Nghiên cứu xây dựng hệ thống hỗ trợ chẩn đoán và dự báo dịch tễ địa không gian (geo-spatial epidemiology) bệnh lao phổi bằng ảnh X-quang ngực ở Việt Nam

Biểu B1-2a-TMĐTCN
08/2017/TT-BKHCN

THUYẾT MINH
ĐỀ TÀI NGHIÊN CỨU ỨNG DỤNG
VÀ PHÁT TRIỂN CÔNG NGHỆ CẤP QUỐC GIA1
I. THÔNG TIN CHUNG VỀ ĐỀ TÀI:
1

Tên đề tài

1a Mã số (được cấp khi Hồ
sơ trúng tuyển)

Nghiên cứu xây dựng hệ thống hỗ trợ chẩn đoán và dự
báo dịch tễ địa không gian (geo-spatial epidemiology)
bệnh lao phổi bằng ảnh X-quang ngực ở Việt Nam
2

4

Thời gian thực hiện: 36 tháng
(Từ tháng 12/2019 đến tháng 12/2022)

3

Cấp quản lý

Quốc gia ý
Tỉnh

Bộ
Cơ sở

Tổng kinh phí thực hiện: 5.625 triệu đồng, trong đó:
Nguồn

Kinh phí (triệu đồng)

- Từ Ngân sách nhà nước

5.625

- Từ nguồn ngồi ngân sách nhà
nước
5

Đề nghị phương thức khốn chi:
Khốn đến sản phẩm cuối cùng

X

Khốn từng phần, trong đó:

- Kinh phí khốn: 5.005 triệu đồng
- Kinh phí khơng khốn: 620 triệu đồng
6
Thuộc Chương trình (Ghi rõ tên chương trình, nếu có): Chương trình trọng điểm
cấp quốc gia giai đoạn đến năm 2025 “Hỗ trợ nghiên cứu, phát triển và ứng dụng công
nghệ của công nghiệp 4.0”, Mã số: KC-4.0/19-25
Thuộc dự án KH&CN

Độc lập
Khác
7

Lĩnh vực khoa học
Tự nhiên;
Kỹ thuật và công nghệ;

1

Nông nghiệp;
Y, dược.

Bản Thuyết minh đề tài này dùng cho hoạt động nghiên cứu ứng dụng và phát triển công nghệ thuộc 4
lĩnh vực khoa học nêu tại mục 7 của Thuyết minh. Thuyết minh được trình bày và in trên khổ A4


8

Chủ nhiệm đề tài
Họ và tên: Nguyễn Viết Nhung
Ngày, tháng, năm sinh: 01/06/1962

Giới tính: Nam

Học hàm, học vị/ Trình độ chun mơn: PGS.TS.BS.
Chức danh khoa học: Nghiên cứu viên chính
Chức vụ: Giám đốc Bệnh viện Phổi Trung ương, Chủ nhiệm Chương trình Chống Lao
quốc gia, Chủ tịch Hội Phổi Việt Nam, Trưởng Bộ môn Lao và Bệnh Phổi – Đại học Y Hà
Nội

Điện thoại: 0912507993
Tổ chức: Bệnh viện Phổi Trung ương
Tổ chức: 024.38326249

Mobile: 0912507993

E-mail:
Tên tổ chức đang công tác: Bệnh viện Phổi Trung ương
Địa chỉ tổ chức: 463 Hoàng Hoa Thám, Ba Đình, Hà Nội
9

Thư ký khoa học của đề tài:
Họ và tên: Bùi Mỹ Hạnh
Ngày, tháng, năm sinh: 07/09/1973 Giới tính: Nữ
Học hàm, học vị/ Trình độ chun môn: PGS.TS.BS. Giảng viên cao cấp
Chức danh khoa học: Nghiên cứu viên chính

Chức vụ: Giảng viên cao cấp, Bộ mơn Lao và Bệnh phổi, Giám đốc Trung tâm Phát
triển chương trình đào tạo và Tư vấn nhân lực y tế, Trường Đại học Y Hà Nội; Trưởng khoa
Thăm dò chức năng, Trưởng đơn vị Nghiên cứu khoa học và Hợp tác quốc tế, Bệnh viện Đại
học Y Hà Nội.
Điện thoại: 0983070973
Tổ chức: Trường Đại học Y Hà Nội

Mobile: 0983070973

E-mail:
Tên tổ chức đang công tác: Bộ môn Lao-Bệnh phổi, Trường Đại học Y Hà Nội
Địa chỉ tổ chức: Số 01, Tôn Thất Tùng, Quận Đống Đa, Thành phố Hà Nội
10 Tổ chức chủ trì đề tài

Tên tổ chức chủ trì đề tài: Bệnh viện Phổi Trung ương
Điện thoại: 024.38326249

2


Website: />Địa chỉ: 463 Hồng Hoa Thám, Ba Đình, Hà Nội
Họ và tên thủ trưởng tổ chức: Nguyễn Viết Nhung
Số tài khoản: 95271056530 tại Kho bạc Nhà nước Ba Đình Hà Nội
Tên cơ quan chủ quản đề tài: Bộ Khoa học và Cơng nghệ
11 Các tổ chức phối hợp chính thực hiện đề tài (nếu có):
1. Tổ chức 1 :
Tên cơ quan chủ quản: Trường Đại học Y Hà Nội
Điện thoại: (+84 4) 3852 3798
Địa chỉ: Số 01, Tôn Thất Tùng, Đống Đa, Hà Nội
Họ và tên thủ trưởng tổ chức: Tạ Thành Văn
Số tài khoản: 9527.1.1057280 tại Kho bạc Nhà nước Hà Nội
2. Tổ chức 2 :
Tên cơ quan chủ quản: Viện công nghệ thông tin. Đại học Quốc gia Hà Nội
Điện thoại: (024) 37547347
Địa chỉ: E3, 144 Xuân Thủy, Cầu GiấyHà Nội
Họ và tên thủ trưởng tổ chức: Đỗ Năng Toàn
Số tài khoản: 22010000675377
Ngân hàng: BIDV chi nhánh Thăng Long
12

Cán bộ thực hiện đề tài
(Ghi những người có đóng góp khoa học và thực hiện những nội dung chính thuộc tổ chức chủ
trì và tổ chức phối hợp tham gia thực hiện đề tài. Kỹ thuật viên, nhân viên hỗ trợ lập danh sách
theo mẫu này có xác nhận của tổ chức chủ trì và gửi kèm theo hồ sơ khi đăng ký):

Chức danh thực hiện đề
tài2

Tổ chức công tác

1

PGS.TS. Nguyễn Viết
Nhung

Chủ nhiệm

Bệnh viện Phổi Trung
ương,
Bộ môn Lao-Bệnh Phổi

2

PGS.TS. Bùi Mỹ Hạnh

Thư kí khoa học

Bộ mơn Lao-Bệnh phổi

TT

Họ và tên,
học hàm học vị

2

Theo quy định tại bảng 1 Điểm b Khoản 1 Điều 7 thông tư liên tịch số 55/2015/TTLT-BTC-BKHCN
ngày 22/4/2015 hướng dẫn định mức xây dựng, phân bổ dự tốn và quyết tốn kinh phí đối với nhiệm
vụ KH&CN có sử dụng ngân sách nhà nước.
3


Trường ĐHYHN
3

TS. Cung Văn Cơng

Thành viên thực hiện
chính

Bệnh viện Phổi Trung
ương

4

TS. Nguyễn Bình Hịa

Thành viên thực hiện
chính

Bệnh viện Phổi Trung
ương

5

TS. Nguyễn Kim Cương

Thành viên thực hiện
chính

Bộ mơn Lao-Bệnh phổi
Trường ĐHYHN

6

CN. Đỗ Hồng Nam

Thành viên thực hiện
chính

Bệnh viện Phổi Trung
ương

7

BS. Nguyễn Viết Hải

Thành viên thực hiện
chính

Bệnh viện Phổi Trung
ương

8

ThS. Nguyễn Hữu Chính

Thành viên thực hiện
chính

Viện dinh dưỡng quốc gia

9

ThS. Trần Tiến Hưng

Thành viên thực hiện
chính

Bảo hiểm xã hội Việt Nam

10

PGS.TS. Đỗ Năng Tồn

Thành viên thực hiện
chính

Viện Cơng nghệ Thơng tin
ĐHQG Hà Nội

11

TS. Vũ Việt Vũ

Thành viên thực hiện
chính

Viện Cơng nghệ Thơng tin
ĐHQG Hà Nội

12

PGS.TS. Lê Hồng Sơn

Thành viên thực hiện
chính

Viện Cơng nghệ Thông tin
ĐHQG Hà Nội

4


II. MỤC TIÊU, NỘI DUNG KH&CN VÀ PHƯƠNG ÁN TỔ CHỨC THỰC HIỆN ĐỀ TÀI
13

Mục tiêu của đề tài (Bám sát và cụ thể hoá định hướng mục tiêu theo đặt hàng)

13.1. Mục tiêu chung
1. Xây dựng được cơ sở dữ liệu ảnh X-quang số về bệnh lao phổi ở Việt Nam;
2. Phát triển phần mềm hỗ trợ chẩn đoán và phần mềm dự báo dịch tễ địa không gian (geospatial epidemiology) bệnh lao phổi bằng ảnh X-quang ngực ở Việt Nam;
3. Triển khai ứng dụng tại một số cơ sở y tế các tuyến.
13.2. Mục tiêu cụ thể:
1. Xây dựng được cơ sở dữ liệu lớn cho trên 30.000 ảnh X-quang ngực theo chuẩn DICOM

cho bệnh nhân lao phổi đã được gán nhãn phân bố theo tuổi, giới, nghề nghiệp, dân tộc
tại các vùng sinh thái ở Việt Nam;
2. Xây dựng được phần mềm học sâu sử dụng cơ sở dữ liệu đã được gán nhãn với độ chính
xác trên 95%, có khả năng hỗ trợ chẩn đốn bệnh lao phổi ở Việt Nam bằng ảnh Xquang ngực với độ nhạy và độ đặc hiệu tối thiểu 90%;
3. Xác định các yếu tố nguy cơ theo không gian và thời gian (geo-spatial epidemiology),
xây dựng cơ sở dữ liệu địa lý không gian về các yếu tố nguy cơ và xây dựng mơ hình
dự báo tỷ suất mắc bệnh lao ở Việt Nam.
4. Xây dựng phần mềm dự báo dịch tễ địa không gian bệnh lao phổi tại Việt Nam.
5. Triển khai, đánh giá phần mềm học sâu hỗ trợ chẩn đoán bệnh lao phổi ở Việt Nam
bằng ảnh X-quang ngực tại Bệnh viện Phổi Trung ương, và một số cơ sở y tế các tuyến
khác.
6. Triển khai, đánh giá phần mềm dự báo dịch tễ địa không gian bệnh lao phổi tại Bệnh
viện Phổi Trung Ương và một số cơ sở y tế các tuyến.
14

