Điểm nổi bật
Nghiên cứu này giới thiệu một phương pháp có khả năng mở rộng, dựa trên điện thoại thông minh, để định lượng khách quan mức độ liệt dây thần kinh mặt (Facial Nerve Palsy, FNP) bằng hình học khuôn mặt 3D độ phân giải cao và các thuật toán machine learning tiên tiến, đạt được phân độ House-Brackmann (HB) có xét bên tổn thương một cách chính xác và sàng lọc lâm sàng ở mức hàng đầu.
Dự đoán điểm HB liên tục dựa trên các đặc trưng về độ dịch chuyển, vận tốc, gia tốc và bất đối xứng đạt tương quan rất cao (Spearman’s ρ=0.935) và sai số thấp, vượt qua độ phân giải chấm điểm của con người và phát hiện được bất đối xứng tồn dư tinh tế.
Các phân tích theo vùng cho thấy hiệu năng tối ưu khi đánh giá nhắm mắt và nhe răng, là những thông số chức năng then chốt trong đánh giá FNP.
Cách tiếp cận này có tiềm năng mạnh mẽ trong hỗ trợ chẩn đoán sớm, theo dõi dọc theo thời gian theo chuẩn hóa và phục hồi chức năng tại nhà cho bệnh nhân FNP.
Bối cảnh nghiên cứu
Liệt dây thần kinh mặt (Facial Nerve Palsy, FNP), đặc trưng bởi yếu cơ mặt một bên, gây ra gánh nặng bệnh tật đáng kể, ảnh hưởng đến biểu cảm khuôn mặt, giao tiếp và sức khỏe tâm lý xã hội của người bệnh. Đánh giá lâm sàng chủ yếu dựa vào các thang điểm định tính mang tính chủ quan như thang House-Brackmann (HB), vốn bị hạn chế bởi khác biệt giữa các người đánh giá và chỉ cho phép phân độ theo bậc thay vì đánh giá liên tục.
Các xét nghiệm điện sinh lý như electroneurography và electromyography cung cấp các chỉ số khách quan, nhưng xâm lấn, đòi hỏi kỹ thuật cao và khó lặp lại thường xuyên để theo dõi. Hiện vẫn còn nhu cầu chưa được đáp ứng đối với các công cụ dễ tiếp cận, định lượng được và có khả năng tái lập, cho phép đánh giá động, liên tục và theo từng bên về mức độ FNP nhằm tối ưu hóa chăm sóc cá thể hóa và kết quả phục hồi chức năng.
Những tiến bộ gần đây của camera trước 3D trên smartphone cho phép ghi nhận hình học khuôn mặt chi tiết ở ba chiều với tần suất khung hình cao, qua đó có thể tạo ra bước đột phá trong đánh giá FNP bằng cách cung cấp phương thức theo dõi khách quan, chi phí thấp và lấy người bệnh làm trung tâm ngay cả ngoài cơ sở y tế.
Thiết kế nghiên cứu
Nghiên cứu tiến cứu này tuyển chọn 99 bệnh nhân FNP ngoại biên khởi phát cấp tính, trải qua 207 lần khám lâm sàng, cùng với 12 người tình nguyện khỏe mạnh, trong giai đoạn từ tháng 7 năm 2021 đến tháng 2 năm 2024. Động học khuôn mặt được ghi lại bằng smartphone tích hợp camera trước 3D, tạo ra một lưới khuôn mặt dày gồm 1220 đỉnh ba chiều.
Nhiều nhiệm vụ khuôn mặt chuẩn hóa được ghi lại, bao gồm nhắm mắt và nhe răng, nhằm bắt được chuyển động ở các vùng khác nhau của khuôn mặt. Các tiêu chuẩn lâm sàng bao gồm thang điểm HB và các chỉ số điện sinh lý như integrated electromyography và electroneurography.
Các đặc trưng được trích xuất bao gồm các tham số định lượng về độ dịch chuyển, vận tốc, gia tốc của các đỉnh khuôn mặt và mức độ bất đối xứng giữa bên bị ảnh hưởng và bên không bị ảnh hưởng. Các mô hình machine learning — random forest regressors — được huấn luyện để dự đoán điểm HB liên tục có dấu, có tính đến bên liệt, cũng như các điểm số đặc hiệu theo vùng.
Đánh giá chéo theo từng bệnh nhân bảo đảm tính vững chắc của dự đoán. Các chỉ số hiệu năng được sử dụng gồm hệ số tương quan Spearman (ρ), sai số tuyệt đối trung bình (MAE), hệ số xác định (R2) và diện tích dưới đường cong ROC (AUC) để phát hiện tình trạng liệt có ý nghĩa lâm sàng (HB ≥ III).
