Mở đầu
Viêm da cơ địa (Atopic Dermatitis, AD) là một bệnh da viêm mạn tính, đặc trưng bởi các tổn thương dạng chàm, ngứa dữ dội và diễn tiến tái phát. Tổn thương vùng mặt trong AD đặc biệt gây khó chịu cho người bệnh do ảnh hưởng về thẩm mỹ và tâm lý, từ đó tạo gánh nặng bệnh tật đáng kể. Dupilumab, một kháng thể đơn dòng nhắm vào các đường truyền tín hiệu IL-4 và IL-13, đã chứng minh hiệu quả trong AD mức độ trung bình đến nặng, bao gồm cả tổn thương vùng mặt. Tuy nhiên, đáp ứng điều trị rất khác nhau giữa các bệnh nhân, và hiện chưa có các yếu tố dự báo sớm đáng tin cậy về kết quả điều trị, gây cản trở cho cá thể hóa điều trị.
Bối cảnh nghiên cứu
Cần khẩn cấp các phương pháp chính xác và không xâm lấn để dự đoán đáp ứng với dupilumab nhằm tối ưu hóa chiến lược điều trị, tránh phơi nhiễm không cần thiết và quản lý kỳ vọng của bệnh nhân. Kính hiển vi đồng tiêu phản xạ (Reflectance Confocal Microscopy, RCM) cho phép quan sát cấu trúc da in vivo với độ phân giải gần tương đương mô học mà không gây tổn thương mô, từ đó cung cấp những thông tin đặc biệt về các thay đổi vi cấu trúc dưới điều trị. Việc tích hợp các kỹ thuật học sâu (deep learning) để phân tích dữ liệu hình ảnh phức tạp có tiềm năng nâng cao độ chính xác dự báo.
Thiết kế và phương pháp nghiên cứu
Nghiên cứu thuần tập tiến cứu này tuyển chọn 52 bệnh nhân AD vùng mặt được điều trị bằng dupilumab trong giai đoạn từ tháng 5 năm 2023 đến tháng 6 năm 2025. Bệnh nhân được phân loại là nhóm đáp ứng hoặc không đáp ứng dựa trên việc đạt ít nhất 75% cải thiện theo Chỉ số Diện tích và Mức độ Nặng của Chàm (Eczema Area and Severity Index, EASI-75) tại tuần 16. Chụp RCM được thực hiện trên các tổn thương vùng mặt tại thời điểm ban đầu và ở tuần thứ 4 sau điều trị để ghi nhận các đặc điểm hình thái sớm.
Một mô hình học sâu dựa trên kiến trúc ResNet101 được huấn luyện trên các ảnh RCM tuần 4 nhằm phân biệt nhóm đáp ứng với nhóm không đáp ứng. Hiệu năng mô hình được đánh giá bằng diện tích dưới đường cong ROC (area under the receiver operating characteristic curve, AUC). Các đặc điểm RCM then chốt cũng được phân tích riêng lẻ về mối liên quan với đáp ứng điều trị.
Kết quả chính
Nghiên cứu xác định giãn nhú bì và giãn ngoằn ngoèo các mao mạch ở nhú bì trên RCM tại tuần 4 là các yếu tố dự báo có ý nghĩa đối với đáp ứng điều trị kém, với giá trị AUC lần lượt là 0,83 (P<0,001) và 0,81 (P<0,001). Những phát hiện này cho thấy các thay đổi vi mạch dai dẳng sớm sau khi bắt đầu điều trị có thể báo hiệu tình trạng kháng với dupilumab.
Mô hình học sâu ResNet101, được huấn luyện chỉ trên các ảnh RCM sau điều trị ở tuần 4, đạt hiệu năng dự báo mạnh với AUC trên tập kiểm tra là 0,796. Các hình ảnh heatmap trong quá trình ra quyết định của mô hình đã nhấn mạnh các mô thức vi mạch và cấu trúc da như những đặc điểm then chốt thúc đẩy phân loại.