Tình trạng đề tài
Mới
Kế tiếp hướng nghiên cứu của chính nhóm tác giả
Kế tiếp nghiên cứu của người khác

5


15

Tổng quan tình hình nghiên cứu, luận giải về mục tiêu và những nội dung nghiên
cứu của đề tài

15.1 Đánh giá tổng quan tình hình nghiên cứu thuộc lĩnh vực của đề tài
Ngồi nước (Phân tích đánh giá được những cơng trình nghiên cứu có liên quan và những kết

quả nghiên cứu mới nhất trong lĩnh vực nghiên cứu của đề tài; nêu được những bước tiến về
trình độ KH&CN của những kết quả nghiên cứu đó)
Theo báo cáo của Tổ chức Y tế thế giới năm 2018 (TCYTTG - WHO Report 2018 - Global
Tuberculosis Control), mặc dù đã đạt được một số thành tựu đáng kể trong công tác chống lao
trong thời gian qua, tuy nhiên bệnh lao vẫn đang tiếp tục là một trong các bệnh ảnh hưởng lớn
đến sức khoẻ cộng đồng trên toàn cầu. TCYTTG ước tính năm 2017 trên tồn cầu có khoảng
10 triệu người mới mắc lao hàng năm (khoảng 9-11 triệu); 9% trong số mắc lao có đồng nhiễm
HIV. Bệnh lao là nguyên nhân gây tử vong đứng hàng thứ hai trong các bệnh nhiễm trùng với
khoảng 1,3 triệu người tử vong do lao, và có thêm khoảng 300.000 ca tử vong do đồng nhiễm
lao/HIV. Tình hình dịch tễ lao kháng thuốc đang có diễn biến phức tạp và đã xuất hiện ở hầu
hết các quốc gia. Năm 2017 trên toàn cầu ước tính tỷ lệ mắc lao đa kháng thuốc là 3,5% trong
số người bệnh mới và là 18% trong số người bệnh điều trị lại.
Xu hướng dịch tễ bệnh lao trên tồn cầu nói chung đang có chiều hướng giảm với tỷ lệ
mới mắc giảm trong nhiều năm trở lại đây với tốc độ giảm khoảng 2%/năm. Trong kế hoạch
chiến lược kết thúc bệnh lao đã được ban hành, TCYTTG đã đưa ra mục tiêu phát triển thiên
niên kỷ trên toàn cầu đến năm 2020 giảm 20% số người bệnh lao mới mắc và 35% số người
tử vong vì lao với năm 2015, đến năm 2025 sẽ giảm tương ứng là 50% và 75%. Như vậy, tốc
độ giảm mới mắc sẽ cần phải tăng lên từ 4-5% mỗi năm vào năm 2020 và tăng lên 10% vào
năm 2025. Hiện nay, ước tính mục tiêu này có thể đạt được ở một số khu vực trên thế giới,
tuy nhiên rất có thể sẽ khó đạt được ở khu vực châu Phi vì liên quan đến tình hình dịch tễ HIV
cao.
Mặc dù có rất nhiều dữ liệu hữu ích từ việc phát hiện, dự phòng, kiểm tra và giám sát lâm
sàng bệnh lao; việc chia sẻ kịp thời dữ liệu chất lượng cao với các nhà hoạch định và nghiên
cứu chính sách, để định hướng chính sách, thực hành lâm sàng và nghiên cứu trong tương lai
vẫn còn thiếu một hạ tầng và cách thức mang tính tự động, thường quy. Chẩn đốn để điều trị
nhanh chóng và chính xác và hiệu quả cũng như đảm bảo duy trì kết quả điều trị tốt để từ đó
ngăn ngừa lây lan được coi là một trong những mục tiêu chiến lược để nhanh chóng chấm dứt
bệnh lao. Tuy nhiên, hiện tại có nhiều hạn chế và việc tiếp cận với chẩn đoán lao và việc áp
dụng chúng vẫn còn là thách thức ở những nước thu nhập thấp và trung bình. Ước tính năm
2017 có tới 36% trong số 10 triệu ca mới mắc bệnh lao khơng được chẩn đốn hoặc thơng báo

cho các hệ thống y tế. Phần lớn trong gần 4 triệu người này là những người mắc lao được điều
trị muộn, điều trị dưới mức tối ưu hoặc không được điều trị dẫn đến việc lây truyền bệnh lao.
“Một trong hai người bệnh lao đáng lẽ có thể dễ dàng được cứu sống thì đang chết dần ngày
hơm nay, 2018, vì khơng được chẩn đốn hoặc chẩn đốn muộn, bỏ điều trị, không dùng đúng
thuốc hoặc không nhận được hỗ trợ cần thiết để hoàn thành điều trị lao. Điều này là hồn tồn
khơng thể chấp nhận vì đây là điều hiển nhiên mà bất cứ ai cũng có thể hy vọng nhận được
6


trong sức khỏe toàn cầu.” Giáo sư Madhukar Pai, Giám đốc của Trung tâm bệnh Lao Quốc tế
McGill chia sẻ tại một cuộc họp cấp cao của Liên Hợp Quốc về bệnh lao. Đầu tư vào loại bỏ
bệnh lao có tỷ lệ lợi ích/chi phí cao nhất trong số tất cả các cơ hội y tế cơng trên tồn cầu:
giảm tỷ lệ mắc lao lên 90% và tử vong lên 95% ước tính mang lại 43 đơ la lợi ích đối với mỗi
đô la chi tiêu.
Với những tiến bộ vượt bậc trong những năm gần đây trong lĩnh vực AI, ngày càng nhận
thấy lợi ích của việc áp dụng AI trong việc phát triển các công cụ hổ trợ việc chăm sóc sức
khỏe, đặc biệt là ở những nơi nghèo tài nguyên, nơi cuộc chiến toàn cầu với bệnh lao sẽ được
chiến đấu.
15.1. Tổng quan về ứng dụng AI - X-quang phổi trong bệnh lao
Có nhiều phương pháp trong lĩnh vực AI đã được sử dụng trong các bài toán hỗ trợ việc khám
chữa bệnh và chẩn đoán bệnh, tuy nhiên hầu như tất cả các nghiên cứu khơng có sự liên thông
về bộ dữ liệu cho tất cả các quy trình sàng lọc, chẩn đốn, điều trị, phát hiện các đa kháng
thuốc cũng như lập được bản đồ dịch tễ địa không gian trong theo dõi, giám sát lao tại cộng
đồng.

Dữ liệu có từ chụp X-quang ngực (phổi) (một thăm dị chẩn đốn hình ảnh) có giá trị trong
chẩn đoán bệnh lao phổi đã được nghiên cứu nhiều nhất trong lĩnh vực AI. Trong vài năm trở
lại đây, các nhóm nghiên cứu trên tồn thế giới đã chứng minh rằng các kỹ thuật AI có khả
năng phát hiện bệnh lao bằng cách sử dụng dữ liệu về X-quang ngực. Đặc biệt các nước như
Hoa Kỳ, Hà Lan, Brazil, Hàn Quốc, Trung quốc đã và đang nghiên cứu phát triển về những

vấn đề này. Các hệ thống sử dụng kỹ thuật của AI cho phép hỗ trợ bác sĩ trong việc xác nhận
tổn thương của Lao trên ảnh chụp X-quang ngực (phổi), và sử dụng mô phỏng trực quan để
giải thích về dự đốn của nó về kết quả đề xuất.

7


Công nghệ AI cho việc mô phỏng bằng thuốc nhuộm kháng axit tự động với việc sử dụng
bộ chuyển đổi camera kính hiển vi trên điện thoại thơng minh trong các khu vực có nguồn lực
thấp đã cho thấy kết quả rất tốt.

Trị liệu quan sát trực tiếp (Directly Observed Therapy - DOT) bằng AI: DOT là một chiến
lược được khuyến nghị để kiểm soát bệnh lao và từ lâu đã trở thành trụ cột cho CTCLQG.
Năm 2017, Liệu pháp quan sát trực tiếp bằng video (Video Directly Observed Therapy VDOT) đã được thử nghiệm tại Hà Nội và đã được chứng minh là một phương pháp hỗ trợ
tuân thủ điều trị khả thi và chấp nhận được ở những người bệnh được điều trị ở cả cấp trung
ương và cấp huyện (địa phương) của hệ thống y tế Việt Nam. Việc sử dụng cơng nghệ AI có
thể cải thiện hơn nữa cho chiến lược VDOT bằng cách tự động phát hiện chế độ ăn uống hoặc
tuân thủ điều trị. Điều này có thể giúp giảm chi phí thực hiện chiến lược VDOT bằng cách
loại bỏ nhu cầu cần người giám sát, cũng như cải thiện quyền riêng tư của người bệnh vì khơng
có video nào được ghi lại và truyền đi. Công nghệ như vậy đã được AICure.com - một công
ty ở Mỹ chứng minh

8


Nguồn trích dẫn từ />Việc sử dụng trí tuệ nhân tạo (AI) cho y học gần đây đã thu hút nhiều sự chú ý nhờ những
tiến bộ trong công nghệ nghiên cứu chuyên sâu trong việc sử dụng AI để phân tích chẩn đốn
các loại hình ảnh khác nhau, chủ yếu thơng qua mạng nơ-ron tích chập, một loại cơng nghệ
nghiên cứu chuyên sâu được đề cập đến như tầm nhìn máy tính của Nhật Bản. Xác nhận lâm
sàng các cơng nghệ AI có thể được thực hiện ở các cấp độ khác nhau về hiệu quả: hiệu suất

