Giới thiệu
Cholesterol lipoprotein tỷ trọng thấp (low-density lipoprotein cholesterol, LDL-C) là một dấu ấn sinh học quan trọng, được sử dụng rộng rãi để đánh giá nguy cơ tim mạch và định hướng điều trị hạ lipid máu. Công thức Martin-Hopkins đã được xác thực rộng rãi và được ứng dụng trong thực hành lâm sàng để ước tính LDL-C từ các bộ xét nghiệm lipid tiêu chuẩn, giúp cải thiện độ chính xác so với công thức Friedewald truyền thống. Tuy nhiên, mặc dù hiệu quả, độ phức tạp của phương pháp Martin-Hopkins có thể hạn chế việc áp dụng thường quy trong lâm sàng. Nghiên cứu này nhằm phát triển một công thức ước tính LDL-C đơn giản hóa dựa trên học máy, sử dụng multivariate adaptive regression splines (MARS), đồng thời xác thực hiệu năng của công thức này so với các công thức đã được thiết lập, bao gồm Friedewald, Sampson, Modified Sampson và công thức Martin-Hopkins nguyên bản.
Bối cảnh
Đo LDL-C chính xác là điều thiết yếu vì LDL-C tăng cao là một yếu tố nguy cơ có thể điều chỉnh quan trọng của bệnh tim mạch xơ vữa động mạch (atherosclerotic cardiovascular disease, ASCVD). Mặc dù đo trực tiếp LDL-C bằng siêu ly tâm hoặc các phương pháp chuẩn bị mẫu khác vẫn là tiêu chuẩn vàng, các phương pháp này tốn kém và không sẵn có thường quy tại mọi phòng xét nghiệm lâm sàng. Do đó, LDL-C thường được ước tính bằng các công thức dựa trên cholesterol toàn phần, cholesterol lipoprotein tỷ trọng cao (high-density lipoprotein cholesterol, HDL-C), triglyceride và các thông số lipid khác. Công thức Friedewald đã là tiêu chuẩn trong nhiều thập kỷ nhưng kém chính xác hơn ở bệnh nhân có triglyceride cao hoặc LDL-C thấp. Công thức Martin-Hopkins cải thiện điều này bằng cách sử dụng một hệ số điều chỉnh theo triglyceride, giúp ước tính LDL-C cá thể hóa tốt hơn, nhưng lại phức tạp hơn về mặt tính toán.
Thiết kế nghiên cứu và phương pháp
Nghiên cứu này sử dụng dữ liệu từ Very Large Database of Lipids (VLDL), bao gồm các hồ sơ lipid cắt ngang đại diện cho cả quần thể người lớn và trẻ em. Các phép đo lipid được thực hiện bằng phương pháp Vertical Auto Profile (VAP) siêu ly tâm từ tháng 10 năm 2015 đến tháng 6 năm 2019. Những bệnh nhân có bộ xét nghiệm lipid đầy đủ được phân ngẫu nhiên vào nhóm huấn luyện (hơn 3 triệu bệnh nhân) để phát triển mô hình, hoặc nhóm kiểm tra (hơn 1,6 triệu bệnh nhân) để thẩm định nội bộ. Thẩm định ngoại bộ tiếp tục được thực hiện bằng các bộ dữ liệu từ phòng xét nghiệm Mayo Clinic, đại diện cho một phổ rộng nồng độ LDL-C, và thử nghiệm lâm sàng FOURIER gồm các bệnh nhân được điều trị bằng chất ức chế PCSK9 evolocumab, đáng chú ý vì mức LDL-C rất thấp.
Ước tính LDL-C từ 5 công thức được so sánh gồm: Friedewald (LDL-C-F), Sampson (LDL-C-S), Modified Sampson (LDL-C-MS), Martin-Hopkins (LDL-C-MH) và công thức MARS mới phát triển dựa trên học máy (LDL-C-MH-MARS). Kết cục tập trung vào các chỉ số độ chính xác, bao gồm độ lệch trung vị, khoảng tứ phân vị, sai số bình phương trung bình căn bậc hai (root mean square error, RMSE) và mức độ phù hợp phân loại giữa các nhóm LDL-C theo khuyến cáo.
