Giới thiệu
Chặn tim hoàn toàn (CHB), hay chặn độ ba giữa tâm nhĩ và tâm thất, là một rối loạn dẫn truyền tim quan trọng, đặc trưng bởi sự tách biệt hoàn toàn giữa hoạt động của tâm nhĩ và tâm thất. CHB có thể gây ra dừng đập tâm thất, ngất đi tái diễn và tử vong tim đột ngột, gây ra nguy cơ cao về bệnh tật và tử vong nếu không được phát hiện hoặc điều trị kịp thời. Điện tâm đồ (ECG) vẫn là phương pháp chuẩn chẩn đoán chính cho bệnh hệ thống dẫn truyền tim, tuy nhiên, phân loại rủi ro dựa trên ECG hiện tại—chủ yếu dựa vào việc xác định chặn hai nhánh—chỉ cung cấp độ nhạy và độ chính xác dự đoán hạn chế đối với CHB mới. Những tiến bộ gần đây trong trí tuệ nhân tạo (AI) trong lĩnh vực tim mạch đã chứng minh khả năng của ECG được tăng cường bởi AI (AI-ECG) để phát hiện các bất thường tim tiềm ẩn, mang lại tiềm năng biến đổi trong dự đoán và chẩn đoán sớm. Trên bối cảnh này, nghiên cứu của Sau et al. giới thiệu AIRE-CHB, một công cụ dự đoán rủi ro dựa trên AI-ECG được thiết kế để dự đoán CHB mới, nhằm giải quyết những hạn chế của cách giải thích ECG truyền thống và cải thiện quyết định lâm sàng.
Nền tảng nghiên cứu và gánh nặng bệnh tật
Chặn tim hoàn toàn đại diện cho một thách thức lâm sàng đáng kể do sự khởi phát đột ngột và khả năng gây hậu quả thảm khốc. Cơ chế bệnh sinh liên quan đến gián đoạn dẫn truyền điện qua nút nhĩ thất hoặc bên dưới, thường do xơ hóa thoái hóa, thiếu máu hoặc bệnh xâm nhập. Việc xác định kịp thời những người có nguy cơ cho phép can thiệp phòng ngừa, bao gồm cấy máy tạo nhịp, để giảm thiểu các sự cố bất lợi. Tuy nhiên, các công cụ phân loại rủi ro tiêu chuẩn như việc xác định chặn hai nhánh trên ECG thiếu hiệu suất dự đoán mạnh mẽ và không bao quát đầy đủ các bất thường dẫn truyền tiềm ẩn tiền CHB. Sự phát triển của các phương pháp AI có khả năng khai thác các tín hiệu ECG tiềm ẩn để cải thiện việc dự đoán rủi ro giải quyết nhu cầu lâm sàng chưa được đáp ứng để phân loại bệnh nhân chính xác hơn và hướng dẫn các chiến lược quản lý phù hợp.
Thiết kế nghiên cứu, bối cảnh và đối tượng tham gia
Nghiên cứu dự đoán nhóm này theo đuổi thiết kế hai giai đoạn bao gồm phát triển và kiểm tra bên ngoài của công cụ dự đoán rủi ro AI-ECG cho CHB (AIRE-CHB). Nhóm đối tượng nguồn từ Bệnh viện Beth Israel Deaconess Medical Center, bao gồm một dữ liệu lớn với 1,163,401 ECG từ 189,539 bệnh nhân. Kiểm tra bên ngoài được thực hiện trong nhóm UK Biobank, một dữ liệu dân số tình nguyện đã được thiết lập bao gồm 50,641 ECG từ số lượng đối tượng tương đương. Biến phơi nhiễm là bản ghi ECG số hóa thô, được đưa vào huấn luyện và kiểm thử thuật toán AI. Điểm cuối được định nghĩa là chẩn đoán CHB mới xuất hiện sau 31 ngày kể từ khi thực hiện ECG, đảm bảo đánh giá bệnh mới thay vì bệnh hiện hữu.
Chi tiết phương pháp
AIRE-CHB sử dụng kiến trúc mạng nơ-ron tích chập còn dư được tối ưu hóa bằng hàm mất mát tồn tại rời rạc dành riêng cho dự đoán thời gian đến sự kiện. Khung học máy này tích hợp các đặc điểm phức tạp về thời gian và không gian từ các tín hiệu ECG để tạo ra ước tính rủi ro cá nhân hóa cho CHB mới. Thuật toán được huấn luyện trên kho dữ liệu ECG lớn của tổ chức, bao gồm các yếu tố kiểm duyệt và rủi ro cạnh tranh vốn có trong phân tích tồn tại. Kiểm tra bên ngoài đã kiểm tra độ bền vững của hiệu suất dự đoán, điều chỉnh rủi ro cạnh tranh về tử vong và hiệu quả so sánh với các dấu hiệu ECG truyền thống, cụ thể là sự hiện diện của chặn hai nhánh.