chẩn đoán, ảnh hưởng đến kết quả của người bệnh và hiệu quả xã hội xem xét lợi ích chi phí
và hiệu quả chi phí. Việc xác nhận bên ngồi được khuyến nghị sử dụng các bộ dữ liệu có
kích thước phù hợp được thu thập từ tuyển chọn người bệnh tại các tổ chức khác ngoài những
cơ sở cung cấp dữ liệu đào tạo theo cách thể hiện đầy đủ phổ biểu hiện (nghĩa là, tất cả các
biến thể có liên quan trong nhân khẩu học và tình trạng bệnh) trong môi trường lâm sàng thực
nơi AI sẽ được áp dụng. Hơn nữa, sử dụng dữ liệu từ nhiều tổ chức bên ngoài rất quan trọng
đối với việc xác thực để xác minh khả năng thuật tốn có thể khái qt hóa qua sự biến đổi dự
kiến trong một loạt các hệ thống bệnh viện. Các mơ hình AI tốn học / thống kê phức tạp như
vậy, các thuật toán học sâu phân tích hình ảnh y tế cần một lượng lớn dữ liệu để đào tạo thuật
toán; sản xuất và chú thích độ lớn của dữ liệu hình ảnh y tế này đặc biệt tốn nhiều tài nguyên
và khó khăn. Do đó, các cá nhân phát triển các thuật tốn AI như vậy có thể dựa vào bất kỳ
dữ liệu nào có sẵn (về mặt phương pháp được gọi là dữ liệu kiểm soát trường hợp thuận tiện),
mặc dù chúng có thể dễ bị sai lệch lựa chọn và tỷ lệ mắc người bệnh tạo cũng như có khả năng
khơng thể hiện tốt các thiết lập lâm sàng trong thế giới thực. Hiệu suất của thuật toán phụ
thuộc rất nhiều vào dữ liệu đào tạo của nó, nên có một rủi ro thực sự là thuật tốn AI có thể
khơng hoạt động tốt trong thực tế ở thế giới thực và thuật toán được đào tạo tại một tổ chức
cung cấp đầu ra khơng chính xác khi áp dụng cho dữ liệu tại một tổ chức khác.
Để xây dựng hệ thống hỗ trợ chẩn đoán bệnh lao phổi bằng ảnh chụp X-quang ngực, nội
dung công việc đầu tiên là phải xây dựng hệ thống thu thập dữ liệu và gán nhãn dữ liệu. Hiện
tại các bộ dữ liệu mở trên thế giới về ảnh chụp X-quang ngực liên quan đến bệnh lao phổi đang
rất ít. Đa phần các bộ dữ liệu này đều có số lượng mẫu khá nhỏ và chủ yếu lấy từ dữ liệu người
nước ngoài. Các phương pháp học sâu khi áp dụng lên các bộ dữ liệu này thường dễ bị hiện
9


tượng học q khớp (overfitting) dẫn tới chẩn đốn khơng hiệu quả với dữ liệu ảnh mới. Hơn
nữa, các mô hình học được dễ có sự sai lệch (bias) khi hoạt động chính xác hơn với người
ngoại quốc nhưng lại kém hơn khi áp dụng với người Việt Nam. Vì vậy nội dung thu thập và
gán nhãn dữ liệu ảnh X-quang ngực cho người Việt Nam là rất quan trọng, quyết định sự thành
cơng của hệ thống chẩn đốn. Các kỹ thuật tiên tiến để làm sạch dữ liệu, tăng cường dữ liệu

cũng sẽ được sử dụng trong pha này.
Sau khi đã có bộ dữ liệu đầy đủ và được gán nhãn, nội dung công việc tiếp theo là xây
dựng các mơ hình học sâu hiệu quả để nhận dạng ảnh lao phổi. Hiện tại trên thế giới các mơ
hình phân loại tốt nhất như SENet, NASNet hay EfficientNet chưa được ứng dụng trong dữ
liệu ảnh y tế. Vì vậy bên cạnh khai thác và cải tiến các mơ hình cũ hơn như VGG, GoogleNet,
ResNet, đề tài cũng nghiên cứu áp dụng các kiến trúc mạng tiên tiến nhất để cải thiện độ chính
xác khi chẩn đốn bệnh lao phổi. Trong phần này các phương pháp tối ưu, các phương pháp
lai có thể được áp dụng để cùng hướng đến mục tiêu xây dựng mơ hình học tối ưu nhất có thể.
Cuối cùng sau khi đã xây dựng các mơ hình chẩn đốn bệnh lao phổi hiệu quả, nội dung
tiếp theo là tối ưu hóa các mơ hình để giảm bộ nhớ và tăng tốc độ tính tốn. Nội dung sẽ nghiên
cứu các kỹ thuật thưa hóa khác nhau như dùng chuẩn l0, chuẩn Lasso, group Lasso, ElasticNet
hay các kỹ thuật bayes như dropout biến phân. Sau khi tối ưu hóa, tiếp theo là các kỹ thuật cắt
tỉa kết nối, điều chỉnh các tham số trong mạng và mã hóa tham số để giảm không gian lưu trữ
và giảm chi phí tính tốn khi sử dụng mơ hình để suy diễn.
15.2. Geospatial AI Epidemiology: Dịch tễ địa không gian sử dụng AI
Một cách tổng quát, lĩnh vực y tế thông minh (health intelligence) có thể được mơ tả là các
ứng dụng của AI để hỗ trợ trong việc khám và chữa bệnh. Các ứng dụng ở cấp độ cộng đồng
thông qua các chuyên ngành về sức khỏe môi trường, dịch tễ học, di truyền học, khoa học xã
hội và hành vi và các bệnh truyền nhiễm. Ngược lại, các ứng dụng cấp độ cá nhân có thể
hướng đến y học chính xác, hoặc quản lý bệnh xem xét sự biến đổi của từng cá nhân trong di
truyền, môi trường và lối sống. Bất kể quy mô mục tiêu của quần thể hoặc cá nhân, vị trí hoặc
địa điểm… là một cân nhắc quan trọng trong trí thơng minh y tế. Các địa điểm sống, làm việc
và dành thời gian có liên quan đến các yếu tố, bao gồm nhưng không giới hạn như môi trường,
phơi nhiễm môi trường và các yếu tố quyết định xã hội, có thể ảnh hưởng đến sức khỏe, hiểu
rõ hơn các yếu tố nguy cơ gây bệnh và xác định các mục tiêu mới cho các nỗ lực phịng ngừa.
Trí thơng minh nhân tạo khơng gian địa lý (GeoAI) là một ngành khoa học mới nổi kết hợp
những đổi mới trong khoa học không gian, phương pháp trí tuệ nhân tạo trong học máy, học
sâu, khai thác dữ liệu và tính tốn hiệu năng cao để trích xuất kiến thức từ dữ liệu lớn về không
gian. Khoa học không gian cung cấp các công cụ và cơng nghệ cho phép hiểu, phân tích và
hình dung các hiện tượng trong thế giới thực theo vị trí của chúng [2]. Mục đích của nghiên

cứu là tập trung vào cơng nghệ AI kết hợp vị trí để dùng thông tin diễn biến thực để hỗ trợ
các vấn đề trong y tế. Các ứng dụng GeoAI phổ biến ở cấp độ quần thể và cá nhân là sử dụng
các nguồn dữ liệu lớn mới về không gian như phương tiện xã hội, hồ sơ sức khỏe điện tử, do
thám vệ tinh và cảm biến cá nhân để thúc đẩy khoa học về sức khỏe cộng đồng (đặc biệt là
10


trong bối cảnh của 'các thành phố khỏe mạnh thông minh') và y học chính xác một cách tiềm
năng, tạo ra những cơ hội mới để trả lời toàn diện hơn các câu hỏi thường được giải quyết
trong các lĩnh vực này cũng như các cơ hội duy nhất để trả lời các câu hỏi mới, và mới nổi.
Trong dịch tễ học, GeoAI đã được sử dụng để mô tả và phân tích sự phân bố khơng gian
của các bệnh và để nghiên cứu ảnh hưởng của các yếu tố dựa trên vị trí đến kết quả bệnh. Ví
dụ, để tạo thuận lợi cho việc tạo ra giả thuyết liên quan đến căn nguyên của đẻ non, học máy
(thuật toán K-means clustering) được sử dụng để xác định mơ hình không gian tuổi thai khi
sinh cho 145 triệu ca sinh ở hơn 3000 quận ở Hoa Kỳ từ năm 1971 đến 2008 cho tập tin thống
kê sức khỏe. Trong một nghiên cứu khác ở Bờ Biển Ngà của Châu Phi, các nhà nghiên cứu
nhằm mục đích hiểu rõ hơn về yếu tố quyết định tỷ lệ nhiễm virus suy giảm miễn dịch ở người
(HIV) bằng cách sử dụng máy học (hồi quy véc tơ hỗ trợ) để trích xuất dữ liệu di động và dữ
liệu kết nối từ dữ liệu điện thoại di động được mã hóa. Những đặc điểm được trích xuất này
được phân tích liên quan đến tỷ lệ lưu hành HIV, nơi các tác giả nghiên cứu phát hiện ra rằng
các yếu tố, như khu vực không gian được người dùng điện thoại và người di cư nói chung, có
liên quan đến tỷ lệ hiện mắc HIV [32].
Hơn nữa, nghiên cứu dịch tễ học trong tương lai có thể khai thác các nguồn dữ liệu lớn về
khơng gian mới nổi để kiểm tra các câu hỏi nghiên cứu về căn nguyên bệnh, có khả năng cung
cấp những hiểu biết mới về các yếu tố nguy cơ mới. Ví dụ, cảm biến cá nhân thu thập dữ liệu
bằng cách sử dụng các cảm biến được nhúng trong điện thoại di động cũng như thông qua các
thiết bị đeo như Fitbits [35]. Năng lượng không gian là một lĩnh vực tập trung vào việc thu
thập dữ liệu độ phân giải khơng gian cao về năng lượng vị trí và thời gian phù hợp từ GPS,
cảm biến gia tốc và GIS để xác định các yếu tố dựa trên không gian có thể liên quan đến việc
khơng hoạt động thể chất và béo phì [36]. GeoAI có thể được sử dụng để xử lý và phân tích

các dữ liệu dựa trên vị trí này để xác định loại hoạt động nào tại thời điểm nhất định và phơi
nhiễm tại các địa điểm cụ thể cho các loại người khác nhau có liên quan đến kết quả sức khỏe.
Các nguồn dữ liệu lớn không gian mới khác bao gồm thông tin từ các dịch vụ chia sẻ đi xe
như Uber và Lyft. Có khoảng 5,5 triệu chuyến đi Uber và 1 triệu chuyến đi Lyft được hoàn
thành mỗi ngày [37]. Địa điểm đón và trả khách là một khía cạnh quan trọng của việc chia sẻ
đi xe vì nó liên quan đến việc có thể được sử dụng để giải quyết các câu hỏi nghiên cứu dịch
tễ học liên quan đến chấn thương. Một số nghiên cứu cho thấy các khu vực được đặc trưng
bởi việc sử dụng ứng dụng sử dụng xe chung cao hơn có thể liên quan đến tỷ lệ tai nạn liên
quan đến giao thông thấp hơn[38] hay việc cung cấp thực phẩm tích hợp dịch vụ sử dụng xe
chung (ví dụ: Uber Eats) cũng có thể cung cấp những hiểu biết thú vị về vai trò tiềm năng của
nó trong việc cải thiện các hành vi ngồi nhiều và béo phì ở trẻ em [39].
Trong khoa học xã hội và hành vi, GeoAI đã được sử dụng để giúp xác định các yếu tố quyết
định xã hội và hành vi của sức khỏe cũng như tiến hành các can thiệp bằng thông tin định vị.
Hồ sơ sức khỏe điện tử (EHRs) là một nguồn dữ liệu lớn có giá trị. EHR cho phép liên kết dữ
liệu không gian với các biến địa lý như Mã ZIP khi địa chỉ người bệnh được kiểm tra và cập
nhật thường xun cho mục đích thanh tốn [42]. Ví dụ, phân tích bệnh án điện tử từ Hệ thống
Y tế Đại học Duke và Trung tâm Y tế Cộng đồng Lincoln ở Hoa Kỳ đã sử dụng máy học để
11


