Điểm nổi bật
Nghiên cứu này trình bày quá trình phát triển và kiểm định các thuật toán machine learning có khả năng dự đoán chính xác các kết cục do người bệnh tự báo cáo sau 1 năm phẫu thuật tái tạo vú. Dựa trên các bộ dữ liệu đa trung tâm quy mô lớn, các mô hình đã xác định những yếu tố chính ảnh hưởng đến kết cục, qua đó hỗ trợ ra quyết định chung giữa bác sĩ và người bệnh cũng như cá thể hóa kế hoạch chăm sóc.
Bối cảnh nghiên cứu
Phẫu thuật tái tạo vú là một thành phần quan trọng trong điều trị đa mô thức cho người bệnh ung thư vú, không chỉ giúp phục hồi hình thể mà còn mang lại lợi ích tâm lý. Tuy nhiên, mức độ hài lòng và chất lượng cuộc sống sau tái tạo khác nhau đáng kể do nhiều yếu tố, bao gồm kỹ thuật phẫu thuật, đặc điểm người bệnh và các điều trị bổ trợ như xạ trị. Các thước đo kết cục do người bệnh tự báo cáo (Patient-Reported Outcome Measures, PROMs), đặc biệt là công cụ BREAST-Q, đã trở thành công cụ thiết yếu để lượng hóa mức độ thành công mang tính chủ quan của các thủ thuật tái tạo. Mặc dù có tầm quan trọng lớn, việc dự đoán kết cục của từng người bệnh vẫn còn nhiều thách thức. Khoảng trống kiến thức này hạn chế khả năng tư vấn hiệu quả cho người bệnh của bác sĩ phẫu thuật và làm giảm khả năng cá thể hóa điều trị nhằm tối ưu hóa sự hài lòng lâu dài.
Các kỹ thuật machine learning (ML) mang lại triển vọng trong việc phân tích dữ liệu lâm sàng đa biến, phức tạp và nắm bắt các mối liên hệ phi tuyến để dự đoán kết cục chính xác hơn so với các phương pháp thống kê truyền thống. Ứng dụng ML để dự đoán PROMs sau tái tạo vú có thể cá thể hóa tư vấn trước phẫu thuật và cải thiện quá trình ra quyết định chung bằng cách thiết lập kỳ vọng thực tế cũng như định hướng lựa chọn chiến lược tái tạo.
Thiết kế nghiên cứu
Nghiên cứu hồi cứu này phân tích dữ liệu thu thập từ các phụ nữ trải qua phẫu thuật tái tạo vú tại Memorial Sloan Kettering Cancer Center (MSKCC) từ tháng 1 năm 2010 đến tháng 3 năm 2024. Bộ dữ liệu bao gồm đặc điểm nhân khẩu học của người bệnh, các biến lâm sàng (như thời điểm xạ trị, chỉ số khối cơ thể, tuổi), kỹ thuật tái tạo, và các miền điểm BREAST-Q được thu thập trước phẫu thuật và tại thời điểm 1 năm sau phẫu thuật. Tổng cộng 2.687 người bệnh từ MSKCC được sử dụng để phát triển mô hình.
Năm thuật toán machine learning khác nhau được xây dựng nhằm dự đoán liệu người bệnh có cải thiện ở các miền BREAST-Q cụ thể sau 1 năm hay không: sức khỏe thể chất vùng bụng, mức độ hài lòng với vú, sức khỏe tình dục, sức khỏe thể chất vùng ngực và sức khỏe tâm lý-xã hội. Để kiểm định ngoài, các mô hình được thử nghiệm trên một đoàn hệ riêng gồm 2.089 người bệnh từ bộ dữ liệu đa trung tâm Mastectomy Reconstruction Outcomes Consortium.
Hiệu năng mô hình được đánh giá bằng diện tích dưới đường cong ROC (Area Under the Receiver Operating Characteristic Curve, AUC), độ nhạy, độ đặc hiệu và điểm Brier, là những chỉ số cùng nhau đánh giá khả năng phân biệt và hiệu chỉnh của độ chính xác dự đoán.
Kết quả chính
Các mô hình machine learning đạt hiệu năng dự đoán rất ấn tượng trên nhiều miền kết cục do người bệnh tự báo cáo. Độ chính xác cao nhất được ghi nhận ở dự đoán sức khỏe thể chất vùng bụng, với AUC 0,97, cho thấy khả năng phân biệt rất tốt. Mức độ hài lòng với vú cũng được dự đoán mạnh mẽ (AUC 0,86), tiếp theo là sức khỏe tình dục (AUC 0,79), sức khỏe thể chất vùng ngực (AUC 0,78) và sức khỏe tâm lý-xã hội (AUC 0,74).
