Nổi bật
• Trí tuệ nhân tạo áp dụng cho điện tâm đồ 12 đường dẫn chuẩn đã dự đoán bệnh van tim tái phát từ trung bình đến nặng trong tương lai (rVHD) – van hai lá (MR), van tam giác (TR) và van động mạch chủ (AR) – với khả năng phân biệt tốt và tỷ lệ nguy cơ lớn giữa các nhóm nguy cơ.
• Các mô hình được huấn luyện trên gần một triệu cặp điện tâm đồ – siêu âm tim (400,882 bệnh nhân) ở Trung Quốc duy trì hiệu suất trong một nhóm kiểm tra quốc tế từ Bệnh viện Beth Israel Deaconess (34,214 bệnh nhân).
• Dự đoán của AI-ECG có liên quan đến sự tái tạo buồng tim dưới lâm sàng trên hình ảnh, hỗ trợ tính hợp lý sinh học và khả năng sử dụng để hướng dẫn theo dõi siêu âm tim.
Nền tảng và gánh nặng bệnh
Bệnh van tim tái phát (rVHDs) – van hai lá, van tam giác và van động mạch chủ – đóng góp đáng kể vào suy tim, rối loạn nhịp, nhập viện và tử vong sớm. Việc nhận biết kịp thời bệnh van tiến triển và sự tái tạo thất hoặc nhĩ là thiết yếu vì theo dõi có mục tiêu và can thiệp kịp thời có thể thay đổi kết quả. Tuy nhiên, sàng lọc siêu âm tim cấp độ dân số là tốn kém và thường không thực tế. Điện tâm đồ 12 đường dẫn chuẩn là phổ biến, rẻ tiền và được thu thập thường xuyên trong nhiều bối cảnh lâm sàng. Công việc gần đây cho thấy rằng học sâu áp dụng cho điện tâm đồ có thể phát hiện suy thất trái và các bất thường cấu trúc và nhịp khác sớm hơn so với nhận thức lâm sàng. Nghiên cứu này của Liang et al. mở rộng mô hình này để dự đoán rVHD có ý nghĩa lâm sàng trong tương lai, nhằm cung cấp công cụ phân loại chi phí thấp để hướng dẫn theo dõi siêu âm tim và lập kế hoạch can thiệp sớm.
Thiết kế nghiên cứu
Tác giả đã phát triển các mô hình AI-ECG sử dụng cơ sở dữ liệu ghép đôi lớn, theo thời gian của điện tâm đồ và siêu âm tim xuyên ngực được tập hợp tại Bệnh viện Zhongshan (Thượng Hải): 988,618 bản ghi ghép đôi điện tâm đồ-siêu âm từ 400,882 bệnh nhân độc nhất. Phương pháp mô hình hóa sử dụng kiến trúc mạng nơ-ron tích chập dư (CNN) được huấn luyện bằng hàm mất mát tồn tại theo thời gian, cho phép dự đoán thời gian đến sự kiện thay vì chỉ phân loại ngang hàng.
Kiểm chứng ngoại vi sử dụng một nhóm quốc tế từ Bệnh viện Beth Israel Deaconess Medical Center (BIDMC), Boston – một bộ dữ liệu ngoại trú cấp hai của 34,214 bệnh nhân có siêu âm tim liên kết. Kết quả chính là sự phát triển trong tương lai của MR, TR và AR từ trung bình đến nặng theo định nghĩa của siêu âm tim. Các tiêu chí hiệu suất bao gồm độ đồng nhất (C-index) cho phân biệt thời gian đến sự kiện và các mô hình nguy cơ tỷ lệ Cox điều chỉnh theo tuổi và giới để so sánh các nhóm nguy cơ.
Kết quả chính
Phân biệt mô hình và phân loại nguy cơ
Trong tập kiểm tra nội bộ (Thượng Hải) các mô hình AI-ECG đạt được sự phân biệt sau cho rVHD từ trung bình đến nặng trong tương lai:
- Van hai lá (MR): C-index 0.774 (95% CI 0.753–0.792)
- Van động mạch chủ (AR): C-index 0.691 (95% CI 0.657–0.720)
- Van tam giác (TR): C-index 0.793 (95% CI 0.777–0.808)
Khi phân loại theo nhóm nguy cơ dự đoán, các mô hình Cox điều chỉnh cho thấy nguy cơ tăng mạnh trong nhóm nguy cơ cao nhất so với nhóm thấp nhất:
- MR: tỷ lệ nguy cơ (HR) 7.6 (95% CI 5.8–9.9; P < .0001)
- AR: HR 3.8 (95% CI 2.7–5.5)
- TR: HR 9.9 (95% CI 7.5–13.0)
Các tỷ lệ này chỉ ra sự tập trung mạnh mẽ về nguy cơ trong một nhóm được đánh dấu bởi các mô hình AI-ECG.
