Điểm nổi bật
Nghiên cứu hồi cứu này áp dụng một mô hình deep learning đã được thẩm định trên phim X-quang ngực của 6.591 người lớn thở máy để phát hiện các đặc điểm X-quang gợi ý hội chứng suy hô hấp cấp tính (Acute Respiratory Distress Syndrome, ARDS). Các điểm số ARDS-CXR thu được giúp phân tầng nguy cơ tử vong sau 28 ngày vượt trên các dấu ấn lâm sàng đã được thiết lập như tỷ lệ PaO2/FiO2 và điểm số mức độ nặng bệnh APACHE-IV. Điểm ARDS-CXR cao hơn có liên quan độc lập với tỷ lệ tử vong tăng và thời gian đến rút nội khí quản kéo dài hơn, cho thấy tiềm năng của phân tích hình ảnh bằng AI trong việc bổ trợ tiên lượng lâm sàng ở ARDS.
Bối cảnh nghiên cứu
Hội chứng suy hô hấp cấp tính (Acute Respiratory Distress Syndrome, ARDS) là một biểu hiện thường gặp và nặng của tổn thương phổi cấp, đặc trưng bởi thâm nhiễm phổi hai bên và giảm oxy máu. Đây là một chỉ định thường gặp của thở máy xâm lấn ở bệnh nhân nặng và có liên quan đến tỷ lệ tử vong cao cùng thời gian nằm tại khoa hồi sức tích cực kéo dài. Định nghĩa lâm sàng của ARDS, bao gồm tiêu chuẩn Berlin, dựa vào mức độ giảm oxy máu, hình ảnh thâm nhiễm hai bên trên X-quang ngực và loại trừ suy tim. Tuy nhiên, việc đọc phim X-quang ngực có tính biến thiên giữa các người đánh giá, và các chỉ số sinh lý truyền thống như tỷ lệ PaO2/FiO2 không phản ánh đầy đủ tính không đồng nhất hoặc mức độ nặng của tổn thương phổi.
Các tiến bộ gần đây trong trí tuệ nhân tạo (AI), đặc biệt là deep learning, có thể cung cấp khả năng đánh giá tự động và khách quan dữ liệu hình ảnh để phát hiện các mẫu X-quang gợi ý ARDS. Công nghệ này có tiềm năng cải thiện phân tầng nguy cơ và hỗ trợ ra quyết định lâm sàng bằng cách đưa ra phép định lượng tổn thương phổi có tính lặp lại, bổ sung cho các phép đo sinh lý và điểm số mức độ nặng. Tuy nhiên, bằng chứng về việc các dấu hiệu X-quang ARDS được AI phát hiện có thể dự đoán độc lập kết cục của người bệnh hay không vẫn còn hạn chế.
Thiết kế nghiên cứu
Nghiên cứu này là một phân tích đoàn hệ hồi cứu được thực hiện tại một trung tâm y khoa học thuật đơn trung tâm. Bệnh nhân trưởng thành được chụp X-quang ngực tại thời điểm bắt đầu thở máy xâm lấn được đưa vào phân tích. Bộ dữ liệu gồm 6.591 bệnh nhân đang thở máy, với phim X-quang ngực được xử lý bằng một mô hình deep learning đã được thẩm định trước đó, được thiết kế để nhận diện các đám mờ khoảng khí hai bên phù hợp với chẩn đoán X-quang của ARDS.
Mô hình tạo ra điểm ARDS-CXR tương ứng với xác suất hiện diện ARDS. Tiêu chí đánh giá chính là tử vong sau 28 ngày và thời gian đến rút nội khí quản. Các phân tích thứ cấp đánh giá khả năng phân biệt tiên lượng của điểm ARDS-CXR so với các dấu ấn lâm sàng đã thiết lập, bao gồm tỷ lệ PaO2/FiO2 và thang điểm Acute Physiology and Chronic Health Evaluation-IV (APACHE-IV). Các mô hình Cox tỷ lệ nguy cơ đa biến và hồi quy logistic đã hiệu chỉnh theo các biến đồng biến lâm sàng này để đánh giá mối liên quan độc lập giữa điểm ARDS-CXR và kết cục.
Kết quả chính
Giá trị trung vị của điểm ARDS-CXR trong toàn bộ đoàn hệ là -2,09, tương ứng với xác suất ARDS xấp xỉ 15%. Tổng cộng có 1.089 bệnh nhân (17%) có điểm ARDS-CXR dương tính, cho thấy xác suất hiện diện ARDS trên 50%. Tỷ lệ tử vong sau 28 ngày cao hơn rõ rệt ở nhóm có điểm ARDS-CXR dương tính (35,1%) so với nhóm âm tính (13,5%). Đáng chú ý, ngay cả các điểm ARDS-CXR dưới ngưỡng dương tính vẫn phân tầng được nguy cơ tử vong, với tỷ lệ tử vong tăng dần trong khoảng điểm từ -2 đến 0.
