Nổi bật
- Các mô hình học máy sử dụng đặc điểm ECG 12 dẫn hiệu quả phân loại rủi ro tử vong dài hạn ở bệnh nhân đến với triệu chứng đau ngực.
- Mô hình Extra Survival Trees vượt trội hơn điểm số HEART truyền thống, giảm đáng kể tỷ lệ sự kiện bị bỏ lỡ hơn 90%.
- Mô hình đã được kiểm chứng ngoại vi trong một nhóm đối tượng độc lập lớn, xác nhận độ chính xác dự đoán của nó trên các nhóm bệnh nhân đa dạng.
- Có tiềm năng tối ưu hóa quyết định lâm sàng và phân bổ nguồn lực cho bệnh nhân nghi ngờ hội chứng vành cấp tính (ACS).
Nền tảng nghiên cứu và gánh nặng bệnh lý
Đau ngực là triệu chứng phổ biến dẫn đến việc thăm khám tại khoa cấp cứu, với hội chứng vành cấp tính (ACS) là một trong những nguyên nhân đe dọa tính mạng cần đánh giá khẩn cấp. Việc phân loại rủi ro sớm và chính xác ngoài chẩn đoán cấp tính đóng vai trò quan trọng trong việc hướng dẫn cường độ điều trị tiếp theo và phân bổ nguồn lực. Các công cụ hiện tại như điểm số HEART kết hợp các yếu tố lâm sàng, troponin và ECG nhưng có hạn chế về độ nhạy và độ đặc hiệu trong dự đoán rủi ro tử vong. Sự sẵn có rộng rãi và sử dụng liên tục của ECG 12 dẫn trong các tình huống cấp cứu cung cấp dữ liệu phong phú cho các kỹ thuật phân tích nâng cao như học máy, có thể cải thiện tiên lượng ở bệnh nhân nghi ngờ ACS. Tiếp cận này có thể giúp nhận diện sớm những cá nhân có nguy cơ cao có thể hưởng lợi từ điều trị cường độ cao, cũng như xuất viện an toàn cho những bệnh nhân có nguy cơ thấp.
Thiết kế nghiên cứu
Nghiên cứu quan sát tiền cứu này tuyển chọn các bệnh nhân người lớn liên tiếp đến với đau ngực không do chấn thương. Nhóm nghiên cứu bao gồm 4015 bệnh nhân với tuổi trung bình 59 tuổi, trong đó có 47% phụ nữ. Dữ liệu ECG được trích xuất để xác định 73 đặc điểm hình thái học cho mỗi bệnh nhân. Những đặc điểm này được sử dụng làm đầu vào cho sáu mô hình học máy khác nhau được thiết kế cho phân tích sống còn, với quá trình đào tạo được thực hiện trên 80% dữ liệu bằng phương pháp kiểm chứng chéo 10 lần và thử nghiệm trên 20% còn lại. Sau khi tối ưu hóa thuật toán, mô hình hỗn hợp Gaussian biến phân Bayesian được áp dụng để phân loại bệnh nhân thành các nhóm rủi ro khác nhau (thấp, trung bình, cao). Hiệu suất của mô hình kết quả được so sánh với điểm số HEART đã được thiết lập trong việc dự đoán tử vong do mọi nguyên nhân, xác định qua nhiều nguồn bao gồm Chỉ số Tử vong Quốc gia CDC. Kiểm chứng ngoại vi được thực hiện trên một nhóm đối tượng độc lập gồm 3095 bệnh nhân từ dân số riêng biệt.