xác định xem tình trạng kinh tế xã hội cấp độ khu phố có cải thiện dự đốn nguy cơ về kết quả
sức khỏe cấp cứu cả ngoại trú và điều trị nội trú [43]. Cục điều tra dân số Hoa Kỳ Dữ liệu
khảo sát cộng đồng Mỹ đã được sử dụng để xác định tình trạng kinh tế xã hội cấp khu phố
bằng cách tính tốn chỉ số tình trạng kinh tế xã hội và chất lượng chăm sóc sức khỏe. Một
nghiên cứu khác đã sử dụng học máy để thực hiện can thiệp cho bệnh trầm cảm. Một ứng dụng
điện thoại di động đã được phát triển bằng cách sử dụng máy học để dự đoán tâm trạng, cảm
xúc, trạng thái nhận thức / động lực của người bệnh, hoạt động, bối cảnh môi trường và bối
cảnh xã hội dựa trên hơn 30 cảm biến điện thoại [44]. Học sâu cũng đã được sử dụng để xác
định các yếu tố như thu nhập, sự giàu có, giáo dục dự đoán kết quả sức khỏe bao gồm huyết
áp tâm thu, cơ thể chỉ số khối lượng, chu vi vòng eo và độ dài telomere trong nghiên cứu về

sức khỏe người cao tuổi[45].
Học máy đã được sử dụng để dự báo sốt xuất huyết ở Trung Quốc bằng cách sử dụng dữ liệu
về khí hậu, các trường hợp sốt xuất huyết hàng tuần và hàng đợi tìm kiếm của Yahoo [53].
Xác nhận cho thấy dịch bệnh trong 12 tuần trước và đỉnh điểm của đợt bùng phát lớn năm
2014 đã được dự báo chính xác. Một nghiên cứu khác đã phát triển một mơ hình học máy có
tên là FINDER để phát hiện các bệnh liên quan đến thực phẩm bằng cách sử dụng dữ liệu tìm
kiếm và ẩn danh trên web của Google, ước tính tỷ lệ những người đã ghé thăm một nhà hàng
cụ thể và sau đó đã tìm kiếm các thuật ngữ về ngộ độc thực phẩm (để xác định các nhà hàng
đó có khả năng khơng an tồn) [54].
Một ứng dụng tiềm năng khác của GeoAI cho y học chính xác là thơng qua địa kỹ thuật, được
sử dụng để mô tả xem xét tầm quan trọng của tiền sử trong chẩn đoán và điều trị bệnh [60].
Các bác sĩ lâm sàng có thể được cung cấp thông tin về phơi nhiễm môi trường của người bệnh,
điều này có thể giúp các bác sĩ lâm sàng xác định các yếu tố mơi trường có thể ảnh hưởng đến
sức khỏe của người bệnh. Các bác sĩ lâm sàng (có quyền truy cập vào lịch sử người bệnh nội
trú) cung cấp cho người bệnh thông tin về phơi nhiễm môi trường tiềm ẩn đối với các yếu tố
nguy cơ môi trường dựa trên nơi họ sống và làm việc và những phơi nhiễm mơi trường này
có thể được lấy từ công nghệ GeoAI. Tuy nhiên, các rào cản cho các ứng dụng như vậy bao
gồm khả năng chấp nhận lâm sàng, đặc biệt là việc phiên dịch y học chính xác sang chăm sóc
lâm sàng và chính sách y tế nói chung đã bị tụt hậu so với nhịp độ khám phá khoa học [40].
Xét nghiệm di truyền có thể dùng để theo dõi và cải thiện sức khỏe cá nhân trong nghiên cứu
của GxE phát hiện ra tính nhạy cảm gen đối với các bệnh cụ thể liên quan đến phơi nhiễm môi
trường tại địa điểm có thể gây tổn hại đặc biệt đến sức khỏe mỗi cá nhân [62].
Vi khuẩn Mycobacterium tuberculosis thường gặp trong một hộ gia đình hoặc cộng đồng nhỏ
vì thời gian tiếp xúc kéo dài đủ để việc lây nhiễm xảy ra, tạo ra tiềm năng cho các cụm cục bộ
phát triển [1]. Tuy nhiên, các cụm lao không gian địa lý không phải lúc nào cũng do sự lây
truyền từ người sang người đang diễn ra mà cịn có thể là do tái kích hoạt nhiễm trùng tiềm ẩn
ở một số người đã bị nhiễm lao trước đây [1, 2]. Phân tích khơng gian và xác định các khu
vực có tỷ lệ lao (cụm) cao, tiếp theo là đặc tính của các yếu tố nguy cơ liên quan trong các

12

cụm này, đã được quan tâm với mục tiêu để kiểm sốt lao cũng như tăng cường sử dụng các
cơng cụ kiểm sốt lao hiện có [3, 4].
Lao khác với các bệnh truyền nhiễm khác theo một số cách có khả năng ảnh hưởng đến cụm
khơng gian rõ ràng. Ví dụ, độ trễ dài và thời gian không thường xuyên kéo dài của nó cho
phép di chuyển dân số đáng kể (ví dụ sự di chuyển nơi ở của những người mới nhiễm lao) [5].
Do đó, người nhiễm lao ở một khu vực này có thể tiến triển thành bệnh lao ở một khu vực
hồn tồn khác, do đó, các trường hợp có thể khơng nhất thiết chỉ ra sự lây truyền mạnh mà
có thể phản ánh tập hợp các nhóm quần thể có nguy cơ mắc bệnh cao hơn, chẳng hạn như
người di cư [6]. Tương tự như vậy, việc lây nhiễm lao xảy ra từ nơi làm việc và các địa điểm
tụ họp khác có thể bị quy kết sai do phơi nhiễm dân cư, vì chỉ một thơng tin cư trú của cá nhân
được ghi lại chính xác trên các tài liệu giám sát bệnh lao trong nhiều mơi trường [7, 8].
Xác định tính khơng đồng nhất trong phân bố không gian của các trường hợp nhiễm lao và
mắc lao và mô tả các tác nhân kiểm sốt có thể giúp các nhà hoạch định chính sách, cũng như
Chương trình Chống lao Quốc gia lập kế hoạch và có hoạt động phù hợp, kịp thời nhằm kiểm
sốt tình hình dịch tễ bệnh lao [9].
Phân tích khơng gian được tiến hành phổ biến nhất trên dữ liệu cho các loại bệnh lao, sau đó
chỉ là lao phổi đơn thuần và lao phổi dương tính. Phân tích khơng gian của lao kháng thuốc
và lao đa kháng thuốc rộng rãi đã được báo cáo trong 15 nghiên cứu. Các nghiên cứu trước đó
có xu hướng mơ tả trực quan, trong khi các nghiên cứu trong 2 thập kỉ qua thường kết hợp
phát hiện cụm và dự đoán rủi ro. Các thang đo không gian phổ biến bao gồm điều tra dân số,
quận, mã bưu chính, khu phố, khu vực, khu vự y tế, đô thị, phường…
Bảng 2 Các lĩnh vực ứng dụng của dịch tễ học khơng gian địa lí trong lao
Lĩnh vực ứng dụng phương
pháp không gian

Phương pháp sử dụng

Phân bố điểm nóng lao theo

khơng gian và thời gian

Bản đồ chấm, bản đồ tỷ lệ, bản đồ chuyên đề, Moran’s I,
GetisOrd thống kê, Besag chỉ số khu phố gần nhất và
thống kê Newel, hàm số k, thống kê quét khơng gian

Các yếu tố nguy cơ

Mơ hình Bayesian, mơ hình có điều kiện, mơ hình hồi
quy (có hoặc khơng bao gồm các điều khoản không gian
), Hồi quy theo trọng số địa lý, mơ hình tự phát có điều
kiện, mơ hình hỗn hợp, mơ hình khơng gian chậm

Theo dõi xu hướng theo
không gian

Bản đồ xu hướng tạm thời

Đánh giá can thiệp

Bản đồ khoảng cách, bản đồ mật độ hạt n ân

Rào cản chăm sóc lao

Bản đồ tý lệ, bản đồ điểm, bản đồ thời gian di chuyển,
Bản đồ khoảng cách

Hiệu suất chương trình lao

Bản đồ ( thời gian phát hiện )

Tỷ lệ mắc lao liên quan đến
HIV

Bản đồ tỷ lệ, bản đồ điểm, thông kê quét không gian

13


Kết quả điều trị lao

Bayes theo kinh nghiệm không gian làm mịn, Bản đồ
mật độ hạt nhân, thống kế quét không gian, Hồi quy
không gian

Tử vong liên quan đến
lao/HIV đồng nhiễm

Bản đồ tỷ lệ, bản đồ chuyên đề, Moran I và hồi quy
không gian

Truyền bệnh

Bản đồ chấm( cài đặt tập hợp ), Bản đồ chấm ( trường
hợp ), Phân cụm không gian địa lý và phương pháp kiểu
gen

Phương pháp luận

Thống kê quét không gian

Phát hiện dịch lao

Thống kê quét không gian

Ước tính tỷ lệ

Mơ hình dựa trên địa lý

Trình điều khiển lao

Hàm số k

Bảng 2 cho thấy Các lĩnh vực ứng dụng của dịch tễ học khơng gian địa lí trong nghiên cứu
bệnh lao bao gồm xác định chỉ số khu phố gần nhất, mơ hình tự phát có điều kiện, mơ hình
hồi quy theo trọng số địa lý, phân tích thành phần chính, HIV, MDR-TB lao đa kháng thuốc.
Phạm vi của các phương pháp không gian được sử dụng để trực quan hóa các mẫu, khám phá
các cụm khơng gian tìm điểm nóng và xác định các yếu tố nguy cơ cho việc phân loại, dự
đoán rủi ro...
Trực quan hóa dữ liệu
Trực quan hóa dữ liệu là kỹ thuật được áp dụng nhất quán nhất để trình bày phân bố bệnh
lao và/hoặc các mẫu yếu tố nguy cơ về mặt khơng gian trong đó tỷ lệ mắc bệnh lao là chỉ số
phổ biến nhất, theo sau là bản đồ sự kiện, Bản đồ mật độ hạt nhân dựa trên tỷ lệ mắc bệnh tiêu
chuẩn hóa
Nhận dạng cụm khơng gian (điểm nóng ): Sử dụng phương pháp xác định cụm không gian
với thống kê quét không gian của Kulldorff, thử nghiệm Moran cục bộ… cho thấy tính khơng
đồng nhất trên tồn khu vực được đánh giá thường xun
Phân tích thời gian
Trong phân tích khơng gian của bệnh lao, cửa sổ thời gian là một chiều không gian quan
trọng ảnh hưởng đến mơ hình khơng gian của bệnh lao. Vì bệnh lao là căn bệnh tương đối

