Những điểm nổi bật
- Một mô hình bắt chéo mới đạt được C-index 0.80 trong việc dự đoán nguy cơ 6 năm mắc rối loạn tâm thần hoặc rối loạn lưỡng cực bằng dữ liệu lâm sàng thực tế.
- Nghiên cứu sử dụng dữ liệu từ 127.868 bệnh nhân ở Vương quốc Anh, bao gồm 77 yếu tố dự đoán như nhân khẩu học, thuốc, và triệu chứng được trích xuất từ NLP.
- Phân tích đường cong quyết định cho thấy việc áp dụng mô hình có thể phát hiện thêm ba trường hợp rối loạn tâm thần hoặc rối loạn lưỡng cực cho mỗi 100 bệnh nhân được sàng lọc so với chăm sóc tiêu chuẩn.
- Mô hình cho thấy khả năng hiệu chỉnh xuất sắc, gợi ý về độ tin cậy của nó trong đánh giá nguy cơ cá nhân hóa tại các cơ sở y tế tâm thần thứ cấp.
Nền tảng: Sự cần thiết của Phát hiện Sớm trong Y học Tâm thần
Can thiệp sớm là nền tảng của tâm thần học hiện đại, đặc biệt liên quan đến các bệnh lý tâm thần nghiêm trọng như rối loạn tâm thần và rối loạn lưỡng cực. Các tình trạng này thường xuất hiện vào cuối tuổi thiếu niên hoặc đầu tuổi trưởng thành, dẫn đến khuyết tật dài hạn đáng kể, giảm chất lượng cuộc sống và chi phí kinh tế cao nếu không được điều trị. Theo cách truyền thống, các con đường lâm sàng để phát hiện nguy cơ đã bị phân mảnh, tập trung vào rối loạn tâm thần hoặc rối loạn tâm trạng độc lập. Tuy nhiên, bằng chứng gần đây cho thấy có sự chồng chéo đáng kể về triệu chứng giai đoạn đầu và các yếu tố nguy cơ di truyền và môi trường chung giữa các loại bệnh này.
Có nhu cầu cấp bách đối với một cách tiếp cận bắt chéo có thể cùng lúc xác định cá nhân có nguy cơ mắc cả rối loạn tâm thần và rối loạn lưỡng cực. Một công cụ như vậy sẽ cho phép các bác sĩ chuyển từ chăm sóc phản ứng sang mô hình phòng ngừa chủ động. Việc phát triển các mô hình dự đoán lâm sàng (CPMs) sử dụng hồ sơ y tế điện tử (EHR) mang lại hướng hứa hẹn để đạt được mục tiêu này, cung cấp cho các bác sĩ ước tính rủi ro khách quan, dựa trên dữ liệu được điều chỉnh cho từng bệnh nhân.
Thiết kế Nghiên cứu: Khai thác Bằng chứng Thực tế và AI
Nghiên cứu này tuân thủ các tuyên bố RECORD và TRIPOD+AI, nhằm phát triển và kiểm chứng một CPM để ước tính nguy cơ 6 năm phát triển rối loạn tâm thần hoặc rối loạn lưỡng cực. Các nhà nghiên cứu sử dụng dữ liệu từ South London and Maudsley (SLaM) NHS Foundation Trust, một trong những nhà cung cấp dịch vụ chăm sóc sức khỏe tâm thần thứ cấp lớn nhất châu Âu. Bộ dữ liệu bao gồm bệnh nhân mọi lứa tuổi có chẩn đoán chỉ số là một rối loạn tâm thần không hữu cơ, không tâm thần, và không lưỡng cực được ghi nhận từ ngày 1 tháng 1 năm 2008 đến ngày 10 tháng 8 năm 2021.
Dân số Bệnh nhân và Tiêu chí Loại trừ
Đội ngũ cuối cùng bao gồm 127.868 bệnh nhân. Để đảm bảo mô hình dự đoán các rối loạn mới phát sinh thay vì theo dõi các rối loạn hiện tại, nghiên cứu đã loại bỏ những bệnh nhân đã nhận được các loại thuốc chống loạn thần dạng tiêm dài hạn hoặc clozapine trước khi chẩn đoán mục tiêu. Ngoài ra, một thời gian rửa đã được thiết lập để đảm bảo chất lượng dữ liệu, và những bệnh nhân không có liên hệ theo dõi đã bị loại bỏ.
