TraiTimHoi

Tóm tắt

Bệnh nhân tim mạch sau phẫu thuật (thay van, bypass, stent) tại Việt Nam đối mặt với nguy cơ tái nhập viện 15-25% trong 30 ngày đầu sau xuất viện vì thiếu theo dõi liên tục — bệnh nhân được xuất viện với hướng dẫn giấy rồi tự quản lý. TraiTimHoi cung cấp AI phân tích xu hướng dữ liệu sức khỏe hàng ngày (huyết áp, nhịp tim, triệu chứng) kết nối trực tiếp bệnh nhân với bác sĩ điều trị giữa các lần tái khám: nhập dữ liệu hàng ngày → AI phát hiện dấu hiệu bất thường → chat trực tiếp với bác sĩ kèm dữ liệu tự động gửi. Mô hình B2B2C: miễn phí cho bệnh nhân, bệnh viện trả phí để quản lý bệnh nhân sau xuất viện.

---

Định nghĩa vấn đề

Phát biểu vấn đề

Việt Nam ghi nhận hơn 200.000 ca phẫu thuật tim mạch mỗi năm (thay van, bypass, stent), với bệnh tim mạch là nguyên nhân tử vong hàng đầu. Sau phẫu thuật, giai đoạn 30 ngày đầu sau xuất viện là thời điểm nguy cơ cao nhất — bệnh nhân được xuất viện với hướng dẫn giấy (uống thuốc, chế độ ăn, tập vận lý) nhưng không có công cụ theo dõi sức khỏe liên tục. Khoảng cách giữa bệnh viện và bệnh nhân sau xuất viện tạo ra rủi ro tái nhập viện mà có thể phòng ngừa được nếu có hệ thống cảnh báo sớm.

Định lượng thiệt hại

• Tỷ lệ tái nhập viện sau phẫu thuật tim (30 ngày): 15-25% (theo Viện Tim TP.HCM, Bạch Mai, Chợ Rẫy) (ước tính)
• Chi phí tái nhập viện: 30-80 triệu VNĐ/lần (ICU, phẫu thuật lại) (ước tính)
• Thiệt hại nếu phòng ngừa được 50% tái nhập: Tiết kiệm 1.5-5 tỷ VNĐ cho mỗi 1.000 bệnh nhân (ước tính)
• Nguyên nhân tái nhập phổ biến: Nhịp tim không ổn định (30%), huyết áp cao không kiểm soát (25%), không tuân thủ thuốc (20%), triệu chứng bị bỏ qua (25%) (ước tính)
• Khoảng cách tái khám: Trung bình 30-60 ngày giữa 2 lần tái khám — khoảng thời gian không có giám sát y tế (ước tính)

Phạm vi

• Trong phạm vi: Bệnh nhân tim mạch sau phẫu thuật (thay van, bypass, stent) tại các bệnh viện tim mạch lớn Việt Nam (Viện Tim TP.HCM, Bệnh viện Bạch Mai, Bệnh viện Chợ Rẫy, Bệnh viện Trung ương Huế)
• Ngoài phạm vi: Bệnh nhân tim mạch chưa phẫu thuật, bệnh nhân nội trú, chẩn đoán bệnh tim (đã có app khác)

---

Mô hình vấn đề

Mô hình theo dõi hồi phục và phát hiện bất thường sau phẫu thuật tim:

$S_i(t) = \mu_i + \beta_i \cdot t + \epsilon_i(t)$

Các biến:

• $S_i(t)$ — chỉ số sức khỏe (huyết áp tâm thu hoặc nhịp tim) của bệnh nhân $i$ tại thời điểm $t$
• $\mu_i$ — baseline (giá trị trung bình ổn định) của bệnh nhân $i$
• $\beta_i$ — xu hướng hồi phục (slope) của bệnh nhân $i$ theo thời gian
• $\epsilon_i(t)$ — nhiễu ngẫu nhiên (biến đổi ngày qua ngày)
• $\sigma_i$ — độ lệch chuẩn của $\epsilon_i(t)$ cho bệnh nhân $i$

Các ràng buộc: $C_1: \text{khoảng cách nhập dữ liệu} \leq 1 \text{ ngày} \quad \text{(để đủ dữ liệu phân tích)}$ $C_2: \text{thời gian phản hồi cảnh báo} \leq 2 \text{ giờ} \quad \text{(từ khi phát hiện bất thường)}$ $C_3: \text{bảo mật dữ liệu y tế} = \text{HIPAA equivalent + quy định Việt Nam}$

