Nghệ thuật đoán mò có tính toán giúp giới khoa học giải cứu các bộ dữ liệu khuyết

Từ một ý tưởng bị hoài nghi đến tiêu chuẩn vàng của y học hiện đại

Trong quy trình thẩm định dược phẩm hiện đại, một mốc son quan trọng đã được thiết lập vào năm $2010$. Đó là khi bản báo cáo do Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) bảo trợ chính thức khuyến nghị khai tử các kỹ thuật gán đơn chắp vá, đồng thời đưa gán đa biến (multiple imputation) trở thành tiêu chuẩn vàng bắt buộc trong đánh giá thử nghiệm lâm sàng. Quyết định mang tính bước ngoặt này giúp bảo vệ mạng sống của hàng triệu bệnh nhân khi tiếp cận các liệu pháp điều trị mới.

Sự công nhận ấy là đích đến của một chặng đường dài đầy thách thức. Sang thập niên $1990$, năng lực tính toán và bộ nhớ máy tính cá nhân bùng nổ đã giúp gán đa biến bước ra khỏi khuôn khổ lý thuyết thuần túy. Tới năm $1999$, nhà nghiên cứu Stef van Buuren cùng Karin Groothuis-Oudshoorn ra mắt phần mềm chuyên dụng, cho phép giới khoa học toàn cầu vận dụng thuật toán của Rubin chỉ qua vài cú nhấp chuột.

Dẫu vậy, vào đầu thập niên $1970$ khi mới xuất hiện, ý tưởng này từng vấp phải làn sóng phản bác dữ dội từ giới học thuật chính thống. Câu hỏi đầy nghi ngại được đặt ra khắp nơi: “Tại sao chúng tôi lại phải bốc thăm ngẫu nhiên những phỏng đoán kém tối ưu thay vì chỉ chọn một giá trị tốt nhất?”

Rào cản công nghệ thời đó cũng là một trở ngại khổng lồ. Với các bộ dữ liệu điều tra dân số diện rộng, việc nhân bản thành nhiều tập hợp dữ liệu đồng nghĩa với việc quản lý hàng trăm triệu bản ghi. Vào thời kỳ máy tính còn lưu trữ bằng thẻ đục lỗ thô sơ, đây gần như là nhiệm vụ bất khả thi.

Kiên định trước mọi định kiến, Donald Rubin bền bỉ chứng minh sức mạnh của phương pháp suốt thập niên $1970$ và $1980$. Nhờ làm cố vấn cho các cơ quan chính phủ Mỹ như IRS, NIH, Bộ Lao động và Bộ Quốc phòng — những nơi hiếm hoi sở hữu siêu máy tính và ngân sách vận hành các bản sao dữ liệu đồ sộ — kết quả thực nghiệm vượt trội của ông đã dần xóa tan mọi nghi ngờ.

Cội nguồn của phương pháp kỳ lạ này bắt đầu từ thập niên $1970$: thay vì chọn một con số duy nhất để lấp khoảng trống dữ liệu, các nhà thống kê lại tung xúc xắc đoán ngẫu nhiên hàng chục lần khác nhau. Chính kỹ thuật gán ngẫu nhiên tưởng như đùa cợt ấy lại trở thành cứu cánh cho cả nền y học hiện đại.

Nghịch lý dữ liệu khuyết: Khi khoảng trống làm tê liệt toán học

Để thấy rõ tính chất đột phá của ý tưởng này, ta cần quay về với thực tế trần trụi: dữ liệu đời thực gần như không bao giờ trọn vẹn. Bệnh nhân bỏ ngang thử nghiệm lâm sàng, người tham gia khảo sát bỏ trống câu hỏi, trường học quên nộp điểm, còn các cơ quan kinh tế thường bỏ sót những chỉ số khó đo đạc. Khi dữ liệu thiếu hụt, những công cụ tính toán quen thuộc như số trung bình cộng hoàn toàn bất lực.

