ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG ĐIỀU TRỊ BỆNH NHÂN NGUY KỊCH

Ts Bs Nguyễn Tất Dũng

KHOA HỒI SỨC TÍCH CỰC- BVTW HUẾ

TRÍ TUỆ NHÂN TẠO: LỊCH SỬ

Trí tuệ nhân tạo (AI)

• mô tả các phương pháp mà hệ thống máy móc có thể bắt chước các chức năng nhận thức của con người
• được đặc trưng là những cỗ máy thông minh
• tăng đáng kể hiệu quả chẩn đoán lâm sàng và y sinh nói chung, nhưng nó cũng đặt ra một số câu hỏi về đạo đức

THUẬT NGỮ và KHÁI NIỆM

• Học máy
• Học sâu
• Học có giám sát
• Học không giám sát
• Học tăng cường
• Mạng neuron nhân tạo
• Thuật ngữ khác: Mạng Bayesian, rừng ngẫu nhiên...

THÀNH PHẦN CỦA TRÍ TUỆ NHÂN TẠO

HẠN CHẾ VÀ KHÓ KHĂN CỦA ĐIỀU TRỊ VÀ CHĂM SÓC TẠI ICU

• Các bác sĩ hồi sức có kinh nghiệm xuất sắc trong việc thu thập, phân loại và phân tích nhanh thông tin lâm sàng để nhanh chóng đưa ra chẩn đoán và quyết định các lựa chọn điều trị. 

Nhưng...!

• môi trường sử dụng nhiều dữ liệu như ICU bác sĩ phải đối phó với luồng thông tin không ngừng nghỉ (236 biến số/bệnh nhân thở máy)
• Khả năng lập danh mục, tương quan và phân loại các biến số này một cách liên tục nằm ngoài khả năng của ngay cả những bác sĩ lâm sàng hiểu biết và sâu sắc nhất.

VAI TRÒ CỦA AI

• Công nghệ AI có thể hỗ trợ chúng ta giải quyết tình trạng quá tải thông tin. 
• Các thuật toán học máy đã được sử dụng để phân tích dữ liệu được lưu trữ trong hồ sơ y tế điện tử nhằm dự đoán tỷ lệ tử vong và thời gian nằm viện tại ICU. 

ỨNG DỤNG CỦA TRÍ TUỆ NHÂN TẠO TRONG ICU

Ứng dụng AI trong quản lý bệnh nhân nặng

1. Nhận biết bệnh tật

• Tìm ra nguyên nhân gốc rễ của tình trạng lâm sàng xấu là một thách thức do
• đặc điểm ngấm ngầm của sự tiến triển bệnh
• sự hiện diện của các bệnh lý tồn tại đồng thời che khuất bệnh chính.
• Trí tuệ nhân tạo (AI) có thể hỗ trợ đưa ra chẩn đoán chính xác hơn bằng cách sử dụng khả năng xử lý tiên tiến dữ liệu lâm sàng và CLS

Vai trò của phân tích dự đoán dựa trên trí tuệ nhân tạo (AI) đối với sự tiến triển của bệnh.

 Mô hình AI phát hiện hoặc dự đoán bệnh kịp thời, cho phép bác sĩ lâm sàng điểu trị bệnh nhân nguy kịch sớm hơn (đường màu xanh lá cây) so với chiến lược thông thường (đường chấm màu vàng)

Yoon, J.H. et al Artificial Intelligence in Critical Care Medicine. Crit Care 26, 75 (2022). 

Figure 3: Chest radiographs predicted to indicate a high B-type natriuretic peptide (BNP) level. From top left to bottom right, images obtained in, respectively, an 80-year-old man, a 69-year-old woman, an 69-year-old woman, a 48-year-old man, a 68-year-old man, and an 86-year-old woman. Selected Generative Visual Rationales (GVRs) from the correctly trained model (top) and overfitted model (bottom) are shown. GVRs highlight features that the model believes need to be removed (orange) or added (purple) to remove the disease prediction. In the example of BNP prediction, the GVRs from the correctly trained model highlight congestive heart failure features, including cardiomegaly (arrowheads), pleural effusions (arrow), and airspace opacity (*). These features are statistically assessed in a larger blinded set in Table 2.

​

Seah JCY. Published Online: November 06, 2018

https://doi.org/10.1148/radiol.2018180887

Ví dụ, một mô hình học máy có thể phân biệt suy tim sung huyết với các bệnh phổi khác và định lượng tình trạng phù phổi bằng cách sử dụng kỹ thuật cung cấp cách thức xác suất để mô tả quan sát 

Ứng dụng AI trong quản lý bệnh nhân nặng

2. Dự đoán diễn biến bệnh tật

• là một trong những điều rất cần thiết đối với những bệnh nhân nguy kịch
• Trong ICU, tình trạng lâm sàng xấu đi rất nhanh là phổ biến và kết quả có thể không thể phục hồi được, thậm chí dẫn đến tử vong nếu phát hiện muộn. 

