Dự đoán tình trạng không dung nạp vận động sau phẫu thuật tim mạch bằng phương pháp học máy: Nghiên cứu dựa trên các thông số lâm sàng tại thời điểm xuất viện

Dự đoán tình trạng không dung nạp vận động sau phẫu thuật tim mạch bằng phương pháp học máy: Nghiên cứu dựa trên các thông số lâm sàng tại thời điểm xuất viện

Điểm nổi bật

  • Xây dựng và thẩm định một mô hình học máy để dự đoán tình trạng không dung nạp gắng sức sau phẫu thuật, sử dụng các dữ liệu lâm sàng sẵn có tại thời điểm xuất viện.
  • Mô hình cho thấy độ chính xác cao (AUC 0,855), với các yếu tố dự báo chính gồm sức mạnh duỗi gối, tỷ số E/e’ và mức cholesterol lipoprotein tỷ trọng cao (HDL).
  • Việc nhận diện sớm người bệnh có nguy cơ giảm khả năng gắng sức giúp triển khai các chiến lược phục hồi chức năng có mục tiêu trong giai đoạn hồi phục sau phẫu thuật tim mạch.

Bối cảnh nghiên cứu

Không dung nạp gắng sức, thường được đo bằng mức hấp thu oxy đỉnh (VO2 đỉnh), ảnh hưởng đáng kể đến chất lượng cuộc sống và tiên lượng dài hạn ở người bệnh trải qua phẫu thuật tim mạch. Mặc dù kỹ thuật phẫu thuật và chăm sóc quanh phẫu thuật đã được cải thiện, suy giảm năng lực chức năng thể lực vẫn là một thách thức phổ biến trong quá trình hồi phục, làm hạn chế khả năng trở lại mức hoạt động nền và làm tăng nguy cơ bệnh suất cũng như nhập viện lại. Hiện nay, dự đoán khả năng gắng sức sau phẫu thuật tim mạch còn ít được nghiên cứu, và các mô hình hiện có thường chưa tích hợp dữ liệu lâm sàng đa chiều sẵn có ngay tại thời điểm xuất viện. Việc ứng dụng các phương pháp học máy (machine learning, ML) trong tim mạch dự báo ngày càng gia tăng, cho phép tích hợp hiệu quả các bộ dữ liệu phức tạp và nhận diện các yếu tố dự báo mới nhằm định hướng quản lý cá thể hóa. Vì vậy, nghiên cứu này nhằm xây dựng và thẩm định một công cụ dự báo dựa trên ML để dự đoán giảm khả năng gắng sức sau 3 tháng phẫu thuật tim mạch, sử dụng các thông số lâm sàng quanh phẫu thuật có sẵn khi xuất viện.

Thiết kế nghiên cứu

Đây là nghiên cứu đoàn hệ hồi cứu, sử dụng dữ liệu từ một trung tâm tim mạch đơn lẻ trong thời gian gần 10 năm (từ tháng 4/2015 đến tháng 1/2025). Quần thể nghiên cứu gồm 590 người bệnh từ 75 tuổi trở xuống, đã trải qua phẫu thuật tim mạch và hoàn thành nghiệm pháp gắng sức tim phổi (cardiopulmonary exercise testing, CPET) sau phẫu thuật 3 tháng. Do là nghiên cứu quan sát tập trung vào mô hình hóa tiên lượng, không áp dụng can thiệp hay nhóm so sánh.

Tiêu chí đánh giá chính là giảm dung nạp gắng sức, được định nghĩa là mức hấp thu oxy đỉnh (peak VO2) dưới 14 mL/phút/kg tại thời điểm 3 tháng sau phẫu thuật, một ngưỡng đã được xác lập liên quan đến suy giảm chức năng ở quần thể tim mạch. Các biến lâm sàng thu thập tại thời điểm xuất viện bao gồm thông tin nhân khẩu học, chỉ số xét nghiệm, các thông số siêu âm tim, đo sức mạnh cơ và các chỉ số lâm sàng liên quan khác. Tổng cộng 43 biến dự báo ứng viên đã được xem xét.

Kết quả chính

Trong 590 người bệnh được phân tích, 139 trường hợp (23,6%) có tình trạng giảm dung nạp gắng sức sau phẫu thuật 3 tháng. Sau khi sàng lọc đa cộng tuyến giữa các biến dự báo, phương pháp chọn đặc trưng tiến tới đã rút gọn các biến ứng viên còn 9 yếu tố dự báo chính để đưa vào giai đoạn mô hình hóa.

Năm thuật toán học máy được đánh giá bằng thẩm định chéo 5 lần: hồi quy logistic, máy vectơ hỗ trợ, rừng ngẫu nhiên, tăng cường gradient và mạng nơ-ron. Bộ phân loại rừng ngẫu nhiên cho kết quả tốt nhất, đạt diện tích dưới đường cong ROC (AUC) là 0,855. Độ nhạy và độ đặc hiệu lần lượt là 0,643 và 0,867, cho thấy khả năng phân biệt tốt và tỷ lệ dương tính giả thấp.

