Công cụ AI giúp bác sĩ phát hiện nguy cơ ung thư gan sớm hơn

Một mô hình học máy mới đã dự đoán chính xác nguy cơ ung thư gan, giúp bác sĩ phát hiện sớm bệnh nhân có nguy cơ cao, ngay cả khi chưa có triệu chứng.

Máy học dự đoán chính xác nguy cơ ung thư gan

Một mô hình máy học đã chứng minh khả năng dự đoán chính xác nguy cơ ung thư tế bào gan (HCC) dựa trên dữ liệu lâm sàng thường quy. Mô hình này không chỉ vượt trội hơn các công cụ hiện có trong việc xác định các trường hợp thực tế mà còn giảm thiểu số lượng báo cáo dương tính giả. Nghiên cứu cho thấy rằng việc bổ sung các dữ liệu phức tạp, chẳng hạn như gen, không làm cải thiện hiệu suất của mô hình, chỉ ra rằng dữ liệu lâm sàng đơn giản và phổ biến là đủ để dự đoán nguy cơ hiệu quả. Công cụ này có thể giúp các bác sĩ phát hiện sớm những người có nguy cơ, kể cả những người chưa được chẩn đoán mắc bệnh gan, từ đó có khả năng nâng cao chất lượng sàng lọc và kết quả điều trị nếu được xác nhận thêm.

Vấn đề chẩn đoán muộn ung thư gan

Nhiều người thường được chẩn đoán ung thư gan ở giai đoạn muộn. Điều này xảy ra do bệnh thường không có triệu chứng trong giai đoạn đầu. Các hướng dẫn sàng lọc hiện tại chủ yếu tập trung vào những người có bệnh gan mãn tính. Tuy nhiên, khoảng 20% trường hợp HCC có thể xảy ra ở những người không có bất kỳ dấu hiệu nào của bệnh gan. Do đó, những người này cũng có nguy cơ bị chẩn đoán muộn vì không đáp ứng tiêu chí theo dõi. Việc chẩn đoán sớm HCC là rất quan trọng, vì nhiều người khi nhận chẩn đoán muộn có thể không còn đủ điều kiện cho các phương pháp điều trị hiện tại.

Ứng dụng trí tuệ nhân tạo trong phát hiện sớm ung thư gan

Có sự quan tâm ngày càng tăng về khả năng ứng dụng trí tuệ nhân tạo (AI) trong việc phát hiện sớm HCC. Một nghiên cứu mới được công bố cho thấy một công cụ máy học có khả năng dự đoán nguy cơ HCC với độ chính xác cao. Mặc dù bệnh gan tiềm ẩn được biết đến là yếu tố nguy cơ phổ biến nhất đối với HCC, nhưng các yếu tố khác như giới tính nam, hút thuốc và sử dụng rượu nặng cũng đóng vai trò quan trọng. Việc xác định những người có nguy cơ vẫn là một thách thức trong thực hành lâm sàng.

Quy trình nghiên cứu và phát triển mô hình

Nhóm nghiên cứu do bác sĩ Carolin Schneider dẫn đầu đã sử dụng dữ liệu từ UK Biobank, nơi chứa thông tin sức khỏe của hơn 500.000 cá nhân. Trong số này, 538 trường hợp HCC đã được xác định, với gần 70% các trường hợp xảy ra ở những người không có chẩn đoán trước đó về xơ gan hoặc bệnh gan mãn tính. Mô hình máy học đã được đào tạo trên 80% dữ liệu và thực hiện xác nhận ban đầu trên 20% còn lại. Để kiểm tra mô hình trong một quần thể rộng hơn, nhóm cũng tiến hành xác nhận bên ngoài với dữ liệu từ chương trình nghiên cứu All of Us tại Mỹ, bao gồm hơn 400.000 cá nhân.

Đánh giá hiệu suất của mô hình

Mô hình máy học sử dụng phương pháp “rừng ngẫu nhiên”, kết hợp đầu ra từ nhiều cây quyết định để tạo ra các dự đoán. Mô hình hiệu quả nhất, được gọi là Mô hình C, kết hợp thông tin nhân khẩu học của bệnh nhân, hồ sơ sức khỏe điện tử và kết quả xét nghiệm máu thường quy. Hiệu suất của các mô hình này được đánh giá bằng cách tính toán diện tích dưới đường đặc trưng nhận diện (AUROC). Mô hình này đạt điểm AUROC là 0.88, cho thấy khả năng phân biệt chính xác giữa những người có và không có HCC.

Khả năng ứng dụng và tiềm năng của mô hình

Các nhà nghiên cứu cũng so sánh mô hình của họ với các công cụ lâm sàng phổ biến khác. Kết quả cho thấy mô hình máy học có hiệu suất tốt hơn, nhận diện nhiều trường hợp HCC thực tế hơn và giảm thiểu số lượng dương tính giả. Mô hình này cũng đã được đơn giản hóa để dễ dàng áp dụng trong thực hành lâm sàng hàng ngày. Những phát hiện này cho thấy mô hình có thể giúp các bác sĩ chăm sóc chính phát hiện những người có nguy cơ cao mà hiện tại có thể bị bỏ qua theo hướng dẫn sàng lọc hiện tại.

