Xác định các cơn co giật liên quan lâm sàng để cá nhân hóa liệu pháp thần kinh sử dụng các thuật toán kết hợp tại bệnh viện nhi

Nhóm: UHS_MEDVNU

Lĩnh vực Y sinh, hóa sinh

Lượt bình chọn:

Bình chọn

Chia sẻ:

Copy link thành công

Giới thiệu sản phẩm:

Mô hình trí tuệ nhân tạo này mang lại lợi ích rõ rệt cho cộng đồng thông qua việc hỗ trợ chẩn đoán chính xác và điều trị cá nhân hóa cho trẻ em mắc động kinh (hình 4C), đặc biệt tại các khu vực có điều kiện y tế còn hạn chế. Với độ chính xác cao trong phân loại và tiên lượng, mô hình góp phần cải thiện chất lượng sống, giảm biến chứng, và hỗ trợ quản lý lâu dài cho bệnh nhân và gia đình, đồng thời làm giảm gánh nặng kinh tế – xã hội.
Việc tích hợp mô hình trở thành phần mềm ứng dụng với hệ thống hỗ trợ ra quyết định (CDSS) và dashboard thời gian thực (hình 2) giúp tăng cường khả năng tiếp cận y tế tuyến cơ sở, giảm tải cho các bệnh viện tuyến cuối và tiết kiệm chi phí điều trị. Đặc biệt, mô hình cũng góp phần nâng cao nhận thức cộng đồng, từng bước giảm kỳ thị xã hội liên quan đến bệnh động kinh, giúp trẻ em có cơ hội hòa nhập tốt hơn vào môi trường học tập và xã hội.

Xuất xứ sản phẩm:

Nhóm nghiên cứu sinh viên năm thứ 4 ngành Y khoa, Khoa Y, Trường Đại học Khoa học Sức khỏe, Đại học Quốc gia TP.HCM lên ý tưởng và thực hiện xây dựng và phát triển dưới sự hướng dẫn khoa học của giảng viên hướng dẫn chính TS. Bùi Chí Bảo

Tính sáng tạo và đổi mới:

Trong khuôn khổ nghiên cứu này, chúng tôi triển khai một hướng tiếp cận đổi mới nhằm phát hiện các mẫu cơn co giật đặc thù theo từng bệnh nhân, tiến tới mục tiêu điều trị cá nhân hóa trong động kinh trẻ em. Chiến lược phân tích đa chiều, tích hợp dữ liệu sinh học phân tử, hình ảnh học thần kinh và dữ liệu lâm sàng để xây dựng các mô hình dự đoán tối ưu (Hình 1B). Một điểm sáng tạo quan trọng của nghiên cứu là việc khai thác mối liên hệ giữa các kiểu co giật và đặc điểm di truyền thông qua bản đồ hóa genotype-phenotype, kết hợp cả dữ liệu về viêm não do nhiễm khuẩn và viêm não tự miễn (hình 4B). Mô hình cho phép nhận diện các dấu ấn sinh học đặc trưng (biomarkers) như các chỉ số miễn dịch, kháng thể và các đột biến gen hiếm gặp, từ đó đưa ra những phân nhóm bệnh có giá trị tiên lượng và điều trị (hình 4B).
Đặc biệt, nghiên cứu của chúng tôi được triển khai trong bối cảnh các bằng chứng gần đây đã làm rõ vai trò của gen trong động kinh phát triển và động kinh chuyển hóa (Developmental and Epileptic Encephalopathies – DEE). Theo công bố mới nhất của nhóm Nguyen, Y.T.M., Vu, B.Q., Nguyen, D.K. et al. (2024) trên tạp chí Scientific Reports, các liệu pháp điều trị định hướng theo kiểu gen không chỉ cho thấy hiệu quả vượt trội trong việc kiểm soát cơn co giật mà còn góp phần khắc phục tình trạng kháng thuốc – một thách thức lớn trong điều trị DEE hiện nay. Nghiên cứu đó nhấn mạnh tầm quan trọng của việc phân tầng điều trị dựa trên gen đích, đặc biệt trong các trường hợp có biến thể ở gen SCN1A, SLC2A1 hoặc POLG – những đột biến thường bị bỏ sót nếu chỉ dựa vào đánh giá lâm sàng truyền thống (Nguyen et al., 2024, Sci Rep 14, 21606).
Bằng cách tích hợp các thuật toán tiên tiến như mạng nơ-ron đồ thị (Graph Neural Networks – GNNs), phân tích tầm quan trọng đặc trưng (Feature Importance Analysis), và phân cụm không giám sát (Clustering), mô hình cho phép trích xuất các mẫu dữ liệu dự đoán (predictive patterns) và xác định yếu tố khởi phát cơn co giật (seizure triggers) một cách tự động. Đồng thời, công cụ trực quan hóa dữ liệu được phát triển nhằm trình bày kết quả một cách dễ hiểu, phục vụ cho việc hỗ trợ quyết định lâm sàng. Tính đến thời điểm hiện tại, đây là một trong những mô hình đầu tiên tại Việt Nam ứng dụng đồng thời dữ liệu gen, miễn dịch và điện sinh học trong xây dựng mô hình AI cho động kinh trẻ em, phù hợp với xu hướng y học chính xác và cá thể hóa đang được triển khai mạnh mẽ.