Kiểm chứng ngoại vi (quốc tế)
Quan trọng, tác giả báo cáo xác nhận các kết quả này trong nhóm BIDMC, một dân số ngoại trú khác biệt về sắc tộc và địa lý. Hiệu suất phân biệt được bảo toàn qua các dân số hỗ trợ sự vững chắc và khả năng tổng quát hóa của phương pháp vượt ra ngoài môi trường huấn luyện ban đầu.
Liên kết hình ảnh và tính hợp lý sinh học
Phân tích phụ liên kết dự đoán AI-ECG với các dấu hiệu hình ảnh của sự tái tạo buồng tim dưới lâm sàng (ví dụ, phì đại hoặc rối loạn chức năng nhĩ trái hoặc thất trái), cho thấy tín hiệu dựa trên ECG liên quan đến những thay đổi cấu trúc sớm được biết đến trước khi bệnh van trở nên rõ ràng lâm sàng. Điều này củng cố tính hợp lý sinh học rằng các mô hình phát hiện các chất nền bệnh lý thực sự, không phải chỉ là hiện tượng của dữ liệu.
An toàn và khả năng diễn giải
Nghiên cứu tập trung vào phân biệt tiên lượng và không nêu ra lo ngại an toàn trực tiếp về phương thức ECG. Tuy nhiên, triển khai lâm sàng của các thuật toán dự đoán có những tác động phụ: dương tính giả có thể làm tăng khối lượng công việc siêu âm tim và lo lắng; âm tính giả có thể làm chậm theo dõi. Tác giả sử dụng mô hình dự đoán thời gian đến sự kiện thay vì chỉ nhãn nhị phân đơn giản, hỗ trợ giao tiếp rủi ro tinh tế hơn và lên lịch theo dõi.
Bình luận chuyên gia và bối cảnh
Các kết quả này phù hợp với các công trình trước đó cho thấy học sâu có thể tiết lộ các dấu hiệu bệnh tim cấu trúc trong điện tâm đồ chuẩn. Các ví dụ đáng chú ý bao gồm phát hiện suy giảm phân suất tống máu thất trái và dự đoán nguy cơ rối loạn nhịp bằng AI-ECG. Nghiên cứu hiện tại mở rộng các ứng dụng đó cho các tổn thương van tái phát và, quan trọng, huấn luyện các mô hình để dự đoán các sự kiện trong tương lai thay vì chỉ bệnh hiện tại. Phần tử thời gian này là thiết yếu nếu AI-ECG được sử dụng để theo dõi dự đoán.
Điểm mạnh của nghiên cứu bao gồm bộ dữ liệu ghép đôi khổng lồ cho phép học các mối quan hệ tinh tế giữa ECG và siêu âm, sử dụng hàm mất mát hướng tới sự tồn tại, và kiểm chứng quốc tế. Việc chứng minh sự liên quan với sự tái tạo dưới lâm sàng hỗ trợ tính hợp lý sinh học thay vì quá khớp với các mô hình thực hành cụ thể của địa điểm.
Các hạn chế và xem xét chính:
- Lựa chọn dân số: Cả các tập dữ liệu phát triển và kiểm tra đều là các nhóm liên kết siêu âm tim. ECG được thực hiện trong các ngữ cảnh thúc đẩy siêu âm có thể khác với ECG dân số chung. Hiệu suất trong các dân số sàng lọc cộng đồng chưa được lựa chọn cần được đánh giá triển vọng.
- Hỗn hợp bệnh án và tần suất: Tần suất rVHD tiến triển và ngưỡng chỉ định siêu âm khác nhau giữa các hệ thống y tế, điều này ảnh hưởng đến giá trị dự đoán dương tính và tính hữu ích hoạt động khi chuyển sang các bối cảnh mới.
- Hành vi hộp đen và hiệu chỉnh: Các mạng nơ-ron sâu có thể được hiệu chỉnh kém; các bác sĩ cần các tiêu chí hiệu chỉnh rõ ràng, ngưỡng quyết định và hướng dẫn về cách các điểm AI ánh xạ thành các khoảng thời gian theo dõi. Các phương pháp giải thích có thể giúp nhưng không thay thế việc kiểm chứng triển vọng.
- Tác động lâm sàng: Chứng minh việc phát hiện sớm cải thiện là bước quan trọng đầu tiên; tuy nhiên, chứng minh rằng theo dõi dựa trên AI giảm mắc bệnh, làm chậm tiến triển hoặc cải thiện kết quả tập trung vào bệnh nhân yêu cầu các thử nghiệm triển khai triển vọng hoặc các nghiên cứu ngẫu nhiên thực tế.
Ý nghĩa lâm sàng và triển khai
Các trường hợp sử dụng tiềm năng cho các mô hình dự đoán rVHD AI-ECG đã được kiểm chứng bao gồm:
- Theo dõi phân loại nguy cơ: Ưu tiên siêu âm tim cho bệnh nhân ở các nhóm nguy cơ cao được dự đoán bởi AI có thể phát hiện sự tái phát tiến triển sớm hơn so với thực hành thông thường.