Hạn chế và hướng phát triển tương lai

Mặc dù những phát hiện này rất hứa hẹn, nhưng các tác giả cũng lưu ý rằng nghiên cứu còn một số hạn chế, bao gồm thiết kế hồi cứu và số lượng người tham gia tương đối thấp. Để xác nhận mô hình này trong tương lai, nhóm nghiên cứu sẽ cần thực hiện một nghiên cứu đa trung tâm tiềm năng. Các kết quả nghiên cứu hiện tại nhấn mạnh tiềm năng ngày càng tăng của AI trong lĩnh vực y tế, đặc biệt là trong việc cải thiện các chiến lược phát hiện sớm các bệnh như ung thư gan.

Kết luận, việc áp dụng mô hình học máy trong dự đoán nguy cơ ung thư gan (HCC) có thể mang lại những thay đổi tích cực cho hệ thống y tế tại Việt Nam. Bằng cách sử dụng các dữ liệu lâm sàng đơn giản và dễ tiếp cận, mô hình này cho thấy khả năng phát hiện những trường hợp có nguy cơ cao mà trước đây có thể bị bỏ sót. Điều này đặc biệt quan trọng trong bối cảnh mà nhiều bệnh nhân ung thư gan thường được chẩn đoán ở giai đoạn muộn, dẫn đến tỷ lệ điều trị thành công thấp.

Ở Việt Nam, với tỷ lệ mắc bệnh gan và ung thư gan đang gia tăng, việc sử dụng công nghệ AI để sàng lọc nguy cơ có thể giúp cải thiện khả năng phát hiện sớm, từ đó nâng cao cơ hội chữa trị cho bệnh nhân. Bài viết này không chỉ mở ra hướng đi mới cho việc ứng dụng công nghệ trong y tế mà còn khuyến khích các bác sĩ và nhà quản lý y tế tìm kiếm và áp dụng các giải pháp hiệu quả, nhằm cải thiện sức khỏe cộng đồng. Do đó, cần có những nghiên cứu tiếp theo để xác nhận tính khả thi và hiệu quả của mô hình này trong thực tiễn lâm sàng tại Việt Nam, từ đó góp phần nâng cao chất lượng chăm sóc sức khỏe cho người dân.

Hỏi đáp về nội dung bài này

Câu hỏi 1: Mô hình máy học đã làm gì để dự đoán nguy cơ ung thư gan tế bào (HCC)?

Mô hình máy học đã dự đoán chính xác nguy cơ ung thư gan tế bào (HCC) bằng cách sử dụng dữ liệu lâm sàng thường quy. Mô hình này vượt trội hơn các công cụ hiện có bằng cách xác định nhiều trường hợp thực tế hơn đồng thời giảm thiểu số lần dương tính giả.

Câu hỏi 2: Dữ liệu nào là cần thiết cho mô hình để dự đoán nguy cơ HCC?

Mô hình cho thấy rằng việc thêm dữ liệu phức tạp như gen không cải thiện hiệu suất, cho thấy rằng dữ liệu lâm sàng đơn giản, sẵn có là đủ để dự đoán hiệu quả nguy cơ. Dữ liệu này bao gồm thông tin nhân khẩu học, hồ sơ y tế điện tử và kết quả xét nghiệm máu thường quy.

Câu hỏi 3: Mô hình này có thể giúp gì cho các bác sĩ lâm sàng?

Công cụ này có thể giúp các bác sĩ lâm sàng phát hiện những cá nhân có nguy cơ cao hơn trước, bao gồm cả những người chưa được chẩn đoán bệnh gan, từ đó cải thiện việc sàng lọc và kết quả điều trị cho bệnh nhân nếu được xác thực thêm.

Câu hỏi 4: Mô hình máy học này đã được thử nghiệm trên những nhóm nào?

Mô hình đã được thử nghiệm trên dữ liệu từ UK Biobank với hơn 500,000 cá nhân và cũng được xác thực bên ngoài với dữ liệu từ chương trình nghiên cứu All of Us tại Mỹ, bao gồm hơn 400,000 cá nhân với một nhóm người tham gia đa dạng hơn.

Câu hỏi 5: Những hạn chế nào trong nghiên cứu này cần được xem xét?

Các tác giả lưu ý rằng có một số hạn chế trong nghiên cứu, bao gồm thiết kế hồi cứu và số lượng tham gia tương đối thấp với viêm gan virus, một trong những nguyên nhân chính gây ra HCC. Họ cũng nhấn mạnh sự cần thiết phải thực hiện các nghiên cứu xác thực đa trung tâm trong tương lai.

Nguồn thông tin được tham khảo từ trang web: medicalnewstoday, AI tool could help clinicians detect liver cancer risk earlier
Nội dung được biên tập, sáng tạo thêm bởi: Ban biên tập Y khoa
Vui lòng không reup bài khi chưa được cho phép!