Công cụ AI tăng cường độ chính xác trong chẩn đoán nhiễm trùng tai ở trẻ em

Trong bối cảnh y học hiện đại, công nghệ đang ngày càng đóng vai trò quan trọng trong việc cải thiện quy trình chẩn đoán và điều trị bệnh. Một trong những ứng dụng nổi bật là trí tuệ nhân tạo (AI), đang dần trở thành một công cụ hữu ích trong việc chẩn đoán bệnh lý ở trẻ em, đặc biệt là nhiễm trùng tai. Mới đây trong một nghiên cứu đã phát hiện công cụ AI tăng cường độ chính xác trong chẩn đoán nhiễm trùng tai ở trẻ em. Cụ thể công bố này ra sao, mời bạn đọc cùng tham khảo chi tiết trong bài viết dưới đây.

Bối cảnh của việc chẩn đoán nhiễm trùng tai ở trẻ em

Viêm tai giữa cấp tính (Acute Otitis Media - AOM) là một bệnh nhiễm trùng khởi phát đột ngột, thường do vi khuẩn hoặc virus xâm nhập vào tai giữa, và thường đi kèm với viêm nhiễm ở vùng mũi họng. Tình trạng viêm niêm mạc tai giữa (khu vực phía sau màng nhĩ) gây sưng, đau, sốt, và chảy dịch, kéo dài dưới 3 tháng được gọi là viêm tai giữa cấp tính. Bệnh này có thể xảy ra ở mọi lứa tuổi, nhưng phổ biến nhất ở trẻ em từ 6 đến 36 tháng do hệ miễn dịch còn yếu và cấu trúc chưa hoàn thiện của vòi Eustache. 

AOM là một trong những bệnh thường gặp và cần điều trị ở trẻ dưới 5 tuổi, với nghiên cứu cho thấy khoảng 70% trẻ nhỏ dưới 2 tuổi đã có ít nhất một đợt viêm tai giữa cấp tính. Tại Hoa Kỳ, AOM là căn bệnh phổ biến thứ hai ở trẻ em, mặc dù tỷ lệ chẩn đoán chính xác chỉ đạt dưới 75%.

Trong những năm qua, đã có nhiều phương pháp được phát triển nhằm cải thiện độ chính xác trong chẩn đoán. Gần đây, sự chú ý đã được dồn vào trí tuệ nhân tạo (AI) như một công cụ hỗ trợ. Một số nghiên cứu đã sử dụng công nghệ học sâu để đào tạo mạng nơ-ron nhằm phát hiện AOM và các tình trạng tai khác, mặc dù ứng dụng lâm sàng của chúng vẫn còn hạn chế.

Về nghiên cứu công cụ để cải thiện chẩn đoán nhiễm trùng tai ở trẻ em

Trong nghiên cứu này, các nhà khoa học đã phát triển và xác nhận một công cụ AI hỗ trợ chẩn đoán AOM thông qua video màng nhĩ (TM). Đầu tiên, một ứng dụng di động được thiết kế để quay video TM, cho phép người dùng điều chỉnh độ sáng và tiêu điểm để có hình ảnh tốt nhất. Ứng dụng cũng tích hợp nhận diện giọng nói, cho phép điều khiển bằng lệnh thoại. 

Người dùng có thể ghi lại hình ảnh và chẩn đoán ban đầu về TM. Chẩn đoán được xây dựng từ các đánh giá soi tai của trẻ đến khám sức khỏe so với mẫu bệnh từ một số trẻ em. Video TM được ghi lại bằng ống nội soi kết nối với điện thoại thông minh và được xem lại bởi hai bác sĩ chuyên khoa để đưa ra chẩn đoán. Nhóm nghiên cứu cũng đã khảo sát phụ huynh có trẻ tham gia kiểm tra bằng công cụ AI.

