Điểm nổi bật
1. AMBUSH-AI tích hợp các kỹ thuật siêu âm được FDA phê duyệt với trí tuệ nhân tạo (Artificial Intelligence, AI) để xác định độ sâu vết bỏng một cách không xâm lấn với độ chính xác cao.
2. Hệ thống đạt độ chính xác 95% trong phát hiện bỏng độ ba ở người, cao hơn đáng kể so với độ chính xác chẩn đoán lâm sàng truyền thống.
3. Việc kết hợp Hình ảnh đàn hồi Doppler mô mô (Tissue Doppler Elastography Imaging, TDI) và siêu âm Harmonic B-mode cung cấp dữ liệu chức năng và giải phẫu quan trọng cho đánh giá độ sâu chính xác.
4. Cách tiếp cận dựa trên AI này có thể làm giảm độ không chắc chắn trong chẩn đoán và cải thiện quyết định phẫu thuật trong chăm sóc bỏng.
Bối cảnh nghiên cứu
Đánh giá độ sâu vết bỏng là yếu tố then chốt trong quản lý lâm sàng, vì nó định hướng quyết định liệu có cần can thiệp phẫu thuật hay không. Theo truyền thống, bác sĩ phẫu thuật bỏng dựa vào thăm khám thực thể như tiêu chuẩn vàng chẩn đoán để phân biệt bỏng nông, bỏng bán phần độ dày và bỏng toàn bộ bề dày (bỏng độ ba). Tuy nhiên, tính chủ quan của đánh giá bằng mắt khiến độ chính xác chẩn đoán chỉ khoảng 76% ngay cả ở chuyên gia, và giảm xuống 50% ở những người ít kinh nghiệm hơn. Sự không chắc chắn này có thể làm chậm điều trị thích hợp, kéo dài thời gian hồi phục và làm tăng bệnh suất.
Những tiến bộ gần đây trong các phương thức chẩn đoán hình ảnh siêu âm mang lại cách tiếp cận không xâm lấn để đánh giá đặc điểm mô bỏng. Hình ảnh đàn hồi Doppler mô mô (Tissue Doppler Elastography Imaging, TDI) định lượng độ cứng mô, đây là chỉ dấu quan trọng của khả năng sống còn của mô, trong khi siêu âm Harmonic B-mode giúp làm rõ các mốc giải phẫu. Mặc dù có những cải tiến công nghệ này, việc diễn giải vẫn phức tạp và phụ thuộc vào người vận hành.
Trí tuệ nhân tạo (AI) hứa hẹn chuẩn hóa và nâng cao việc diễn giải hình ảnh thông qua nhận diện mẫu dựa trên dữ liệu. Hệ thống chẩn đoán bỏng không xâm lấn tự động cho chăm sóc sức khỏe sử dụng trí tuệ nhân tạo (Automated Noninvasive Burn Diagnostic System for Health Care using Artificial Intelligence, AMBUSH-AI) được phát triển nhằm kết hợp các phương thức chẩn đoán hình ảnh này với AI để cải thiện độ chính xác chẩn đoán độ sâu bỏng.
Thiết kế nghiên cứu
Nghiên cứu được tiến hành qua hai giai đoạn: giai đoạn phát triển ban đầu sử dụng mô hình bỏng ở lợn (n=12) và một đoàn hệ xác nhận tiến cứu ở người (n=30) bị bỏng nhiệt. Ở mô hình động vật, nhiều độ sâu bỏng khác nhau đã được tạo ra nhằm xây dựng bộ dữ liệu प्रतिनिधित cho huấn luyện AI.
Ở đối tượng người bệnh, hình ảnh được thu nhận bằng hai kỹ thuật siêu âm: Hình ảnh đàn hồi Doppler mô mô (Tissue Doppler Elastography Imaging, TDI) để đánh giá độ cứng, và siêu âm Harmonic B-mode để quan sát cấu trúc giải phẫu. Đồng thời, ảnh kỹ thuật số cũng được thu thập. Sinh thiết, đóng vai trò là tiêu chuẩn đối chiếu (ground truth) cho độ sâu bỏng, được thực hiện ở năm bệnh nhân trải qua cắt lọc phẫu thuật, cho phép so sánh trực tiếp và xác thực dự đoán của AI.
Khung AI được thiết kế để phân tích đầu vào hình ảnh kết hợp nhằm phân loại tự động độ sâu bỏng. Độ chính xác và tính giải thích được, hai chỉ số then chốt cho việc ứng dụng AI trong lâm sàng, là các tiêu chí đánh giá chính.
Kết quả chính
Kết quả ở mô hình động vật: Thuật toán AI đạt độ chính xác 100% trong nhận diện bỏng độ ba ở mô hình lợn, cho thấy năng lực của hệ thống trong điều kiện được kiểm soát.