Dự đoán diễn biến bệnh tật

• Mô hình rừng ngẫu nhiên động là một loại thuật toán học máy có thể được sử dụng để dự đoán kết quả trong ICU.
•  Nó hoạt động bằng cách sử dụng một tập hợp các cây quyết định có thể điều chỉnh và cập nhật theo thời gian thực khi có dữ liệu mới. 

Joosten A, et al. Computer-assisted Individualized Hemodynamic Management Reduces Intraoperative Hypotension in Intermediate- and High-risk Surgery: A Randomized Controlled Trial. Anesthesiology. 2021;135(2):258-272. 

Sử dụng hồ sơ sức khỏe điện tử (EHR) cũng như dữ liệu dấu hiệu sinh lý bằng số, các trường hợp hạ huyết áp có liên quan đến lâm sàng đã được dự đoán bằng mô hình rừng ngẫu nhiên, đạt độ nhạy 92,7%, với diện tích trung bình dưới đường cong (AUC) là 0,93 sau 15 phút. trước sự kiện thực tế

Dự đoán diễn biến bệnh tật

• Tình trạng thiếu oxy và suy hô hấp cũng là những mục tiêu chính để dự đoán, vai trò của AI đã mở rộng trong đại dịch coronavirus gần đây. 
• Trong vài tháng đầu tiên của đại dịch, các mô hình do AI điều khiển đã được sử dụng để dự đoán sự tiến triển của COVID-19, thông qua các biến số hình ảnh, sinh học và lâm sàng. 
• Các kết quả lâm sàng khác có thể được dự đoán bằng cách sử dụng mô hình AI, bao gồm tỷ lệ tử vong sau TBI hoặc tỷ lệ tử vong của bệnh nhân COVID-19.

Dự đoán diễn biến bệnh tật

• Ngừng tim cũng đã được dự đoán bằng cách sử dụng điểm “Phân loại rủi ro ngừng tim điện tử” (eCART) từ dữ liệu EHR, cho thấy AI không thua kém so với các hệ thống tính điểm cảnh báo sớm thông thường. 
• Nhiễm trùng huyết cũng đã được dự đoán, với AUC là 0,85.

Ứng dụng AI trong quản lý bệnh nhân nặng

3. Kiểu hình bệnh/ Nhận dạng các mẫu trong dữ liệu phức tạp�

• Nhiễm trùng huyết được nhóm thành bốn kiểu hình (α, β, γ và δ) bằng cách phân cụm K-mean đồng thuận, một loại mô hình học máy không giám sát. 
• Các kiểu hình có các đặc điểm nhân khẩu học đặc biệt, các biểu hiện sinh hóa khác nhau, tương quan với các kiểu phản ứng của vật chủ và cuối cùng có liên quan đến các kết quả lâm sàng khác nhau
• 20.189 bệnh nhân/ in clinical trial cohorts

• α là phổ biến nhất (n = 6625; 33%) và bao gồm những bệnh nhân sử dụng thuốc vận mạch ở liều thấp nhất;
• β (n = 5512; 27%), bệnh nhân lớn tuổi hơn, mắc bệnh mãn tính và rối loạn chức năng thận nhiều hơn; 
• γ (n = 5385; 27%), bệnh nhân bị viêm và rối loạn chức năng phổi nhiều hơn;
• δ (n = 2667; 13%), bệnh nhân bị rối loạn chức năng gan và sốc nhiễm trùng nhiều hơn.

Ứng dụng AI trong quản lý bệnh nhân nặng

4. Hỗ trợ đưa ra quyết định phức tạp

• AI có khả năng hỗ trợ các bác sĩ trong quá trình điều trị phức tạp, trong việc đánh giá mức độ rủi ro, xác định những người có nhiều khả năng bị tình trạng xấu đi đột ngột và phân tích nhiều kết quả nhỏ để nâng cao hiệu quả. 
•  Chúng dựa trên các mô hình khác nhau và mô hình tốt nhất trong số đó là đưa ra lời giải thích cùng với phản hồi chính xác, đáng tin cậy và nhanh chóng. 

Hướng dẫn các quyết định lâm sàng

+ Phương pháp điều trị được lựa chọn của “Bác sĩ lâm sàng” AI đáng tin cậy hơn so với các bác sĩ lâm sàng là con người. 

+ Trong một NC đoàn hệ độc lập lớn xác nhận với dữ liệu huấn luyện, tỷ lệ tử vong thấp nhất ở những bệnh nhân được bác sĩ lâm sàng dùng liều thực tế phù hợp với quyết định của AI. 

+ Mô hình trong NC cung cấp các quyết định điều trị phù hợp với từng cá nhân và có thể giải thích được về mặt lâm sàng đối với bệnh nhiễm trùng huyết, có thể cải thiện kết quả của bệnh nhân.

