Điểm nổi bật
- Phát triển PRO-TONGUE, một công cụ dự đoán nguy cơ dựa trên AI nhằm ước tính nguy cơ biến chứng sau mổ trong 30 ngày ở từng bệnh nhân sau phẫu thuật ung thư lưỡi.
- Ứng dụng các kỹ thuật machine learning tiên tiến, bao gồm XGBoost và LightGBM, để nâng cao độ chính xác trên nhiều kết cục biến chứng khác nhau.
- Hiệu năng của các mô hình ML tương đương hoặc cao hơn ACS-NSQIP risk calculator, đặc biệt trong dự đoán chảy máu cần truyền máu.
- PRO-TONGUE cung cấp các ước tính nguy cơ có thể diễn giải được, theo từng kết cục, hỗ trợ lập kế hoạch trước mổ và ra quyết định chung.
Bối cảnh nghiên cứu
Ung thư lưỡi là một thách thức lâm sàng đáng kể do tỷ lệ bệnh tật và ảnh hưởng của bệnh đến các chức năng thiết yếu như lời nói và nuốt. Phẫu thuật cắt bỏ, bao gồm cắt lưỡi (glossectomy) và tái tạo, vẫn là một trong những phương pháp điều trị nền tảng. Tuy nhiên, các thủ thuật này đi kèm nguy cơ biến chứng hậu phẫu đáng kể, có thể làm chậm hồi phục, kéo dài thời gian nằm viện và ảnh hưởng đến kết cục dài hạn. Các công cụ phân tầng nguy cơ truyền thống, như American College of Surgeons National Surgical Quality Improvement Program (ACS-NSQIP) risk calculator, cung cấp ước tính dựa trên quần thể nhưng thiếu độ chính xác cá thể hóa đối với nhóm bệnh nhân phức tạp này. Do đó, vẫn còn nhu cầu chưa được đáp ứng đối với các mô hình dự đoán có thể cung cấp đánh giá nguy cơ cá thể hóa nhằm định hướng lập kế hoạch trước mổ và chăm sóc chu phẫu.
Thiết kế nghiên cứu
Nghiên cứu thuần tập hồi cứu này sử dụng dữ liệu từ cơ sở dữ liệu ACS-NSQIP trong giai đoạn 2008 đến 2024, bao gồm thông tin từ hơn 700 bệnh viện chủ yếu tại Hoa Kỳ. Quần thể nghiên cứu gồm 8.266 bệnh nhân trưởng thành đã trải qua phẫu thuật cắt lưỡi (glossectomy) do u ác tính ở lưỡi. Ba mươi mốt biến lâm sàng trước mổ được dùng để huấn luyện nhiều mô hình dự đoán: hồi quy logistic và năm mô hình machine learning (ML) (mạng nơ-ron, bộ phân loại vector hỗ trợ, LightGBM, XGBoost và stacked generalization).
Dữ liệu từ 2008 đến 2023 được chia thành tập huấn luyện 85% và tập xác nhận 15%, với tập kiểm định độc lập gồm dữ liệu của năm 2024. Các kết cục chính được đánh giá ở thời điểm 30 ngày sau phẫu thuật bao gồm nhiễm trùng vết mổ, chảy máu cần truyền máu, viêm phổi, mổ lại không dự kiến, bất kỳ biến chứng nào và biến chứng nặng. Hiệu năng mô hình được so sánh với ACS-NSQIP risk calculator bằng các chỉ số như diện tích dưới đường cong ROC (AUROC), diện tích dưới đường cong precision-recall (AUPRC), hiệu chỉnh bằng điểm Brier và giá trị lâm sàng thông qua phân tầng nguy cơ (lift).
Kết quả chính
Tuổi trung vị của quần thể nghiên cứu là 63 tuổi, chủ yếu là nam giới (59,2%). Cắt lưỡi một phần là thủ thuật thường gặp nhất (74,2%), tiếp theo là cắt bỏ nhỏ (15,4%), cắt lưỡi phức hợp/mở rộng (9,5%) và cắt lưỡi toàn bộ (4,1%). Biến chứng sau mổ không hiếm gặp, với 17,3% bệnh nhân có bất kỳ biến chứng nào và 14,5% có biến chứng nặng trong vòng 30 ngày. Các biến cố bất lợi cụ thể gồm mổ lại không dự kiến (8,6%), nhiễm trùng vết mổ (6,2%), chảy máu cần truyền máu (6,6%) và viêm phổi (3,2%).
