Dùng AI để giải quyết một trong những vấn đề tồn tại của kiểm tra sức khỏe
Hình ảnh y sinh là một trong những công cụ được sử dụng rộng rãi nhất để kiểm tra sức khỏe với hàng tá nghiên cứu hình ảnh về sức khỏe bệnh nhân có được. Các nghiên cứu đã được sử dụng để tìm hiểu thông tin về các triệu chứng nhất định của một bệnh nhân hoặc điều kiện mà họ đã được điều trị nhưng thường xuyên đem lại những phát hiện tình cờ không liên quan đến chỉ định ban đầu.
Khi những phát hiện tình cờ được ghi lại trong hồ sơ X quang, cũng có những thông tin không được ghi nhận bởi vì người ta chỉ tập trung vào giải quyết mục tiêu ban đầu. Dẫu vậy có một thực tế là trong khi nhiều phát hiện ban đầu đem lại tín hiệu tốt lành nhưng cũng có một số vấn đề có thể tiến triển theo chiều hướng xấu theo thời gian nên việc phát hiện sớm những triệu chứng cũng là cách có thể ngăn ngừa bệnh tật cho người bệnh theo dài hạn.
Sự chậm chễ hoặc bỏ lỡ những triệu chứng trong những chấn đoán hình ảnh tình cờ là một trong những vấn đề phát sinh nhiều nhất ảnh hưởng đến hàng triệu bệnh nhân và làm tăng thêm chi phí dài hạn. Ở Mỹ, xét tại quy mô quốc gia, ước tính các bệnh viện và hệ thống chăm sóc sức khỏe mất khoảng 43 triệu USD hằng năm do để lỡ cơ hội phát hiện riêng bệnh ung thư phổi.
“Vấn đề này là một trường hợp nghiên cứu để ngăn ngừa thiệt hại: có tài liệu nhưng phát hiện không được ghi nhận có thể dẫn đến một can thiệp có ý nghĩa về mặt sức khỏe nên bệnh tật ở bệnh nhân có thể phát triển mà không phát hiện được”, tiến sĩ Mozziyar Etemadi, giám đốc phụ trách công nghệ tiên tiến tại Northwestern Medicine, nói.
Ghi nhận mối nguy hiểm với bệnh nhân và rủi ro tài chính, Northwestern Medicine đã cử một nhóm liên ngành với các thành viên ở chuyên ngành X quang, bộ phận QA/QC, An toàn cho bệnh nhân, Cải tiến quy trình, Chăm sóc ban đầu, Điều dưỡng, Tin học… giải quyết vấn đề này. Nhóm nghiên cứu đã tạo ra một hệ sử dụng trí tuệ nhân tạo (AI) tích hợp hồ sơ sức khỏe điện tử (EHR) có thể chạy trên gần như mọi hình ảnh có được ở 1 hệ thống sức khỏe bệnh viện. Khi được đặt yêu cầu, hệ AI này kích hoạt một lệnh trong EHR để hiển thị một cách rõ ràng những phát hiện và những đề xuất tiếp theo trong dòng chảy dữ liệu.
Một khi hệ này được kích hoạt bởi một lệnh, nó sẽ dò theo toàn bộ những đề xuất trên cả những phát hiện tình cờ và điều người ta dự kiến ban đầu. Nếu không đưa ra cảnh báo để lên lịch chụp ảnh bổ sung hoặc cần những theo dõi khác, hệ thống sẽ cảnh báo để ngăn chặn sự chậm trễ trong chăm sóc và cải thiện kết quả chẩn đoán của bệnh nhân.
Northwestern Medicine ban đầu thử nghiệm công nghệ này vào tháng 12/2020 để tìm kiếm thông tin về phổi và tuyến thượng thận, sau đó thử nghiệm trên nhiều bộ phận khác trong hơn một năm. Các kết quả của nghiên cứu đã được xuất bản trên tạp chí NEJM Catalyst Innovations in Care Delivery. Đây là một trong những nghiên cứu đầu tiên có triển vọng về một công cụ AI được thực hành lâm sàng.
Nghiên cứu trên tạp chí Catalyst đã nhìn vào dữ liệu được thu thập trong vòng một năm sau khi hoàn thiện hệ AI vào tháng 12/2020. Hơn 460.000 hình ảnh đã được sàng lọc và 23.000 bức đã được dán nhãn vì có những khuyến nghị tiếp với tỉ lệ 5% phát hiện bất thường về phổi xuất hiện hoặc liên quan trong các bức ảnh – phát hiện 68 bức mỗi ngày.
“Dữ liệu của chúng tôi cho thấy sự phổ biến của những phát hiện ngẫu nhiên này trong các nghiên cứu chẩn đoán hình ảnh và hỗ trợ thêm khả năng tìm kiếm một giải pháp có thể mở rộng”, tiến sĩ Etemadi nói. “Nhóm của chúng tôi đã phát triển hệ thống xử lý ngôn ngữ tự nhiên (NLP) tích hợp trong hồ sơ sức khỏe điện tử (EHR) để có thể tự động tìm ra các bức ảnh X quang được khuyến nghị cần theo dõi thêm”.