Mục tiêu: $\text{detect } S_i(t) \notin [\mu_i - 2\sigma_i,\; \mu_i + 2\sigma_i] \text{ within } 24\text{h} \quad \text{(phát hiện bất thường)}$

$\text{minimize } P_{\text{tái nhập}} \text{ subject to } C_1, C_2, C_3$

---

Giải pháp đề xuất

TraiTimHoi là nền tảng theo dõi hồi phục sau phẫu thuật tim với AI phân tích xu hướng, kết nối trực tiếp bệnh nhân và bác sĩ điều trị.

Tính năng 1: Nhập dữ liệu hàng ngày

• Form đơn giản cho bệnh nhân: Nhập huyết áp (tâm thu/tâm trương), nhịp tim (bpm), triệu chứng (đau ngực, khó thở, mệt, chóng mặt, bình thường) mỗi ngày — mất dưới 2 phút
• Đồng bộ từ thiết bị thông minh: Kết nối Apple Watch, Samsung Watch, Fitbit để tự động thu thập nhịp tim, SpO2 (nếu có)
• Baseline cá nhân: Sau 7 ngày nhập liệu, hệ thống xây dựng baseline $\mu_i$ và $\sigma_i$ riêng cho từng bệnh nhân

Tính năng 2: AI phân tích xu hướng

• Phát hiện bất thường tự động: Khi $S_i(t)$ vượt ngưỡng $[\mu_i - 2\sigma_i,\; \mu_i + 2\sigma_i]$ trong 2 ngày liên tiếp → cảnh báo
• So sánh với xu hướng hồi phục chuẩn: Hệ thống so sánh $\beta_i$ của bệnh nhân với dataset hồi phục chuẩn (từ dữ liệu bệnh nhân cùng loại phẫu thuật)
• Cảnh báo phân loại: HIGH (gọi bác sĩ ngay), MEDIUM (nhắc hẹn tái khám sớm), LOW (theo dõi thêm)
• Dashboard bác sĩ: Bác sĩ xem tất cả bệnh nhân của mình trên bảng điều khiển, ưu tiên theo mức cảnh báo

Tính năng 3: Chat trực tiếp với bác sĩ điều trị

• Chat kèm dữ liệu tự động: Khi bệnh nhân chat với bác sĩ, hệ thống tự động gửi kèm 7 ngày dữ liệu sức khỏe gần nhất dưới dạng biểu đồ — bác sĩ có ngữ cảnh đầy đủ
• Chat không đồng bộ: Bệnh nhân gửi tin nhắn, bác sĩ phản hồi khi có thể (không cần online 24/7)
• Cảnh báo bác sĩ: Khi có cảnh báo HIGH từ AI, hệ thống gửi notification ưu tiên cao đến bác sĩ

Tính năng 4: Nhắc uống thuốc và cấp cứu nhanh

• Nhắc uống thuốc cá nhân hóa: Bệnh nhân nhập lịch thuốc (tên, liều, giờ) → hệ thống nhắc đúng giờ qua notification
• Cấp cứu nhanh khi chỉ số nguy hiểm: Khi huyết áp tâm thu > 180 hoặc nhịp tim > 120 hoặc < 40 bpm → nút gọi cấp cứu nổi bật + tự động gửi GPS + dữ liệu sức khỏe đến bệnh viện gần nhất

Các quyết định thiết kế chính

• Quyết định 1 — Kết nối với bác sĩ ĐIỀU TRỊ cụ thể: TraiTimHoi không thay thế bác sĩ, mà tạo kênh liên lạc trực tiếp giữa bệnh nhân và bác sĩ điều trị (không phải bác sĩ bất kỳ). Điều này đảm bảo bác sĩ có ngữ cảnh đầy đủ từ lúc theo dõi ban đầu.
• Quyết định 2 — B2B2C thay vì B2C trả phí: Bệnh nhân dùng miễn phí vì giá trị sức khỏe. Bệnh viện trả phí để giảm tỷ lệ tái nhập viện (tiết kiệm chi phí 30-80 triệu VNĐ/lần) và tăng chất lượng theo dõi sau xuất viện.

