Dữ liệu đầu vào:

  + Dữ liệu bệnh nhân tăng huyết áp từ hệ thống y tế khu vực

  + 3 nhóm biến chứng nặng: đột quỵ (5257 mẫu), suy tim (714 mẫu), suy thận (796 mẫu)

  + Số đặc trưng ban đầu: 159–189; đặc trưng có ý nghĩa lâm sàng: 78–130

• Xử lý dữ liệu:
•   + Làm sạch dữ liệu: loại bỏ nhiễu, lỗi, thiếu, dư thừa
•   + Chuẩn hóa bằng Z-score: v = (v – μ)/σ
•   + Cân bằng dữ liệu bằng lấy mẫu phân tầng
•   + Chuyển đổi dữ liệu văn bản sang số
• Mô hình học máy:
•   + Logistic Regression: tối ưu hàm log-likelihood
•   + Naive Bayes: giả định độc lập có điều kiện giữa các đặc trưng
•   + SVM: phân lớp tối đa khoảng cách, sử dụng LIBSVM
• Đánh giá mô hình:
•   + Chia dữ liệu: 70% huấn luyện, 30% kiểm thử
•   + Đánh giá bằng: Accuracy, Precision, Sensitivity, Specificity, F1-score, AUC
•   + AUC đạt >0.86 với đột quỵ, >0.92 với suy tim
•   + SVM có độ nhạy cao nhất (Sensitivity >85%)
• Lựa chọn đặc trưng:
•   + Kiểm định Chi-square (p < 0.05) để chọn đặc trưng có ý nghĩa lâm sàng
•   + SVM-RFE để giảm chiều dữ liệu, giữ hiệu suất mô hình
•   + Với 50 đặc trưng, mô hình vẫn đạt AUC >0.91
• Các yếu tố nguy cơ chính của suy tim:
•   + Bệnh mạch vành (I25.103), phù phổi (Bit38), rối loạn chuyển hóa amino acid (Bit16), viêm phổi virus (Bit33), rung nhĩ (I48.x01), bệnh thận mạn (N18), đau đầu (R51), bệnh tim do tăng huyết áp (I11.900), bệnh cơ tim (I42)
• Thử nghiệm lâm sàng:
•   + So sánh nhóm bệnh và nhóm chứng cho thấy các yếu tố nguy cơ có liên quan rõ rệt đến suy tim
•   + Kết quả xác nhận độ chính xác của mô hình AI trong hỗ trợ chẩn đoán