TRÍ TUỆ NHÂN TẠO TRONG HỆ THỐNG CẤP CỨU NỘI VIỆN: TỪ PHÁT HIỆN SỚM ĐẾN TỐI ƯU CHĂM SÓC VÀ ĐIỀU TRỊ
DOI:
https://doi.org/10.59354/ydth175.2025.409Từ khóa:
Trí tuệ nhân tạo, Hệ thống cảnh báo sớm, Ngừng tim nội viện, Nhiễm trùng huyết, Học máy, Học sâuTóm tắt
Giới thiệu: Trí tuệ nhân tạo (Artificial Intelligence, AI) đã trở thành công cụ đột phá trong lĩnh vực y tế, đặc biệt trong việc nâng cao hiệu quả hệ thống cấp cứu nội viện. AI không chỉ cải thiện khả năng phát hiện sớm các tình trạng bất thường trên lâm sàng mà còn hỗ trợ tối ưu hóa quy trình chăm sóc và điều trị bệnh nhân, góp phần giảm tỷ lệ tử vong.
Mục tiêu: Đánh giá hệ thống cảnh báo sớm ứng dụng trí tuệ nhân tạo trong cấp cứu nội viện, so sánh hiệu năng với thang điểm truyền thống và thảo luận khả năng triển khai tại Việt Nam.
Phương pháp: Rà soát có hệ thống các nghiên cứu gốc (2015 - 2024) trên PubMed, Scopus, IEEE Xplore với các từ khóa liên quan “artificial intelligence”, “early warning”, “in-hospital”, “cardiac arrest”, “sepsis”. Tiêu chí chọn: cỡ mẫu ≥ 500, báo cáo AUROC/AUC và có nhóm so sánh MEWS/NEWS. Có 18 nghiên cứu phù hợp; do không đồng nhất về tiêu chí đầu cuối nên không tiến hành phân tích gộp.
Kết quả: Các mô hình AI nổi bật gồm DeepCARS™, DEWS, AISE, mô hình Random-Forest của Churpek và Deep EDICAS. AI đạt AUROC 0,80 – 0,94 (trung vị 0,88), cao hơn MEWS/NEWS (0,62 – 0,78). Ở cùng mức đặc hiệu, AI giảm 50 - 60 % báo động giả và tăng độ nhạy tới 2,5 lần; thời gian báo trước ngừng tim/nhiễm trùng huyết sớm hơn 4 - 24 giờ. Các hệ thống AI “giải thích được” ngày càng phổ biến và có thể tích hợp trực tiếp vào hồ sơ bệnh án điện tử.
Kết luận: AI nâng cao đáng kể khả năng phát hiện sớm và tối ưu hóa phản ứng nhanh so với thang điểm truyền thống. Cần thử nghiệm đa trung tâm trên dữ liệu Việt Nam, hoàn thiện hạ tầng công nghệ thông tin và hành lang pháp lý trước khi nhân rộng.
Tài liệu tham khảo
1.Liu V. X., Lu Y., Carey K. A. et al. (2020). Comparison of Early Warning Scoring Systems for Hospitalized Patients With and Without Infection at Risk for In-Hospital Mortality and Transfer to the Intensive Care Unit. JAMA Netw Open. 3(5):e205191.
2.Mahmoodpoor A., Sanaie S., Saghaleini S. H. et al. (2022). Prognostic value of National Early Warning Score and Modified Early Warning Score on intensive care unit readmission and mortality: A prospective observational study. Front Med (Lausanne). 9938005.
3.McGaughey J., Fergusson D. A., Van Bogaert P. et al. (2021). Early warning systems and rapid response systems for the prevention of patient deterioration on acute adult hospital wards. Cochrane Database Syst Rev. 11(11):Cd005529.
4.Cho K. J., Kim J. S., Lee D. H. et al. (2023). Prospective, multicenter validation of the deep learning-based cardiac arrest risk management system for predicting in hospital cardiac arrest or unplanned intensive care unit transfer in patients admitted to general wards. Crit Care. 27(1):346.
5.Lee Y. J., Cho K. J., Kwon O. et al. (2021). A multicentre validation study of the deep learning-based early warning score for predicting in-hospital cardiac arrest in patients admitted to general wards. Resuscitation. 16378-85.
6.Kim Y. K., Koo J. H., Lee S. J. et al. (2023). Explainable Artificial Intelligence Warning Model Using an Ensemble Approach for In-Hospital Cardiac Arrest Prediction: Retrospective Cohort Study. J Med Internet Res. 25e48244.
7.Cho K. J., Kwon O., Kwon J. M. et al. (2020). Detecting Patient Deterioration Using Artificial Intelligence in a Rapid Response System. Crit Care Med. 48(4):e285-e289.
8.Churpek M. M., Yuen T. C., Winslow C. et al. (2016). Multicenter Comparison of Machine Learning Methods and Conventional Regression for Predicting Clinical Deterioration on the Wards. Crit Care Med. 44(2):368-74.
9.Nemati S., Holder A., Razmi F. et al. (2018). An Interpretable Machine Learning Model for Accurate Prediction of Sepsis in the ICU. Crit Care Med. 46(4):547- 553.
10.Deng Y. X., Wang J. Y., Ko C. H. et al. (2024). Deep learning-based Emergency Department In-hospital Cardiac Arrest Score (Deep EDICAS) for early prediction of cardiac arrest and cardiopulmonary resuscitation in the emergency department. BioData Min. 17(1):52.
11.Haas R., McGill S. C. (2022). CADTH Horizon Scans. Artificial Intelligence for the Prediction of Sepsis in Adults: CADTH Horizon Scan, Canadian Agency for Drugs and Technologies in Health, Ottawa (ON).
12.Abdullah Rana, Fakieh Bahjat (2020). Health Care Employees’ Perceptions of the Use of Artificial Intelligence Applications: Survey Study. J Med Internet Res. 22(5):e17620.