Một mạng nơ-ron hồi quy dư thừa sâu (DR-RNN) đã được kết nối với video TM làm đầu vào và chẩn đoán của chuyên gia làm tham chiếu. Khoảng 80% video dùng cho nghiên cứu, 20% cho thử nghiệm. Mô hình DR-RNN đưa ra xác suất AOM cho mỗi video, chẩn đoán AOM nếu xác suất ≥ 50%. Chỉ số Youden được tính toán để xác thực các ngưỡng xác suất. Ngoài ra, một mô hình cây quyết định (DT) được phát triển để kiểm tra tính nhất quán của kết quả, dựa trên các tính năng TM từ mô hình DR-RNN. 

Nhóm nghiên cứu so sánh các phương pháp trích xuất khung hình khác nhau và đào tạo một bộ phân loại chất lượng hình ảnh để nhắc nhở người dùng về chất lượng video. Kết quả từ hai mô hình được so sánh với chẩn đoán của chuyên gia để tính toán độ nhạy, độ đặc hiệu và giá trị dự đoán. Đường cong đặc tính hoạt động của máy thu (ROC) được tạo ra cho mô hình DR-RNN, trong khi không có ROC cho mô hình DT do nó không phải là xác suất.

Phát hiện công cụ AI tăng cường độ chính xác trong chẩn đoán nhiễm trùng tai ở trẻ em

Tổng cộng có đến 1.151 video đã được chọn từ 635 trẻ em, chủ yếu dưới 3 tuổi. Trong số đó, 305 video được các chuyên gia xác định là AOM, trong khi phần còn lại không phải AOM. Sáu mươi bảng câu hỏi dành cho phụ huynh đã được thu thập, cho thấy 80% phụ huynh ủng hộ việc sử dụng lại bộ phân loại trong các lần khám tiếp theo. Độ chính xác của mô hình cây quyết định (DT) và mạng nơ-ron hồi quy dư thừa sâu (DR-RNN) gần như tương đương nhau. Độ nhạy và độ đặc hiệu của mô hình DR-RNN lần lượt đạt 93,8% và 93,5%, trong khi mô hình DT đạt 93,7% và 93,3%. 

Đặc biệt, diện tích dưới đường cong ROC cho DR-RNN là 0,973. Việc tối đa hóa sự đa dạng mang lại kết quả chính xác nhất cho việc chọn khung hình. Các clip ngắn dưới hai giây khó phân loại hơn so với các clip dài hơn, và loại bỏ clip có độ phân giải thấp không cải thiện kết quả. Thời gian dự đoán trung bình là 4,6 giây. Giá trị Youden tối đa đạt 0,88 ở ngưỡng 42%, gần tương đương với 0,876 ở ngưỡng 50%. Tình trạng phình TM được phát hiện ở tất cả 230 trường hợp dự đoán AOM, với độ nhạy và độ đặc hiệu của bộ lọc chất lượng hình ảnh lần lượt là 92,3% và 78,3%.

Từ những số liệu trên, có thể thấy, nhóm nghiên cứu đã phát triển một thuật toán AI có khả năng phân loại video TM thành các loại AOM hoặc không AOM. Bộ phân loại này cho thấy độ chính xác cao hơn so với bác sĩ chăm sóc chính, bác sĩ nhi khoa và bác sĩ lâm sàng. Công cụ này có thể hỗ trợ trong việc ra quyết định điều trị và cải thiện độ chính xác chẩn đoán AOM ở trẻ em. Hơn nữa, video TM có thể được sử dụng để nâng cao quy trình khám tai, hội chẩn và ghi chép vào hồ sơ sức khỏe.

Viêm tai giữa cấp tính (AOM) là một trong những bệnh phổ biến ở trẻ nhỏ, có thể dẫn đến nhiều biến chứng nếu không được phát hiện kịp thời. Chính vì vậy, việc áp dụng công cụ AI tăng cường độ chính xác trong chẩn đoán nhiễm trùng tai ở trẻ em không chỉ giúp tăng cường độ chính xác mà còn góp phần nâng cao hiệu quả điều trị, mang lại lợi ích thiết thực cho sức khỏe của trẻ em.