Điểm nổi bật
- Giới thiệu PEPPER, một chương trình tìm kiếm hồ sơ bệnh án điện tử (Electronic Medical Record, EMR) mới dựa trên Python, được thiết kế để xác định thanh thiếu niên mắc đái tháo đường nhiễm toan ceton (ketosis-prone diabetes, KPD).
- PEPPER đạt độ chính xác 100% và rút ngắn đáng kể thời gian rà soát hồ sơ so với phương pháp thủ công.
- Đã xác định thành công 110 thanh thiếu niên mắc đái tháo đường týp 2 và nhiễm toan ceton do đái tháo đường (diabetic ketoacidosis, DKA) trong vòng 6 tháng sau chẩn đoán, trong đó 21 trường hợp đáp ứng tiêu chuẩn của KPD không điển hình A-β+.
- Công cụ đổi mới này hứa hẹn cải thiện việc phát hiện và phân loại các kiểu hình đái tháo đường không điển hình, qua đó có thể nâng cao chăm sóc người bệnh và hiệu quả nghiên cứu.
Bối cảnh nghiên cứu
Đái tháo đường nhiễm toan ceton (ketosis-prone diabetes, KPD) là một thể đái tháo đường không điển hình, kết hợp đặc điểm của cả đái tháo đường týp 1 và týp 2. Việc nhận diện thể bệnh này có ý nghĩa lâm sàng vì người bệnh biểu hiện nhiễm toan ceton do đái tháo đường (diabetic ketoacidosis, DKA) nhưng không có phá hủy tế bào beta do tự miễn, vốn là đặc trưng của đái tháo đường týp 1 kinh điển, và thường còn duy trì chức năng tế bào beta (A-β+). Xác định các trường hợp như vậy là rất quan trọng để quản lý phù hợp, tiên lượng bệnh và hiểu rõ tính không đồng nhất của bệnh.
Việc xác định KPD theo cách truyền thống chủ yếu dựa vào rà soát thủ công chuyên sâu hồ sơ bệnh án điện tử (Electronic Medical Record, EMR), vốn tốn nhiều thời gian và nguồn lực. Tự động hóa các bước sàng lọc ban đầu có thể rút ngắn thời gian chẩn đoán, tạo thuận lợi cho các nghiên cứu dịch tễ học và sinh lý bệnh quy mô lớn, đồng thời cải thiện quy trình làm việc lâm sàng. Để giải quyết khoảng trống này, Ahmed và cộng sự đã phát triển Expeditious Program for Parsing Electronic Records (PEPPER) dựa trên Python nhằm tự động tìm kiếm trong EMR các thanh thiếu niên mắc đái tháo đường týp 2 (type 2 diabetes, T2D) có biểu hiện DKA, đây là điều kiện tiên quyết để nhận diện KPD A-β+.
Thiết kế nghiên cứu
Nghiên cứu này hồi cứu phân tích hồ sơ bệnh án điện tử của 1.660 thanh thiếu niên được chẩn đoán T2D. PEPPER được triển khai để tự động sàng lọc bằng chứng DKA xảy ra trong vòng 6 tháng sau chẩn đoán đái tháo đường. Kết quả do thuật toán tạo ra sau đó được so sánh với rà soát hồ sơ thủ công nhằm đánh giá các chỉ số hiệu năng, bao gồm độ nhạy, độ đặc hiệu, độ chính xác và hiệu quả về thời gian.
Sau khi nhận diện ban đầu, việc rà soát thủ công bổ sung được thực hiện để xác nhận phân loại đầy đủ A-β+ KPD theo tiêu chuẩn của Rare and Atypical Diabetes Network. Các tiêu chuẩn này bao gồm có DKA, không có tự kháng thể đảo tụy (islet autoantibodies) và còn bảo tồn chức năng tế bào beta. Các tiêu chí đánh giá chính của nghiên cứu là độ chính xác của PEPPER trong việc xác định các trường hợp DKA, mức giảm thời gian rà soát hồ sơ và số bệnh nhân cuối cùng được phân loại là A-β+ KPD.
Kết quả chính
PEPPER xác định được 110 thanh thiếu niên mắc T2D có bằng chứng DKA trong vòng 6 tháng sau chẩn đoán trong quần thể 1.660 bệnh nhân. Trong số này, 21 trường hợp đáp ứng nghiêm ngặt tiêu chuẩn A-β+ KPD, cho thấy tính hữu ích của chương trình trong việc phân lập các ca đái tháo đường không điển hình.