Mô hình dự đoán tối ưu khác nhau tùy theo kết cục: XGBoost cho kết quả tốt nhất trong dự đoán chảy máu, biến chứng nặng và bất kỳ biến chứng nào, trong khi LightGBM vượt trội hơn đối với mổ lại không dự kiến, nhiễm trùng vết mổ và viêm phổi. Nhìn chung, các mô hình ML cho thấy năng lực phân biệt rất tốt (AUROC 0,88-0,90 đối với chảy máu cần truyền máu) và các chỉ số precision-recall tương đương hoặc cải thiện so với hồi quy logistic và công cụ ACS-NSQIP. Đáng chú ý, dự đoán chảy máu cần truyền máu—một kết cục mới mà công cụ ACS-NSQIP hiện có chưa đề cập—đạt hiệu năng mô hình cao nhất.
Công cụ PRO-TONGUE mới được phát triển tích hợp các mô hình ML này để cung cấp các dự đoán nguy cơ cá thể hóa theo từng kết cục, qua đó tăng khả năng diễn giải và tính ứng dụng trong quyết định phẫu thuật.
Bình luận chuyên gia
Việc tích hợp machine learning vào dự đoán nguy cơ chu phẫu trong phẫu thuật ung thư lưỡi là một bước tiến quan trọng. So với các risk calculator truyền thống, mô hình ML có thể nắm bắt các tương tác phi tuyến phức tạp giữa các biến lâm sàng, từ đó cải thiện độ chính xác. Tính công khai của công cụ PRO-TONGUE giúp bác sĩ lâm sàng đưa các hiểu biết dựa trên dữ liệu vào tư vấn người bệnh, lập kế hoạch phẫu thuật và xây dựng lộ trình chăm sóc hậu phẫu.
Tuy nhiên, cần thận trọng về khả năng khái quát hóa ra ngoài quần thể trong cơ sở dữ liệu ACS-NSQIP, cũng như do bản chất hồi cứu vốn có của nghiên cứu. Các nghiên cứu xác nhận tiến cứu và xác nhận ngoại bộ là cần thiết để khẳng định độ vững chắc trong nhiều bối cảnh lâm sàng và nhóm nhân khẩu học khác nhau. Hơn nữa, tính minh bạch và đào tạo bác sĩ lâm sàng về cách diễn giải các ước tính nguy cơ do ML tạo ra vẫn rất quan trọng để tránh áp dụng sai.
Về mặt sinh học, khả năng của các mô hình ML như XGBoost trong việc ưu tiên các đặc điểm liên quan đến rối loạn đông máu, tình trạng dinh dưỡng và mức độ lan rộng của khối u mở ra cơ hội cho việc hiểu rõ cơ chế bệnh sinh và tối ưu hóa chu phẫu có mục tiêu.
Kết luận
Nghiên cứu quy mô lớn, đại diện này cho thấy các mô hình machine learning có thể dự đoán chính xác các biến chứng nặng trong 30 ngày sau phẫu thuật cắt lưỡi do ung thư lưỡi. Công cụ dự đoán nguy cơ PRO-TONGUE, khai thác các thuật toán tối ưu hóa theo từng kết cục, cung cấp các ước tính nguy cơ cá thể hóa, có thể diễn giải được, và có thể cải thiện phân tầng nguy cơ trước mổ cũng như hỗ trợ ra quyết định lâm sàng. Các nghiên cứu tương lai nên tập trung vào xác nhận tiến cứu, bổ sung thêm dấu ấn sinh học và dữ liệu hình ảnh, đồng thời tích hợp các công cụ AI vào các lộ trình chăm sóc ung bướu đầu cổ đa chuyên khoa nhằm cải thiện kết cục cho người bệnh.
Kinh phí và ClinicalTrials.gov
Nghiên cứu không nêu rõ nguồn kinh phí bên ngoài. Việc đăng ký trên ClinicalTrials.gov không áp dụng đối với phân tích thuần tập hồi cứu này.
Tài liệu tham khảo
1. Matar DY, et al. Artificial Intelligence-Based Risk Prediction Models for Complications After Tongue Cancer Surgery. JAMA Otolaryngol Head Neck Surg. 2026;152(8):797-809. doi:10.1001/jamaoto.2026.3412
2. Bilimoria KY, et al. Development and Evaluation of the American College of Surgeons NSQIP Surgical Risk Calculator: A Decision Aid and Informed Consent Tool for Patients and Surgeons. J Am Coll Surg. 2013;217(5):833-42.
3. Lundberg SM, et al. A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems. 2017;30:4765-4774.
4. Wulff-Burchfield E, et al. Machine Learning-based Prediction Models for Head and Neck Cancer Outcomes: A Systematic Review. Oral Oncol. 2022;131:106083.