Kết quả chính
Trong nhóm Beth Israel Deaconess, AIRE-CHB đã thể hiện khả năng phân biệt xuất sắc cho CHB mới với chỉ số đồng thuận (C index) là 0.836 (95% CI, 0.819–0.854) và diện tích dưới đường cong đặc trưng hoạt động nhận dạng (AUROC) là 0.889 (95% CI, 0.863–0.916) cho dự đoán trong một năm. Trái lại, chặn hai nhánh cho thấy AUROC thấp hơn đáng kể là 0.594 (95% CI, 0.567–0.620), chỉ ra độ hữu ích lâm sàng hạn chế. Đáng chú ý, những bệnh nhân được phân loại trong nhóm rủi ro cao nhất theo AIRE-CHB có tỷ lệ nguy cơ điều chỉnh (aHR) là 11.6 (95% CI, 7.62–17.7; P < .001) để phát triển CHB mới so với những người ở nhóm rủi ro thấp nhất, khẳng định sự giàu có dự đoán mạnh mẽ.
Kiểm tra bên ngoài trong nhóm UK Biobank đã xác nhận hiệu suất của mô hình, đạt C index là 0.936 (95% CI, 0.900–0.972) và aHR là 7.17 (95% CI, 1.67–30.81; P < .001). Những kết quả này chỉ ra khả năng tổng quát hóa và độ bền vững vượt trội trên các quần thể đa dạng.
Bình luận chuyên gia
Việc giới thiệu AIRE-CHB đánh dấu một bước tiến đáng kể trong việc tận dụng AI để phân loại rủi ro rối loạn dẫn truyền tim. Hiệu suất vượt trội của mô hình này so với việc đánh giá chặn hai nhánh truyền thống cung cấp lập luận thuyết phục để tích hợp vào quy trình làm việc lâm sàng, đặc biệt là cho bệnh nhân xuất hiện ngất hoặc đang được giám sát cho các rối loạn dẫn truyền. Việc sử dụng hàm mất mát tồn tại là sáng tạo, cho phép dự đoán rủi ro theo thời gian thay vì phân loại nhị phân.
Tuy nhiên, một số hạn chế cần đề cập. Thứ nhất, mặc dù đã có kiểm tra bên ngoài vững chắc, các nghiên cứu khác trong các bối cảnh dân số và lâm sàng khác nhau là cần thiết để xác nhận tính tái tạo và đánh giá hiệu quả kinh tế. Bản chất đen hộp của các mô hình học sâu có thể cản trở khả năng giải thích, có thể làm phức tạp việc chấp nhận của bác sĩ. Hơn nữa, quần thể nghiên cứu, chủ yếu từ một trung tâm học thuật và nhóm tình nguyện, có thể không đại diện đầy đủ cho sự đa dạng thực tế bao gồm bệnh nhân mắc các bệnh nền nghiêm trọng hoặc nhóm thiểu số.
Từ góc độ cơ chế, AI có thể đang trích xuất các chậm trễ dẫn truyền thời gian tinh vi, các thay đổi tín hiệu mức vi-vôn hoặc các đặc điểm tiềm ẩn khác không thể nhận biết được bằng mắt người, phản ánh quá trình tái cấu trúc bệnh lý sớm của hệ thống dẫn truyền. Do đó, AIRE-CHB là ví dụ điển hình về sự kết hợp giữa tim mạch lâm sàng và khoa học tính toán, tận dụng phân tích dữ liệu đa chiều để cải thiện độ chính xác dự đoán.
Kết luận
Việc phát triển và kiểm chứng AIRE-CHB chứng minh rằng ECG được tăng cường bởi AI có thể cải thiện đáng kể việc phân loại rủi ro CHB mới, vượt trội hơn so với các dấu hiệu ECG truyền thống. Công cụ mới này có tiềm năng mạnh mẽ để hỗ trợ quyết định lâm sàng, đặc biệt là trong các quần thể dễ bị ảnh hưởng bởi chặn độ cao giữa tâm nhĩ và tâm thất và các sự cố tim đột ngột. Nỗ lực trong tương lai nên tập trung vào việc kiểm chứng rộng rãi hơn, tích hợp với các yếu tố rủi ro lâm sàng và khoa học thực hiện để tối ưu hóa kết quả bệnh nhân. AIRE-CHB có thể cuối cùng biến đổi việc đánh giá rủi ro CHB từ một phân loại thô, nhị phân thành một dự đoán liên tục, cá nhân hóa, thúc đẩy y học chính xác.
Tài liệu tham khảo
Sau A, Zhang H, Barker J, Pastika L, Patlatzoglou K, Zeidaabadi B, El-Medany A, Khattak GR, McGurk KA, Sieliwonczyk E, Ware JS, Peters NS, Kramer DB, Waks JW, Ng FS. Trí tuệ nhân tạo tăng cường Điện tâm đồ để phân loại rủi ro Chặn tim hoàn toàn. JAMA Cardiol. 2025 Aug 20:e252522. doi:10.1001/jamacardio.2025.2522. Epub trước khi in. PMID: 40833775; PMCID: PMC12368796.
Stewart S, Murphy NM. Chặn tim nhĩ thất: Dịch tễ học, cơ chế bệnh sinh và quản lý lâm sàng. Heart. 2020;106(17):1342-1348. doi:10.1136/heartjnl-2020-316160.
Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. Một thuật toán Điện tâm đồ được tăng cường bởi trí tuệ nhân tạo để xác định bệnh nhân có rối loạn co bóp thất trái. Circulation. 2019;140(24):1894-1904. doi:10.1161/CIRCULATIONAHA.119.039366.
