2. Hướng tiếp cận

🧠 Các sub-tasks cần giải quyết

1. Medical NER — Entity span detection
2. Entity Classification — 5 nhãn
3. Code Mapping — ICD-10 (disease) + RxNorm (drug)
4. Contextual Reasoning — Negation, Family, History
5. Relation Extraction — Quan hệ giữa các concept

---

📊 So sánh các Option

Tiêu chí	Option A: NER-only ✅	Option C: Hybrid (Self-host)
GPU cần	❌ Không (CPU)	⚠️ Có thể (7-9B LLM)
Độ chính xác	Trung bình	Cao nhất
Chi phí	Miễn phí	Trung bình
Phụ thuộc API	Không	Không
Phase 1 khả thi	✅	⚠️ Cần GPU
Độ phức tạp	Trung bình	Cao

🚫 Option B (LLM API) đã bị loại — BTC xác nhận không được dùng API ngoài, chỉ self-host ≤ 9B params

---

Option A: Lightweight NER Pipeline (Recommended cho Phase 1)

Kiến trúc

Input Text
    ↓
PhoBERT / BioBERT fine-tune
    ↓
NER → Entity spans + types
    ↓
Code Mapping (Fuzzy string matching)
    ↓
Negation Detection (rule-based / dependency parse)
    ↓
JSON Output

Chi tiết

1. Medical NER:

• PhoBERT-base (~135M params) — chạy CPU được
• Fine-tune trên dữ liệu tự sinh + public medical datasets
• Output: entity spans + type classification

2. Code Mapping:

• ICD-10: Fuzzy string matching + synonym dictionary
• RxNorm: Tải database RxNorm full → build index → cosine similarity

3. Contextual Reasoning:

• Negation: Dependency parse (thấy “không”, “chưa” trước entity → isNegated)
• Family: Keyword pattern (“bố”, “mẹ”, “gia đình”)
• History: Keyword pattern (“tiền sử”, “đã từng”)

Ưu điểm

• Chạy CPU được
• Không phụ thuộc API
• Chi phí = 0

Nhược điểm

• Độ chính xác phụ thuộc nhiều vào dữ liệu tự sinh
• Rule-based có thể miss edge cases

---

Option B: LLM Pipeline (Nếu BTC cho phép API)

Kiến trúc

Input Text
    ↓
Prompt → LLM API (DeepSeek/GPT/Claude)
    ↓
Structured JSON output
    ↓
Hậu xử lý (validate format)
    ↓
Final JSON

Prompt template

You are a medical NLP system. Given a clinical text in Vietnamese, 
extract all medical concepts and output as JSON.

Types: TRIỆU_CHỨNG, TÊN_XÉT_NGHIỆM, KẾT_QUẢ_XÉT_NGHIỆM, 
       CHẨN_ĐOÁN (→ ICD-10), THUỐC (→ RxNorm)
Assertions: isNegated, isFamily, isHistorical

Input: {text}
Output: JSON array of concepts

Ưu điểm

• Dễ implement
• Độ chính xác cao
• Xử lý được negation/context tốt

Nhược điểm

• ⚠️ BTC chưa trả lời có cho dùng API ngoài không (câu hỏi trên diễn đàn chưa được reply)
• Phase 1: tốn chi phí API
• Rate limit

---

Option C: Hybrid (Khuyến nghị cho các Phase sau)

Kiến trúc

Input Text
    ↓
NER model nhẹ → span detection
    ↓
LLM (< 9B) self-hosted → mapping + reasoning
    ↓
JSON Output

Chi tiết

Component 1 — NER model:

• Dùng model nhẹ (< 500M params) chỉ cho span detection
• Output: vị trí + type của entity

Component 2 — LLM local < 9B:

• Gemma-2 9B, Qwen2.5-7B, DeepSeek-7B, etc.
• ICD-10/RxNorm mapping
• Assertion reasoning

Ưu điểm

• Balance giữa accuracy và chi phí
• Không phụ thuộc API ngoài

Nhược điểm

• Cần GPU cho LLM 7-9B
• Phase 1 khó chạy full pipeline

---

✅ Kế hoạch hành động Phase 1

1. Kiểm tra constraint:

   • BTC có cho dùng API không? (theo dõi diễn đàn)
   • BTC có cấp ICD-10/RxNorm database không? (câu hỏi chưa trả lời)

2. Build baseline (ưu tiên):

   • Rule-based NER với regex + dictionary
   • ICD-10 mapping bằng fuzzy matching
   • RxNorm mapping bằng tải database → search index
   • Kiểm tra output format

3. Phát triển tiếp:

   • Tự sinh dữ liệu train (từ ICD-10 descriptions + RxNorm)
   • Fine-tune PhoBERT/BioBERT
   • Improve negation detection

4. Submit sớm:

   • Submit baseline → check điểm → iterate