CÁ NHÂN HÓA ĐIỀU TRỊ

Hướng dẫn các quyết định lâm sàng

VentAI cung cấp hiệu suất cao bằng cách linh hoạt lựa chọn chiến lược thông khí được cá nhân hóa, tối ưu hóa và do đó có thể mang lại lợi ích cho những bệnh nhân bị bệnh nặng, giảm tỷ lệ tử vong trong 90 ngày

Những thách thức và trở ngại đối với AI trong quản lý bệnh nhân nguy kịch

  Khả năng giải thích và khả năng diễn giải�

• Mặc dù mô hình AI có thể tạo ra kết quả đầu ra có vẻ chính xác nhưng đôi khi cơ sở tính toán không thể được cung cấp cho người dùng cuối (BS)
• Có phản kháng mạnh mẽ trong việc chấp nhận các mô hình AI vào thực hành vì các bác sĩ lâm sàng lo ngại rằng việc thực hiện các biện pháp can thiệp không cần thiết hoặc thay đổi chiến lược điều trị mà không có bằng chứng khoa học hỗ trợ có thể vi phạm quy tắc đầu tiên về chăm sóc bệnh nhân, nhất là ở ICU liên quan trực tiếp tử vong
• PP điều trị mới không có đủ bằng chứng khi được đưa ra lần đầu tiên trong lịch sử y học: AI chưa học được

​

Thiếu chứng cứ mạnh mẽ

• do thiếu các thí nghiệm và thử nghiệm lâm sàng đầy đủ, với tỷ lệ tái lập và phân tích triển vọng quá thấp
• các mô hình AI hiện tại trong y học chăm sóc tích cực phần lớn được tạo ra bằng cách sử dụng dữ liệu hồi cứu mà không có sự xác nhận từ bên ngoài hoặc đánh giá tương lai.

 Các vấn đề về khả năng tái tạo của hệ thống AI trong quá trình ứng dụng�

• Khả năng tái tạo của các giải pháp AI không được đảm bảo và không có giao thức rõ ràng nào tồn tại để kiểm tra kỹ lưỡng vấn đề này 🡪 có thể ảnh hưởng đáng kể đến độ trung thực của mô hình AI

PROBAST (prediction model risk of bias assessment tool) risk of bias assessment for non-randomised studies.

Myura Nagendran et al. BMJ 2020;368:bmj.m689

Một nghiên cứu phân tích 81 thử nghiệm không ngẫu nhiên và 10 thử nghiệm ngẫu nhiên sử dụng học sâu cho thấy chỉ có 6 trong số 81 nghiên cứu không ngẫu nhiên đã được thử nghiệm trong bối cảnh lâm sàng trong thế giới thực và 72% nghiên cứu cho thấy có nguy cơ sai lệch cao 

Mối quan tâm về đạo đức

• một lĩnh vực mới đối với hầu hết các nhà nghiên cứu và bác sĩ lâm sàng.

1. quyền riêng tư và chia sẻ dữ liệu: Rất khó để xóa các điểm dữ liệu riêng lẻ khỏi tập dữ liệu một khi chúng đã được mô hình AI sử dụng

2.  sự an toàn của mô hình AI tại giường bệnh

3. Quyền tự chủ của từng bệnh nhân

Định hướng cho tương lai

Định hướng cho tương lai

• truyền dữ liệu hiệu quả,
• khử nhận dạng dữ liệu,
• xử lý nhanh,
• kiểm soát chất lượng
• học tập liên kết phi tập trung.

Kết luận

• Việc sử dụng trí tuệ nhân tạo (AI) trong ICU mang lại nhiều cơ hội nâng cao kết quả ở những bệnh nhân nguy kịch bằng cách cho phép
• nhận thức về bệnh,
• dự đoán những thay đổi trong quá trình bệnh lý,
• nhận biết các mô hình độc đáo trong biểu hiện bệnh
• hỗ trợ trong quá trình đưa ra quyết định lâm sàng

• Hơn nữa, AI có thể tạo điều kiện thuận lợi cho sự hiểu biết về các quy trình y tế bằng cách đưa ra các khuyến nghị chăm sóc bệnh nhân theo cách có thể hiểu được và phân cấp thông qua các kỹ thuật như học tăng cường. 
• Công nghệ này có khả năng cải thiện sự hiểu biết về nhu cầu lâm sàng đa dạng của bệnh nhân nguy kịch, đánh giá rủi ro trong điều trị và phân tích kết quả của bệnh nhân.

​

TRÂN TRỌNG CẢM ƠN! �

CÂY QUYẾT ĐỊNH

VAI TRÒ CỦA AI

• nâng cao hiểu biết của chúng ta về những nhóm BN có thể có nguy cơ tiến triển bệnh hoặc có khả năng gặp phải các biến chứng y khoa. 
• Những nghiên cứu hồi cứu này, dù có thể hữu ích trong việc xác định sớm và phân loại bệnh nhân, nhưng chỉ đại diện cho kết quả thấp trong nghiên cứu AI.

VAI TRÒ CỦA AI

• Nghiên cứu về trí tuệ nhân tạo (AI) đã cho thấy nhiều hứa hẹn trong việc dự đoán kết quả bệnh tật và cải thiện việc chăm sóc bệnh nhân
• Hiểu biết của chúng ta về tiềm năng của AI trong chăm sóc tích cực vẫn còn hạn chế.

​