Tiêu chí thành công

Tiêu chí	Mục tiêu	Phương pháp đo lường
Tỷ lệ tái nhập viện giảm	Giảm 30% so với nhóm không dùng TraiTimHoi	Randomized controlled trial (RCT)
Bệnh nhân sử dụng app	80% tuân thủ nhập dữ liệu hàng ngày	% ngày có dữ liệu / tổng ngày
Bác sĩ phản hồi chat	Trong vòng 4 giờ trong giờ làm việc	Thời gian phản hồi trung bình
Phát hiện bất thường chính xác	Độ nhạy 85%, độ đặc hiệu 80%	Validation trên dataset lâm sàng
Bệnh viện trả phí	5 bệnh viện sau 12 tháng	Số hợp đồng B2B ký kết

---

Luồng hệ thống

Luồng này demonstrates vòng phản hồi liên tục: bệnh nhân nhập dữ liệu → AI phân tích → cảnh báo → bác sĩ phản hồi → bệnh nhân điều chỉnh. Mỗi vòng thu hẹp khoảng cách bệnh viện-bệnh nhân.

---

Thuật toán cốt lõi

Mô tả thuật toán

Giai đoạn 1 — Xây dựng baseline (7 ngày đầu):

1. Bệnh nhân nhập dữ liệu $S_i(1), S_i(2), \dots, S_i(7)$ mỗi ngày
2. Tính $\mu_i = \frac{1}{7}\sum_{t=1}^{7} S_i(t)$
3. Tính $\sigma_i = \sqrt{\frac{1}{6}\sum_{t=1}^{7}(S_i(t) - \mu_i)^2}$
4. Lưu baseline $[\mu_i, \sigma_i]$ cho bệnh nhân $i$

Giai đoạn 2 — Phát hiện bất thường (từ ngày 8+):

1. Nhận $S_i(t)$ mới mỗi ngày
2. Tính trung bình 3 ngày gần nhất: $\bar{S}_i(t) = \frac{S_i(t) + S_i(t-1) + S_i(t-2)}{3}$
3. Nếu $\bar{S}_i(t) > \mu_i + 2\sigma_i$ hoặc $\bar{S}_i(t) \lt \mu_i - 2\sigma_i$ trong 2 ngày liên tiếp → cảnh báo
4. Cập nhật running average: $\mu_i \leftarrow 0.9\mu_i + 0.1S_i(t)$ (cho phép baseline thích ứng chậm)

Công thức toán học

Ngưỡng bất thường:

$\text{Cảnh báo khi: } \bar{S}_i(t) \notin [\mu_i - 2\sigma_i,\; \mu_i + 2\sigma_i] \quad \text{trong } k \geq 2 \text{ ngày liên tiếp}$

Running baseline update:

$\mu_i^{(t+1)} = \alpha \cdot S_i(t) + (1 - \alpha) \cdot \mu_i^{(t)}$

Trong đó $\alpha = 0.1$ (hệ số học chậm, baseline ổn định theo thời gian).

Phân loại cảnh báo:

$\text{Cấp độ} = \begin{cases} \text{HIGH} & \text{khi } |\bar{S}_i(t) - \mu_i| \gt 3\sigma_i \text{ hoặc } S_i(t) \gt S_{\max} \\ \text{MEDIUM} & \text{khi } 2\sigma_i \lt |\bar{S}_i(t) - \mu_i| \leq 3\sigma_i \\ \text{LOW} & \text{khi } \sigma_i \lt |\bar{S}_i(t) - \mu_i| \leq 2\sigma_i \end{cases}$

Tham số:

• $\mu_i$ — baseline sức khỏe của bệnh nhân $i$
• $\sigma_i$ — độ lệch chuẩn của bệnh nhân $i$ (từ 7 ngày đầu)
• $S_i(t)$ — chỉ số sức khỏe tại ngày $t$
• $\bar{S}_i(t)$ — trung bình động 3 ngày
• $S_{\max}$ — ngưỡng tuyệt đối (huyết áp tâm thu 180 mmHg, nhịp tim 120 bpm)
• $\alpha = 0.1$ — hệ số cập nhật baseline

Độ phức tạp

Chỉ số	Giá trị
Độ phức tạp thời gian	$O(1)$ cho phát hiện bất thường (công thức cố định)
Độ phức tạp không gian	$O(n)$ cho dữ liệu bệnh nhân ($n$ = số ngày theo dõi)

