Điểm nổi bật
- Một mô hình học máy có khả năng giải thích dự đoán chính xác nguy cơ hội chứng giảm thông khí do béo phì (Obesity Hypoventilation Syndrome, OHS) ở các ứng viên phẫu thuật bariatric bằng 7 biến lâm sàng thường quy.
- Bicarbonat huyết thanh được xác định là yếu tố dự báo mạnh nhất, nhấn mạnh vai trò của chỉ số này trong đánh giá sinh lý bệnh giảm thông khí.
- Mô hình cho thấy khả năng phân biệt và hiệu chỉnh tốt trên cả đoàn hệ thẩm định nội bộ và bên ngoài, với giá trị AUC đều trên 0,86.
- Một công cụ tính nguy cơ trực tuyến thân thiện với người dùng, dựa trên mô hình này, hỗ trợ phân tầng nguy cơ cá thể hóa trước phẫu thuật và đánh giá chẩn đoán kịp thời.
Bối cảnh nghiên cứu
Hội chứng giảm thông khí do béo phì (Obesity Hypoventilation Syndrome, OHS) là một biến chứng nghiêm trọng và thường chưa được nhận diện đầy đủ ở người bệnh béo phì, đặc trưng bởi tăng carbon dioxide máu mạn tính ban ngày do giảm thông khí. Hội chứng này làm tăng đáng kể bệnh suất và tử suất chu phẫu, đặc biệt ở các ứng viên phẫu thuật bariatric, vốn đã mang nguy cơ tim phổi cao hơn. Tuy nhiên, chẩn đoán OHS vẫn còn khó khăn do mức độ nghi ngờ lâm sàng thấp và cần phân tích khí máu động mạch hoặc các thăm dò giấc ngủ phức tạp, những yếu tố có thể làm chậm việc nhận biết và can thiệp kịp thời.
Việc tích hợp nhiều biến số lâm sàng và xét nghiệm thông qua học máy (Machine Learning, ML) mang lại cơ hội cải thiện đánh giá nguy cơ cá thể hóa đối với OHS. Các phương pháp ML có khả năng giải thích giúp làm rõ mức độ đóng góp của từng biến và tăng sự chấp nhận trong thực hành lâm sàng. Nghiên cứu này giải quyết một khoảng trống quan trọng bằng cách phát triển và thẩm định một mô hình ML có khả năng giải thích để dự đoán nguy cơ OHS, sử dụng các biến thường có sẵn trong đánh giá tiền phẫu thuật cho phẫu thuật bariatric.
Thiết kế và phương pháp nghiên cứu
Nghiên cứu cắt ngang hồi cứu này phân tích 673 ứng viên phẫu thuật bariatric được ghi nhận trong Cơ sở dữ liệu Phẫu thuật Béo phì và Chuyển hóa Trung Quốc. Bệnh nhân được phân ngẫu nhiên thành đoàn hệ huấn luyện (70%, n=471) và đoàn hệ kiểm tra nội bộ (30%, n=202). Một đoàn hệ thẩm định bên ngoài gồm 175 bệnh nhân từ một bệnh viện đa khoa tuyến cuối khác cũng được đưa vào để xác nhận khả năng khái quát hóa.
Lựa chọn đặc tính kết hợp hồi quy Least Absolute Shrinkage and Selection Operator (LASSO) và thuật toán Boruta với tái lấy mẫu bootstrap nhằm bảo đảm tính ổn định. Mười mô hình ML khác nhau, bao gồm hồi quy logistic, các thuật toán dựa trên cây và các phương pháp tổ hợp, đã được phát triển và kiểm thử.
Hiệu năng được đánh giá qua khả năng phân biệt (diện tích dưới đường cong ROC [AUC]), biểu đồ hiệu chỉnh và phân tích lợi ích lâm sàng. Các giá trị SHapley Additive exPlanations (SHAP) được tính toán để diễn giải ảnh hưởng của từng yếu tố dự báo lên việc dự đoán nguy cơ OHS. Mô hình hồi quy logistic cuối cùng được triển khai dưới dạng công cụ tính nguy cơ trên web dễ tiếp cận.
Kết quả chính
Mô hình hồi quy logistic dự báo cuối cùng bao gồm 7 biến quan trọng: bicarbonat huyết thanh (mmol/L), có đái tháo đường type 2, nồng độ hemoglobin trung bình trong hồng cầu (mean corpuscular hemoglobin concentration, MCHC), mệt mỏi do người bệnh tự báo cáo, chỉ số khối cơ thể (Body Mass Index, BMI), các cơn ngưng thở quan sát được trong khi ngủ và chu vi cổ.
Khả năng phân biệt của mô hình rất tốt, với AUC đạt 0,884 (KTC 95%, 0,844–0,917) ở đoàn hệ huấn luyện, 0,863 (KTC 95%, 0,784–0,935) ở kiểm tra nội bộ và 0,870 (KTC 95%, 0,806–0,926) ở thẩm định bên ngoài. Các đường cong hiệu chỉnh cho thấy sự phù hợp tốt giữa nguy cơ OHS dự đoán và nguy cơ quan sát được. Phân tích đường cong quyết định cho thấy lợi ích lâm sàng ròng đáng kể trong một khoảng rộng các xác suất ngưỡng.
Phân tích SHAP nhấn mạnh bicarbonat huyết thanh là yếu tố dự báo có ảnh hưởng lớn nhất, phản ánh vai trò sinh lý bệnh trung tâm của nó trong tình trạng giữ CO2 do giảm thông khí. Các biến khác cũng đóng góp có ý nghĩa, ủng hộ cách tiếp cận đa chiều trong sàng lọc.