Các Yếu tố Dự đoán và Mô hình
Các nhà nghiên cứu đã sử dụng mô hình Cox tỷ lệ nguy cơ có quy định LASSO (Least Absolute Shrinkage and Selection Operator). Cách tiếp cận này đặc biệt hiệu quả trong việc xử lý dữ liệu đa chiều cao mà không gây quá khớp. Tổng cộng 77 yếu tố dự đoán đã được kết hợp, được trích xuất từ khoảng thời gian 6 tháng trước ngày chỉ số:
- Các yếu tố dự đoán nhân khẩu học và lâm sàng (5 biến, bao gồm tuổi và dân tộc).
- Lịch sử dùng thuốc (4 biến).
- Lịch sử nhập viện (2 biến).
- Các dấu hiệu, triệu chứng, và việc sử dụng chất kích thích được trích xuất từ NLP (66 biến).
Việc bao gồm dữ liệu được trích xuất từ NLP là một điểm mạnh phương pháp học quan trọng, vì nó cho phép mô hình bắt giữ thông tin lâm sàng tinh tế thường bị chôn vùi trong các ghi chú lâm sàng không cấu trúc, như ảo giác cụ thể, dao động tâm trạng, hoặc mẫu sử dụng chất kích thích.
Chiến lược Kiểm chứng
Để đảm bảo độ bền vững và khả năng tổng quát hóa của mô hình, nhóm đã sử dụng kiểm chứng nội-ngoại. Điều này bao gồm việc loại bỏ một trong năm quận do SLaM phục vụ để kiểm tra trong khi huấn luyện mô hình trên bốn quận còn lại. Quá trình này được lặp lại cho mỗi quận, và kết quả hiệu suất được trung bình.
Những Kết quả Chính: Hiệu suất và Độ chính xác của Mô hình
Đội ngũ nghiên cứu đa dạng, với độ tuổi trung bình là 33,4 tuổi. Phân phối giới gần như cân bằng (50,8% nam, 49,0% nữ), và dữ liệu dân tộc phản ánh dân cư đô thị Nam London (55,8% da trắng, 14,1% da đen, và 4,9% người Á). Nguy cơ tích lũy phát triển rối loạn tâm thần hoặc rối loạn lưỡng cực trong 6 năm được tìm thấy là 0,0827 (8,27%).
Khả năng Phân biệt và Hiệu chỉnh
Mô hình đã thể hiện hiệu suất xuất sắc qua nhiều chỉ số quan trọng:
- C-index: 0,80 (KTC 95% 0,78-0,81). Điều này cho thấy khả năng phân biệt cao giữa các bệnh nhân sẽ phát triển các rối loạn và những người sẽ không.
- Slope Hiệu chỉnh: 1,02 (ĐB 0,14). Độ dốc gần 1 cho thấy xác suất dự đoán phù hợp tốt với kết quả quan sát.
- Hiệu chỉnh lớn: 0,06 (ĐB 0,02). Chỉ số này xác nhận rằng rủi ro tổng thể được dự đoán bởi mô hình gần với rủi ro thực tế trong dân số.
Những kết quả này cho thấy mô hình không chỉ chính xác trong xếp hạng mà còn cung cấp các phần trăm rủi ro tuyệt đối đáng tin cậy mà các bác sĩ có thể sử dụng để đưa ra quyết định điều trị.
Tính Thực tế Lâm sàng: Vượt qua Ý nghĩa Thống kê
Mặc dù các chỉ số thống kê như C-index rất quan trọng, nhưng giá trị cuối cùng của một mô hình dự đoán nằm ở tính thực tế lâm sàng. Các nhà nghiên cứu đã thực hiện Phân tích Đường cong Quyết định (DCA) để đánh giá việc sử dụng mô hình có dẫn đến quyết định lâm sàng tốt hơn so với các chiến lược mặc định (như giả định mọi người đều có nguy cơ hoặc không ai có nguy cơ).
DCA cho thấy mô hình cung cấp lợi ích ròng đáng kể trong phạm vi rộng các xác suất ngưỡng. Cụ thể, các nhà nghiên cứu ước tính rằng mô hình có thể phát hiện thêm ba trường hợp rối loạn tâm thần hoặc rối loạn lưỡng cực sớm cho mỗi 100 bệnh nhân được sàng lọc. Trong một hệ thống chăm sóc sức khỏe lớn, điều này tương đương với hàng trăm cá nhân nhận được can thiệp sớm, có thể thay đổi tiến trình bệnh lý dài hạn của họ.
