phân phối của các thuộc tính, mối quan hệ giữa các thuộc tính và kiểm tra các yếu tố quan trọng có thể ảnh hưởng đến việc phân loại; thể hiện trực quan các dữ liệu: sử dụng biểu đồ để trực quan hóa dữ liệu và tìm kiếm các mẫu hoặc xu hướng có thể tồn tại; iii) Chọn và triển khai mô hình: Chọn mô hình phân loại: các mô hình phổ biến cho bài toán phân loại bao gồm: hồi quy logit, cây quyết định, rừng ngẫu nhiên, máy vecto tựa…; huấn luyện mô hình: sử dụng dữ liệu huấn luyện để huấn luyện mô hình; tnh chỉnh mô hình: sử dụng các phương pháp để tinh chỉnh các siêu tham số của mô hình; iv) Đánh giá mô hình: Kiểm tra mô hình: sử dụng dữ liệu kiểm tra để đánh giá hiệu suất của mô hình. Các thước đo gồm: độ chính xác, độ phủ, F1-score…: kiểm tra độ ổn định để đảm bảo rằng mô hình hoạt động tốt trên các tập dữ liệu khác nhau, không bị quá khớp hoặc thiếu khớp.

Kết quả thử nghiệm cho thấy, hệ thống đã chứng minh được hiệu quả cao trong việc nhắc nhở bệnh nhân uống thuốc, giảm tỷ lệ quên uống thuốc và đảm bảo tuân thủ đúng liệu trình điều trị. Với khả năng cập nhật dữ liệu thời gian thực, hệ thống còn giúp gia đình và nhân viên y tế theo dõi và can thiệp kịp thời, nâng cao chất lượng chăm sóc sức khỏe.

Kết quả nghiên cứu không chỉ mang lại lợi ích thiết thực cho bệnh nhân mà còn góp phần thúc đẩy sự phát triển của y tế thông minh tại Việt Nam, đặc biệt trong bối cảnh hiện đại hóa và chuyển đổi số. Với tiềm năng ứng dụng rộng rãi, hệ thống hỗ trợ quản lý dùng thuốc và kết nối điều trị thông minh hứa hẹn sẽ trở thành một công cụ quan trọng trong việc nâng cao chất lượng chăm sóc sức khỏe và quản lý bệnh tật.

Nguồn: vjst.vn