Phân tích khả năng giải thích bằng SHapley Additive exPlanations (SHAP) xác định ba đặc trưng có ảnh hưởng lớn nhất đến dự đoán: tỷ lệ phần trăm sức mạnh duỗi gối đẳng trương so với giá trị dự kiến, tỷ số E/e’ (tỷ số giữa vận tốc dòng vào van hai lá sớm và vận tốc vòng van hai lá ở thì tâm trương sớm, là dấu ấn của áp lực đổ đầy thất trái), và nồng độ cholesterol lipoprotein tỷ trọng cao (HDL).

Đặc điểm lâm sàng của nhóm người bệnh có giảm dung nạp gắng sức bao gồm sức mạnh cơ thấp hơn, áp lực đổ đầy tâm trương tăng, và rối loạn hồ sơ lipid, nhấn mạnh sinh lý bệnh đa yếu tố liên quan đến chức năng tim, năng lực cơ ngoại vi và tình trạng chuyển hóa.

Bình luận chuyên gia

Nghiên cứu này đánh dấu một bước tiến quan trọng trong chăm sóc hậu phẫu cho người bệnh phẫu thuật tim mạch, khi tích hợp dữ liệu lâm sàng quanh phẫu thuật với học máy để dự đoán các kết cục chức năng. Việc tập trung vào peak VO2, tiêu chuẩn vàng trong đánh giá khả năng gắng sức, làm tăng ý nghĩa lâm sàng của mô hình. Đáng chú ý, các yếu tố dự báo được xác định phù hợp với các cơ chế sinh học đã biết: yếu cơ góp phần làm giảm dung nạp gắng sức; E/e’ tăng gợi ý rối loạn chức năng tâm trương và suy giảm hiệu năng tim; trong khi HDL thấp có thể phản ánh nguy cơ chuyển hóa rộng hơn và tình trạng viêm hệ thống.

Hạn chế của nghiên cứu bao gồm thiết kế hồi cứu đơn trung tâm, có thể làm giảm khả năng khái quát hóa. Ngưỡng tuổi tối đa 75 loại trừ người bệnh cao tuổi hơn, là một nhóm dân số quan trọng thường phải trải qua phẫu thuật tim mạch. Việc thẩm định tiến cứu và tích hợp dữ liệu dọc theo thời gian có thể nâng cao độ vững của mô hình. Ngoài ra, tích hợp các thước đo kết cục do người bệnh báo cáo có thể làm phong phú thêm bức tranh dự báo.

Tuy vậy, nghiên cứu này cung cấp một công cụ thực hành có thể được bác sĩ áp dụng ngay tại thời điểm xuất viện để phân tầng nguy cơ và khởi động phục hồi chức năng có mục tiêu, qua đó có thể giảm suy giảm chức năng và cải thiện quỹ đạo hồi phục dài hạn.

Kết luận

Mô hình học máy được xây dựng trong nghiên cứu này dự đoán hiệu quả tình trạng giảm khả năng gắng sức ba tháng sau phẫu thuật tim mạch dựa trên các thông số lâm sàng thường quy sẵn có tại thời điểm xuất viện. Cách tiếp cận này hỗ trợ nhận diện sớm người bệnh có nguy cơ không dung nạp gắng sức sau phẫu thuật, cho phép triển khai các can thiệp phục hồi chức năng cá thể hóa nhằm cải thiện hồi phục chức năng. Các nghiên cứu trong tương lai nên tập trung vào thẩm định tiến cứu, tinh chỉnh mô hình và chuyển hóa vào quy trình lâm sàng để tối ưu hóa chăm sóc lấy người bệnh làm trung tâm trong quần thể phẫu thuật tim mạch.

Kinh phí và đăng ký

Nghiên cứu được tiến hành tại một trung tâm tim mạch đơn lẻ, không ghi nhận nguồn tài trợ cụ thể hoặc đăng ký thử nghiệm lâm sàng.

Tài liệu tham khảo

  1. Guazzi M, Arena R, Halle M, et al. 2018 ESC Guidelines on cardiovascular disease prevention in clinical practice. Eur Heart J. 2018;39(33):3021-3104.
  2. Woolf-May K, Rowland TW, Papadakis M. Use of Cardiopulmonary Exercise Testing Following Cardiac Surgery. Cardiol Rev. 2014;22(5):241-252.
  3. Shah KS, Kotwal S, Anavekar NS. Machine Learning to Improve Prediction and Detection of Cardiovascular Disease. Curr Opin Cardiol. 2021;36(5):599-610.
  4. Chaudhry HJ, O’Brien SM, Butler J, et al. Outcomes After Cardiac Surgery in Elderly Patients: Risk Factors and Predictive Models. Ann Thorac Surg. 2017;103(5):1505-1513.
  5. Chen T, Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD. 2016;785–794.

Công cụ tính theo chuyên khoa

Xem công cụ tính y khoa

Công cụ tính được hiển thị bằng tiếng Anh.

Dùng để tham khảo lâm sàng, kết hợp với đánh giá chuyên môn.

Comments

No comments yet. Why don’t you start the discussion?

Để lại một bình luận