Giáo sư Stef van Buuren tại Đại học Utrecht từng đưa ra nhận định sâu sắc: “Chúng ta không thể tính toán trên dữ liệu bị khuyết, cũng hệt như việc không thể chia một số cho số $0$ vậy.”

Hãy hình dung bạn phụ trách một thử nghiệm lâm sàng đánh giá loại thuốc hạ huyết áp mới. Bạn lên lịch theo dõi chỉ số huyết áp của từng tình nguyện viên theo tuần. Đời thực không như mơ: sau vài tuần dùng thuốc mà huyết áp không suy chuyển, một số bệnh nhân nản lòng và bỏ ngang, không bao giờ quay lại tái khám.

Lúc này, bạn sẽ xử lý tập dữ liệu dang dở đó ra sao?

Lựa chọn trực quan và dễ dãi nhất là chỉ giữ lại dữ liệu của những người tham gia đầy đủ từ đầu đến cuối và loại bỏ hoàn toàn những ai bỏ dở. Trong thống kê, đây gọi là phân tích ca hoàn chỉnh (complete case analysis). Nhìn thì có vẻ vô hại và minh bạch, nhưng thực chất cách làm này là một sai lầm chết người.

Khi thẳng tay gạch tên người bỏ ngang, bạn đã vô tình loại bỏ chính nhóm bệnh nhân mà thuốc hoạt động kém hiệu quả nhất. Kết quả báo cáo trông sẽ đẹp như mơ, thuốc dường như phát huy tác dụng thần kỳ, nhưng thực chất bạn đã tạo ra độ lệch hệ thống (bias) cực kỳ tai hại. Một viên thuốc ra đời dựa trên ảo tưởng ấy có thể đe dọa sinh mạng của hàng ngàn người bệnh thực tế.

Cạm bẫy của sự tự tin thái quá trong kỹ thuật gán đơn

Né tránh độ lệch hệ thống là bài toán hóc búa làm đau đầu giới toán học suốt nhiều thập kỷ. Suốt một thời gian dài, các nhà nghiên cứu thường dùng mẹo gán khuyết (imputation) — tức là điền một giá trị phỏng đoán hợp lý vào ô trống. Chẳng hạn, nếu một người quên khai báo chiều cao, người ta sẽ lấy giá trị trung bình của nhóm người cùng giới tính để thay thế.

Kỹ thuật này mang tên gán đơn (single imputation), có lịch sử từ năm $1930$. Nhờ ưu điểm vượt trội hơn việc xóa bỏ dữ liệu, đến thập niên $1960$, gán đơn đã trở thành lựa chọn phổ biến hàng đầu của hầu hết các chuyên gia. Dẫu vậy, một bộ óc toán học thiên tài đã nhìn ra lỗ hổng cốt tử của nó: Donald Rubin.

Hành trình của Rubin rất đặc biệt. Ông học vật lý vào đầu những năm $1960$ rồi chuyển sang tâm lý học. Khi chuẩn bị học sau đại học tại Harvard, trước yêu cầu phải học lại toán đại cương, Rubin quyết định rẽ sang khoa học máy tính và nhận bằng thạc sĩ vào năm $1966$. Mùa hè năm đó, sau khi nhận viết phần mềm thống kê cho một nhà xã hội học, niềm say mê với những con số đã thôi thúc ông lấy tiếp bằng tiến sĩ thống kê.

Trong luận án tiến sĩ của mình, Rubin phát hiện ra rằng dù gán đơn tránh được độ lệch khi xóa bỏ dữ liệu, nó lại mắc phải căn bệnh nghiêm trọng khác: sự tự tin thái quá (overconfidence).

Dù phỏng đoán có khéo léo đến đâu, ta không bao giờ biết chắc giá trị thực tế đã mất là bao nhiêu. Khi thay ô trống bằng một con số cố định, mô hình toán học sẽ xem con số đó là sự thật tuyệt đối. Hệ quả là độ bất định (uncertainty) bị đánh giá thấp hơn thực tế rất nhiều. Kết quả tính toán trông có vẻ chắc chắn và chuẩn xác, nhưng thực chất chỉ là ảo ảnh.