---

Kiến trúc hệ thống

+------------------------------------------+
|           Lớp Ứng dụng Di động          |
|  +--------------------------------------+ |
|  | React Native App (iOS + Android)    | |
|  | - Form nhập dữ liệu hàng ngày      | |
|  | - Chat với bác sĩ                   | |
|  | - Nhắc thuốc + Cấp cứu             | |
|  | - Dashboard xu hướng sức khỏe      | |
|  +--------------------------------------+ |
+------------------------------------------+
                     |
                     v
+------------------------------------------+
|     API Gateway (Node.js/Express)        |
+------------------------------------------+
          |              |            |
          v              v            v
+----------+   +----------+   +----------+
| Auth Svc |   | Trend AI |   | Chat Svc |
|          |   | Engine   |   |          |
+----------+   +----------+   +----------+
          |              |            |
          +-------+------+-------+----+
                  |              |
                  v              v
+------------------------------------------------+
|       Firebase Realtime DB + Firestore          |
|  - /patients/{id}/vitals/{date}                |
|  - /patients/{id}/baseline                     |
|  - /patients/{id}/chat/{msg_id}                |
|  - /alerts (cảnh báo theo bác sĩ)             |
+------------------------------------------------+
                     |
                     v
+------------------------------------------+
|    Firebase Cloud Functions (AI + Alerts)    |
+------------------------------------------+

Mô tả các thành phần:

• React Native App (Bệnh nhân): Form nhập dữ liệu hàng ngày, biểu đồ xu hướng, chat với bác sĩ, nhắc uống thuốc, nút cấp cứu
• React Web Dashboard (Bác sĩ + Bệnh viện): Bảng điều khiển theo dõi tất cả bệnh nhân, ưu tiên theo mức cảnh báo, chat với bệnh nhân
• Auth Service: Xác thực bệnh nhân (OTP SMS) + bác sĩ (email doanh nghiệp bệnh viện)
• Trend AI Engine: Xây dựng baseline, phát hiện bất thường, phân loại cảnh báo, gửi notification
• Chat Service: Quản lý tin nhắn chat giữa bệnh nhân và bác sĩ, tự động gắn dữ liệu sức khỏe vào chat
• Firebase: Realtime DB cho dữ liệu sức khỏe, Firestore cho lịch sử chat

---

Trường hợp sử dụng

Trường hợp sử dụng 1: Bệnh nhân sau phẫu thuật thay van tim theo dõi hồi phục

Các tác viên: Bệnh nhân nam 55 tuổi, bác sĩ điều trị tại Viện Tim TP.HCM Tiên điều kiện: Bệnh nhân đã xuất viện sau phẫu thuật thay van tim 2 ngày, đã cài đặt TraiTimHoi, đã nhập dữ liệu 7 ngày đầu để thiết lập baseline Kích hoạt: Ngày thứ 10 sau xuất viện, huyết áp bệnh nhân bắt đầu tăng Các bước:

1. Ngày 8-9: Bệnh nhân nhập huyết áp 135/85, 140/88 bpm (cao hơn baseline $\mu = 125/80$)
2. Ngày 10: Hệ thống phát hiện $\bar{S}(10) = 137.5$ vs $\mu = 125$, $|\Delta| = 12.5 > 2\sigma = 8$ trong 3 ngày liên tiếp → cảnh báo MEDIUM
3. App gửi notification: "Huyết áp của bạn cao hơn bình thường. Bác sĩ gợi ý hẹn tái khám trong 7 ngày."
4. Bệnh nhân gửi chat cho bác sĩ: "Dạ bác sĩ ơi, em thấy huyết áp cao hơn bình thường, có cần điều chỉnh thuốc không?"
5. Bác sĩ nhìn biểu đồ 7 ngày gửi kèm tự động → thấy xu hướng tăng nhẹ nhưng chưa nguy hiểm → phản hồi: "Huyết áp tăng nhẹ, có thể do chế độ ăn. Hãy giảm muối, theo dõi thêm 3 ngày. Nếu vẫn cao, tăng liều thuốc X lên nửa viên."
6. Bệnh nhân điều chỉnh theo lời bác sĩ → huyết áp trở về baseline ngày 13 Sau điều kiện: Bệnh nhân được xử lý sớm qua chat, không cần tái nhập viện Kết quả mong đợi: Phát hiện và xử lý bất thường sớm qua chat thay vì tái nhập viện

