# 1️⃣ Case study: Diabetes Prediction
### 1. Bối cảnh bài toán
**Tiểu đường (Diabetes)** là một bệnh mạn tính:
* Phổ biến
* Ảnh hưởng lâu dài đến sức khỏe
* Cần theo dõi và can thiệp sớm
Trong thực tế:
* Bác sĩ dựa vào **nhiều chỉ số xét nghiệm**
* Việc tổng hợp các chỉ số này **không đơn giản**
👉 Đây là bối cảnh phù hợp để áp dụng **Machine Learning / Deep Learning**.
***
### 2. Mục tiêu của Case Study
Bài toán đặt ra:
> **Dự đoán nguy cơ tiểu đường dựa trên dữ liệu xét nghiệm lâm sàng**
Cụ thể:
* Input: các chỉ số y sinh dạng số
* Output: nguy cơ (0/1 hoặc xác suất)
Case study này **không nhằm tạo mô hình tốt nhất**, mà nhằm:
* Minh họa **toàn bộ quy trình**
* So sánh **ML truyền thống vs Deep Learning**
* Gắn **Explainable AI (XAI)** để giải thích kết quả
***
### 3. Dữ liệu sử dụng (mô tả ở mức khái niệm)
#### Loại dữ liệu
* Dữ liệu **tabular (dạng bảng)**
* Mỗi dòng = 1 bệnh nhân
* Mỗi cột = 1 chỉ số xét nghiệm
#### Ví dụ các đặc trưng
* Tuổi
* BMI
* Glucose
* HbA1c
* Huyết áp
* Cholesterol (nếu có)
👉 Đây là **kiểu dữ liệu rất quen thuộc trong y khoa**.
***
### 4. Vì sao chọn bài toán Diabetes cho Case Study?
Có 4 lý do chính:
1. **Gần thực tế**
* Dữ liệu dễ hình dung
* Bài toán rõ ràng
2. **Phù hợp nhiều mô hình**
* ML truyền thống: Logistic Regression, Tree
* DL: MLP đơn giản
3. **Dễ gắn XAI**
* Feature có ý nghĩa y sinh rõ ràng
* Giải thích được cho con người
4. **Phù hợp hướng học thuật**
* Dùng cho đồ án
* Mở rộng cho luận văn
***
### 5. Chiến lược giải bài toán (tổng quan)
Case study sẽ đi theo các bước:
```
Dữ liệu xét nghiệm
→ ML baseline
→ Deep Learning (MLP)
→ So sánh kết quả
→ Giải thích bằng XAI
```
👉 Đây là **workflow chuẩn trong nghiên cứu y sinh**.
***
### 6. Vai trò của Deep Learning trong Case Study
Trong bài toán này:
* Deep Learning **không phải lúc nào cũng vượt trội**
* Nhưng DL giúp:
* Học tương tác phi tuyến giữa các chỉ số
* Làm nền để gắn **XAI**
👉 Case study này **không thần thánh hóa Deep Learning**\
👉 Mục tiêu là **hiểu khi nào nên dùng DL**
***
### 7. Vai trò của XAI trong Case Study
XAI được dùng để:
* Trả lời:
* Vì sao bệnh nhân A được dự đoán nguy cơ cao?
* Kiểm tra:
* Mô hình có học đúng kiến thức y sinh không?
* So sánh:
* ML vs DL khác nhau ở điểm nào về mặt giải thích
👉 **Không có XAI → case study mất giá trị học thuật**
***
### 8. Kết quả mong đợi (không phải số liệu)
Sau case study, người học cần:
* Hiểu:
* Quy trình xây dựng mô hình
* Cách đánh giá kết quả
* Nhận ra:
* DL không luôn tốt hơn ML
* XAI là bắt buộc trong y sinh
👉 **Hiểu quy trình quan trọng hơn accuracy**
***
### 9. Tóm tắt ngắn gọn
> **Case study Diabetes là ví dụ thực tế để kết nối Deep Learning, đánh giá mô hình và Explainable AI trong bối cảnh y sinh.**
Câu nhớ nhanh:
```
Case study không để khoe mô hình mạnh.
Case study để hiểu mô hình có ý nghĩa hay không.
```
---
# Agent Instructions: Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://deeplearningcoban.gitbook.io/deeplearningcoban.com/case-study-ung-dung-thuc-te/case-study-diabetes-prediction.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.