Khi phân tích hiệu quả quy trình, PEPPER đã giảm mạnh thời gian rà soát hồ sơ: thời gian trung bình cho mỗi hồ sơ là 13,4 ± 3,9 giây so với 26,6 ± 9,4 giây khi rà soát thủ công (p < 0,001). Đáng chú ý, việc PEPPER nhận diện các trường hợp DKA đạt độ chính xác 100% so với tiêu chuẩn vàng là rà soát thủ công, nhấn mạnh độ tin cậy của công cụ.
Các kết quả này cho thấy PEPPER tự động hóa hiệu quả một bước then chốt trong phân loại các kiểu hình đái tháo đường không điển hình. Công cụ này không chỉ giảm đáng kể khối lượng công việc thủ công vốn thường rất lớn mà còn không làm suy giảm độ chính xác, yếu tố thiết yếu cho ứng dụng lâm sàng và nghiên cứu.
Nhận định của chuyên gia
Việc phát triển PEPPER đáp ứng một nhu cầu chưa được đáp ứng đáng kể trong nghiên cứu và chăm sóc đái tháo đường: nhận diện nhanh chóng, chính xác các bệnh nhân có biểu hiện không điển hình. Khả năng xử lý khối dữ liệu EMR lớn với độ trung thực cao mở ra hướng cho mô tả dịch tễ học rộng hơn và quản lý đái tháo đường dựa trên kiểu hình tốt hơn.
Mặc dù đầy hứa hẹn, vẫn cần lưu ý một số hạn chế. Việc PEPPER phụ thuộc vào ghi chép lâm sàng chính xác có nghĩa là các sai sót hoặc thiếu sót trong mã hóa EMR có thể ảnh hưởng đến độ nhạy phát hiện. Ngoài ra, mặc dù nghiên cứu tập trung vào thanh thiếu niên mắc T2D, việc xác thực bên ngoài trên các quần thể và hệ thống y tế đa dạng sẽ củng cố tính khái quát hóa.
Trong tương lai, tích hợp PEPPER với các hệ thống hỗ trợ quyết định lâm sàng có thể tiếp tục nâng cao quy trình chẩn đoán bằng cách cảnh báo thời gian thực các trường hợp KPD tiềm năng. Hơn nữa, kết hợp thuật toán với dữ liệu dấu ấn sinh học có thể giúp tinh chỉnh phân loại và định hướng điều trị cá thể hóa.
Kết luận
Ứng dụng mới của PEPPER là một bước tiến đáng kể trong việc khai thác các công cụ tính toán để tối ưu hóa khai phá dữ liệu EMR cho các kiểu hình đái tháo đường không điển hình. Bằng cách giảm khoảng một nửa công sức thủ công trong khi vẫn duy trì độ chính xác hoàn hảo khi xác định DKA, PEPPER tạo điều kiện cho việc phát hiện các trường hợp KPD một cách hiệu quả và có khả năng mở rộng.
Nghiên cứu này cho thấy cách các giải pháp tin học có mục tiêu có thể cách mạng hóa phương pháp nghiên cứu lâm sàng, giúp hiểu sâu hơn về tính không đồng nhất của đái tháo đường. Những tiến bộ này có tiềm năng cải thiện chăm sóc lấy người bệnh làm trung tâm thông qua chẩn đoán và điều trị chính xác hơn đối với các thể đái tháo đường không điển hình.
Tiếp tục phát triển, thẩm định và tích hợp các thuật toán như vậy là những bước đi cần thiết tiếp theo để hiện thực hóa đầy đủ tác động chuyển giao của chúng.
Kinh phí và ClinicalTrials.gov
Nghiên cứu được thực hiện bởi Nhóm Nghiên cứu RADIANT (RADIANT Study Group). Thông tin cụ thể về tài trợ không được nêu trong tóm tắt. Không ghi nhận đăng ký thử nghiệm lâm sàng.
Tài liệu tham khảo
- Ahmed M, Kubota-Mishra E, Siller AF, et al. A Novel Electronic Medical Record Search Method to Identify Patients With Ketosis-Prone Diabetes: Implications for Discovery of Atypical Diabetes. Diabetes Care. 2026 Jun 26. PMID: 42360321.
- Umpierrez GE, et al. Ketosis-Prone Diabetes: A Clinically Recognized Subtype of Diabetes Mellitus. Diabetes Care. 2006;29(4):876-882.
- Fitzpatrick SL, et al. Classification of Diabetes Beyond Type 1 and Type 2. Diabetes Spectrum. 2017;30(3):144-150.
