Nhấn mạnh
– Mô hình AI (ATTRACTnet) kết hợp các sóng ECG, các phép đo siêu âm tim, nhân khẩu học và mã chẩn đoán chỉnh hình đạt khả năng phân biệt tốt đối với ATTR-CM (AUC ≈0,82–0,85) trên các tập kiểm tra nội bộ và ngoại vi.
– Trong một triển khai lâm sàng đơn cánh đa địa điểm, việc tìm kiếm trường hợp dựa trên AI đã xác định 1.471 bệnh nhân có điểm số dương; 50 người đã trải qua xét nghiệm chẩn đoán và 24 (48%) được chẩn đoán mắc ATTR-CM—cao hơn 2,8 lần so với đối chứng lịch sử.
– Hầu hết các bệnh nhân mới được chẩn đoán (88%) đã bắt đầu điều trị thay đổi bệnh nhanh chóng; các tác giả nhấn mạnh cần có các thử nghiệm ngẫu nhiên để đánh giá lợi ích lâm sàng tiếp theo.
Nền tảng: gánh nặng bệnh và nhu cầu chưa đáp ứng
Bệnh amyloid tim tranzysthyretin (ATTR-CM) ngày càng được công nhận là một nguyên nhân quan trọng, có thể điều trị của suy tim với phân suất tống máu bảo tồn hoặc giảm nhẹ và dày thành thất trái tăng lên ở người cao tuổi. Sự có sẵn của các liệu pháp thay đổi bệnh như tafamidis đã làm thay đổi sự cấp thiết lâm sàng đối với việc chẩn đoán sớm và chính xác. Tuy nhiên, ATTR-CM vẫn bị chẩn đoán ít: biểu hiện là đa dạng, và nhiều bệnh nhân bị ảnh hưởng bị nhầm lẫn với bệnh tim do tăng huyết áp hoặc hẹp van động mạch chủ. Việc tìm kiếm trường hợp thông thường dựa trên nghi ngờ lâm sàng, siêu âm tim (xạ hình xương), và loại trừ protein đơn dòng trong phòng thí nghiệm, nhưng thường không được sử dụng đầy đủ.
Thiết kế nghiên cứu và phương pháp
Jain và cộng sự (JAMA Cardiology, 2025) đã phát triển và thử nghiệm chương trình lâm sàng được hỗ trợ bởi AI (ATTRACTnet) để cải thiện việc phát hiện ATTR-CM. Công việc này bao gồm hai giai đoạn: (1) phát triển và xác minh mô hình; và (2) một thử nghiệm triển khai mở nhãn đơn cánh đa địa điểm để đánh giá hiệu suất thực tế.
Các đầu vào mô hình bao gồm sóng ECG thô, các phép đo siêu âm tim (không phải hình ảnh thô), nhân khẩu học bệnh nhân và mã chẩn đoán cho các triệu chứng chỉnh hình liên quan đến amyloid hệ thống (ví dụ, hội chứng hố cổ tay). Đào tạo sử dụng dữ liệu từ một trung tâm giới thiệu lớn với xác thực chéo 5 lần (tập kiểm tra nội bộ n=799; độ tuổi trung bình 75,1 tuổi, 64,7% nam), và xác minh ngoại vi sử dụng một cơ sở học thuật độc lập (tập kiểm tra ngoại vi n=422). Kết quả chính trong quá trình triển khai là chẩn đoán ATTR-CM theo tiêu chuẩn đồng thuận (xạ hình tim không xâm lấn cộng với đánh giá phòng thí nghiệm phù hợp hoặc sinh thiết khi cần thiết).
Đối tượng đủ điều kiện cho giai đoạn triển khai thực tế tập trung vào bệnh nhân có độ dày thành thất trái (LV) tăng (≥12 mm) và điểm số ATTRACTnet ≥0,5. Các tiêu chí loại trừ bao gồm đã thử nghiệm ATTR trước đó, bệnh cơ tim dày hóa đã biết, tuổi thọ <1 năm, cư trú tại nhà dưỡng lão hoặc sa sút trí tuệ nặng, và dày thành LV rõ ràng được giải thích (ví dụ, tăng huyết áp không kiểm soát hoặc hẹp van động mạch chủ đáng kể) khi độ dày <14 mm.
Kết quả chính
Hiệu suất mô hình: ATTRACTnet đã thể hiện khả năng phân biệt tốt đối với ATTR-CM với AUC 0,85 trong xác thực chéo nội bộ (phạm vi 0,77–0,85 qua các lần gấp) và 0,82 (95% CI, 0,81–0,83) trong tập kiểm tra ngoại vi. Hiệu suất được báo cáo là tương tự nhau trên các nhóm chủng tộc/đặc điểm dân tộc chính được phân tích (Hispanic, Black không Hispanic, White không Hispanic), cho thấy khả năng hiệu chỉnh chấp nhận được trên các nhóm phụ trong dữ liệu có sẵn.
