����������������TRIỂN VỌNG� SỬ DỤNG TRÍ TUỆ NHÂN TẠO �TRONG THỞ MÁY��

TS.BS Nguyễn Ngọc Tú

BM Hồi Sức Cấp Cứu – Chống Độc, ĐHYD

Khoa Hồi Sức Cấp Cứu, BV Chợ Rẫy

NỘI DUNG TRÌNH BÀY

1. Tổng quan
2. Các triển vọng của ứng dụng AI trong thở máy
3. Hạn chế

Xu hướng số hóa dữ liệu y tế

Trong những năm gần đây, việc số hóa dữ liệu y tế đã cho phép các bác sĩ truy cập thông tin nhanh chóng, từ đó phát triển các mô hình dự đoán chính xác trong việc quản lý bệnh nhân tại ICU.

​

AI giúp giảm sai sót y tế, tăng cường an toàn cho bệnh nhân và giảm bớt tải lao động cho nhân viên y tế.

​

Mô hình dự đoán AI

Các mô hình AI đóng vai trò quan trọng trong việc đánh giá rủi ro bằng cách xem xét nhiều yếu tố, giúp bác sĩ thực hiện đánh giá cá nhân hóa.

Mặc dù tiến bộ đã được ghi nhận, số lượng nghiên cứu tập trung vào việc dự đoán cai thở máy ở bệnh nhân ARDS vẫn còn hạn chế.

​

Máy thở cung cấp một lượng lớn dữ liệu dưới dạng cài đặt, dạng sóng, cảnh báo và các thông số đo lường.

​

Khi được tích hợp với các biến số lâm sàng và đặc điểm của bệnh nhân, có thể kỳ vọng rằng việc triển khai AI cải thiện hiệu quả, hiệu suất và an toàn trong chăm sóc bệnh nhân

Việc nhận diện bệnh nhân ARDS và phân tầng nguy cơ thông qua việc triển khai AI đã được báo cáo trong các nghiên cứu khác nhau

​

Apostolova và cộng sự đã xây dựng các vectơ chứa thông tin về tình trạng của bệnh nhân, sau đó được kết hợp với nhau và phân tích bằng mô hình dự đoán để xác định sớm ARDS

Một lợi thế tiềm năng khác của việc triển khai AI là khả năng xác định các kiểu hình ARDS

tìm ra các thiết lập tối ưu cho áp lực dương cuối thì thở ra (PEEP), tỷ lệ oxy hít vào (FiO2), thể tích khí lưu thông lý tưởng điều chỉnh theo trọng lượng cơ thể (Vt)

​

• Số lượng thay đổi hành động được khuyến nghị trên mỗi bệnh nhân thở máy liên tục vượt quá số lượng của các bác sĩ lâm sàng.
• VentAI đã chọn chế độ thở máy thường xuyên hơn với Vt thấp hơn (5–7,5 mL/kg), nhưng ít hơn 50,8% đối với chế độ có Vt cao hơn (7,5–10 mL/kg).
• VentAI khuyến nghị mức PEEP thường xuyên hơn với mức 5–7 cm H2O. VentAI tránh các giá trị FiO2 cao (>55%) (giảm 59,8%), trong khi ưu tiên phạm vi 50–55% (tăng 140,3%).
• VentAI cung cấp hiệu suất cao bằng cách tự động lựa chọn chiến lược thông khí tối ưu, cá nhân hóa và do đó có thể mang lại lợi ích cho những bệnh nhân bệnh nặng.

PHÂN LOẠI BẤT ĐỒNG BỘ BỆNH NHÂN – MÁY THỞ

Triggering Delay: độ trễ kích hoạt là độ trễ thời gian giữa thời điểm bắt đầu nỗ lực của bệnh nhân và thời điểm bắt đầu tăng áp lực của máy thở.

Ineffective Effort: Nỗ lực không hiệu quả được định nghĩa là nỗ lực của bệnh nhân không thể kích hoạt nhịp thở của máy thở.

Auto-Triggering: tự động kích hoạt là nhịp thở cơ học không được kích hoạt bởi nỗ lực hít vào của bệnh nhân vượt quá nhịp thở mandatory (ở chế độ thông khí kiểm soát thể tích hoặc kiểm soát áp lực).

Double-Triggering: còn được gọi là chu kỳ kép hoặc xếp chồng nhịp thở, bao gồm 2 nhịp thở có thể cách nhau hoặc không, trong một thời gian thở ra rất ngắn.

​

CÁC PHƯƠNG PHÁP PHÁP CHẨN ĐOÁN BẤT ĐỒNG BỘ

• Phân tích trực quan (Visual Analysis)
• Áp lực thực quản (Esophageal Pressure)
• Đo hoạt động điện cơ hoành (Eadi)
• Siêu âm cơ hoành (Diaphragmatic Ultrasound)
• Phương pháp tự động (Automatic Methods)

Sottile và cộng sự đã áp dụng một số thuật toán học máy trên dữ liệu từ 62 bệnh nhân

xác định được nhịp thở đồng bộ và sự hiện diện của sự không đồng bộ

sử dụng thuật toán được vi tính hóa dựa trên các đặc điểm đặc trưng của thay đổi lưu lượng và độ lệch Paw.

