Prompt: Ước tính Nguy cơ Tim mạch Toàn cầu – Chẩn đoán Y khoa – AI Y tế

Dưới đây là bản phân tích chi tiết về prompt template bạn cung cấp:

1. Phân tích Cấu trúc Prompt

Prompt template này được thiết kế để thu thập thông tin từ người dùng và sử dụng nó để yêu cầu mô hình AI tính toán nguy cơ tim mạch trong 10 năm. Nó có cấu trúc rõ ràng, bắt đầu bằng một yêu cầu chính và sau đó liệt kê các biến cần thiết. Các biến được đặt trong cặp dấu ngoặc vuông `[]` cho thấy chúng là các placeholder cần được thay thế bằng dữ liệu thực tế.

Các biến bao gồm:

• [TUỔI]: Tuổi của bệnh nhân (số nguyên).
• [GIỚI_TÍNH]: Giới tính của bệnh nhân (ví dụ: “Nam”, “Nữ”).
• [ĐỊA_TÂM_THU]: Huyết áp tâm thu (số, thường là mmHg).
• [ĐỊA_TÂM_TRƯƠNG]: Huyết áp tâm trương (số, thường là mmHg).
• [CHOLESTEROL_TOÀN_PHẦN]: Nồng độ Cholesterol toàn phần trong máu (số, thường là mg/dL hoặc mmol/L tùy theo đơn vị đo lường).
• [CHOLESTEROL_HDL]: Nồng độ Cholesterol HDL (tốt) trong máu (số, thường là mg/dL hoặc mmol/L).
• [HÚT_THUỐC]: Tình trạng hút thuốc lá (ví dụ: “Có”, “Không”, “Từng hút”).
• [ĐÁI_THÁO_ĐƯỜNG]: Tình trạng mắc bệnh đái tháo đường (ví dụ: “Có”, “Không”).

Phần cuối cùng của prompt chỉ định rõ ràng phương pháp tính toán mong muốn: “Sử dụng mô hình Framingham hoặc ASCVD”. Điều này giúp mô hình biết được thuật toán hoặc khung tham chiếu nào cần áp dụng.

2. Ý nghĩa & Cách hoạt động

Về mặt kỹ thuật, prompt này hoạt động bằng cách cung cấp một “khung đầu vào” cho một nhiệm vụ cụ thể. Khi một người dùng hoặc một hệ thống khác điền các giá trị thực tế vào các placeholder `[ ]`, nó sẽ tạo ra một prompt hoàn chỉnh gửi đến mô hình ngôn ngữ lớn (LLM) hoặc một hệ thống xử lý ngôn ngữ tự nhiên (NLP).

Mô hình AI sẽ nhận các thông tin sau khi các placeholder được điền:

• “Dựa trên thông tin bệnh nhân sau đây, vui lòng cung cấp ước tính nguy cơ tim mạch 10 năm: Tuổi: [giá trị tuổi], Giới tính: [giá trị giới tính], Huyết áp tâm thu: [giá trị huyết áp tâm thu], Huyết áp tâm trương: [giá trị huyết áp tâm trương], Cholesterol toàn phần: [giá trị cholesterol toàn phần], Cholesterol HDL: [giá trị cholesterol HDL], Tiền sử hút thuốc lá: [giá trị hút thuốc], Đái tháo đường: [giá trị đái tháo đường]. Sử dụng mô hình Framingham hoặc ASCVD.”

Sau đó, AI, nếu được đào tạo hoặc tích hợp với các công cụ tính toán y tế tương ứng, sẽ chắt lọc các yếu tố nguy cơ đã cho và áp dụng logic của bộ mô hình Framingham (một bộ phương trình dự báo nguy cơ bệnh tim mạch) hoặc bộ mô hình ASCVD (Atherosclerotic Cardiovascular Disease) để đưa ra một ước tính nguy cơ bằng số hoặc phần trăm.

Điều quan trọng cần lưu ý là hiệu quả của prompt này phụ thuộc vào khả năng của mô hình AI trong việc:

• Hiểu các thuật ngữ y tế.
• Truy cập và áp dụng kiến thức về các mô hình nguy cơ tim mạch.
• Thực hiện các phép tính dựa trên các biến số đầu vào.

3. Ví dụ Minh họa

Dưới đây là hai ví dụ về cách prompt template này có thể được sử dụng với dữ liệu cụ thể:

Ví dụ 1:

Prompt sau khi điền dữ liệu:

Dựa trên thông tin bệnh nhân sau đây, vui lòng cung cấp ước tính nguy cơ tim mạch 10 năm: Tuổi: 55, Giới tính: Nam, Huyết áp tâm thu: 140, Huyết áp tâm trương: 90, Cholesterol toàn phần: 220, Cholesterol HDL: 50, Tiền sử hút thuốc lá: Có, Đái tháo đường: Không. Sử dụng mô hình Framingham hoặc ASCVD.

Ví dụ 2:

Prompt sau khi điền dữ liệu:

Dựa trên thông tin bệnh nhân sau đây, vui lòng cung cấp ước tính nguy cơ tim mạch 10 năm: Tuổi: 62, Giới tính: Nữ, Huyết áp tâm thu: 120, Huyết áp tâm trương: 80, Cholesterol toàn phần: 180, Cholesterol HDL: 65, Tiền sử hút thuốc lá: Không, Đái tháo đường: Có. Sử dụng mô hình Framingham hoặc ASCVD.

👉 Tóm lại

Prompt template “Dựa trên thông tin bệnh nhân sau đây, vui lòng cung cấp ước tính nguy cơ tim mạch 10 năm: Tuổi: [TUỔI], Giới tính: [GIỚI_TÍNH], Huyết áp tâm thu: [ĐỊA_TÂM_THU], Huyết áp tâm trương: [ĐỊA_TÂM_TRƯƠNG], Cholesterol toàn phần: [CHOLESTEROL_TOÀN_PHẦN], Cholesterol HDL: [CHOLESTEROL_HDL], Tiền sử hút thuốc lá: [HÚT_THUỐC], Đái tháo đường: [ĐÁI_THÁO_ĐƯỜNG]. Sử dụng mô hình Framingham hoặc ASCVD.” là một mẫu rất hiệu quả cho việc thu thập thông tin bệnh nhân và yêu cầu một phân tích y tế cụ thể. Cấu trúc của nó rõ ràng, sử dụng các biến có ý nghĩa để đại diện cho dữ liệu đầu vào và chỉ định phương pháp tính toán mong muốn. Khi các placeholder được điền đầy đủ, nó cung cấp cho mô hình AI một yêu cầu rõ ràng, có khả năng dẫn đến kết quả chính xác và hữu ích, miễn là mô hình có khả năng thực hiện các phép tính y tế cần thiết.