Trường hợp sử dụng 2: AI phát hiện bất thường HIGH → bác sĩ phản hồi khẩn

Các tác viên: Bệnh nhân nữ 62 tuổi sau phẫu thuật bypass, bác sĩ điều trị Tiên điều kiện: Bệnh nhân đã xuất viện sau phẫu thuật bypass 14 ngày, đang theo dõi tại nhà Kích hoạt: Ngày thứ 14, bệnh nhân cảm thấy đau ngực và nhập dữ liệu Các bước:

1. Bệnh nhân nhập: Huyết áp 165/95, nhịp tim 95 bpm (cao bất thường), triệu chứng "đau ngực"
2. AI phát hiện: $\bar{S}_{mathrm{HA}} = 162$ vs $\mu = 120$, $|\Delta| = 42 > 3\sigma = 15$ → cảnh báo HIGH
3. Hệ thống gửi notification ưu tiên cao đến bác sĩ: "Bệnh nhân Nguyễn Thị B — cảnh báo HIGH. Huyết áp 165/95, nhịp tim 95, đau ngực. Nguy cơ tái nhập viện."
4. Bác sĩ gọi điện cho bệnh nhân ngay trong 15 phút
5. Bác sĩ chỉ định đến bệnh viện khám → phát hiện có dấu hiệu tắc nghẽn mạch vành → can thiệp sớm Sau điều kiện: Bệnh nhân được can thiệp sớm, tránh nhồi máu cơ tim Kết quả mong đợi: Phát hiện nguy cơ sớm → can thiệp y tế kịp thời → giảm thiệt hại so với nhập viện cấp cứu

---

Mô hình kinh doanh

Mô hình doanh thu

$R = P_{\text{BV}} \times N_{\text{BV}} + F_{\text{tái khám}}$

Các thành phần:

• $P_{mathrm{BV}}$ — phí subscription hàng năm từ bệnh viện (quản lý bệnh nhân sau xuất viện) — 100-300 triệu VNĐ/bệnh viện/năm
• $N_{mathrm{BV}}$ — số bệnh viện tham gia
• $F_{\text{tái khám}}$ — phí dịch vụ tái khám trực tuyến (chat với bác sĩ) — 100.000-200.000 VNĐ/lần

Cấu trúc chi phí

Loại chi phí	Mô tả	Số tiền (ước tính/tháng)
Firebase Hosting	Database + storage + functions	30 triệu VNĐ
AI/ML Compute	Trend analysis engine	15 triệu VNĐ
Nhân sự y tế	1 bác sĩ tư vấn part-time cho AI	20 triệu VNĐ
React Native Dev	App bệnh nhân + dashboard bác sĩ	30 triệu VNĐ
Compliance & Security	HIPAA equivalent, mã hóa dữ liệu y tế	10 triệu VNĐ
Tổng chi phí vận hành		~105 triệu VNĐ/tháng

Phân tích điểm hòa vốn

\text{Số Bệnh viện hòa vốn} = \frac{C_{mathrm{fixed}}}{P_{mathrm{BV}}}} = \frac{105{,}000{,}000}{100{,}000{,}000} = 1.05 \text{ bệnh viện}

Với $P_{mathrm{BV}} = 100{,}000{,}000$ VNĐ/năm/bệnh viện. Chỉ cần 2 bệnh viện ký hợp đồng → hòa vốn. Mỗi bệnh viện tiết kiệm 30-80 triệu VNĐ cho mỗi ca tái nhập viện được phòng ngừa.

---

Kế hoạch MVP

Giai đoạn 1: Nền tảng cốt lõi và pilot (Tuần 1–4, đến 2026-05-17)

• Thiết kế Firebase schema cho dữ liệu sức khỏe + baseline
• React Native app: form nhập dữ liệu + dashboard xu hướng
• Trend AI Engine: xây dựng baseline + phát hiện bất thường
• React Web dashboard cho bác sĩ: xem bệnh nhân + cảnh báo
• Pilot với 30 bệnh nhân sau phẫu thuật tim tại Viện Tim TP.HCM (theo hợp tác nghiên cứu)

Tiêu chí kết thúc: 30 bệnh nhân pilot nhập dữ liệu hàng ngày, baseline được thiết lập cho tất cả, AI phát hiện ít nhất 1 bất thường được bác sĩ xác nhận.