hiếm gặp nếu xét về tỷ lệ mắc và có thời gian ủ bệnh dài, việc phát hiện các cụm khơng gian
rõ ràng địi hỏi một quy mô thời gian dài hơn so với các bệnh truyền nhiễm cấp tính có thể
hình thành các cụm không gian trong vài ngày kể từ khi bắt đầu bùng phát. Do đó các nghiên
cứu được đưa vào dựa trên các trường hợp được tính tốn trong khoảng thời gian thường từ
1-25 năm (thông thường là 5 năm)
Tương quan với các yếu tố xã hội và môi trường
Theo Tổ chức Y tế Thế giới và nhiều nghiên cứu đã cho thất bệnh lao có liên quan chặt
chẽ với nhiều yếu tố xã hội và mơi trường. Điều tra tình hình hiện mắc lao tồn quốc lần thứ
14


nhất tại Việt Nam cho thấy tỷ lệ hiện mắc lao cao gấp 2.5 lần trong người nghèo. Bệnh lao đi
đơi với sự nghèo đói. Bệnh lao là bệnh lây truyền qua đường hơ hấp do hít phải các hạt khí
dung trong khơng khí có chứa vi khuẩn lao, các hạt khí dung có chứa vi khuẩn lao được sinh
ra khi người mắc lao phổi trong giai đoạn tiến triển ho, khạc, hắt hơi (hạt khí dung có đường
kính khoảng 1 – 5 micromet bay lơ lửng trong khơng khí khoảng từ vài giờ đến 24 giờ). Các
yếu tố môi trường như khơng gian chật hẹp; thơng khí khơng đầy đủ; tái lưu thơng khơng khí
có chứa các hạt khí dung chứa vi khuẩn lao là một trong những yếu tố nguy cơ làm lây nhiễm;
lan truyền bệnh lao.
Bên cạnh đó, nhiều nghiên cứu cũng cho thấy mối liên quan của tỷ lệ mắc lao với các yếu
tố xã hội và mơi trường như trình độ học vấn; nghề nghiệp; chủng tộc; di cư; hút thuốc; uống
rượu; khí hậu; độ cao; ơ nhiễm khơng khí; tình hình kinh tế - xã hội; tỷ lệ nghèo đói và thất
nghiệp; … cũng như tình hình dịch tễ của một số bệnh liên quan như HIV; Đái tháo đường;..
Các mơ hình quan sát không gian của bệnh lao và mối liên hệ với các khu vực nghèo đói,
nhà ở q tải và khơng chuẩn, dân tộc thiểu số, mật độ dân số, tình trạng giáo dục thấp, khả
năng tiếp cận chăm sóc sức khỏe....cần được xác định tại các khu vực của nước ta..
Phân tích khơng gian - thời gian để phát hiện dịch lao
Các nghiên cứu báo cáo việc áp dụng phương pháp không gian trong việc xác định sớm
dịch lao không có nhiều. Các nghiên cứu về bệnh lao trong khơng gian sử dụng dữ liệu giám
sát theo phương pháp hồi cứu ở Hoa Kỳ đã phát hiện ra rằng thống kê qt khơng gian và các

phương pháp khác có thể phát hiện ra những đợt bùng phát hàng tháng trước khi các cơ quan
thẩm quyền địa phương nhận thức được vấn đề. Tuy nhiên vì các điểm tập trung bệnh lao theo
khơng gian thời gian có thể là do q trình lan truyền hoặc tái bùng phát đang diễn ra. Việc
tạo ký tự cho các trình điều khiển dẫn đến việc phân cụm không gian là rất cần thiết. Các phát
hiện từ các nghiên cứu so sánh tính kịp thời và chính xác của các cụm thời gian trong việc xác
định các ổ dịch lao thay đôi theo độ phân giải khơng gian và dân số.
Phân tích khơng gian của nguồn lây nhiễm lao
Các phương pháp không gian cũng được sử dụng để xác định vai trò của các hộ gia đình
và các cơ sở tập trung (ví dụ: địa điểm tập trung xã hội, trường học) về nguy cơ lây truyền
bệnh lao (Bảng 1). Vai trò của hộ gia đình được xác định bằng cách nhiễm chéo trẻ em và
bệnh lao ở tuổi vị thành niên hoặc bệnh lao với người trưởng thành cho thấy tầm quan trọng
của phơi nhiễm trong gia đình giảm theo độ tuổi của trẻ, như bệnh lao hoặc nhiễm trùng có
liên quan đến phơi nhiễm bệnh lao ở người lớn ở trẻ nhỏ nhưng không phải là thanh thiếu
niên.
Các chế độ, điều kiện cộng đồng làm tăng nguy cơ lây truyền đã được xác định bằng nhiều
kỹ thuật bao gồm liên kết các trường hợp bệnh lao với các tụ điểm xã hội [53] và lập bản đồ
phân phối khơng khí vịng trịn (RAV) [54] (bao gồm phân loại các kiểu này dựa trên trên
nguyên tắc truyền bệnh lao [55]). Những phương pháp này xác định các trường học và các địa
điểm tập hợp xã hội là khu vực có nguy cơ cao.
15


Xác định kiểm soát lây truyền địa phương
Sự lây truyền gần đây là một cơ chế quan trọng thúc đẩy dịch tễ học bệnh lao tại địa phương
trong các môi trường có gánh nặng cao [56]. Các cụm khơng gian địa lý có thể phản ánh nguy
cơ mắc bệnh tăng lên do sự gần gũi về mặt địa lý, có thể tương ứng với sự lây truyền gần đây
hoặc kích hoạt lại nhiễm trùng lao tiềm ẩn trong một tập hợp các cá nhân bị nhiễm bệnh ở nơi
khác hoặc cả hai [57]. Hai cơ chế được xem là thúc đẩy dịch tễ học lao tại chỗ được nghiên
cứu theo ba cách sau.
Kết hợp các cụm không gian với phân cụm đồn hệ: phân cụm bệnh lao có thể xảy ra do

lây truyền đang diễn ra hoặc do tái kích hoạt nhiễm trùng tiềm ẩn giữa các nhóm phụ có nguy
cơ cao do các đặc điểm chung như quốc gia sinh ra đơn thuần thay vì mạng truyền dẫn chung,
một hiện tượng được gọi là phân nhóm chung. Phân tích cụm đồn hệ được sử dụng để phân
tích các nhóm dân số có nguy cơ cao được lựa chọn cho các can thiệp có mục tiêu dựa trên tỉ
lệ mắc lao tương đôi mà họ phải chịu. Đường cong Lorenz là một công cụ trực quan đơn giản
để so sánh phân cụm(bất bình đẳng) trong nhóm phụ quan tâm giữa các khu vực và theo thời
gian. Một nghiên cứu kết hợp phân tích cụm(nhóm sinh) như vậy sử dụng đường cong bất
đẳng thức Lorenz với phân tích cụm khơng gian [32] cho thấy sự định vị của các loại cụm
này, thấy sự định vị của cả truyền và kích hoạt lại. Các cụm không gian giữa những người
sinh ra ở nước ngồi có diện tích q lớn so với các cụm trong số những người sinh ra tại đại
phương phù hợp với việc truyền trực tiếp từ người sang người. Ngồi ra mơ hình khơng gian
cũng được áp dụng cho các vai trị khác nhau của truyền từ tái kích hoạtbằng cách đánh giá sự
phụ thuộc không gian. Sự hiện diện của sự phụ thuộc không gian đã được thực hiện để chỉ ra
sự lây truyền , trong khi sự vắng mặt của nó được coi là tái kích hoạt khồng đặc hiệu [58]
Sử dụng các phương pháp không gian để thơng báo các can thiệp sức khỏe cộng đồng
Ngồi việc sử dụng mô tả sự phân chia theo không gian và các yếu tố quyết định về bệnh
lao, các phương pháp không gian đã được sử dụng để thông báo các can thiệp về sức khỏe
cộng đồng liên quan đến bệnh lao. Trong các nghiên cứu này, các phương pháp phân tích
khơng gian đã được chứng minh là có hiệu quả và được quan tâm tronghướng dẫn các can
thiệp về sức khỏe cộng đồng, mặc dù ứng dụng của nó đối với chăm sóc bệnh lao chưa thực
sự được nghiên cứu và chứng minh một cách rõ ràng. Ví dụ, các kỹ thuật phân tích khơng
gian đã được sử dụng để xác định các địa điểm có mật độ mắc bệnh lao cao (điểm nóng) Sau
đó, khám sàng lọc bệnh lao tại cộng đồng đã được tiến hành, và tần suất thực hiện khám sàng
lọc được so sánh với việc cung cấp dịch vụ thường xuyên. Việc khám sàng lọc theo hướng
dẫn của GIS đã được chứng minh góp phần cải thiện đáng kể việc phát hiện những người bị
nhiễm lao tiềm ẩn và các bệnh truyền nhiễm khác [73]. Tương tự, một nghiên cứu từ Nam Phi
đã nhấn mạnh tiềm năng sử dụng GIS để thúc đẩy liệu pháp DOTS dựa vào cộng đồng bằng
cách định vị và liên kết các người bệnh lao với các địa điểm giám sát gần nhất của họ, mặc dù
việc triển khai theo phương pháp này không được báo cáo [74].
Tiềm năng của các phương pháp không gian được sử dụng để phát hiện sớm dịch lao cũng