Kết quả lâm sàng ở người: Đoàn hệ người có tuổi trung bình 47,6±17,6 năm và diện tích bề mặt cơ thể bị bỏng trung bình (Total Body Surface Area, TBSA) là 7,7%±8,5%. Hệ thống AMBUSH-AI đạt độ chính xác 95% trong phát hiện bỏng độ ba. Độ chính xác này cao hơn rõ rệt so với tỷ lệ chẩn đoán bằng mắt của chuyên gia hiện nay.
Việc kết hợp TDI và siêu âm Harmonic B-mode cho phép AI tích hợp thông tin cơ sinh học (độ cứng mô) và giải phẫu, từ đó nâng cao độ chính xác chẩn đoán. Đáng chú ý, mô hình cho thấy tính giải thích được trong các quyết định, cung cấp cho bác sĩ các đặc điểm hình ảnh có thể diễn giải thay vì đầu ra kiểu “hộp đen”.
Mặc dù cỡ mẫu còn hạn chế, đặc biệt ở các trường hợp có sinh thiết xác nhận, kết quả vẫn ủng hộ mạnh mẽ tiềm năng ứng dụng của hệ thống. Tính an toàn và quá trình thu nhận hình ảnh diễn ra đơn giản, không ghi nhận tác dụng bất lợi nào.
Bình luận của chuyên gia
Đánh giá độ sâu bỏng vẫn là một khía cạnh nền tảng nhưng đầy thách thức trong chăm sóc bỏng. Thăm khám lâm sàng mang tính chủ quan có thể thiếu nhất quán và không đồng đều, dẫn đến các kế hoạch điều trị khác nhau. Việc tích hợp dữ liệu siêu âm định lượng được diễn giải bằng AI là một hướng tiếp cận đầy hứa hẹn để khắc phục khoảng trống lâm sàng này.
AMBUSH-AI là ví dụ điển hình cho ứng dụng chuyển giao của trí tuệ nhân tạo trong chẩn đoán phẫu thuật — tận dụng chẩn đoán hình ảnh đa phương thức để cải thiện độ chính xác và giảm khác biệt giữa các người quan sát. Việc sử dụng các phương thức chẩn đoán hình ảnh được FDA phê duyệt làm tăng tính khả thi về mặt quy định. Tuy nhiên, cần thêm các nghiên cứu xác nhận quy mô lớn, đa trung tâm để khẳng định khả năng khái quát hóa trên các quần thể bệnh nhân và căn nguyên bỏng khác nhau.
Ngoài ra, tích hợp vào quy trình làm việc lâm sàng và đào tạo nhân viên về kỹ thuật thu nhận hình ảnh sẽ là yếu tố then chốt để triển khai. Tính giải thích được của hệ thống AI rất đáng ghi nhận vì giúp tăng niềm tin của bác sĩ và hỗ trợ ra quyết định hợp tác.
Kết luận
Hệ thống AMBUSH-AI đại diện cho một bước tiến đổi mới trong chẩn đoán vết bỏng, bằng cách kết hợp hình ảnh siêu âm và diễn giải bằng AI để đạt độ chính xác cao trong đánh giá độ sâu bỏng. Điều này có thể dẫn đến các can thiệp phẫu thuật kịp thời và phù hợp hơn, qua đó cuối cùng cải thiện kết cục của người bệnh. Các nghiên cứu tiếp theo nên tập trung vào mở rộng đoàn hệ xác nhận, tinh chỉnh mô hình AI và khảo sát khả năng tích hợp vào thực hành lâm sàng thực tế.
Nếu được triển khai rộng rãi, công nghệ này có tiềm năng trở thành tiêu chuẩn mới cho chẩn đoán độ sâu bỏng không xâm lấn và khách quan.
Kinh phí và đăng ký thử nghiệm
Trong bài báo gốc không cung cấp thông tin về nguồn kinh phí và đăng ký thử nghiệm lâm sàng.
Tài liệu tham khảo
- El Masry M, Rahman MM, Gnyawali SC, et al. Automated Noninvasive Burn Diagnostic System for Health Care Using Artificial Intelligence: AMBUSH-AI. Ann Surg. 2026 Feb 19;284(2):296-304. PMID: 41709317.
- Hettiaratchy S, Papini R. Initial management of a major burn: II—assessment and resuscitation. BMJ. 2004 Jul 3;329(7457):101-3.
- Chao JD, Chen D, Tong M, et al. Advances in burn wound diagnosis and monitoring with noninvasive imaging: A review. Burns. 2020 Mar;46(2):268-279.
- Phan TT, Goh CL. Evidence-based non-invasive evaluation of burn depth. Burns. 2011 Jan;37(1):2-10.
- Duong M, Hassan A, Sarntivijai S, et al. Explainable artificial intelligence for medical image interpretation: recent advances and future perspectives. J Med Syst. 2023 Apr;47(5):35.