Kết quả
Bộ dữ liệu bao gồm gần 5 triệu bệnh nhân, với tuổi trung bình 56 tuổi và phân bố giới tính cân bằng. Mô hình LDL-C-MH-MARS cho thấy độ chính xác vượt trội, với độ lệch trung vị -0,1 mg/dL và khoảng tứ phân vị rất hẹp (-2,1 đến 1,8 mg/dL), gần tương đương với hiệu năng của công thức Martin-Hopkins nguyên bản. Chênh lệch giữa mô hình học máy mới và công thức gốc là rất nhỏ (chênh lệch trung vị -0,5 mg/dL), củng cố tính tương đương.
Các giá trị RMSE ưu thế thuộc về công thức MARS và Martin-Hopkins nguyên bản (lần lượt 4,7 và 4,9 mg/dL), tốt hơn Sampson (5,8 mg/dL), Modified Sampson (6,0 mg/dL) và Friedewald (7,2 mg/dL). Mức độ phù hợp về phân loại lâm sàng cao nhất ở LDL-C-MH-MARS (89,7%) và LDL-C-MH (89,6%), cao hơn so với các công thức còn lại.
Lợi ích lâm sàng quan trọng được ghi nhận ở bệnh nhân có triglyceride từ 200–399 mg/dL và LDL-C dưới 70 mg/dL. Trong nhóm này, tỷ lệ ước tính thấp hơn thực tế thấp nhất thuộc về LDL-C-MH-MARS (16%) và LDL-C-MH (17%), so với Friedewald (60%). Các thẩm định ngoại bộ xác nhận các xu hướng này, bao gồm cả ở quần thể có LDL-C rất thấp đang sử dụng evolocumab.
Bàn luận
Công thức LDL-C-MH-MARS mới phát triển cân bằng hiệu quả giữa độ chính xác và tính thuận tiện, khi hợp nhất bộ hệ số Martin-Hopkins vốn phức tạp thành một cách tiếp cận tinh gọn, một công thức duy nhất, được hỗ trợ bởi học máy. Với hiệu năng tương đương phương pháp tiêu chuẩn vàng nhưng đơn giản hóa tính toán, mô hình mới có thể tăng mức độ áp dụng trong lâm sàng và tích hợp vào hệ thống báo cáo xét nghiệm.
Đổi mới này cũng nhấn mạnh giá trị của các kỹ thuật học máy trong việc tinh chỉnh và tối ưu hóa các ước tính sinh hóa suy ra từ dữ liệu lâm sàng thường quy, tiến gần hơn tới y học cá thể hóa có thể thích ứng với nhiều kiểu hình bệnh nhân khác nhau.
Ý nghĩa lâm sàng
Ước tính LDL-C chính xác là điều bắt buộc để nhận diện bệnh nhân có nguy cơ tim mạch cao và đưa ra quyết định điều trị phù hợp, đặc biệt trong các trường hợp khó với kiểu hình lipid không điển hình hoặc tăng triglyceride. Mô hình LDL-C-MH-MARS có thể thay thế đáng tin cậy các phương pháp phức tạp hơn, giúp báo cáo LDL-C nhanh chóng và chính xác, hỗ trợ can thiệp kịp thời.
Tích hợp công thức này vào hệ thống thông tin xét nghiệm và các công cụ tính toán có thể cho phép sử dụng rộng rãi hơn trong thực hành lâm sàng mà không làm tăng chi phí hoặc gánh nặng xét nghiệm.
Hạn chế và hướng nghiên cứu tiếp theo
Mặc dù mô hình đã được xác thực trên quần thể rất lớn và đa dạng, vẫn cần các nghiên cứu triển khai trong thực tế để đánh giá tác động vận hành và tính dễ sử dụng trong các bối cảnh phòng xét nghiệm khác nhau. Các nghiên cứu tiếp theo cũng có thể xem xét tính ứng dụng ở các phân nhóm trẻ em, các nhóm sắc tộc khác nhau và các liệu pháp hạ lipid máu đang phát triển.
Kết luận
Nghiên cứu đã phát triển thành công và xác thực ngoại bộ một công thức ước tính LDL-C đơn giản hóa bằng học máy, với độ chính xác tương đương công thức Martin-Hopkins nguyên bản. Tiến bộ này hứa hẹn cải thiện phân tầng nguy cơ tim mạch thường quy và hỗ trợ ra quyết định lâm sàng bằng cách cung cấp một công cụ đo lipid dễ tiếp cận hơn nhưng vẫn đáng tin cậy.