Tính ứng dụng:

Mục tiêu trọng tâm của nghiên cứu này không chỉ dừng lại ở việc phát triển một mô hình trí tuệ nhân tạo có độ chính xác cao trong nhận diện và tiên lượng cơn co giật, mà còn hướng đến việc ứng dụng trực tiếp trong lâm sàng nhằm nâng cao chất lượng điều trị cho bệnh nhân mắc các bệnh lý thần kinh, đặc biệt là động kinh, viêm não và viêm não tự miễn.
Mô hình được thiết kế để tích hợp vào hệ thống theo dõi và cảnh báo thời gian thực (UHSVNU AI) (hình 2), cho phép phát hiện cơn co giật ngay khi chúng diễn ra thông qua dữ liệu EEG hoặc thông tin lâm sàng kết hợp. Hệ thống này đóng vai trò như một công cụ hỗ trợ ra quyết định nhanh chóng cho bác sĩ, đồng thời tăng cường khả năng tự giám sát và phản ứng sớm ở bệnh nhân.
Dựa trên các phân tích học máy và thông tin cá nhân hóa từ người bệnh, mô hình có thể đưa ra các khuyến nghị điều trị cá thể hóa (hình 4C), phù hợp với từng nhóm bệnh lý cụ thể. Chẳng hạn, trong các trường hợp viêm não do nhiễm trùng hoặc tự miễn, mô hình sẽ đề xuất các biện pháp can thiệp đặc hiệu hơn so với các phác đồ điều trị chung, từ đó nâng cao hiệu quả điều trị và giảm nguy cơ kháng thuốc.
Về mặt triển khai thực tế, mô hình được phát triển theo hướng tích hợp vào các thiết bị y tế hoặc phần mềm hỗ trợ lâm sàng (Hình 2) để giúp các bác sĩ theo dõi bệnh nhân một cách chủ động, đặc biệt trong môi trường chăm sóc đặc biệt hoặc các bệnh viện tuyến cuối. Một hệ thống dashboard giám sát trực quan (Hình 2) cũng được xây dựng, kèm theo hiển thị các kết quả đo điện não đồ (EEG) thời gian thực, cảnh báo tự động khi phát hiện cơ co giật và cung cấp các khuyến nghị điều trị dựa trên dữ liệu bệnh án điện tử, góp phần nâng cao độ chính xác trong quyết định lâm sàng.
Cách vận hành cụ thể bắt đầu bằng việc thu thập thông tin của bệnh nhân và nhập liệu ngay tại Khoa Cấp cứu và Đơn vị điều trị tích cực (ICU), dữ liệu đã được xử lý được gửi đến các thiết bị của bác sĩ thông qua điện toán đám mây và các bác sĩ lâm sàng có thể điều chỉnh/ nhập liệu thông tin trên thiết bị của mình (hình 4C). Mô hình sẽ tiến hành huấn luyện cục bộ trên chính thiết bị đó, đồng thời tinh chỉnh dựa vào thông tin đầu vào của người dùng, tạo một bản cập nhật phản hồi ngược về máy chủ. Tại các bệnh viện tuyến dưới – nơi còn thiếu thiết bị hiện đại – ứng dụng UHSVNU đóng vai trò như một “trợ lý thông minh”, sử dụng các thông tin đơn giản như triệu chứng, tiền sử bệnh, xét nghiệm máu… để gợi ý cho các bác sĩ lâm sàng về nhóm bệnh có khả năng cao, đồng thời đề xuất những xét nghiệm quan trọng cần làm hoặc cảnh báo khi cần chuyển bệnh nhân lên tuyến trên (hình 4C).
Hiện tại, nhóm nghiên cứu đang hợp tác với các bệnh viện và trung tâm nghiên cứu để tiến hành thử nghiệm lâm sàng trên nhóm bệnh nhân mắc viêm não, viêm não tự miễn và các dạng động kinh phức tạp, nhằm đánh giá tính hiệu quả và độ tin cậy của mô hình trong thực tiễn điều trị (Hình 4C). Các phản hồi từ bác sĩ lâm sàng và dữ liệu theo dõi từ bệnh nhân sẽ được sử dụng để tinh chỉnh, cải thiện hệ thống trước khi tiến hành mở rộng triển khai trên quy mô lớn hơn, hướng đến việc tích hợp vào hệ thống y tế thông minh của Việt Nam. (hình 4C). Đây là bước quan trọng để tiến tới áp dụng rộng rãi hệ thống hỗ trợ thông minh này trong quản lý và điều trị các bệnh lý thần kinh phức tạp ở trẻ em.