- Chỉ định sơ cấp: Trong các bối cảnh chăm sóc sơ cấp hoặc tiền phẫu thuật nơi tiếp cận siêu âm tim bị hạn chế, AI-ECG có thể xác định bệnh nhân cần được chuyển giới hạn.
- Tích hợp với hồ sơ sức khỏe điện tử: Đánh giá tự động các ECG thông thường có thể kích hoạt các quy trình phù hợp với hướng dẫn (ví dụ, lên lịch siêu âm sớm hơn khi vượt ngưỡng), nhưng các quy trình này cần được thiết kế cẩn thận để tránh quá kiểm tra.
Các câu hỏi hoạt động cần được giải quyết trước khi triển khai rộng rãi bao gồm việc lựa chọn ngưỡng nguy cơ có thể hành động, khoảng thời gian theo dõi, chiến lược thông báo cho bác sĩ và hiệu quả về mặt kinh tế – đặc biệt là cân nhắc giữa việc phát hiện sớm và việc sử dụng thêm tài nguyên hình ảnh.
Các bước tiếp theo và ưu tiên nghiên cứu
Để đưa các mô hình này vào thực tiễn, các ưu tiên sau đây:
- Kiểm chứng triển vọng trong các nhóm dân cư ngoại trú và chăm sóc sơ cấp chưa được lựa chọn để đo lường hiệu suất và hiệu chỉnh thực tế.
- Các nghiên cứu triển khai ngẫu nhiên hoặc thực tế đánh giá liệu theo dõi dựa trên AI có giảm thời gian phát hiện, thay đổi quản lý (ví dụ, thời điểm can thiệp) hay cải thiện kết quả lâm sàng hay không.
- Các phân tích kinh tế y tế để xác định chi phí mỗi trường hợp được phát hiện và tác động phụ về sử dụng tài nguyên.
- Các đánh giá quy định và công bằng để đảm bảo các thuật toán hoạt động trên các nhóm nhân khẩu học và kinh tế xã hội đa dạng; minh bạch về dữ liệu huấn luyện và giám sát hiệu suất bị suy giảm là thiết yếu.
- Phát triển các công cụ hỗ trợ quyết định dành cho bác sĩ chuyển đổi các điểm nguy cơ AI thành các khuyến nghị theo dõi cụ thể phù hợp với hướng dẫn quản lý bệnh van tim.
Kết luận
Liang et al. đưa ra bằng chứng thuyết phục rằng AI áp dụng cho điện tâm đồ 12 đường dẫn thông thường có thể dự đoán bệnh van tim tái phát từ trung bình đến nặng trong tương lai với khả năng phân biệt tốt và tỷ lệ nguy cơ lớn. Sự kết hợp của một tập huấn luyện rất lớn, mô hình hóa nhận thức về sự tồn tại và kiểm chứng ngoại vi quốc tế tăng cường sự tin tưởng vào tín hiệu. Nếu được kiểm chứng triển vọng trong các dân số chưa được lựa chọn và được chứng minh là cải thiện các kết quả có ý nghĩa lâm sàng và hiệu quả quy trình làm việc, AI-ECG có thể trở thành công cụ thực tế, chi phí thấp để ưu tiên siêu âm tim và xác định bệnh nhân cần can thiệp sớm. Hiện tại, các mô hình này nên được xem là các công cụ hỗ trợ quyết định hứa hẹn đòi hỏi các nghiên cứu triển khai triển vọng và tích hợp cẩn thận với các quy trình lâm sàng và khuyến nghị hướng dẫn.
Kinh phí và clinicaltrials.gov
Chi tiết về kinh phí và đăng ký thử nghiệm được báo cáo trong ấn phẩm chính (Liang et al., Eur Heart J. 2025). Người đọc nên tham khảo bài báo gốc để biết thông tin về tài trợ và đăng ký.
Tài liệu tham khảo chính
1. Liang Y, Sau A, Zeidaabadi B, et al. Artificial intelligence-enhanced electrocardiography to predict regurgitant valvular heart diseases: an international study. Eur Heart J. 2025 Nov 21;46(44):4823–4837. doi:10.1093/eurheartj/ehaf448.
2. Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med. 2019;25(1):70–74. doi:10.1038/s41591-018-0240-2.
3. Raghunath S, Feduscak S, Kwon D, et al. Deep neural networks can predict cardiovascular risk from electrocardiograms. Nat Med. 2020;26(9):1334–1339. doi:10.1038/s41591-020-0970-7.
4. Otto CM, Nishimura RA, Bonow RO, et al. 2020 ACC/AHA Guideline for the Management of Patients with Valvular Heart Disease. Circulation. 2020;142(24):e352–e454.