Do đó, việc tích hợp hình ảnh RCM với các kỹ thuật máy học tiên tiến cho phép xây dựng một công cụ đánh giá hiệu quả, không xâm lấn để nhận diện sớm các bệnh nhân ít có khả năng hưởng lợi từ dupilumab trong tổn thương AD vùng mặt.
Hạn chế
Cỡ mẫu tương đối nhỏ (52 bệnh nhân) làm hạn chế khả năng khái quát hóa kết quả. Cần có các nghiên cứu lớn hơn và đa trung tâm để xác thực và tinh chỉnh mô hình dự báo. Ngoài ra, nghiên cứu tập trung vào tổn thương vùng mặt, nên khả năng áp dụng cho các vị trí cơ thể khác cần được khảo sát thêm. Khoảng thời gian ngắn (4 tuần) để dự đoán sớm là một ưu điểm, nhưng vẫn cần được xác nhận về mối liên quan với kết cục dài hạn.
Bình luận chuyên gia
Nghiên cứu này kết hợp một cách sáng tạo kính hiển vi đồng tiêu phản xạ với học sâu để giải quyết một nhu cầu chưa được đáp ứng quan trọng trong quản lý AD — dự đoán sớm đáp ứng với điều trị sinh học. Việc sử dụng các dấu ấn hình ảnh không xâm lấn liên quan đến tái cấu trúc vi mạch có cơ sở cơ chế hợp lý, vì sự điều hòa viêm тип 2 của dupilumab có thể ảnh hưởng đến các thay đổi mạch máu ở lớp bì. Mặc dù đầy hứa hẹn, phương pháp này đòi hỏi nguồn lực chụp ảnh chuyên sâu và chuyên môn tính toán, điều có thể hạn chế khả năng áp dụng ngay trong lâm sàng.
Việc phân biệt rõ nhóm đáp ứng và không đáp ứng ở tuần 4 có giá trị lâm sàng, cho phép cân nhắc điều chỉnh điều trị sớm và tối ưu hóa nguồn lực y tế. Tích hợp trong tương lai với các dấu ấn sinh học huyết thanh và phân loại kiểu hình lâm sàng có thể tiếp tục nâng cao độ chính xác dự báo.
Kết luận
Các đặc điểm RCM sớm sau điều trị, đặc biệt là giãn nhú bì và giãn ngoằn ngoèo các mao mạch ở nhú bì, khi kết hợp với phân tích học sâu dựa trên ResNet101, cung cấp một hướng tiếp cận đầy triển vọng, không xâm lấn để dự đoán đáp ứng với dupilumab trong viêm da cơ địa vùng mặt. Phương pháp này hỗ trợ xây dựng chiến lược điều trị cá thể hóa bằng cách nhận diện sớm những bệnh nhân có thể cần liệu pháp thay thế ngay từ giai đoạn đầu điều trị. Cần có các nghiên cứu xác thực với cỡ mẫu lớn hơn để khẳng định những kết quả đầy hứa hẹn này và tạo điều kiện chuyển giao vào thực hành da liễu thường quy.
Đề tài tài trợ và đăng ký thử nghiệm lâm sàng
Nghiên cứu được hỗ trợ bởi các khoản tài trợ từ cơ quan của các khoa da liễu tham gia. Không ghi nhận số đăng ký thử nghiệm lâm sàng.
Tài liệu tham khảo
1. Simpson EL et al. Two phase 3 trials of dupilumab versus placebo in atopic dermatitis. N Engl J Med. 2016;375(24):2335-2348.
2. Wollenberg A et al. Early improvement and predictors of response to dupilumab in patients with atopic dermatitis. J Eur Acad Dermatol Venereol. 2021;35(4):e219-e221.
3. Rajadhyaksha M et al. In vivo confocal scanning laser microscopy of human skin I: Morphologic features of normal skin. J Invest Dermatol. 1995;104(6):946-952.
4. He K et al. Deep Residual Learning for Image Recognition. 2016 IEEE CVPR.
5. Beck LA et al. Dupilumab treatment in adults with moderate-to-severe atopic dermatitis. N Engl J Med. 2014;371(2):130-139.