đã được mô tả, mặc dù những phát hiện này rất đa dạng dựa trên dân số [29]. Phân tích cụm
16


không gian sử dụng dữ liệu ở độ phân giải địa lý cao hơn sẽ cải thiện hiệu suất của phương
pháp trong phát hiện cụm [26].
Hầu hết các nghiên cứu được xem xét là từ các bộ phận thu thập cao, có thể phản ánh xu
hướng xuất bản hoặc trọng tâm của các nỗ lực nghiên cứu trên các cài đặt đó. Trong các cài
đặt phổ biến, việc sử dụng các phương pháp khơng gian hạn chế hơn có thể phản ánh sự thiếu
quyền truy cập vào tài nguyên ( ví dụ: dữ liệu tham chiếu địa lý và các gói phần mềm khơng
gian ) hoặc khơng đủ chun mơn trong các cài đặt này. Tuy nhiên, chính các cài đặt truyền
dẫn cao này sẽ đạt được nhiều nhất từ sự hiểu biết được cải thiện về các mơ hình không gian
của bệnh lao và cả các cài đặt này, trong đó phân cụm khơng gian địa lý có thể là quan trọng
nhất về mặt dịch tễ học.
Trong nước (Phân tích, đánh giá tình hình nghiên cứu trong nước thuộc lĩnh vực nghiên cứu
của đề tài, đặc biệt phải nêu cụ thể được những kết quả KH&CN liên quan đến đề tài mà các
cán bộ tham gia đề tài đã thực hiện. Nếu có các đề tài cùng bản chất đã và đang được thực
hiện ở cấp khác, nơi khác thì phải giải trình rõ các nội dung kỹ thuật liên quan đến đề tài này;
Nếu phát hiện có đề tài đang tiến hành mà đề tài này có thể phối hợp nghiên cứu được thì cần
ghi rõ Tên đề tài, Tên Chủ nhiệm đề tài và cơ quan chủ trì đề tài đó)
Việt nam hiện vẫn là nước có gánh nặng bệnh lao cao, đứng thứ 16 trong 30 nước có số
người bệnh lao cao nhất trên tồn cầu, đồng thời đứng thứ 15 trong số 30 nước có gánh nặng
bệnh lao kháng đa thuốc cao nhất thế giới (báo cáo WHO 2018). Dựa trên số liệu phát hiện –
điều trị của CTCL trong giai đoạn 2000-2018 và kết quả điều tra tình hình hiện mắc lao tồn
quốc năm 2017-2018, tại Hội thảo phân tích tình hình dịch tễ bệnh lao tại Việt nam tháng 3
năm 2019, các chuyên gia của TCYTTG phối hợp với CTCL đã ước tính tỷ lệ hiện mắc lao
tại Việt Nam giai đoạn 2007-2017 giảm khoảng 3,8% hàng năm; tỷ lệ lao mới mắc giảm
khoảng 3% hàng năm và tỷ lệ tử vong do lao giảm khoảng 4% hàng năm. Những thuận lợi của
chương trình chống lao quốc gia bao gồm: (1) CTCL vẫn duy trì mục tiêu triển khai cơng tác
chống lao tại 100% số quận huyện và 100% số xã, phường. Tỷ lệ dân số được chương trình

chống lao tiếp cận đạt 100%.; (2) Mạng lưới chống lao tiếp tục được mở rộng và củng cố.
Hiện nay 48/63 tỉnh, thành trên toàn quốc đã thành lập Bệnh viện Phổi, Bệnh viện lao và bệnh
phổi. CTCL đã tiếp tục triển khai các hoạt động phát triển mạng lưới phối hợp với các đối tác
như: Bộ Cơng an; Cục phịng chống HIV/AIDS; WHO; KNCV; CDC: URC; CHAI, các bệnh
viện đa khoa tuyến trung ương, tuyến tỉnh và nhiều đối tác khác. Đặc biệt trong giai đoạn
2018-2020, CTCL có thêm các đối tác mới chính thức trở thành những đơn vị viện trợ phụ
(SRs) cùng tham gia vào dự án QTC và công tác chống lao như Bộ Lao động Thương binh Xã
hội, Cục Y tế và Cục 10 thuộc Bộ Công an. (3)Hoạt động phát hiện: trong năm 2018, số liệu
phát hiện của CTCLQG có xu hướng giảm về số người bệnh lao các thể (3657 người bệnh).
Số người bệnh lao mới có bằng chứng vi khuẩn học giảm so với năm 2017 (1051 người bệnh).
Tuy nhiên, về mặt chỉ tiêu, CTCLQG đã hoàn thành với việc vượt chỉ tiêu 100% số người
bệnh mới và tái phát được phát hiện. (4) Hoạt động điều trị: tỷ lệ điều trị khỏi người bệnh lao
phổi AFB dương tính mới được duy trì ở mức cao (87,2%) đạt mục tiêu của WHO đề ra là
>85% tuy nhiên chưa đạt được mục tiêu của CTCLQG là >90%. Tỷ lệ âm hóa đờm sau 2(3)
17


tháng điều trị của người bệnh mới cũng được duy trì ở mức cao và ổn định là 88,7%.(5)Duy
trì và tiếp tục triển khai hệ thống thu thập, quản lý thông tin, báo cáo trên internet từ tuyến
tỉnh và mở rộng triển khai ở trên 857 huyện và các điểm tương đương.
Trong nước hiện này có duy nhất Bệnh viện Phổi Quốc gia đã tiên phong thử nghiệm ứng
dụng AI tại Việt Nam thông qua thử nghiệm phát hiện sớm bệnh lao bằng AI X-quang ngực.
Về kết quả thu được đối với các ứng dụng công nghệ GIS trong kiểm sốt bệnh dịch đã có
một số cơng trình của các tác giả trong nước. Thành phố Hồ Chí Minh, Cục Y tế dự phịng
cũng có những thành tựu ban đầu về cổng thơng tin y tế trong kiểm sốt 37 bệnh dịch, mới có
2 cơng trình nghiên cứu về ứng dụng GIS cho lao. Tuy nhiên các cơng trình này mới bắt đầu
ở mức trực quan hóa tỷ lệ mắc lao cũng như mối liên quan với một vài điểm dữ liệu về mức
thu nhập tại một tỉnh. Chưa có cơng trình nào nghiên cứu một cách tồn diện về việc tìm ra
mơ hình dự báo và kiểm sốt lao trên toàn quốc từ các lớp dữ liệu thực của tồn bộ chương
trình chống lao quốc gia bao gồm cả dữ liệu lâm sàng, cận lâm sàng, các chiến lược điều trị,

theo dõi và giám sát người bệnh để đảm bảo mục tiêu cam kết chấm dứt bệnh lao vào 2030.
15.2 Luận giải về việc đặt ra mục tiêu và những nội dung cần nghiên cứu của đề tài
(Trên cơ sở đánh giá tình hình nghiên cứu trong và ngồi nước, phân tích những cơng trình
nghiên cứu có liên quan, những kết quả mới nhất trong lĩnh vực nghiên cứu đề tài, đánh giá
những khác biệt về trình độ KH&CN trong nước và thế giới, những vấn đề đã được giải quyết,
cần nêu rõ những vấn đề còn tồn tại, chỉ ra những hạn chế cụ thể, từ đó nêu được hướng giải
quyết mới - luận giải và cụ thể hoá mục tiêu đặt ra của đề tài và những nội dung cần thực
hiện trong đề tài để đạt được mục tiêu)
Dù đã được chương trình chống lao kiểm sốt nhưng diễn biến gây dịch diễn biến ngày càng
phức tạp, một vụ dịch ở bất cứ nơi nào trên thế giới chỉ cần vài giờ đã có thể trở thành mối đe
dọa cho một khu vực khác và thậm chí cho toàn thế giới. Giám sát lao là một phần của NTP
và hệ thống thông tin y tế với mục tiêu và hình thức khác nhau. Tại Việt Nam, theo số liệu
thống kê về các ca mắc lao cho thấy bệnh lao tuy được kiểm sốt nhưng vẫn ln là vấn đề y
tế nghiêm trọng ở Việt Nam do có những khó khăn phải đối mặt khơng ít như:
Ø

Dịch tễ lao ở Việt nam còn cao, xếp thứ 16 trong 30 nước có gánh nặng người bệnh lao
cao trên thế giới và xếp thứ 15 trong số 30 nước có gánh nặng bệnh lao kháng đa thuốc
cao nhất trên toàn cầu.

Ø

Chưa tầm soát hết các đối tượng nghi MDR, tỷ lệ người được xét nghiệm GeneXpert trong
số nghi MDR còn hạn chế tại nhiều địa phương. Đặc biệt việc mở rộng diện tầm sốt tới
nhóm AFB (+) mới có thể là nguyên nhân làm giảm tỷ lệ được xét nghiệm GeneXpert
trong một số nhóm ưu tiên khác có nguy cơ kháng thuốc cao hơn tại một số địa phương.
Tỷ lệ điều trị thành công chỉ ở mức 68%, chưa đạt được chỉ tiêu 76% như kế hoạch.

Ø Sự hợp tác để phát hiện lao trẻ em giữa CTCLQG và các cơ sở nhi khoa ở tỉnh và huyện
chưa thường xuyên và chưa hiệu quả. Địa bàn triển khai rộng, thiếu cán bộ cả về số lượng

và năng lực.

18


Ø Tỷ lệ bệnh lao, lao kháng đa thuốc, HIV trong trại giam cao, cơng tác phát hiện cịn thấp
do thiếu nguồn nhân lực có chất lượng; chưa sử dụng hiệu quả trang thiết bị chẩn đoán và
điều trị lao,....
Ø Thay đổi mơ hình tổ chức y tế tại tuyến tỉnh, huyện có ảnh hưởng khơng nhỏ tới CTCL
như thay đổi cán bộ làm công tác chống lao, đơn vị mới chưa ổn định nên việc triển khai
hoạt động CTCL gặp khó khăn, tâm lý cán bộ làm cơng tác chống lao không ổn định…

Nhằm chấm dứt bệnh lao trên tồn cầu cũng như tại Việt Nam, cần có sự phát triển của các
công cụ mới để xác định các yếu tố nguy cơ quyết định đến tình hình dịch tễ bệnh lao và các
khu vực có tình hình dịch tễ bệnh lao cao (điểm nóng), xây dựng hệ thống giám sát tình hình
dịch tễ bệnh lao và giám sát các yếu tố rủi ro dựa trên vị trí. Tích hợp GIS, thống kê không
gian và phần mềm dự báo dịch tễ địa không gian mang lại hiệu quả phương pháp tiếp cận đa
ngành, nhằm xác định các điểm nóng dịch tễ bệnh lao có ý nghĩa thống kê và để xác định mối
quan hệ giữa các yếu tố môi trường và kinh tế xã hội và tỷ lệ mắc lao sẽ cung cấp các thơng
tin cực kỳ hữu ích cho các nhà hoạch định chính sách và Chương trình Chống lao Quốc gia
nhằm xây dựng các kế hoạch kiểm sốt dịch bệnh lao và có các hoạt động phù hợp cho các
khu vực khác nhau trên toàn quốc, như phân bổ ngân sách; tăng cường truyền thông cho những
người sống ở khu vực có nguy cơ cao và tăng cường hoạt động sàng lọc; phát hiện chủ động
nhằm phát hiện kịp thời; sớm để cắt bỏ nguồn lây; …
Do vậy, chúng tôi tôi đề xuất “Nghiên cứu xây dựng hệ thống hỗ trợ chẩn đoán và dự báo dịch
tễ địa không gian (geo-spatial epidemiology) bệnh lao phổi bằng ảnh X-quang ngực ở Việt
Nam’’ nhằm:
- Xây dựng được cơ sở dữ liệu ảnh X-quang ngực kỹ thuật số về bệnh lao phổi ở Việt Nam;
19