Giai đoạn 2: Chat và cảnh báo nâng cao (Tuần 5–8, đến 2026-06-14)

• Chat service: bệnh nhân ↔ bác sĩ với dữ liệu kèm theo tự động
• Phân loại cảnh báo HIGH/MEDIUM/LOW với notification ưu tiên
• Nhắc uống thuốc cá nhân hóa
• Kết nối Apple Watch/Samsung Watch cho nhịp tim tự động
• Mở rộng pilot lên 100 bệnh nhân

Tiêu chí kết thúc: 100 bệnh nhân pilot, 80% tuân thủ nhập dữ liệu hàng ngày, 0 trường hợp bất thường HIGH bị bỏ sót.

Giai đoạn 3: B2B và mở rộng (Tuần 9–12, đến 2026-07-12)

• Ký hợp đồng với 2-3 bệnh viện (Viện Tim TP.HCM + 1-2 bệnh viện khác)
• Mở rộng Bạch Mai (Hà Nội) và Chợ Rẫy (TP.HCM)
• Tính năng cấp cứu nhanh (GPS + dữ liệu gửi bệnh viện)
• Báo cáo hiệu quả cho bệnh viện (tỷ lệ tái nhập so với baseline)
• Đăng ký FDA/CE cho thiết bị y tế (nếu cần)

Tiêu chí kết thúc: 3 bệnh viện trả phí, 500 bệnh nhân đang theo dõi, báo cáo RCT cho thấy giảm 30% tái nhập viện.

---

Các yêu cầu

Yêu cầu 1: Alpha Chain Ltd. yêu cầu AI phát hiện bất thường với độ nhạy (sensitivity) tối thiểu 85% và độ đặc hiệu (specificity) tối thiểu 80% trên dataset validation gồm 500 ca theo dõi, được đánh giá bởi hội đồng bác sĩ tim mạch.

Yêu cầu 2: Alpha Chain Ltd. yêu cầu dữ liệu sức khỏe của bệnh nhân được mã hóa AES-256 at rest và TLS 1.3 in transit, tuân thủ quy định bảo mật dữ liệu y tế Việt Nam, với access log đầy đủ chỉ bệnh nhân và bác sĩ điều trị được phép đọc.

Yêu cầu 3: Alpha Chain Ltd. yêu cầu cảnh báo HIGH được gửi đến bác sĩ điều trị trong vòng 2 giờ kể từ khi AI phát hiện, với tỷ lệ gửi thành công trên 99%.

Yêu cầu 4: Alpha Chain Ltd. yêu cầu app có thể hoạt động offline — bệnh nhân nhập dữ liệu khi không có mạng, dữ liệu được đồng bộ khi có mạng trở lại, không mất dữ liệu.

---

Quyền sở hữu & Bản quyền

© 2026 Alpha Chain Ltd. Tất cả quyền được bảo lưu.

---

Claims

Claim 1: ACIL giảm tỷ lệ tái nhập viện sau phẫu thuật tim trong 30 ngày bằng cách phát hiện bất thường sức khỏe (khi chỉ số nằm ngoài ngưỡng baseline) trong vòng 24 giờ — thay thế khoảng cách dài giữa các lần tái khám mà không có giám sát.

Claim 2: ACIL cho phép bệnh nhân tim mạch sau phẫu thuật liên lạc trực tiếp với bác sĩ điều trị kèm dữ liệu sức khỏe tự động gửi — thay thế quy trình hiện tại là bệnh nhân tự ghi nhớ và trình bày bằng miệng khi tái khám.

Claim 3: ACIL giảm chi phí tái nhập viện cho hệ thống y tế bằng cách cảnh báo sớm qua notification ưu tiên cao đến bác sĩ khi AI phát hiện bất thường nghiêm trọng — tiềm năng tiết kiệm lớn cho mỗi bệnh nhân nếu phòng ngừa được tái nhập.

Tài liệu này là tài sản độc quyền của Alpha Chain Ltd. Việc sao chép, phân phối lại, hoặc tạo sản phẩm phái sinh đều yêu cầu sự đồng ý bằng văn bản từ Alpha Chain Ltd.

---

Lịch sử thay đổi

Phiên bản	Ngày	Tác giả	Thay đổi
1.0	2026-04-19	Alpha Chain Ltd.	Tạo ban đầu từ concept-brief #6 (TraiTimHoi)