Một ví dụ của cách hệ này hoạt động là một bệnh nhân có một bức chụp tia X ngực để kiểm tra bệnh viêm phổi và một u nhỏ ở phổi đã được một chuyên gia X quang nhận diện, ghi lại trong hồ sơ về phổi và đề xuất việc chụp CT ngực. Hệ AI dò theo thông tin của chuyên gia X quang, vì vậy khung tích hợp được kích hoạt một biện pháp tư vấn điều trị tốt nhất để cảnh báo với bác sĩ đã đề nghị AI kiểm tra. Biện pháp tư vấn điều trị tốt nhất có thể hiển thị trong EHR và không đòi hỏi bác sĩ phải tìm thêm một chương trình nào khác.
“Việc hiểu sai thường thấy là người ta cho rằng AI được phát triển để đưa ra các quyết định điều trị lâm sàng, nhưng đây không phải là trường hợp này – các quyết định điều trị lâm sàng đều do các chuyên gia X quang và bác sĩ yêu cầu AI kiểm tra”, Jane Domingo, người ở Văn phòng cải thiện hiệu suất điều trị thuộc Northwestern Medicine và một đồng tác giả của nghiên cứu, nhận xét. “Hệ này được phát triển để nhận diện các báo cáo về triệu chứng với những phát hiện liên quan đến dữ liệu hình ảnh, vốn trước đây chưa từng tồn tại. Nó tạo điều kiện để bác sĩ ra quyết định hơn là ra quyết định thay bác sĩ. Một phần quan trọng trong nghiên cứu của chúng tôi là việc họp bàn với các bác sĩ và giúp họ hiểu rằng nó chỉ hỗ trợ họ trong việc đưa ra các quyết định điều trị lâm sàng”.
Để tăng thêm khả năng cảnh báo cho các bác sĩ, bệnh nhân cũng nhận được thông báo từ hồ sơ online của mình với kết quả hình ảnh X quang. Các bệnh nhân không có hồ sơ online hay không có hồ sơ online do các bác sĩ ở Northwestern Medicine trực tiếp quản lý thì các y tá chăm sóc họ sẽ nhận được thông báo.
“Chúng tôi thường tin là ‘không có gì mới, đó là tin tốt’ và nếu không nghe được thông tin từ bác sĩ sau một xét nghiệm, chúng ta thường có xu hướng giả định mọi thứ là tốt và không quan tâm đến những gì tiếp theo”, Domingo nói. “Bằng việc tạo cho bệnh nhân thông báo về tiến trình chẩn đoán, chúng tôi đã tăng thêm một lớp an toàn cho bệnh nhân và đem lại lợi ích cho chính họ”.
Mọi yếu tố của hệ thống mà chúng tôi xây dựng đều là từ nỗ lực của chính Northwestern Medicine. Một trong những yếu tố thách thức nhất để xây dựng một hệ AI là quá trình dán nhãn, vốn đòi hỏi một lượng dữ liệu cực lớn và phải được các chuyên gia lâm sàng nhận diện.
“Cụ thể, việc dán nhãn dữ liệu do bên thứ ba thực hiện và đòi hỏi rất nhiều thời gian và nguồn lực tài chính nhưng lại cho những kết quả không đều”, tiến sĩ Etemadi giải thích. “Tại Northwestern Medicine, chúng tôi sử dụng nguồn lực của mình để hoàn thành phần khó này của dự án – các nhân viên y tế và những thành viên thực hiện chụp X quang đều không thể có được khả năng này . Họ đã phải qua quá trình huấn luyện như những chuyên gia có khả năng đọc và hiểu các bức ảnh chụp X quang và thực hiện trên nhiều văn bản liên quan từ các báo cáo X quang đã được chọn lọc. Điều này dẫn đến chất lượng cao hơn và chuyên gia đánh giá dữ liệu đã được dán nhãn một cách hiệu quả”.
Cùng với nghiên cứu xuất bản trên tạp chí Catalyst, Northwestern Medicine đã thông báo kết quả trên một trang web về quá trình xây dựng và thử nghiệm hệ AI để các bệnh viện và hệ thống y tế khác có thể học hỏi, áp dụng vào những chương trình chăm sóc y tế của mình.
Hiện tại, hệ thống này đang được tiếp tục được sử dụng để kiểm tra một số bệnh khác như gan, tuyến giáp và buồng trứng.
Hoàng Anh Vũ tổng hợp
Nguồn:
https://medicalxpress.com/news/2022-03-ai-health-problems.html
—————————–
1.https://catalyst.nejm.org/doi/10.1056/CAT.21.0469