​

​

Gholami và cộng sự đã sử dụng machine learning để tự động và liên tục phát hiện sự không đồng bộ theo chu kỳ dựa trên phân tích dạng sóng: mô hình này phát hiện sự hiện diện của sự không đồng bộ theo chu kỳ với độ nhạy và độ đặc hiệu lần lượt là 89% và 99%

Quyết định xem bệnh nhân đã sẵn sàng rút nội khí quản hay chưa chủ yếu phụ thuộc vào chức năng sinh lý, các dấu hiệu sinh tồn, ý thức, huyết động, chức năng hô hấp và các thông số thông khí

Rút ​​nội khí quản ở thời điểm chưa phù hợp có thể dẫn đến thất bại.

​

Đặc trưng bởi tình trạng bệnh nhân không thể duy trì nhịp thở sau khi rút nội khí quản. Thất bại khi rút nội khí quản được phát hiện xảy ra ở 25% các trường hợp.

​

Thất bại khi rút nội khí quản, được định nghĩa là đặt lại nội khí quản trong vòng 72 giờ, có liên quan đến thời gian nằm viện kéo dài và thời gian nằm ICU kéo dài.

​

Các biến chứng liên quan đến việc đặt lại nội khí quản: an thần kéo dài, viêm phổi liên quan đến thở máy, có thể góp phần kéo dài thời gian nằm viện.Thời gian nằm ICU kéo dài cũng làm cạn kiệt các nguồn lực kinh tế và y tế.

Các mô hình dự đoán cai thở máy bằng AI/ML

Các mô hình dự đoán cai thở máy bằng AI/ML

Our search identified 1,342 studies, of which 95 were included

Hạn chế của AI

Khó khăn trong việc tích hợp: không dễ để kết hợp tính cá thể hoá của từng bệnh nhân.

​

Chất lượng dữ liệu: chất lượng và độ phân giải của dữ liệu ảnh hưởng đến hiệu quả của các mô hình AI, trong khi sự khác biệt về hệ thống phần mềm có thể làm phức tạp quá trình huấn luyện.

​

Độ tin cậy: Kết quả dự đoán đôi khi không rõ ràng và có thể thiếu sự giải thích rõ ràng về lý do quyết định.

​

Tính đạo đức

​

Có bốn mối quan ngại đạo đức liên quan đến AI trong y tế:

• Quyền riêng tư và bảo mật thông tin bệnh nhân
• Niềm tin vào AI
• Trách nhiệm
• Thiên lệch

1. Dữ liệu huấn luyện không đại diện:

• Thiếu đa dạng: Dữ liệu huấn luyện AI thường không đại diện đầy đủ cho sự đa dạng của bệnh nhân trong thực tế.
• Ảnh hưởng đến hiệu suất: Khi AI được huấn luyện trên dữ liệu không đại diện, nó có thể hoạt động kém hiệu quả hơn hoặc đưa ra các quyết định sai lệch khi áp dụng cho các nhóm bệnh nhân không được đại diện đầy đủ trong dữ liệu huấn luyện.

​

2. Thiên lệch trong thiết kế thuật toán:

• Lựa chọn tính năng: Các nhà phát triển có thể vô tình hoặc cố ý lựa chọn các tính năng (features) có liên quan đến các đặc điểm nhân khẩu học (ví dụ: chủng tộc, giới tính) và sử dụng chúng để huấn luyện AI. Điều này có thể dẫn đến việc AI đưa ra các quyết định dựa trên các đặc điểm này thay vì dựa trên các yếu tố lâm sàng thực sự quan trọng.

​

3. Thiên lệch trong quá trình triển khai:

• Sử dụng không đúng cách: Ngay cả khi AI được thiết kế và huấn luyện tốt, nó vẫn có thể bị sử dụng không đúng cách trong thực tế. Ví dụ, nhân viên y tế có thể quá tin tưởng vào AI và bỏ qua các dấu hiệu lâm sàng quan trọng hoặc không điều chỉnh các khuyến nghị của AI cho phù hợp với từng bệnh nhân cụ thể.

​

Hậu quả của sự thiên lệch:

​

• Điều trị không công bằng: AI có thể đưa ra các khuyến nghị điều trị khác nhau cho các nhóm bệnh nhân khác nhau, ngay cả khi họ có cùng tình trạng bệnh lý.

​

• Kết quả điều trị kém hơn: Sự thiên lệch có thể dẫn đến việc bệnh nhân nhận được các phương pháp điều trị không phù hợp hoặc không hiệu quả, dẫn đến kết quả điều trị kém hơn.

​

• Gia tăng bất bình đẳng: Sự thiên lệch trong AI có thể làm gia tăng bất bình đẳng trong chăm sóc sức khỏe.

• Thông khí nhân tạo cơ học là một thách thức lớn trong các khoa hồi sức tích cực, đặc biệt đối với bệnh nhân ARDS.

​

• Sử dụng trí tuệ nhân tạo (AI) và machine learning có tiềm năng cải thiện quyết định lâm sàng và kết cục bệnh nhân.

​

• Các mô hình AI và và machine learning đã được phát triển để dự đoán sự thành công trong việc cai máy thở, tối ưu hóa quy trình thở máy, dự đoán các biến chứng tiềm ẩn

​

• Việc tích hợp AI và và machine learning vào thực hành lâm sàng còn gặp nhiều thách thức do tính phức tạp và sự chưa quen thuộc với bác sĩ

TÓM TẮT