"Bệnh nhân này có cứu được không. Nên chuyển thẳng vào phòng mổ, hay ưu tiên đưa vào khoa hồi sức tích cực trước."
Khi một bệnh nhân toàn thân bê bết máu được đưa tới, nhân viên y tế phải đưa ra quyết định trong thời gian rất ngắn.
Nhóm nghiên cứu tại Hàn Quốc đã xây dựng một mô hình dự báo có thể làm cơ sở tham khảo cho những quyết định như vậy, dựa trên phân tích hồ sơ của hơn 200.000 bệnh nhân.
Nhóm nghiên cứu chung do Giáo sư Lee Jae-myung (Khoa Ngoại chấn thương hồi sức, Bệnh viện Anam thuộc Đại học Korea) và Giáo sư Baek Seung-min (Khoa Ngoại hồi sức, Bệnh viện Mokdong thuộc Đại học Nữ Ewha) dẫn dắt cho biết ngày 7 rằng họ đã phát triển mô hình dự báo nguy cơ tử vong sớm ở bệnh nhân chấn thương bằng công nghệ học máy trí tuệ nhân tạo. Tuy nhiên, mô hình này không phải là phần mềm có thể cài đặt tại bệnh viện để dùng ngay, mà gần với một thuật toán dự báo: khi nhập thông tin bệnh nhân, thuật toán sẽ tính ra mức độ nguy cơ tử vong dưới dạng con số.
Chấn thương do tai nạn giao thông hoặc ngã từ trên cao là một trong những nguyên nhân tử vong hàng đầu trên toàn thế giới, đặc biệt nổi bật ở nhóm người trẻ.
Trong những trường hợp như vậy, tình trạng bệnh nhân có thể xấu đi nhanh chóng trong thời gian ngắn. Chỉ khi sớm nhận diện chính xác bệnh nhân nguy kịch, nhân viên y tế mới có thể xử trí kịp thời và phân bổ hợp lý các nguồn lực như khoa hồi sức tích cực, phòng mổ, truyền máu.
Tuy nhiên, do có quá nhiều yếu tố đan xen — từ hoàn cảnh tai nạn, vị trí và mức độ tổn thương, tuổi tác và thể trạng, sơ cứu từ hiện trường đến bệnh viện, cho tới quá trình điều trị sau khi nhập viện — nên việc ra quyết định này không hề dễ dàng.
Các nghiên cứu trước đây phần lớn chỉ xem xét dữ liệu ít ỏi từ một hoặc hai bệnh viện, nên khó kiểm chứng liệu kết quả có phù hợp tương tự ở bệnh viện khác hoặc vào thời điểm khác hay không. Nhiều trường hợp cũng khó giải thích trí tuệ nhân tạo dựa trên căn cứ nào để đưa ra dự báo như vậy.
Mô hình dự báo xây dựng từ hồ sơ của 207.012 người
Nhóm nghiên cứu phân tích 207.012 trường hợp, sau khi loại bỏ các hồ sơ bị thiếu hoặc không nhất quán trong tổng số 237.616 ca dữ liệu chấn thương nặng trên phạm vi toàn quốc do Cơ quan Kiểm soát và Phòng ngừa Dịch bệnh Hàn Quốc thu thập giai đoạn 2016-2020. Trong đó, dữ liệu 2016-2018 được dùng để xây dựng mô hình dự báo, còn dữ liệu 2019-2020 được dùng để kiểm tra hiệu năng thực tế. Cách làm này nhằm kiểm chứng liệu mô hình có hoạt động tốt với những bệnh nhân mới chưa từng “nhìn thấy”, chứ không chỉ với dữ liệu đã biết.
Nhóm nghiên cứu chạy song song 6 kỹ thuật học máy để so sánh hiệu năng, gồm: hồi quy logistic (Logistic Regression), k-láng giềng gần nhất (k-NN), cây quyết định (Decision Tree), rừng ngẫu nhiên (Random Forest), perceptron đa lớp (MLP), XGB.
Trong số đó, mô hình XGB cho kết quả tốt nhất. Ở hai chỉ số đánh giá thể hiện khả năng phân biệt bệnh nhân nguy kịch và không nguy kịch, mô hình lần lượt đạt 0,985 và 0,957. Chỉ số càng gần 1 thì càng chính xác; mức trên 0,98 được xem là rất cao trong lĩnh vực này. Mô hình rừng ngẫu nhiên đứng thứ hai cũng cho hiệu năng tương tự, đạt 0,984 và 0,956.