- Phát triển phần mềm học sâu hỗ trợ chẩn đốn và phần mềm dự báo dịch tễ địa khơng gian
(geo-spatial epidemiology) bệnh lao phổi bằng ảnh X-quang ngực ở Việt Nam;
- Triển khai ứng dụng tại một số cơ sở y tế các tuyến.
Khi triển khai cả 2 hệ thống tích hợp và đồng bộ sẽ hỗ trợ chẩn đốn nhanh và chính xác tại
cộng đồng đồng thời có thể kiểm sốt, giám sát chủ động tình trạng mắc lao, mối liên quan
mắc lao với các yếu tố kinh tế, xã hội, địa lý, mơi trường… Người dùng có thể xem thông tin
diễn biến bệnh dịch tại địa phương mình đang cư trú hoặc tất cả các địa phương khác trên cả
nước. Ngồi ra, hệ thống cịn cung cấp các thơng tin về cách phịng tránh lây lan bệnh dịch,
tính chất mật độ nguy hiểm của các bệnh dịch đang diễn biến phức tạp.
16

Liệt kê danh mục các công trình nghiên cứu, tài liệu có liên quan đến đề tài đã trích dẫn
khi đánh giá tổng quan

(Tên cơng trình, tác giả, nơi và năm công bố, chỉ nêu những danh mục đã được trích dẫn để luận giải
cho sự cần thiết nghiên cứu đề tài)

1. The Economist Intelligence Unit. It’s time to End Drug-Resistant Tuberculosis, 2019.
2. Doong Wook Kim, MD1, Hye Young Jang, MD2, Kyung Won Kim, MD, PhD2, Youngbin
Shin, MS2, Seong Ho Park, MD, PhD2. Design Characteristics of Studies Reporting the
Performance of Artificial Intelligence Algorithms for Diagnostic Analysis of Medical
Images: Results from Recently Published Papers. Korean J Radiol 2019;20(3):405-410.
3. Tang A, Tam R, Cadrin-Chênevert A, Guest W, Chong J, Barfett J, et al.; Canadian
Association of Radiologists (CAR) Artificial Intelligence Working Group. Canadian
Association of Radiologists white paper on artificial intelligence in radiology. Can Assoc
Radiol J 2018;69:120-135.
4. Chartrand G, Cheng PM, Vorontsov E, Drozdzal M, Turcotte S, Pal CJ, et al. Deep
learning: a primer for radiologists. Radiographics 2017;37:2113-2131.
5. Paras lakhani, Baskaran Sundaran. Deep Learning at Chest Radiography: Automated

classification of Pulmonary Tuberculosis by using Convolutional Neural Networks.
Radiology 2018.
6. Bhalla AS, Goyal A, Guleria R, Gupta AK. Chest tuberculosis: Radiological review
and imaging recommendations. Indian J Radiol Imaging 2015;25(3):213–225.
7. Melendez J, Sánchez CI, Philipsen RH et al. An automated tuberculosis screening strategy
combining
X-ray-based
computer-aided
detection
and
clinical
information. Sci Rep 2016;6:25265.
8. Hoog AH, Meme HK, van Deutekom H et al. High sensitivity of chest radiograph reading
by clinical officers in a tuberculosis prevalence survey. Int J Tuberc Lung Dis
2011;15(10):1308–1314.
9. Jaeger S, Karargyris A, Candemir S et al. Automatic screening for tuberculosis in
chest radiographs: a survey. Quant Imaging Med Surg 2013;3(2):89–99.
10. Pande T, Cohen C, Pai M, Ahmad Khan F. Computer-aided detection of
pulmonary tuberculosis on digital chest radiographs: a systematic review. Int J Tuberc
Lung Dis 2016 ;20(9):1226–1230.
11. Jaeger S, Karargyris A, Candemir S et al. Automatic tuberculosis screening using
20


chest radiographs. IEEE Trans Med Imaging 2014;33(2):233–245.
12. Melendez; Hogeweg,L; Sánchez,Cl; Philipsen,R.H.H.M; Aldridge, R.W; Hayward, A.C;
Abubakar,l; Van Ginneken,B; Story, A. Accuracy of an automated system for tuberculosis
detection on chest radiographs in high-risk screening. Int J TuberC Lung Dis,2018.
13. Hogeweg L, Mol C, de Jong PA, Dawson R, Ayles H, van Ginneken B (2010) Fusion of
local and global detection systems to detect tuberculosis in chest radiographs. Med Image

Comput Comput Assist Interv. 13(Pt 3):650–657.
14. Maduskar P, Muyoyeta M, Ayles H, Hogeweg L, Peters-Bax L, van Ginneken B (2013)
Detection of tuberculosis using digital chest radiography: automated reading versus
interpretation by clinical officers. Int J Tuberc Lung Dis. 17(12):1613–1620.
15. Lee JG, Jun S, Cho YW, Lee H, Kim GB, Seo JB, et al. Deep learning in medical imaging:
general overview. Korean J Radiol 2017;18:570-584
16. Yamashita R, Nishio M, Do RKG, Togashi K. Convolutional neural networks: an overview
and application in radiology. Insights Imaging 2018;9:611-629
17. Chartrand G, Cheng PM, Vorontsov E, Drozdzal M, Turcotte S, Pal CJ, et al. Deep
learning: a primer for radiologists. Radiographics 2017;37:2113-2131
18. Choy G, Khalilzadeh O, Michalski M, Do S, Samir AE, Pianykh OS, et al. Current
applications and future impact of machine learning in radiology. Radiology 2018;288:318328
19. SFR-IA Group; CERF; French Radiology Community. Artificial intelligence and medical
imaging 2018: French Radiology Community white paper. Diagn Interv Imaging
2018;99:727- 742
20. Greaves F, Joshi I, Campbell M, Roberts S, Patel N, Powell J. What is an appropriate level
of evidence for a digital health intervention? Lancet 2019;392:2665-2667
21. Maddox TM, Rumsfeld JS, Payne PRO. Questions for artificial intelligence in health care.
JAMA 2019;321:31-32
22. Park SH, Kressel HY. Connecting technological innovation in artificial intelligence to realworld medical practice through rigorous clinical validation: what peer-reviewed medical
journals could do. J Korean Med Sci 2018;33:e152
23. Park SH, Han K. Methodologic guide for evaluating clinical performance and effect of
artificial intelligence technology for medical diagnosis and prediction. Radiology
2018;286:800-809
24. Thornbury JR. The efficacy of diagnostic imaging. Med Decis Making 1991;11:88-94
25. England JR, Cheng PM. Artificial intelligence for medical image analysis: a guide for
authors and reviewers. AJR Am J Roentgenol 2018 Dec 17 [Epub ahead of print].
https://doi. org/10.2214/AJR.18.20490
26. Park SH. Diagnostic case-control versus diagnostic cohort studies for clinical validation of
artificial intelligence algorithm performance. Radiology 2019;290:272-273

27. Verma A, Schwartzman K, Behr MA, Zwerling A, Allard R, Rochefort CM, Buckeridge
DL. Accuracy
of prospective space-time surveillance in detecting tuberculosis
transmission. Spatial Spatio-Temp Epidemiol. 2014;8:47-1.
28. Middelkoop K, Bekker LG, Morrow C, Lee N, Wood R. Decreasing household
contribution to TB transmission with age: a retrospective geographic analysis of young
21


people in a South African township. BMC Infect Dis. 2014; 14:221-8.
29. Higgs BW, Mohtashemi M, Grinsdale J, Kawamura LM. Early detection of tuberculosis
outbreaks among the San Francisco homeless: trade-offs between spatial resolution and
temporal scale.
30. 40. Jafari-Koshki T, Arsang-Jang S, Raei M. Applying spatiotemporal models to study risk
of smear-positive tuberculosis in Iran, 2001-2012. Int J Tuber Lung Dis. 2015;19(4):46938.
31. Jenkins HE, Plesca V, Ciobanu A, Crudu V, Galusca I, Soltan V, Serbulenco A, Zignol M,
Dadu A, Dara M, et al. Assessing spatial heterogeneity of multidrug-resistant tuberculosis
in a high-burden country. Eur Respir J. 2013; 42(5):1291-41.
32. Harling G, Castro MC. A spatial analysis of social and economic determinants of
tuberculosis in Brazil. Health Place. 2014;25:56-44.
33. Chan-Yeung M, Yeh AGO, Tam CM, Kam KM, Leung CC, Yew WW, Lam CW. Sociodemographic and geographic indicators and distribution of tuberculosis in Hong Kong: a
spatial analysis. Int J Tuber Lung Dis. 2005; 9(12):1320-47..
34. Patterson B, Morrow CD, Kohls D, Deignan C, Ginsburg S, Wood R. Mapping sites of
high TB transmission risk: integrating the shared air and social behaviour of TB cases and
adolescents in a South African township. Sci Total Environ. 2017;05-54.
35. Ng IC, Wen TH, Wang JY, Fang CT. Spatial dependency of tuberculosis incidence in
Taiwan. PLoS One. 2012;7(11)-58.
36. Richardson M, van Lill SW, van der Spuy GD, Munch Z, Booysen CN, Beyers N, van
Helden PD, Warren RM. Historic and recent events contribute to the disease dynamics of
Beijing-like Mycobacterium tuberculosis isolates in a high incidence region. Int J Tuber

Lung Dis. 2002;6(11):1001-72.
37. Manjourides J, Lin HH, Shin S, Jeffery C, Contreras C, Cruz JS, Jave O, Yagui M,
Asencios L, Pagano M, et al. Identifying multidrug resistant tuberculosis transmission
hotspots using routinely collected data. Tuberculosis. 2012; 92(3):273-75.
38. Feske ML, Teeter LD, Musser JM, Graviss EA. Including the third dimension: a spatial
analysis of TB cases in Houston Harris County. Tuberculosis. 2011; 91(SUPPL. 1):S2493.
39. Tuite AR, Guthrie JL, Alexander DC, Whelan MS, Lee B, Lam K, Ma J, Fisman DN,
Jamieson FB. Epidemiological evaluation of spatiotemporal and genotypic clustering of
Mycobacterium tuberculosis in Ontario, Canada. Int J Tuber Lung Dis. 2013;17(10):132294.
40. Yamamura M, de Freitas IM, Santo Neto M, Chiaravalloti Neto F, Popolin MA, Arroyo
LH, Rodrigues LB, Crispim JA, Arcencio RA. Spatial analysis of avoidable
hospitalizations due to tuberculosis in Ribeirao Preto, SP, Brazil (2006-2012). Rev Saude
Publica. 2016(50):20-152.
41. Santos Neto M, Yamamura M, Garcia MC, Popolin MP, Rodrigues LB, Chiaravalloti Neto
F, Fronteira I, Arcencio RA. Pulmonary tuberculosis in Sao Luis, State of Maranhao,
Brazil: space and space-time risk clusters for death (2008-2012). Rev Soc Bras Med Trop.
2015;48(1):69-155.
42. Sousa P, Oliveira A, Gomes M, Gaio AR, Duarte R. Longitudinal clustering of tuberculosis
22