Triển khai và hiệu suất chẩn đoán: Trong thời gian nghiên cứu, đường ống AI đã đánh dấu 1.471 bệnh nhân có điểm số ≥0,5. Sau khi áp dụng các tiêu chí đủ điều kiện, 256 bệnh nhân đủ điều kiện để tiếp cận; 50 bệnh nhân đã hoàn thành xét nghiệm chẩn đoán xác nhận (xạ hình hạt nhân và kiểm tra protein đơn dòng) sau khi bác sĩ và bệnh nhân đồng ý. Trong số những người được xét nghiệm, 24 (48%) đáp ứng tiêu chuẩn đồng thuận cho ATTR-CM. Tỷ lệ chẩn đoán dương tính này cao hơn 2,8 lần so với đối chứng lịch sử (15,3%; 95% CI, 13,1%–17,9%; P < 0,001). So với năm trước, có sự tăng 18% số bệnh nhân mới được chẩn đoán ATTR-CM trong hệ thống y tế.
Bắt đầu điều trị: Trong số các bệnh nhân mới được chẩn đoán mắc ATTR-CM, 21/24 (88%) đã bắt đầu điều trị cụ thể cho bệnh (ví dụ, tafamidis) trong vòng ba tháng, minh họa rằng việc phát hiện đã nhanh chóng chuyển thành hành động điều trị trong hầu hết các trường hợp.
An toàn và tác hại: Báo cáo tập trung vào hiệu suất chẩn đoán và việc bắt đầu điều trị tiếp theo thay vì các sự cố bất lợi do sàng lọc. Không có tín hiệu về tác hại trực tiếp từ quá trình sàng lọc được mô tả, mặc dù việc sử dụng tài nguyên và khả năng xét nghiệm quá mức (dương tính giả) vẫn là những vấn đề cần xem xét.
Giải thích và ý nghĩa lâm sàng
Nghiên cứu này chứng minh rằng một mô hình AI đa chế độ được tích hợp vào chương trình lâm sàng có thể hiệu quả trong việc xác định các bệnh nhân có khả năng cao mắc ATTR-CM mà không được xét nghiệm. Hai đặc điểm củng cố tính liên quan thực tế: mô hình sử dụng các đầu vào được thu thập thường xuyên (sóng ECG, các phép đo siêu âm, nhân khẩu học, mã chẩn đoán), và việc triển khai kích hoạt các đường dẫn chẩn đoán thực tế (xạ hình PYP/DPD và đánh giá protein đơn dòng).
Từ góc độ lâm sàng, tỷ lệ dương tính gần 50% trong số các bệnh nhân được xét nghiệm là đáng kể; nó so sánh thuận lợi với các phương pháp sàng lọc không hướng dẫn và cho thấy AI có thể tập trung các nguồn lực chẩn đoán ở nơi có hiệu suất cao nhất. Việc bắt đầu điều trị nhanh chóng trong hầu hết các bệnh nhân được chẩn đoán cũng hỗ trợ tính hữu ích lâm sàng, vì điều trị sớm được tin là làm chậm tiến trình bệnh và giảm tỷ lệ mắc bệnh.
So sánh với thực hành hiện tại và bằng chứng trước đây
Các công trình trước đây đã chỉ ra rằng sàng lọc có mục tiêu (ví dụ, trong người cao tuổi có độ dày thành thất trái tăng, hội chứng hố cổ tay, hoặc bệnh dẫn truyền) có thể xác định được ATTR-CM trước đây không được nhận diện. Điều mà nghiên cứu này thêm vào là việc chứng minh một đường ống tự động, được điều khiển bởi thuật toán tích hợp nhiều chế độ dữ liệu để ưu tiên bệnh nhân cho việc xét nghiệm trên toàn hệ thống y tế, thay vì dựa vào nghi ngờ cá nhân của bác sĩ.
Lợi thế
– Thiết kế mô hình đa chế độ tận dụng các yếu tố dữ liệu có sẵn phổ biến tăng khả năng mở rộng.
– Xác minh ngoại vi hỗ trợ khả năng tổng quát hóa vượt ra ngoài địa điểm phát sinh.
– Dữ liệu triển khai thực tế cung cấp bằng chứng thực tế về hiệu suất chẩn đoán và việc bắt đầu điều trị ngay lập tức.
– Hiệu suất tương tự được báo cáo trên các nhóm chủng tộc/đặc điểm dân tộc khác nhau giải quyết mối quan tâm về công bằng thường gặp đối với các mô hình AI (mặc dù cần tiếp tục đánh giá).