Các chỉ số hiệu năng cho thấy điểm ARDS-CXR có diện tích dưới đường cong đặc tính vận hành của bộ phân loại (AUROC) là 0,68 (KTC 95%, 0,66–0,70) trong dự đoán tử vong sau 28 ngày, cao hơn AUROC của tỷ lệ PaO2/FiO2 là 0,64 (KTC 95%, 0,62–0,66). Sau khi hiệu chỉnh theo tỷ lệ PaO2/FiO2 hoặc điểm APACHE-IV, mỗi mức tăng 1 điểm của ARDS-CXR đều liên quan có ý nghĩa với khả năng tử vong sau 28 ngày cao hơn và thời gian đến rút nội khí quản kéo dài hơn, nhấn mạnh giá trị tiên lượng độc lập của chỉ số này.
Các kết quả cho thấy đánh giá định lượng hình ảnh bằng deep learning không chỉ tái phân loại những bệnh nhân trước đây được xem là âm tính với ARDS theo các tiêu chí khác, mà còn nhận diện được một phổ mức độ nặng có tương quan với kết cục lâm sàng. Điều này gợi ý rằng các dấu ấn sinh học hình ảnh do AI tạo ra có thể nắm bắt các đặc điểm sinh lý bệnh không được phản ánh đầy đủ bởi các chỉ số oxy hóa máu hoặc các thang điểm bệnh lý chung.
Nhận định chuyên gia
Việc sử dụng các thuật toán machine learning để trích xuất các đặc điểm có ý nghĩa tiên lượng từ phim X-quang ngực là một bước tiến quan trọng trong y học hồi sức tích cực. Nghiên cứu này cho thấy AI có thể tăng cường giá trị chẩn đoán và dự đoán của hình ảnh học ngực bằng cách cung cấp các thước đo khách quan, có tính lặp lại về mức độ tổn thương phổi. Mối liên quan độc lập giữa điểm ARDS-CXR với tử vong và khả năng cai máy thở cho thấy tiềm năng của chỉ số này trong ra quyết định lâm sàng, tiên lượng và phân tầng bệnh nhân cho các thử nghiệm nghiên cứu.
Tuy nhiên, vẫn còn một số vấn đề cần cân nhắc. Phân tích này mang tính hồi cứu và đơn trung tâm, do đó có thể hạn chế khả năng khái quát hóa. Cần được xác nhận trong các đoàn hệ tiền cứu đa trung tâm. Ngoài ra, việc tích hợp các điểm số hình ảnh do AI tạo ra vào quy trình lâm sàng hiện có và các định nghĩa ARDS đòi hỏi đánh giá tiền cứu thận trọng để xác định tác động lên quyết định điều trị và kết cục. Khả năng diễn giải của mô hình cũng như khả năng phân biệt ARDS với các nguyên nhân khác gây thâm nhiễm hai bên hoặc các bệnh đồng mắc cũng cần được nghiên cứu thêm.
Kết luận
Nghiên cứu này cung cấp bằng chứng thuyết phục rằng điểm ARDS-CXR dựa trên deep learning, được suy ra từ phim X-quang ngực tiêu chuẩn, có thể dự đoán độc lập tử vong và thời gian đến rút nội khí quản ở bệnh nhân thở máy, vượt trên các chỉ số mức độ nặng truyền thống như tỷ lệ PaO2/FiO2 và điểm APACHE-IV. Dấu ấn sinh học hình ảnh định lượng này có triển vọng bổ trợ đánh giá lâm sàng, cho phép phân tầng nguy cơ chính xác hơn và có thể hỗ trợ các chiến lược điều trị cá thể hóa.
Các nghiên cứu trong tương lai nên tập trung vào xác nhận tiền cứu, tích hợp với các thông số lâm sàng, và khảo sát cách các dấu ấn X-quang do AI tạo ra có thể tinh chỉnh định nghĩa ARDS cũng như định hướng quản lý người bệnh cá thể hóa.
Tài trợ và ClinicalTrials.gov
Không có thông tin về tài trợ hoặc đăng ký thử nghiệm lâm sàng được báo cáo trong bài gốc.
Tài liệu tham khảo
1. Zhong Y, Nuppnau M, Farzaneh N, Ansari S, Sjoding MW. Association of Acute Respiratory Distress Syndrome Radiographic Findings Identified by Machine Learning and Outcomes of Patients Receiving Invasive Mechanical Ventilation. Critical Care Medicine. 2026 Oct 23. PMID: 42919460.
2. ARDS Definition Task Force, Ranieri VM, Rubenfeld GD, et al. Acute respiratory distress syndrome: the Berlin Definition. JAMA. 2012;307(23):2526-2533.
3. Sjoding MW, Allegretti AS, Koyama T, et al. Quantitative Chest X-ray Evaluation and ARDS Prognostication. Am J Respir Crit Care Med. 2020;201(8):1016-1024.
4. Johnson AEW, Pollard TJ, Shen L, et al. MIMIC-III, a freely accessible critical care database. Scientific Data 2016;3:160035.