incidence and predictors for the time profiles: the impact of HIV. Int J Tuber Lung Dis.
2016;20(8):1027-176.
43. Herrero MB, Arrossi S, Ramos S, Braga JU. Spatial analysis of the tuberculosis treatment
dropout, Buenos Aires, Argentina. Rev Saude Publica. 2015;49-179.
44. Alene KA, Viney K, McBryde ES, Clements ACA, 2017. Spatiotemporal transmission
and socio-climatic factors related to paediatric tuberculosis in north-western Ethiopia.
Geospat Health 12:342.
45. Jacob BJ, Krapp F, Ponce M, Gottuzzo E, Griffith DA, Novak RJ, 2010. Accounting for
autocorrelation in multi-drug resistant tuberculosis predictors using a set of parsimonious

orthogonal eigenvectors aggregated in geographic space. Geospat Health 4:201.
46. Khan AA, 1986. Two simple methods of spatial analysis and their applications in locationoriented health services research. Am J Public Health 76:1207.
47. Chanda E, Coleman M, Kleinschmidt I, Hemingway J, Hamainza B, Masaninga F, ChandaKapata P, Baboo KS, Dürrheim DN, Coleman M: Impact assessment of malaria vector
control using routine surveillance data in Zambia: implications for monitoring and
evaluation. Malar J 2012, 11:437.
48. Wei W, Yuan-Yuan J, Ci Y, Ahan A, Ming-Qin C. Local spatial variations analysis of
smear-positive tuberculosis in Xinjiang using Geographically Weighted Regression model.
BMC Public Health. 2016 Oct 6;16(1):1058.
49. Nhung NV, Hoa NB, Khanh PH, Hennig C. Tuberculosis case notification data in Viet
Nam, 2007 to 2012. Western Pac Surveill Response J. 2015 Feb 9;6(1):7-14
50. HEI Collaborative Working Group on Air Pollution, Poverty, and Health in Ho Chi Minh
City, Le TG, Ngo L, Mehta S, Do VD, Thach TQ, Vu XD, Nguyen DT, Cohen A.
51. Wubuli A, Xue F, Jiang D, Yao X, Upur H, Wushouer Q. Socio-Demographic Predictors
and Distribution of Pulmonary Tuberculosis (TB) in Xinjiang, China: A Spatial Analysis.
PLoS One. 2015 Dec 7;10(12):
52. Kistemann T, Munzinger A, Dangendorf F. Spatial patterns of tuberculosis incidence in
Cologne (Germany). Soc Sci Med. 2002 Jul;55(1):7-19. PubMed PMID:
53. Bui LV, Mor Z, Chemtob D, Ha ST, Levine H. Use of Geographically Weighted Poisson
Regression to examine the effect of distance on Tuberculosis incidence: A case study in
Nam Dinh, Vietnam. PLoS One. 2018 Nov 12;13(11)
54. Vo LNQ, Vu TN, Nguyen HT, Truong TT, Khuu CM, Pham PQ, Nguyen LH, Le GT,
Creswell J. Optimizing community screening for tuberculosis: Spatial analysis of localized
case finding from door-to-door screening for TB in an urban district of Ho Chi Minh City,
Viet Nam. PLoS One. 2018 Dec 18;13(12)
55. Hoa NB, Tiemersma EW, Sy DN, Nhung NV, Gebhard A, Borgdorff MW, Cobelens FG.
Household expenditure and tuberculosis prevalence in VietNam: prediction by a set of
household indicators. Int J Tuberc Lung Dis. 2011 Jan;15(1):32-7.
56. MacPherson P, Khundi M, Nliwasa M, Choko AT, Phiri VK, Webb EL, Dodd PJ, Cohen
T, Harris R, Corbett EL. Disparities in access to diagnosis and care in Blantyre, Malawi,
identified through enhanced tuberculosis surveillance and spatial analysis. BMC Med.

2019 Jan 29;17(1):21.
57. Shaweno D, Trauer JM, Denholm JT, McBryde ES. A novel Bayesian geospatia method
23


for estimating tuberculosis incidence reveals many missed TB cases in Ethiopia. BMC
Infect Dis. 2017 Oct 2;17(1):662.
58. Said K, Hella J, Mhalu G, Chiryankubi M, Masika E, Maroa T, Mhimbira F Kapalata N,
Fenner L. Diagnostic delay and associated factors among patients with pulmonary
tuberculosis in Dar es Salaam, Tanzania. Infect Dis Poverty. 2017 Mar 24;6(1):64.
59. Mahara G, Yang K, Chen S, Wang W, Guo X. Socio-Economic Predictors and Distribution
of Tuberculosis Incidence in Beijing, China: A Study Using a Combination of Spatial
Statistics and GIS Technology. Med Sci (Basel). 2018 Mar
60. Lo HY, Yang SL, Chou P, Chuang JH, Chiang CY. Completeness and timeliness of
tuberculosis notification in Taiwan. BMC Public Health. 2011 Dec 12;11:915.
61. Tipayamongkholgul M, Podang J, Siri S. Spatial analysis of social determinants for
tuberculosis in Thailand. J Med Assoc Thai. 2013 Dec;96 Suppl
62. Yeh YP, Chang HJ, Yang J, Chang SH, Suo J, Chen TH. Incidence of tuberculosis in
mountain areas and surrounding townships: dose-response relationship by geographic
analysis. Ann Epidemiol. 2005 Aug;15(7):526-32.
63. Alvarez-Hernández G, Lara-Valencia F, Reyes-Castro PA, Rascón-Pacheco RA. An
analysis of spatial and socio-economic determinants of tuberculosis in Hermosillo, Mexico,
2000-2006. Int J Tuberc Lung Dis. 2010 Jun;14(6):708-13.
64. Sun W, Gong J, Zhou J, Zhao Y, Tan J, Ibrahim AN, Zhou Y. A spatial, social and
environmental study of tuberculosis in China using statistical and GIS technology. Int J
Environ Res Public Health. 2015 Jan 27;12(2):1425-48.
65. Maciel EL, Pan W, Dietze R, Peres RL, Vinhas SA, Ribeiro FK, Palaci M, Rodrigues RR,
Zandonade E, Golub JE. Spatial patterns of pulmonary tuberculosis incidence and their
relationship to socio-economic status in Vitoria, Brazil. Int Tuberc Lung Dis. 2010
Nov;14(11):1395-402.

66. McLaren ZM, Schnippel K, Sharp A. A Data-Driven Evaluation of the Stop TB Global
Partnership Strategy of Targeting Key Populations at Greater Risk for Tuberculosis. PLoS
One. 2016 Oct 12;11(10):
67. Noppert GA, Wilson ML, Clarke P, Ye W, Davidson P, Yang Z. Race and nativity are
major determinants of tuberculosis in the U.S.: evidence of health disparities in tuberculosis
incidence in Michigan, 2004-2012. BMC Public Health. 2017 Jun 2;17(1):538.
68. Roth D, Otterstatter M, Wong J, Cook V, Johnston J, Mak S. Identification of spatial and
cohort clustering of tuberculosis using surveillance data from British Columbia, Canada,
1990-2013. Soc Sci Med. 2016 Nov;168:214-222.
69. Kuupiel D, Adu KM, Apiribu F, Bawontuo V, Adogboba DA, Ali KT, MashambaThompson TP. Geographic accessibility to public health facilities providing tuberculosis
testing services at point-of-care in the upper east region, Ghana. BMC Public Health. 2019
70. Noppert GA, Yang Z, Clarke P, Ye W, Davidson P, Wilson ML. Individual- and
neighborhood-level contextual factors are associated with Mycobacterium tuberculosis
transmission: genotypic clustering of cases in Michigan, 2004-2012. Ann Epidemiol. 2017
Jun;27(6):371-376.e5. doi: 10.1016/j.annepidem.2017.05.009.
71. Kolifarhood G, Khorasani-Zavareh D, Salarilak S, Shoghli A, Khosravi N. Spatial and nonspatial determinants of successful tuberculosis treatment outcomes: An implication of
24


Geographical Information Systems in health policy-making in a developing country. J
Epidemiol Glob Health. 2015 Sep;5(3):221-30.
72. Beiranvand R, Karimi A, Delpisheh A, Sayehmiri K, Soleimani S, Ghalavandi S.
Correlation Assessment of Climate and Geographic Distribution of Tuberculosis Using
Geographical Information System (GIS). Iran J Public Health. 2016 Jan;45(1):86-93
73. Hagiya H, Koyama T, Zamami Y, Minato Y, Tatebe Y, Mikami N, Teratani Y, Amsalu E,
Liu M, Li Q, Wang X, Tao L, Liu X, Luo Y, Yang X, Zhang Y, Li W, Li X, Wang W, Guo
X. Spatial-temporal analysis of tuberculosis in the geriatric population of China: An
analysis based on the Bayesian conditional autoregressive model. Arch Gerontol Geriatr.
2019 Jul - Aug;83:328-337.
74. Wallace D, Wallace R. Problems with the WHO TB model. Math Biosci. 2019 July;313:7180.

75. Beiranvand R, Karimi A, Delpisheh A, Sayehmiri K, Soleimani S, Ghalavandi S.
Correlation Assessment of Climate and Geographic Distribution of Tuberculosis Using
Geographical Information System (GIS). Iran J Public Health. 2016 Jan;45(1):86-93.
76. Kakchapati S, Choonpradub C, Lim A. Spatial and temporal variations intuberculosis
incidence, Nepal. Southeast Asian J Trop Med Public Health. 2014 Jan;45(1):95-102.
PubMed PMID: 24964658.
77. Zhang Y, Wang XL, Feng T, Fang CZ. Analysis of spatial-temporal distribution and
influencing factors of pulmonary tuberculosis in China, during 2008-2015. Epidemiol
Infect. 2018 Oct 10:1-9.
78. Amsalu E, Liu M, Li Q, Wang X, Tao L, Liu X, Luo Y, Yang X, Zhang Y, Li W, Li X,
Wang W, Guo X. Spatial-temporal analysis of tuberculosis in the geriatric population of
China: An analysis based on the Bayesian conditional autoregressive model. Arch Gerontol
Geriatr. 2019 Jul - Aug;83:328-337.
79. Li XX, Wang LX, Zhang H, Jiang SW, Fang Q, Chen JX, Zhou XN. Spatial variations of
pulmonary tuberculosis prevalence co-impacted by socio-economic and geographic factors
in People's Republic of China, 2010. BMC Public Health. 2014 Mar 17;14:257. doi:
10.1186/1471-2458-14-257.
80. Wang L, Chen L. Spatiotemporal dataset on Chinese population distribution and its driving
factors from 1949 to 2013. Sci Data. 2016 Jul 5;3:160047.
81. WHO Report 2018 - Global Tuberculosis Control.
82. Nguyen Viet Nhung. Expert urges to maintain sustaniable outcomes in TB prevention and
control, Nhan Dan online, June 2019.

25