Tính hiệu quả:

Mô hình máy học (AI) (hình 3B & 4A) trình bày toàn diện quy trình đánh giá hiệu suất của các mô hình học máy nhằm lựa chọn giải pháp tối ưu nhất trong phân loại và tiên lượng điều trị bệnh động kinh ở trẻ em. Tổng cộng 165 bệnh nhân được thu thập và phân loại thành ba nhóm: viêm não tự miễn (Autoimmune Encephalitis – AE, n=82), viêm não do nhiễm trùng (Infectious Encephalitis – IE, n=31) và bệnh não động kinh phát triển (Developmental and Epileptic Encephalopathies – DEE, n=52).
Bộ dữ liệu được chia thành ba phần chính: (1) tập huấn luyện để xây dựng mô hình trí tuệ nhân tạo dựa trên mạng nơ-ron nhân tạo (Artificial Neural Networks – ANN); (2) tập dữ liệu kiểm chứng nhằm hiệu chỉnh và tối ưu hóa mô hình; và (3) tập dữ liệu kiểm tra độc lập, chưa từng được sử dụng trong huấn luyện, nhằm đánh giá khả năng khái quát của mô hình.
Ba mô hình ANN (ANN1, ANN2, ANN3) được huấn luyện và so sánh hiệu suất dựa trên các chỉ số chính bao gồm độ chính xác (Accuracy), độ nhạy (Sensitivity), độ đặc hiệu (Specificity), F1-score và diện tích dưới đường cong ROC (ROC-AUC) (hình 4A). Kết quả minh họa qua biểu đồ ROC cho thấy mô hình ANN2 đạt hiệu suất cao nhất, với giá trị ROC trung bình tiệm cận 1.0 ở cả micro và macro average, phản ánh khả năng phân loại mạnh mẽ giữa các nhóm bệnh (hình 4A). Tương tự, mô hình ANN1 cũng đạt hiệu suất ấn tượng với các chỉ số ROC-AUC > 0.9 trên tất cả các lớp bệnh (hình 4A). Phương pháp đánh giá được triển khai nghiêm ngặt, bao gồm kỹ thuật Cross-validation và Leave-one-out Cross-validation để đảm bảo tính khách quan và tránh hiện tượng quá khớp (overfitting). Ngoài ra, các kỹ thuật học tổ hợp (ensemble methods) cũng được sử dụng để tăng cường độ chính xác và độ ổn định của mô hình.
Sơ đồ quy trình ở góc phải (Hình 4A) mô tả cách mô hình được xây dựng: từ thu thập – xử lý dữ liệu – huấn luyện mô hình – phân loại nhóm bệnh – tiên lượng hiệu quả điều trị – đề xuất phương án can thiệp cá nhân hóa, phân tầng theo ba cấp độ điều trị (thuốc, không thuốc, kết hợp). Hiệu quả của mô hình không chỉ thể hiện qua khả năng phân loại chính xác ba nhóm bệnh mà còn trong việc dự đoán mức độ đáp ứng điều trị và hỗ trợ ra quyết định điều trị cá nhân hóa