Công cụ tính trực tuyến được công bố công khai cho phép nhập dễ dàng các thông số lâm sàng để tạo ra xác suất nguy cơ OHS cá thể hóa, qua đó hỗ trợ ra quyết định lâm sàng tại chỗ.
Bình luận của chuyên gia
Nghiên cứu chặt chẽ này giải quyết một thách thức lâm sàng cấp thiết trong chăm sóc chu phẫu bằng cách tận dụng học máy có khả năng giải thích để phân tầng nguy cơ OHS. Việc đưa vào cả đoàn hệ thẩm định nội bộ và bên ngoài làm tăng độ vững chắc và khả năng khái quát hóa của mô hình trong các bối cảnh lâm sàng khác nhau.
Điểm đặc biệt có ý nghĩa lâm sàng là sự xác nhận rằng bicarbonat huyết thanh—một xét nghiệm sẵn có—dự đoán mạnh nguy cơ giảm thông khí, củng cố vai trò của chỉ số này như một dấu ấn sinh học sàng lọc không xâm lấn. Các yếu tố dự báo được lựa chọn kết hợp triệu chứng chủ quan (mệt mỏi, ngưng thở quan sát được) với dữ liệu nhân trắc học và xét nghiệm khách quan, thể hiện một đánh giá toàn diện.
Tuy nhiên, nghiên cứu vẫn có các hạn chế, bao gồm thiết kế hồi cứu và việc chỉ giới hạn trong quần thể bệnh nhân Trung Quốc, điều này có thể ảnh hưởng đến khả năng áp dụng trên phạm vi toàn cầu nếu chưa được xác nhận thêm. Cần có các nghiên cứu tiến cứu để xác nhận giá trị dự báo và đánh giá liệu các can thiệp nhắm mục tiêu dựa trên phân tầng nguy cơ có cải thiện kết cục chu phẫu hay không.
Ngoài ra, mặc dù mô hình có thể diễn giải và sử dụng các thông số thường quy, chẩn đoán OHS thường vẫn cần khí máu động mạch hoặc đa ký giấc ngủ để xác nhận; do đó, mô hình hỗ trợ sàng lọc và phân luồng chứ không thay thế các bước chẩn đoán này.
Kết luận
Nghiên cứu này trình bày một mô hình hồi quy logistic dựa trên ML, có khả năng giải thích và tính thực tiễn cao, sử dụng 7 biến lâm sàng dễ tiếp cận để dự đoán chính xác nguy cơ OHS ở các ứng viên phẫu thuật bariatric. Hiệu năng mạnh mẽ của mô hình trên các đoàn hệ đa dạng cùng với việc triển khai dưới dạng công cụ tính nguy cơ trực tuyến cung cấp những công cụ hữu ích cho phát hiện sớm và can thiệp kịp thời, qua đó có thể giảm các biến chứng chu phẫu liên quan đến hội chứng thường bị bỏ sót này.
Việc tích hợp các phân tích dự báo như vậy vào quy trình đánh giá tiền phẫu thường quy có thể nâng cao mức độ cá thể hóa trong thăm dò chẩn đoán và tư vấn người bệnh, cuối cùng cải thiện kết cục ở nhóm dân số nguy cơ cao này. Nghiên cứu tương lai nên tập trung vào thẩm định tiến cứu trên các quần thể dị hợp và đánh giá tác động lên các quyết định lâm sàng cũng như an toàn phẫu thuật.
Kinh phí và ClinicalTrials.gov
Nghiên cứu được hỗ trợ bởi các khoản tài trợ nghiên cứu nội bộ từ các bệnh viện đa khoa tuyến cuối ở Trung Quốc; không ghi nhận đăng ký thử nghiệm lâm sàng cụ thể.
Tài liệu tham khảo
1. Mokhlesi B, Masa JF, Brozek JL, et al. Evaluation and Management of Obesity Hypoventilation Syndrome. An Official American Thoracic Society Clinical Practice Guideline. Am J Respir Crit Care Med. 2019;200(3):e6-e24. doi:10.1164/rccm.201908-1581ST
2. Donovan LM, Patel SR. Obesity Hypoventilation Syndrome: Epidemiology and Diagnosis. Sleep Med Clin. 2019;14(2):131-138. doi:10.1016/j.jsmc.2019.01.002
3. Lundberg JO, Weitzberg E, Gladwin MT. The nitrate–nitrite–nitric oxide pathway in physiology and therapeutics. Nat Rev Drug Discov. 2008;7(2):156-167. (Discusses mechanisms related to hypoxia and ventilation.)
4. Lundberg JO, Weitzberg E. Nasal nitric oxide in man. Thorax. 1999;54(10):947-952.
5. Topaloglu O, ILk O, Ural U, et al. The Clinical Use of Machine Learning Approaches in Sleep Medicine. Curr Sleep Med Rep. 2021;7(4):137-146. doi:10.1007/s40675-021-00208-4
6. SHAP documentation: Lundberg S. Explainable AI for Trees with SHAP. Available at: https://github.com/slundberg/shap
7. Ni M, Tang Y, Zhang J, Lu Y, Liao J, Dong Z, Wang C, Feng J, Chen W. Personalized obesity hypoventilation syndrome risk assessment among bariatric surgery candidates through explainable machine learning: A multicenter cross-sectional study. Chest. 2026-09-21. PMID: 42767595.