Ngay cả với dữ liệu trong giai đoạn bùng phát Covid-19 năm 2020, khi toàn bộ hệ thống cấp cứu bị xáo trộn, mô hình XGB vẫn ghi nhận 0,984 — về cơ bản tương đương thời kỳ bình thường. Điều này cho thấy dù tình hình bên ngoài bệnh viện có hỗn loạn đến đâu, mô hình dự báo này vẫn vận hành ổn định và thực hiện đúng vai trò của mình.
Dựa vào đâu để chỉ ra nguy cơ
Nhóm nghiên cứu cũng xem xét mô hình dự báo này dựa trên căn cứ nào để đánh giá nguy cơ. Họ sử dụng kỹ thuật phân tích SHAP để lần lượt truy vết mức độ ảnh hưởng của từng thông tin khi trí tuệ nhân tạo đưa ra quyết định cuối cùng.
Kết quả cho thấy các yếu tố then chốt phân định nguy cơ tử vong gồm: có ngừng tim trước khi đến bệnh viện hay không, điểm mức độ nặng của tổn thương, tuổi, thời gian đến lần truyền máu đầu tiên. Trùng hợp là những yếu tố này cũng chính là các thông tin mà nhân viên y tế tại khoa cấp cứu kiểm tra đầu tiên khi tiếp nhận bệnh nhân.
Điểm quan trọng là mô hình không chỉ đưa ra kết quả, mà còn cho biết “vì sao được đánh giá là nguy hiểm”. Bởi chỉ khi hiểu căn cứ ra quyết định, nhân viên y tế mới có thể tin tưởng và tham khảo kết quả đó.
Nghiên cứu lần này có ý nghĩa lớn vì dựa trên dữ liệu công cộng quy mô toàn quốc. Nhóm nghiên cứu không chỉ xem xét độ chính xác dự báo, mà còn đánh giá liệu có thể giải thích vì sao mô hình đưa ra kết luận như vậy (tính diễn giải), có thể áp dụng cho bệnh viện khác hay không (tính mở rộng), và có duy trì hiệu năng khi thời gian trôi qua hoặc bối cảnh thay đổi hay không (khả năng khái quát). Vì vậy, kết quả cho thấy tiềm năng ứng dụng rộng rãi ở nhiều cơ sở, thay vì chỉ phù hợp với một bệnh viện cụ thể. Tuy nhiên, đây mới là giai đoạn kiểm chứng bằng phân tích hồ sơ quá khứ; để áp dụng trong thực tế bệnh viện, vẫn cần thêm các bước xác minh bổ sung.
Giáo sư Lee Jae-myung nói: “Chúng tôi kỳ vọng đây sẽ là dữ liệu nền tảng có thể được sử dụng để sàng lọc nhanh mức độ nguy cơ của bệnh nhân trong hệ thống cấp cứu và tại hiện trường điều trị chấn thương trong tương lai”. Giáo sư Baek Seung-min cho biết: “Chúng tôi đã xác nhận khả năng sàng lọc nguy cơ tử vong sớm ở cấp độ hệ thống bằng cách sử dụng dữ liệu đăng ký chấn thương toàn quốc”, đồng thời nhấn mạnh: “Trong thời gian tới, chúng tôi sẽ phát triển thành nghiên cứu tích hợp sàng lọc nguy cơ dựa trên AI vào hệ thống cấp cứu và hệ thống chấn thương, thông qua hiệu chỉnh và kiểm chứng tiền cứu”.
Tại khoa cấp cứu, chỉ vài giây quyết định có thể phân định sống còn. Dù chưa thể triển khai ngay ở mọi bệnh viện, nhưng mỗi lần những mô hình dự báo như thế này được kiểm chứng thêm và tích lũy dần tại hiện trường, tiếng thở dài “giá như biết sớm hơn một chút” sẽ giảm đi từng chút một.
Nghiên cứu này đã được đăng trên tạp chí quốc tế về cấp cứu - ngoại chấn thương 《World Journal of Emergency Surgery》. Tạp chí này thuộc nhóm Q1, nằm trong khoảng top 2,6% (bách phân vị JIF trung bình 97,4) trong lĩnh vực ngoại khoa và y học cấp cứu.