Đoán ngẫu nhiên nhiều lần: Tuyệt kỹ toán học giải mã độ bất định

Năm $1971$, một năm sau khi nhận bằng tiến sĩ, Rubin làm việc tại Viện Khảo thí Giáo dục (ETS) ở Princeton, New Jersey. Khi một cơ quan chính phủ nhờ ETS xử lý một khảo sát lớn bị khuyết nhiều dữ liệu, Rubin đã đưa ra đề xuất kỳ lạ: Đừng chỉ đoán một lần, hãy đoán nhiều lần!

Ý tưởng đó mang tên gán đa biến (multiple imputation). Trở lại ví dụ đo huyết áp, ta sẽ thấy sự tinh tế của phương pháp này.

Giả sử bệnh nhân ngừng khám ở tuần thứ $4$. Với gán đơn, bạn có thể gán huyết áp từ tuần $4$ trở đi bằng giá trị đo cuối cùng, hoặc tìm bệnh nhân khác có lộ trình tương đồng trong $3$ tuần đầu để mượn chỉ số đắp vào.

Thế nhưng, trong tập dữ liệu có thể có $5$ hoặc $10$ người tương tự, và mỗi lựa chọn lại cho kết quả điều trị rất khác nhau. Tập hợp những lựa chọn tiềm năng đó tạo nên phân phối xác suất (probability distribution) của dữ liệu khuyết.

Kỹ thuật của Rubin khai thác chính phân phối này qua 4 bước chặt chẽ:

• Bước 1 (Nhân bản dữ liệu): Tạo ra nhiều bản sao giống hệt nhau từ tập dữ liệu khuyết, ví dụ nhân bản thành $m$ bộ dữ liệu.
• Bước 2 (Gieo xúc xắc toán học): Tại mỗi ô khuyết của từng bản sao, rút ngẫu nhiên một giá trị từ phân phối xác suất dự đoán. Thao tác ngẫu nhiên giúp phản ánh trung thực độ bất định và được lặp lại độc lập cho cả $m$ bộ dữ liệu.
• Bước 3 (Phân tích độc lập): Khi đã có $m$ bộ dữ liệu hoàn chỉnh, bạn chạy mô hình thống kê thông thường trên từng bộ để thu về $m$ kết quả đánh giá hiệu quả thuốc khác nhau.
• Bước 4 (Gộp theo quy tắc Rubin): Dùng hệ thống công thức toán học quy tắc Rubin (Rubin’s rules) để tổng hợp $m$ kết quả thành một giá trị trung bình duy nhất, kèm biên độ sai số phản ánh chính xác độ bất định của dữ liệu.

Tôn trọng sự bất định: Bài học đắt giá trong kỷ nguyên trí tuệ nhân tạo

Bước vào kỷ nguyên hiện đại, với sự trợ lực của mạng nơ-ron và học máy (machine learning), gán đa biến tiếp tục tỏa sáng khi xử lý các cấu trúc dữ liệu đa chiều phức tạp trong kỹ thuật công nghệ cao, khí tượng và kinh tế vĩ mô.

Nhìn từ thực tiễn của thời đại bùng nổ dữ liệu lớn và AI, bài học từ Donald Rubin mang lại giá trị triết lý sâu sắc. Bản tính con người luôn tìm kiếm câu trả lời nhanh chóng và muốn khỏa lấp khoảng trống bằng một suy đoán duy nhất có vẻ hợp lý. Nhưng trong khoa học cũng như đời sống, việc tự tin mù quáng vào một giả định duy nhất thường dẫn tới những ngộ nhận nguy hiểm nhất.

Dũng cảm thừa nhận giới hạn hiểu biết của mình và sẵn sàng gieo những hạt xúc xắc ngẫu nhiên có kiểm soát thông qua các quy luật toán học nghiêm ngặt mới chính là cách thức chặt chẽ nhất giúp chúng ta tiếp cận chân lý khách quan.

Bài viết tham khảo Quanta Magazine (quantamagazine.org).