Hạn chế và lưu ý
– Đây là một nghiên cứu triển khai đơn cánh không ngẫu nhiên; việc tăng phát hiện không thể được quy cho sự can thiệp của AI so với xu hướng thời gian cùng kỳ mà không có so sánh ngẫu nhiên.
– Chỉ có 50/256 bệnh nhân đủ điều kiện đã trải qua xét nghiệm chẩn đoán, đặt ra câu hỏi về các rào cản đối với xét nghiệm (chấp nhận của bác sĩ/bệnh nhân, hậu cần, hoặc các ưu tiên lâm sàng khác) và sự thiên lệch lựa chọn—những người được xét nghiệm có thể có xác suất tiền xét nghiệm cao hơn.
– Ngưỡng được sử dụng (điểm số ≥0,5) và các quy tắc đủ điều kiện ảnh hưởng đến hiệu suất và nhu cầu tài nguyên; tối ưu hóa cho các hệ thống y tế hoặc dân số khác có thể cần thiết.
– Nghiên cứu nhấn mạnh hiệu suất chẩn đoán nhưng không cung cấp dữ liệu kết quả dài hạn chứng minh rằng việc phát hiện sớm thông qua sàng lọc AI cải thiện tỷ lệ mắc bệnh, tử vong, chất lượng cuộc sống, hoặc hiệu quả kinh tế.
– Khả năng tổng quát hóa sang các cài đặt không học thuật hoặc có nguồn lực hạn chế cần được nghiên cứu thêm; việc tiếp cận xạ hình và chăm sóc chuyên khoa vẫn là rào cản triển khai.
Bình luận chuyên gia và hướng đi trong tương lai
Kết quả này rất kịp thời: khi các liệu pháp hiệu quả cho ATTR-CM có sẵn, việc cải thiện việc phát hiện sớm có ý nghĩa lâm sàng. Việc tìm kiếm trường hợp dựa trên AI có thể giảm sự phụ thuộc vào nghi ngờ cá nhân của bác sĩ, và các mô hình đa chế độ kết hợp các đặc điểm ECG và siêu âm tim với các tín hiệu không liên quan đến tim (chẩn đoán chỉnh hình) phản ánh bản chất hệ thống của amyloid tranzysthyretin.
Bước tiếp theo quan trọng bao gồm: đánh giá ngẫu nhiên kiểm soát so sánh sàng lọc được hỗ trợ bởi AI với chăm sóc thông thường để lượng hóa tác động lên các kết quả lâm sàng có ý nghĩa (nhập viện, tình trạng chức năng, sinh tồn) và kinh tế y tế; các nghiên cứu triển khai trong các hệ thống y tế đa dạng để kiểm tra khả năng mở rộng và công bằng; tối ưu hóa ngưỡng để cân bằng độ nhạy, độ đặc hiệu và sử dụng tài nguyên; và đánh giá các kết quả hướng đến bệnh nhân, bao gồm tác động tâm lý của sàng lọc và tác hại của chuỗi chẩn đoán.
Kết luận
ATTRACTnet là một ví dụ hứa hẹn về việc tìm kiếm trường hợp được hỗ trợ bởi AI cho một bệnh cơ tim có thể điều trị. Trong triển khai không ngẫu nhiên đa địa điểm này, chương trình đã tạo ra hiệu suất chẩn đoán cao và bắt đầu điều trị nhanh chóng trong số các bệnh nhân mới được chẩn đoán. Tuy nhiên, thiết kế không ngẫu nhiên, việc tiếp nhận xét nghiệm không đầy đủ, và thiếu dữ liệu kết quả có nghĩa là các thử nghiệm ngẫu nhiên và nghiên cứu triển khai rộng rãi là cần thiết để xác nhận lợi ích lâm sàng, hiệu quả kinh tế, và hiệu suất công bằng trên các cài đặt khác nhau.
Quỹ và đăng ký thử nghiệm
Đăng ký thử nghiệm: ClinicalTrials.gov Identifier: NCT06469372.
Quỹ và các tiết lộ chi tiết được báo cáo trong bản công bố gốc (xem Jain SS et al., JAMA Cardiology, 2025).
Các tài liệu tham khảo được chọn
1. Jain SS, Sun T, Pierson E, et al. Phát hiện Bệnh Amyloid Tim Tranzysthyretin Với Trí Tuệ Nhân Tạo: Một Thử Nghiệm Lâm Sàng Không Ngẫu Nhiên. JAMA Cardiol. 2025 Nov 10:e254591. doi: 10.1001/jamacardio.2025.4591.
2. Maurer MS, Schwartz JH, Gundapaneni B, et al. Điều Trị Tafamidis Cho Bệnh Nhân Mắc Bệnh Amyloid Tim Tranzysthyretin. N Engl J Med. 2018;379(11):1007-1016. doi:10.1056/NEJMoa1805689.