Kết quả chính
Mô hình hồi quy HB liên tục cho thấy hiệu năng dự đoán xuất sắc với MAE là 0.718, R2 là 0.851 và tương quan rất mạnh (Spearman’s ρ=0.935), cho thấy mô hình có độ chính xác và độ chuẩn xác cao trong ước lượng mức độ liệt dây thần kinh mặt trên thang đo liên tục.
Dự đoán ở nhóm chứng khỏe mạnh tập trung chặt chẽ quanh giá trị bình thường, xác nhận tính vững chắc của phương pháp trước nguy cơ phát hiện dương tính giả. Đối với sàng lọc lâm sàng nhằm phát hiện liệt có ý nghĩa (HB ≥ III), mô hình đạt AUC là 0.914 ± 0.052, cho thấy khả năng phân biệt chẩn đoán rất tốt.
Các phân tích theo vùng nhấn mạnh rằng đánh giá tập trung vào nhắm mắt và nhe răng cho độ chính xác dự đoán tốt nhất, làm nổi bật tầm quan trọng chức năng của các vùng này trong đánh giá mức độ FNP và tính phù hợp của chúng cho theo dõi khách quan.
So sánh với các xét nghiệm điện sinh lý cho thấy tương quan mức trung bình với integrated electromyography nhưng tương quan yếu hơn với electroneurography, gợi ý rằng hình học khuôn mặt 3D phản ánh các suy giảm chức năng bổ sung cho các tín hiệu điện sinh lý.
Bình luận chuyên gia
Nghiên cứu này giải quyết một khoảng trống quan trọng trong quản lý FNP bằng cách cung cấp một công cụ định lượng động, khách quan và dễ tiếp cận, khai thác công nghệ smartphone sẵn có. Dự đoán điểm HB liên tục có xét bên tổn thương giúp giảm hiện tượng trần điểm và tính chủ quan vốn có của các thang điểm thứ bậc truyền thống, qua đó hỗ trợ theo dõi tiến triển bệnh và hồi phục một cách tinh vi hơn.
Việc tích hợp các động học vận động như vận tốc và gia tốc cùng với bất đối xứng làm tăng độ nhạy của mô hình đối với các rối loạn chức năng khuôn mặt tinh tế thường khó nhận thấy đối với bác sĩ lâm sàng, từ đó có thể cải thiện phát hiện sớm và cá thể hóa phục hồi chức năng.
Các hạn chế bao gồm nhu cầu xác nhận cách tiếp cận này trên quần thể đa dạng, với phần cứng smartphone khác nhau, cũng như trong các trường hợp FNP mạn tính hoặc hai bên. Ngoài ra, sự phụ thuộc vào mức độ tuân thủ của bệnh nhân và các yếu tố kỹ thuật như ánh sáng và tư thế cần được cân nhắc khi triển khai lâm sàng.
Kết luận
Thu nhận hình học khuôn mặt 3D tần suất khung hình cao dựa trên smartphone, kết hợp với machine learning tiên tiến, cung cấp một phương pháp đổi mới và khả thi trong thực hành lâm sàng để định lượng khách quan, động và liên tục mức độ liệt dây thần kinh mặt.
Công nghệ này cho độ chính xác cao trong phân độ HB theo từng bên và hiệu năng xuất sắc trong sàng lọc liệt có ý nghĩa lâm sàng, với tiềm năng ứng dụng trong chẩn đoán sớm, theo dõi dọc theo thời gian theo chuẩn hóa và phục hồi chức năng hỗ trợ từ xa (telemedicine).
Nghiên cứu tương lai nên tập trung vào xác thực trên phạm vi rộng hơn, tích hợp vào quy trình làm việc lâm sàng và phát triển các ứng dụng thân thiện với người bệnh để khai thác đầy đủ tiềm năng của phương pháp này trong thực hành lâm sàng thường quy và tại nhà.
Kinh phí và đăng ký nghiên cứu
Nghiên cứu được tiến hành từ tháng 7 năm 2021 đến tháng 2 năm 2024. Thông tin cụ thể về kinh phí và đăng ký thử nghiệm lâm sàng không được cung cấp.
Tài liệu tham khảo
1. House JW, Brackmann DE. Facial nerve grading system. Otolaryngol Head Neck Surg. 1985.
2. Peitersen E. Bell’s palsy: the spontaneous course of 2,500 peripheral facial nerve palsies of different etiologies. Acta Otolaryngol Suppl. 2002.
3. Coulson SE, Croxson GR, Adams RD, O’Neill JP. Reliability of the Sunnybrook facial grading system. Otolaryngol Head Neck Surg. 2005.
4. Wormald PJ et al. Objective methods of assessing nerve function after facial nerve injury. Eur Arch Otorhinolaryngol. 2019.
5. Hasebe K et al. Dynamic and Objective Quantification of Facial Nerve Palsy Using Smartphone-Based 3D Facial Geometry. Laryngoscope. 2026 Aug 21. PMID: 42626919.
