Thanh bên bài viết

PDF
Ngày xuất bản: 28/09/2025
Số lượt xem tóm tắt: 13
Số lượt xem PDF: 30
DOI: https://doi.org/10.56535/jmpm.v50i7.1431
Số xuất bản
Tập 50 Số 7 (2025): TẠP CHÍ Y DƯỢC HỌC QUÂN SỰ SỐ 7 - 2025
Chuyên mục
Bài báo
Trích dẫn bài báo
Nguyễn, T. B., Trịnh, V. T., Nguyễn, H. K., Hoàng, Đ. T., Nguyễn, T. B., Lộc, V. P., Lý, T. M. A., Đàm, V. M., & Nguyễn, X. P. (2025). BƯỚC ĐẦU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG TIÊN LƯỢNG BỆNH NHÂN CHẤN THƯƠNG SỌ NÃO. Tạp chí Y Dược học Quân sự, 50(7), 258-264. https://doi.org/10.56535/jmpm.v50i7.1431

BƯỚC ĐẦU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG TIÊN LƯỢNG BỆNH NHÂN CHẤN THƯƠNG SỌ NÃO

Nguyễn Thành Bắc1, Trịnh Văn Trung1, Nguyễn Hữu Khanh1, Hoàng Đức Thịnh2, Nguyễn Thành Biên2, Lộc Văn Phú2, Lý Thị Mai Anh2, Đàm Văn Minh2, Nguyễn Xuân Phương1,
1 Bệnh viện Quân y 103, Học viện Quân y
2 Học viện Quân y

Nội dung chính của bài viết

Tóm tắt

Mục tiêu: So sánh tiên lượng bệnh nhân (BN) chấn thương sọ não (CTSN) của trí tuệ nhân tạo (artificial intelligence - AI) với tiên lượng của bác sĩ và đánh giá khả năng dự đoán của AI với tử vong ra viện và kết quả sau 1 tháng theo thang điểm GOS (Glasgow Outcome Scale). Phương pháp nghiên cứu: Nghiên cứu phân tích tiến cứu trên 75 BN được chẩn đoán CTSN dựa trên lâm sàng, cận lâm sàng, được tiên lượng bởi bác sĩ và phần mềm AI tại Bệnh viện Quân y 103 từ ngày 01/8/2023 - 01/4/2024. Kết quả: Tiên lượng AI cho độ chính xác 97,3%, độ nhạy 90,5%, độ đặc hiệu 100%, có mối liên quan với kết quả ra viện và GOS 1 tháng, cho khả năng dự đoán tử vong ra viện, GOS xấu 1 tháng tốt (p < 0,05), AUC lần lượt là 0,85 và 0,91 (p < 0,05). Bác sĩ có xu hướng tiên lượng nặng và rất nặng nhiều hơn 5 lần (OR = 5); tuy nhiên, sự khác biệt không có ý nghĩa (p > 0,05). Kết luận: AI bước đầu cho thấy khả năng trong tiên lượng BN CTSN.

Chi tiết bài viết

Từ khóa

Học máy, Trí tuệ nhân tạo, Chấn thương sọ não

Tài liệu tham khảo

1. Demlie TA, Alemu MT, Messelu MA, Wagnew F, Mekonen EG. Incidence and predictors of mortality among traumatic brain injury patients admitted to Amhara region Comprehensive Specialized Hospitals, northwest Ethiopia, 2022. BMC Emerg Med. May 24 2023; 23(1):55. DOI: 10.1186/s12873-023-00823-9.
2. Asim M, El-Menyar A, Parchani A, et al. Rotterdam and Marshall Scores for Prediction of in-hospital mortality in patients with traumatic brain injury: An observational study. Brain Inj. Jun 7 2021; 35(7):803-811. DOI: 10.1080/ 02699052.2021.1927181
3. Rau CS, Kuo PJ, Chien PC, Huang CY, Hsieh HY, Hsieh CH. Mortality prediction in patients with isolated moderate and severe traumatic brain injury using machine learning models. PLoS One. 2018; 13(11):e0207192. DOI: 10.1371/journal.pone.0207192
4. Hanko M, Grendar M, Snopko P, et al. Random forest-based prediction of outcome and mortality in patients with traumatic brain injury undergoing primary decompressive craniectomy. World Neurosurg. Apr 2021; 148:e450-e458. DOI: 10.1016/j.wneu.2021.01.002
5. Courville E, Kazim SF, Vellek J, et al. Machine learning algorithms for predicting outcomes of traumatic brain injury: A systematic review and meta-analysis. Surg Neurol Int. 2023; 14:262. DOI: 10.25259/SNI_312_2023
6. Feng JZ, Wang Y, Peng J, Sun MW, Zeng J, Jiang H. Comparison between logistic regression and machine learning algorithms on survival prediction of traumatic brain injuries. J Crit Care. Dec 2019; 54:110-116. DOI: 10.1016/ j.jcrc.2019.08.010 .