Các biến được xác định nhất quán là những yếu tố dự báo có ảnh hưởng lớn nhất bao gồm:
- Điểm BREAST-Q trước phẫu thuật, nhấn mạnh tầm quan trọng của tình trạng ban đầu của người bệnh
- Thời điểm và việc sử dụng xạ trị
- Chỉ số khối cơ thể (BMI)
- Tuổi tại thời điểm tái tạo
- Loại và kỹ thuật phẫu thuật tái tạo vú được thực hiện
Những phát hiện này nhấn mạnh tính đa yếu tố của mức độ hài lòng và quá trình hồi phục sau tái tạo vú.
Kiểm định ngoài trên một đoàn hệ độc lập, đa trung tâm cho thấy khả năng khái quát hóa và độ vững của các mô hình vượt ra ngoài phạm vi một cơ sở đơn lẻ.
Bình luận của chuyên gia
Nghiên cứu này là ví dụ tiêu biểu cho sự tích hợp ngày càng tăng của trí tuệ nhân tạo vào ung thư học phẫu thuật và y học tái tạo. Việc dự đoán các kết cục do người bệnh tự báo cáo trước phẫu thuật là một bước tiến đáng kể hướng tới y học cá thể hóa trong tái tạo vú. Việc sử dụng các công cụ PROM đã được kiểm định tốt như BREAST-Q làm tăng tính liên quan lâm sàng bằng cách trực tiếp tập trung vào các kết cục lấy người bệnh làm trung tâm thay vì chỉ dựa vào các chỉ số do bác sĩ hoặc chỉ số giải phẫu.
Các hạn chế vốn có của thiết kế hồi cứu bao gồm nguy cơ sai lệch chọn mẫu và dữ liệu bị thiếu; các tác giả có thể đã giảm thiểu những vấn đề này bằng các kỹ thuật tiền xử lý phù hợp, tuy nhiên các chi tiết này cần được xem xét kỹ trong bản toàn văn. Việc kiểm định tiền cứu trong tương lai và tích hợp thêm các biến tâm lý-xã hội và lối sống có thể tiếp tục tinh chỉnh độ chính xác dự đoán.
Để triển khai các thuật toán như vậy trong quy trình lâm sàng sẽ cần các giao diện thân thiện với người dùng và các biện pháp bảo vệ chống lại sai lệch thuật toán. Hơn nữa, việc làm rõ các cơ chế sinh học đứng sau những yếu tố dự báo—chẳng hạn như ảnh hưởng của thời điểm xạ trị lên khả năng sống của mô và cảm nhận của người bệnh—có thể bổ sung cho các dự đoán dựa trên dữ liệu bằng tính hợp lý sinh học.
Kết luận
Các thuật toán machine learning có thể dự đoán chính xác các kết cục do người bệnh tự báo cáo sau 1 năm phẫu thuật tái tạo vú, dựa trên các dữ liệu lâm sàng và dữ liệu tự báo cáo sẵn có. Những mô hình dự đoán này có tiềm năng tạo ra bước chuyển lớn trong tư vấn trước phẫu thuật và ra quyết định chung bằng cách cá thể hóa hồ sơ nguy cơ–lợi ích, từ đó cải thiện mức độ hài lòng của người bệnh và chất lượng cuộc sống. Việc tích hợp các công cụ như vậy vào thực hành lâm sàng thường quy có thể thúc đẩy một mô hình chăm sóc tái tạo mới, dựa trên dữ liệu và lấy người bệnh làm trung tâm.
Nghiên cứu trong tương lai nên tập trung vào kiểm định tiền cứu, tích hợp vào các hệ thống hỗ trợ quyết định, và khảo sát tác động đối với kết cục lâm sàng cũng như mức độ hài lòng của người bệnh khi được sử dụng trong bối cảnh thực tế.
Kinh phí và ClinicalTrials.gov
Tóm tắt và trích dẫn được cung cấp không nêu rõ nguồn tài trợ hoặc số đăng ký thử nghiệm lâm sàng. Do tính chất hồi cứu của nghiên cứu, đây có thể là một đoàn hệ quan sát mà không có đăng ký can thiệp cụ thể.
Tài liệu tham khảo
1. Chen J, Gabay A, Boe LA, Shammas RL, Stern C, Pusic A, Mehrara BJ, Gibbons C, Nelson JA. Machine Learning Accurately Predicts Patient-reported Outcomes 1 Year After Breast Reconstruction. Ann Surg. 2025 Mar 5;284(1):176-183. PMID: 40040622.
2. Pusic AL, Klassen AF, Scott AM, Klok JA, Cordeiro PG, Cano SJ. Development of a new patient-reported outcome measure for breast surgery: the BREAST-Q. Plast Reconstr Surg. 2009 Apr;124(4):345-53. doi:10.1097/PRS.0b013e3181b5e7ee.
3. Maroulakos M, Lafreniere D, Kim J, et al. The impact of radiation therapy on breast reconstruction: a systematic review and meta-analysis. Ann Plast Surg. 2020;84(3):298-305. doi:10.1097/SAP.0000000000002243.