Kết quả chính
Trong số các mô hình được thử nghiệm, Extra Survival Trees thể hiện hiệu suất dự đoán vượt trội. Trong nhóm nghiên cứu, tỷ lệ tử vong là 20.3% sau thời gian theo dõi trung bình 3.05 năm. Mô hình hiệu quả phân loại bệnh nhân thành các nhóm rủi ro thấp, trung bình và cao với sự khác biệt đáng kể về tỷ lệ sống sót (thống kê kiểm định log-rank = 121.14, P < .001). So với điểm số HEART, nó giảm tỷ lệ sự kiện tử vong bị bỏ lỡ hơn 90%, đạt giá trị dự đoán âm 93.4% và độ nhạy 85.9%, so với 89.0% và 75.0% tương ứng cho HEART. Sự cải thiện này đề xuất khả năng nhận diện chính xác hơn những bệnh nhân thực sự có nguy cơ. Trong nhóm đối tượng ngoại vi (tuổi trung bình 59 tuổi, 44% phụ nữ, tỷ lệ tử vong 30 ngày 3.5%), các nhóm rủi ro trung bình và cao có tỷ lệ tử vong tăng đáng kể—3.62 (KTC 1.35-9.74) và 6.12 (KTC 2.38-15.75), tương ứng—so với nhóm rủi ro thấp. Những kết quả này khẳng định tính tái tạo và khả năng tổng quát hóa của tiếp cận học máy trong việc phân loại rủi ro tử vong.
Bình luận chuyên gia
Việc sử dụng đặc điểm hình thái học ECG trong các khung học máy tận dụng các mẫu hoạt động điện tim tinh tế mà không dễ dàng nhận biết bằng cách diễn giải của con người. Kích thước nhóm nghiên cứu mạnh mẽ, thiết kế tiền cứu, theo dõi toàn diện và kiểm chứng ngoại vi của nghiên cứu này tăng cường tính liên quan lâm sàng. Bằng cách vượt trội hơn điểm số HEART, mô hình đề xuất có thể cung cấp công cụ đánh giá rủi ro chính xác hơn cho các bác sĩ quản lý bệnh nhân nghi ngờ ACS, cho phép điều chỉnh cường độ điều trị cá nhân hóa và sử dụng hợp lý nguồn lực y tế. Tuy nhiên, việc đưa vào thực hành lâm sàng thường xuyên yêu cầu tích hợp với quy trình lâm sàng, kiểm chứng thêm trong các dân số đa dạng và các thử nghiệm dựa trên kết quả tiền cứu để đánh giá tác động lên quản lý và tiên lượng bệnh nhân. Một hạn chế khác là mô hình tập trung vào tử vong do mọi nguyên nhân thay vì các sự kiện tim mạch cụ thể, có thể cần nghiên cứu thêm. Cơ chế, các mẫu sóng ECG tinh tế có thể phản ánh thiếu máu cơ tim hoặc tổn thương cơ bản, xu hướng loạn nhịp, hoặc rối loạn dẫn truyền góp phần vào rủi ro tử vong.
Kết luận
Nghiên cứu này chứng minh rằng một mô hình học máy sử dụng chỉ các đặc điểm hình thái học ECG 12 dẫn có thể hiệu quả phân loại rủi ro tử vong ở bệnh nhân đến với triệu chứng đau ngực, vượt trội hơn các hệ thống chấm điểm lâm sàng truyền thống như điểm số HEART. Kiểm chứng ngoại vi đảm bảo khả năng áp dụng của nó trên các nhóm bệnh nhân khác nhau. Tiến bộ công nghệ này có ý nghĩa hứa hẹn cho chăm sóc tim mạch chính xác, cung cấp công cụ dễ tiếp cận, nhanh chóng và có thể mở rộng để cải thiện dự đoán rủi ro và hỗ trợ quyết định lâm sàng cá nhân hóa. Nghiên cứu trong tương lai nên tập trung vào tích hợp với dữ liệu chuẩn đoán đa phương thức, các thử nghiệm lâm sàng tiền cứu, và khám phá các liên kết cơ chế giữa các đặc điểm ECG và bệnh lý tim mạch để thực hiện đầy đủ y học chính xác trong quản lý hội chứng vành cấp tính.
Tài liệu tham khảo
Bouzid Z, Sejdic E, Martin-Gill C, Faramand Z, Frisch S, Alrawashdeh M, Helman S, Gokhale TA, Riek NT, Kraevsky-Phillips K, Gregg RE, Sereika SM, Clermont G, Akcakaya M, Zègre-Hemsey JK, Saba S, Callaway CW, Al-Zaiti SS. Electrocardiogram-based machine learning for risk stratification of patients with suspected acute coronary syndrome. Eur Heart J. 2025 Mar 7;46(10):943-954. doi: 10.1093/eurheartj/ehae880. PMID: 39804231; PMCID: PMC11887543.
