Mô hình AI nền tảng dự đoán rủi ro sau phẫu thuật từ các ghi chú lâm sàng

Hàng triệu người Mỹ trải qua phẫu thuật mỗi năm. Sau phẫu thuật, việc ngăn ngừa các biến chứng như viêm phổi, cục máu đông và nhiễm trùng có thể tạo nên sự khác biệt giữa quá trình phục hồi thành công và thời gian nằm viện kéo dài, đau đớn -- hoặc tệ hơn. Hơn 10% bệnh nhân phẫu thuật gặp phải các biến chứng như vậy, có thể dẫn đến thời gian nằm viện lâu hơn tại khoa chăm sóc đặc biệt (ICU), tỷ lệ tử vong cao hơn và chi phí chăm sóc sức khỏe tăng lên. Việc xác định sớm những bệnh nhân có nguy cơ là rất quan trọng, nhưng việc dự đoán chính xác những rủi ro này vẫn là một thách thức.

Những tiến bộ mới trong trí tuệ nhân tạo (AI), đặc biệt là các mô hình ngôn ngữ lớn (LLM), hiện cung cấp một giải pháp đầy hứa hẹn. Một nghiên cứu gần đây do Chenyang Lu, Giáo sư Fullgraf về khoa học máy tính và kỹ thuật tại Trường Kỹ thuật McKelvey và giám đốc Viện AI vì Sức khỏe (AIHealth) tại Đại học Washington ở St. Louis, dẫn đầu, khám phá tiềm năng của LLM trong việc dự đoán các biến chứng sau phẫu thuật bằng cách phân tích các đánh giá trước phẫu thuật và ghi chú lâm sàng. Công trình được công bố trực tuyến vào ngày 11 tháng 2 trên npj Digital Medicine , cho thấy các LLM chuyên biệt có thể vượt trội đáng kể so với các phương pháp học máy truyền thống trong việc dự báo rủi ro sau phẫu thuật.

"Phẫu thuật mang lại rủi ro và chi phí đáng kể, nhưng các ghi chú lâm sàng lại chứa đựng nhiều hiểu biết có giá trị từ nhóm phẫu thuật", Lu cho biết. "Mô hình ngôn ngữ lớn của chúng tôi, được thiết kế riêng cho các ghi chú phẫu thuật, cho phép dự đoán sớm và chính xác các biến chứng sau phẫu thuật. Bằng cách xác định rủi ro một cách chủ động, các bác sĩ lâm sàng có thể can thiệp sớm hơn, cải thiện sự an toàn và kết quả của bệnh nhân".

Các mô hình dự đoán rủi ro truyền thống chủ yếu dựa vào dữ liệu có cấu trúc, chẳng hạn như kết quả xét nghiệm trong phòng thí nghiệm, thông tin nhân khẩu học của bệnh nhân và các chi tiết phẫu thuật như thời gian thực hiện thủ thuật hoặc kinh nghiệm của bác sĩ phẫu thuật. Mặc dù thông tin này chắc chắn có giá trị, nhưng nó thường thiếu sắc thái của câu chuyện lâm sàng độc đáo của bệnh nhân, được ghi lại trong văn bản chi tiết của các ghi chú lâm sàng. Những ghi chú này chứa các tài khoản cá nhân về bệnh sử, tình trạng hiện tại và các yếu tố khác ảnh hưởng đến khả năng xảy ra biến chứng của bệnh nhân.

Lu và các đồng tác giả đầu tiên Charles Alba và Bing Xue, cả hai đều là sinh viên tốt nghiệp làm việc với Lu tại thời điểm nghiên cứu được tiến hành, đã sử dụng các LLM chuyên ngành được đào tạo về tài liệu y khoa công khai và hồ sơ sức khỏe điện tử. Sau đó, họ tinh chỉnh mô hình được đào tạo trước trên các ghi chú phẫu thuật để đưa ra dự đoán tốt hơn về kết quả phẫu thuật. Phương pháp kết quả -- phương pháp đầu tiên thuộc loại này xử lý các ghi chú phẫu thuật và sử dụng chúng để đưa ra dự đoán về kết quả sau phẫu thuật -- có thể vượt ra ngoài dữ liệu có cấu trúc để nhận ra các mô hình trong tình trạng của bệnh nhân mà nếu không có thể bị bỏ qua.

Dựa trên gần 85.000 ghi chú phẫu thuật và kết quả bệnh nhân liên quan từ một trung tâm y khoa học thuật ở vùng Trung Tây được thu thập từ năm 2018 đến năm 2021, nhóm nghiên cứu báo cáo rằng mô hình của họ hoạt động tốt hơn nhiều so với các phương pháp truyền thống trong việc dự đoán biến chứng. Cứ 100 bệnh nhân gặp biến chứng sau phẫu thuật, mô hình mới của nhóm đã dự đoán chính xác thêm 39 bệnh nhân gặp biến chứng so với các mô hình xử lý ngôn ngữ tự nhiên truyền thống.

Ngoài số lượng bệnh nhân có khả năng gặp biến chứng phẫu thuật được phát hiện sớm và giảm nhẹ, nghiên cứu còn cho thấy sức mạnh của các mô hình AI nền tảng, được thiết kế để thực hiện nhiều nhiệm vụ cùng lúc và có thể áp dụng cho nhiều vấn đề khác nhau.

"Các mô hình nền tảng có thể đa dạng hóa, do đó chúng thường hữu ích hơn các mô hình chuyên biệt. Trong trường hợp này, khi có nhiều biến chứng có thể xảy ra, mô hình cần phải đủ linh hoạt để dự đoán nhiều kết quả khác nhau", Alba, cũng là sinh viên sau đại học tại Khoa Khoa học Dữ liệu & Tính toán của WashU, cho biết. "Chúng tôi đã tinh chỉnh mô hình của mình cho nhiều tác vụ cùng một lúc và thấy rằng nó dự đoán các biến chứng chính xác hơn các mô hình được đào tạo chuyên biệt để phát hiện các biến chứng riêng lẻ. Điều này có lý vì các biến chứng thường có mối tương quan, do đó, một mô hình nền tảng thống nhất được hưởng lợi từ kiến ​​thức chung về các kết quả khác nhau và không cần phải tinh chỉnh tỉ mỉ cho từng kết quả".

"Mô hình đa năng này có tiềm năng được triển khai trên nhiều bối cảnh lâm sàng khác nhau để dự đoán nhiều biến chứng khác nhau", Joanna Abraham, phó giáo sư khoa gây mê tại WashU Medicine và là thành viên của Viện tin học (I2) tại WashU Medicine cho biết. "Bằng cách xác định sớm các rủi ro, nó có thể trở thành một công cụ vô giá đối với các bác sĩ lâm sàng, cho phép họ thực hiện các biện pháp chủ động và điều chỉnh các biện pháp can thiệp để cải thiện kết quả cho bệnh nhân".

Nguồn  Đại học Washington ở St. Louis