AI có khả năng dự đoán nguy cơ sinh non với độ chính xác cao

Sinh non gây nhiều biến chứng nghiêm trọng ở trẻ sơ sinh

Sinh non là tình trạng trẻ sơ sinh chào đời trước 37 tuần mang thai. Đây là tình trạng nghiêm trọng làm tăng đáng kể các biến chứng ở trẻ sơ sinh bao gồm khó thở, khó bú, bại não và thậm chí tử vong ở trẻ sơ sinh. Theo ước tính của Tổ chức Y tế Thế giới (WHO) năm 2020 cho thấy, cứ 10 trẻ sơ sinh thì có 01 trẻ sinh non.

Theo Bộ Y tế, trên thế giới cứ 10 trẻ sinh ra có 01 trẻ sinh non và Việt Nam cũng vậy. Tỷ lệ trẻ đẻ non/nhẹ cân chiếm 19% trong mô hình bệnh tật của trẻ sơ sinh. Những nguyên nhân chính gây nên tỷ lệ tử vong trẻ sơ sinh là do: Đẻ non/thấp cân, ngạt, chấn thương trong khi đẻ, dị tật và các bệnh nhiễm khuẩn, trong đó nguyên nhân do đẻ non/nhẹ cân chiếm tới 25%.

Trong nhiều thập kỷ, các nghiên cứu đã làm sáng tỏ một số nguyên nhân cơ bản gây ra tình trạng sinh non bao gồm: hút thuốc lá ở mẹ, uống rượu, căng thẳng, tiếp xúc với ô nhiễm và gần đây nhất là di truyền , thì sự tương tác phức tạp giữa các yếu tố này đã dẫn đến việc thiếu một yếu tố quyết định rủi ro của tình trạng này. Do đó các bác sĩ lâm sàng ngày nay dựa vào các mô hình đánh giá rủi ro để xác định khả năng sinh non và thực hiện các biện pháp can thiệp và chăm sóc kịp thời.

Al có thể dự đoán nguy cơ sinh non với độ chính xác 82%

Trong một nghiên cứu mới được công bố trên tạp chí Scientific Reports, các nhà nghiên cứu đã đánh giá độ chính xác, độ tin cậy và điểm F1 của một số mô hình học máy (ML) trong việc dự đoán khả năng sinh non ở phụ nữ mang thai và họ phát hiện ra rằng, các mô hình học máy có thể đánh giá rủi ro với độ chính xác ấn tượng.

ML là một lĩnh vực thuộc trí tuệ nhân tạo (AI), tập trung vào phát triển các thuật toán cho phép máy tính tự động cải thiện và tăng độ chính xác thông qua kinh nghiệm và dựa trên dữ liệu. Khả năng phát hiện các mô hình vô hình với số liệu thống kê truyền thống và tận dụng nhiều loại dữ liệu đầu vào ( siêu âm qua ngả âm đạo, hồ sơ sức khỏe điện tử (EHR) và tín hiệu điện tử đồ) khiến chúng ngày càng có giá trị trong y học dự phòng.

Mặc dù các mô hình ML đã được nghiên cứu trước đây để dự đoán sinh non nhưng nghiên cứu hiện tại tập trung vào việc xác định các mô hình hiệu quả nhất và cải thiện độ chính xác dự đoán của chúng thông qua việc điều chỉnh siêu tham số.

Nghiên cứu này nhằm mục đích sử dụng các mô hình ML để dự đoán nguy cơ sinh non, do đó cho phép can thiệp kịp thời ở những phụ nữ có nguy cơ cao.

Nghiên cứu sử dụng thông tin của một nhóm 50 phụ nữ (28 trường hợp và 22 đối chứng) để đánh giá các số liệu về độ chính xác của chúng. Dữ liệu của người tham gia được lấy từ những phụ nữ mang thai nhập viện tại Bệnh viện Đại học Tiến sĩ Antoni Biziel ở Bydgoszcz, Ba Lan.

Dữ liệu nghiên cứu bao gồm các cuộc kiểm tra y tế chi tiết (đánh giá sức khỏe, đánh giá phụ khoa và xét nghiệm máu ) và bảng câu hỏi y tế (tiền sử bệnh án, thuốc hiện tại của người tham gia và các chi tiết liên quan đến lâm sàng khác).

Nghiên cứu hiện tại xác định SVM tuyến tính là mô hình ML có độ chính xác, độ thu hồi và điểm F1 tổng thể cao nhất trong số năm mô hình được đánh giá. Các máy vectơ hỗ trợ tuyến tính (SVM), đặc biệt là những máy có siêu tham số được tối ưu hóa, là máy có hiệu suất tốt nhất (độ chính xác = 82%) trong số một số máy được thử nghiệm. Cùng với hồi quy logistic (mô hình có hiệu suất tốt thứ hai), mô hình này nhấn mạnh rằng độ phức tạp thuật toán tối ưu đóng vai trò quan trọng trong dự đoán sinh non, vì các mô hình quá đơn giản hoặc quá phức tạp có xu hướng hoạt động kém hiệu quả.

Phân tích hiệu suất tính năng cho thấy, ngoài protein phản ứng C (CRP) từ các thông số hình thái máu và số lần sinh (số lần sinh trước đó), hematocrit (HCT) và số lượng tiểu cầu (PLT) cũng là những yếu tố dự báo đáng kể về sinh non.

Những phát hiện này chỉ ra rằng các yếu tố liên quan đến tình trạng viêm và thành phần máu đóng vai trò quan trọng trong đánh giá nguy cơ sinh non. Đáng chú ý, trình độ học vấn cũng được xác định là một yếu tố có ý nghĩa thống kê, cho thấy các yếu tố kinh tế xã hội đóng vai trò trong nguy cơ sinh non.

Nhìn chung, những phát hiện này cho thấy sinh non là do sự tương tác đa yếu tố của các yếu tố sinh lý, kinh tế xã hội và hành vi. Những phát hiện này nhấn mạnh nhu cầu về các phương pháp chăm sóc tích hợp giải quyết cả các yếu tố sinh học và xã hội quyết định trong thai kỳ.

Mặc dù phát hiện này rất hứa hẹn nhưng các nhà nghiên cứu cũng lưu ý, cần có các nghiên cứu quy mô lớn hơn để xác nhận khả năng khái quát hóa của các mô hình. Nghiên cứu trong tương lai nên tập trung vào việc thu thập các tập dữ liệu lớn hơn, đa dạng hơn và bao gồm sàng lọc thai kỳ giai đoạn sớm hơn để tăng cường độ chính xác dự đoán nhằm hỗ trợ xác định sớm rủi ro và các chiến lược can thiệp cho tình trạng sinh non.