Tiềm năng phát triển:

Mô hình máy học được xây dựng dựa trên dữ liệu từ các xét nghiệm, hiệu quả điều trị và thông tin thực tế trong quá trình chăm sóc bệnh nhân. Nhờ áp dụng công nghệ học sâu (Deep Learning), mô hình có thể xử lý và phân tích nhanh chóng khối lượng lớn dữ liệu, giúp hỗ trợ bác sĩ trong việc chẩn đoán sớm, phân loại và đưa ra tiên lượng điều trị, đặc biệt là với trẻ em mắc bệnh động kinh. Hiện nay, động kinh là một trong những bệnh thần kinh phổ biến ở trẻ nhỏ, với tỷ lệ mắc khoảng 5–10 trên 1.000 trẻ, nhất là tại các vùng khó tiếp cận dịch vụ y tế. Điều này khiến các bệnh viện lớn thường xuyên quá tải. Mô hình AI có thể giúp giảm áp lực bằng việc hỗ trợ các bác sĩ tuyến cơ sở thông qua hệ thống hỗ trợ ra quyết định (CDSS), từ đó nâng cao khả năng chẩn đoán và điều trị, dù nhân lực chuyên môn còn hạn chế (hình 4C)
Đặc biệt, tại các cơ sở chuyên sâu về Nhi – Thần kinh, Nhiễm hoặc tại Đơn vị điều trị tích cực (ICU), mô hình AI có thể rút ngắn thời gian chẩn đoán và giúp bác sĩ đưa ra quyết định điều trị nhanh và chính xác hơn trong các trường hợp bệnh nặng. Mô hình học từ các dữ liệu đa dạng – bao gồm triệu chứng, tiền sử bệnh, kết quả xét nghiệm và hình ảnh học – giúp xây dựng một cơ sở dữ liệu toàn diện về động kinh ở trẻ em (hình 3A). Việc phát triển mô hình AI hiện nay được hỗ trợ mạnh mẽ nhờ chính sách chuyển đổi số và ứng dụng công nghệ cao trong y tế của Bộ Y tế và Chính phủ. Đây là cơ hội để mô hình AI trở thành công cụ hữu ích, góp phần nâng cao chất lượng chăm sóc và điều trị cho bệnh nhân, hướng tới nền y tế thông minh.
Tuy nhiên, mô hình cũng đối mặt với nhiều thách thức. Hệ thống dữ liệu y tế hiện nay còn phân tán, thiếu đồng bộ, gây khó khăn cho việc thu thập và huấn luyện mô hình. Ngoài ra, cần có kế hoạch đào tạo bác sĩ để họ làm chủ công nghệ mới, cũng như kinh phí để triển khai hiệu quả mô hình trong thực tế. Bên cạnh đó, việc sử dụng AI trong chăm sóc sức khỏe cũng cần có khung pháp lý rõ ràng để bảo vệ thông tin cá nhân và quy định trách nhiệm trong quá trình sử dụng.

Tiêu chí về cộng đồng:

Cơ sở hạ tầng:

Để một mô hình trí tuệ nhân tạo (AI) hoạt động tốt và hiệu quả, xử lý dữ liệu tối ưu cần có một hệ thống hoạt động từ việc thu nhập, xử lý & lọc dữ liệu đầu vào đến việc thể hiện kết quả đầu ra cho người dùng dễ hiểu. Mục đích dữ liệu đầu vào được thu thập nhằm thực hiện chuẩn hóa dữ liệu cần thiết cho mô hình AI nhận diện đặc điểm lâm sàng và chỉ điểm cận lâm sàng về cơn co giật của bệnh động kinh. Thành phần bộ dữ liệu đầu vào (hình 1 và hình 3A) gồm bộ dữ liệu thô với các thông tin về:
• Dữ liệu EEG: Phản ánh hoạt động điện sinh học của não bộ, là thành phần cốt lõi.
• Dữ liệu lâm sàng: Bao gồm tiền sử bệnh, thuốc sử dụng, tình trạng hiện tại, độ tuổi, giới tính, và các chỉ số lâm sàng liên quan.
• Dữ liệu hình ảnh thần kinh: Như MRI, fMRI, hoặc CT scan để xác định tổn thương cấu trúc.
• Kết quả xét nghiệm dịch não tuỷ: Đối với nghi ngờ viêm não do nhiễm khuẩn.
• Dữ liệu kháng thể tự miễn: Đối với viêm não tự miễn.
• Dữ liệu di truyền học: Nếu có, để phát hiện đột biến gen liên quan đến động kinh, đặc biệt các gen như SCN1A, SLC2A1, hoặc POLG.
Lựa chọn và thiết kế các mô hình nhằm tối ưu hóa phát hiện cơn co giật liên quan lâm sàng dựa vào các thuật toán kết hợp (Combinatorial Algorithms) nhằm đảm bảo được hệ thống mô hình có thể học từ dữ liệu phức tạp và phi tuyến (hình 3B). Bên cạnh đó, dữ liệu của mô hình phải trải qua tiền xử lý nghiêm ngặt, bao gồm lọc nhiễu, chuẩn hóa định dạng, và xử lý giá trị thiếu (hình 3A). Sau đó, quá trình đánh giá mô hình (Model Benchmarking) tiến hành bằng cách sử dụng bộ dữ liệu kiểm chứng và kiểm tra để so sánh hiệu suất các mô hình qua các chỉ số như Accuracy, F1-score, ROC-AUC... (hình 4A), áp dụng các kỹ thuật như cross-validation và phương pháp tổ hợp để tăng độ tin cậy. Bên cạnh đó chúng tôi có sự so sánh giữa hiệu suất dự đoán tiên lượng điều trị của mô hình với tiên lượng điều trị thực tế khi theo dõi ở các mẫu dữ liệu.
Với bước khám phá mới, mô hình được dùng để phân tích mối quan hệ giữa cơn co giật và yếu tố lâm sàng đặc thù (chẳng hạn như các kiểu gen-kiểu hình, chỉ số miễn dịch, đột biến gen, các đặc điểm lâm sàng và phát hiện mới trong xét nghiệm), xác định các dấu ấn sinh học và yếu tố khởi phát cơn co giật thông qua GNN, phân cụm và phân tích tầm quan trọng đặc trưng, đi kèm với các công cụ trực quan hóa dữ liệu. (hình 4B). Đến quá trình cuối sẽ được ứng dụng vào lâm sàng để triển khai theo dõi và cảnh báo cơn co giật trong thời gian thực, cung cấp khuyến nghị điều trị cá nhân hóa (cho các dạng viêm não và động kinh) (hình 4C), tích hợp vào phần mềm quản lý dữ liệu bệnh nhân trong hệ thống y tế hoặc thiết bị lâm sàng; được hiển thị qua dashboard thời gian thực bằng ứng dụng UHSVNU AI (hình 2). Nhờ đó, nghiên cứu hy vọng có thêm cơ hội mở rộng được hợp tác với các bệnh viện, triển khai thử nghiệm lâm sàng và cải tiến hệ thống sẽ giúp đưa mô hình vào ứng dụng rộng rãi.
Hệ thống cần cơ sở hạ tầng tính toán mạnh với bộ lưu trữ tối thiểu 2TB, GPU hiệu năng cao (ít nhất 16GB VRAM), và phần mềm như MATLAB hoặc Python với các thư viện như NumPy, SciPy, MNE. Ngoài ra, hệ thống phải tuân thủ giao thức trao đổi dữ liệu y tế đạt chuẩn quốc tế như HL7 hoặc FHIR API, và đảm bảo bảo mật thông tin theo tiêu chuẩn HIPAA hoặc GDPR nếu triển khai ở quy mô liên quốc gia.

Khoảng thời gian triển khai: 1 năm

Số người tham gia: 5