Bình luận Chuyên gia: Điểm mạnh, Hạn chế và Hướng Phát triển Tương lai
Nghiên cứu này đại diện cho một bước tiến đáng kể trong việc ứng dụng AI và học máy vào sức khỏe tâm thần. Việc sử dụng khung bắt chéo nhận thức thực tế lâm sàng rằng các triệu chứng tâm thần giai đoạn đầu thường không cụ thể. Bằng cách chuyển khỏi các danh mục chẩn đoán cứng nhắc trong giai đoạn đánh giá nguy cơ, mô hình phản ánh sự thật sinh học và lâm sàng hơn.
Điểm mạnh
Điểm mạnh chính của nghiên cứu là quy mô lớn và việc sử dụng dữ liệu EHR thực tế. Khác với các thử nghiệm lâm sàng được kiểm soát chặt chẽ, mô hình này được xây dựng trên dữ liệu phức tạp và lộn xộn trong thực tế hàng ngày, làm tăng khả năng hoạt động tốt trong các bối cảnh lâm sàng thực tế. Việc tích hợp NLP để trích xuất dấu hiệu lâm sàng từ ghi chú văn bản tự do cũng là một bước nhảy vọt công nghệ, bắt giữ “sự trực giác lâm sàng” thường được ghi lại bởi y tá và bác sĩ nhưng bị bỏ qua bởi các truy vấn cơ sở dữ liệu truyền thống.
Hạn chế
Dù có kết quả ấn tượng, vẫn phải xem xét một số hạn chế. Đầu tiên, mô hình được phát triển và kiểm chứng trong một NHS Trust duy nhất (dù lớn). Kiểm chứng ngoại vi trong các khu vực địa lý khác nhau hoặc các hệ thống chăm sóc sức khỏe khác (ví dụ, hệ thống dựa trên bảo hiểm tư) là cần thiết để đảm bảo khả năng tổng quát hóa. Thứ hai, như tác giả đã lưu ý, những người có kinh nghiệm sống không tham gia vào quá trình thiết kế hoặc viết. Các phiên bản sau này của mô hình nên tích hợp góc nhìn của bệnh nhân để đảm bảo các kết quả được đo và phương pháp giao tiếp là hướng đến bệnh nhân. Cuối cùng, mặc dù mô hình xác định nguy cơ, nó không chỉ định can thiệp nào là tốt nhất cho bệnh nhân nào—bước tiếp theo cần thiết cho tâm thần học chính xác.
Kết luận
Việc phát triển mô hình dự đoán lâm sàng bắt chéo này đánh dấu một bước ngoặt quan trọng hướng tới phát hiện sớm có hệ thống trong tâm thần học. Với C-index 0,80 và bằng chứng rõ ràng về tính thực tế lâm sàng, công cụ này cung cấp một phương pháp mạnh mẽ để xác định cá nhân có nguy cơ cao trong chăm sóc thứ cấp. Bằng cách tích hợp các mô hình như vậy vào hệ thống hồ sơ y tế điện tử, các nhà cung cấp dịch vụ chăm sóc sức khỏe có thể chuyển hướng sang cách tiếp cận phòng ngừa nhiều hơn, có thể giảm gánh nặng của rối loạn tâm thần và rối loạn lưỡng cực lên thanh thiếu niên và hệ thống chăm sóc sức khỏe nói chung.
Kinh phí và Tài liệu tham khảo
Nghiên cứu này được tài trợ bởi Hội đồng Nghiên cứu Y học Vương quốc Anh (MR/N013700/1) và Trung tâm Nghiên cứu Y học Sinh học Quốc gia (NIHR) tại South London and Maudsley NHS Foundation Trust và Oxford Health NHS Foundation Trust.
Tài liệu tham khảo
Arribas M, de Micheli A, Krakowski K, Stahl D, Correll CU, Young AH, Andreassen OA, Vieta E, Arango C, McGuire P, Oliver D, Fusar-Poli P. Phát hiện chung nguy cơ rối loạn tâm thần hoặc rối loạn lưỡng cực trong thực hành lâm sàng ở Vương quốc Anh: phát triển và kiểm chứng một mô hình dự đoán lâm sàng. Lancet Psychiatry. 2026 Jan;13(1):14-23. doi: 10.1016/S2215-0366(25)00307-4. Epub 2025 Nov 26. PMID: 41317739.
