SO SÁNH HIỆU NĂNG HAI MÔ HÌNH TRÍ TUỆ NHÂN TẠO SỬ DỤNG THUẬT TOÁN DECISION TREE TRONG DỰ BÁO HBA1C ≥ 6,5% TỪ CÁC XÉT NGHIỆM HÓA SINH TẠI BỆNH VIỆN ĐA KHOA BẮC KẠN NĂM 2026.

Mục tiêu: So sánh hiệu năng của hai mô hình trí tuệ nhân tạo sử dụng thuật toán Decision Tree trong dự báo HbA1c ≥ 6,5% từ các xét nghiệm hóa sinh tại Bệnh viện Đa khoa Bắc Kạn năm 2026. Phương pháp nghiên cứu: Nghiên cứu cắt ngang trên 880 người bệnh được thực hiện xét nghiệm HbA1c và các xét nghiệm hóa sinh tại Bệnh viện Đa khoa Bắc Kạn năm 2026. Hai mô hình Decision Tree được xây dựng bằng phần mềm SPSS theo phương pháp CART với tỷ lệ chia dữ liệu huấn luyện/kiểm tra là 70/30. Mô hình A sử dụng các biến tuổi, glucose, cholesterol toàn phần, triglycerid, AST và ALT; mô hình B sử dụng các biến tuổi, cholesterol toàn phần, triglycerid, AST và ALT (không bao gồm glucose). Hiệu năng của hai mô hình được đánh giá thông qua độ chính xác, độ nhạy, độ đặc hiệu và sai số phân loại. Kết quả: Trong 880 người bệnh nghiên cứu, nhóm HbA1c ≥ 6,5% có nồng độ glucose và triglycerid cao hơn có ý nghĩa thống kê so với nhóm HbA1c < 6,5% (p<0,05). Mô hình A cho hiệu năng vượt trội so với mô hình B trên tập kiểm tra, với độ chính xác đạt 79,8% so với 57,5%; độ nhạy lần lượt là 63,0% và 12,7%; độ đặc hiệu là 89,7% và 90,6%; sai số phân loại là 0,202 và 0,425. Trong mô hình A, glucose là biến có mức độ quan trọng cao nhất và là nút phân tách đầu tiên của cây quyết định. Khi loại bỏ biến glucose, triglycerid trở thành biến quan trọng nhất của mô hình B. Kết luận: Thuật toán Decision Tree có khả năng hỗ trợ dự báo tình trạng HbA1c ≥ 6,5% từ các xét nghiệm hóa sinh. Việc bổ sung biến glucose giúp cải thiện rõ rệt hiệu năng dự báo của mô hình, góp phần khẳng định vai trò quan trọng của glucose trong xây dựng mô hình trí tuệ nhân tạo hỗ trợ sàng lọc người bệnh có nguy cơ tăng HbA1c.