Khai thác deep learning để phát hiện sớm nhiễm khuẩn vết mổ đường mổ qua phân tích ảnh vết thương

Điểm nổi bật

• Phát triển một mạng nơ-ron tích chập (Convolutional Neural Network, CNN) để phát hiện nhiễm khuẩn vết mổ từ ảnh chụp vết thương với độ chính xác cao.
• Mô hình được huấn luyện trên bộ dữ liệu ảnh vết thương hồi cứu đa trung tâm, đa chuyên khoa quy mô lớn (4978 ảnh), và được thẩm định ngoại bộ nghiêm ngặt (407 ảnh từ 95 bệnh nhân) tại một trung tâm học thuật lớn.
• Hiệu năng mô hình được chứng minh với diện tích dưới đường cong (Area Under the Curve, AUC) là 0,91 ở thẩm định nội bộ và 0,82 ở thẩm định ngoại bộ, cho thấy khả năng phân biệt mạnh và giá trị lâm sàng rõ rệt.
• Có tiềm năng tích hợp vào quy trình telemedicine để hỗ trợ phân loại tự động và chẩn đoán sớm, qua đó giảm chậm trễ và giảm khác biệt trong phát hiện nhiễm khuẩn vết mổ sau phẫu thuật.

Bối cảnh nghiên cứu

Nhiễm khuẩn vết mổ (Surgical Site Infections, SSIs) là một nguyên nhân đáng kể gây bệnh tật sau các thủ thuật phẫu thuật trên toàn thế giới, làm tăng khó chịu của người bệnh, tái nhập viện và chi phí chăm sóc y tế. Phát hiện SSIs kịp thời là rất cần thiết để hạn chế các kết cục bất lợi; tuy nhiên, trong bối cảnh chăm sóc hiện đại với việc xuất viện sớm sau phẫu thuật và các quy trình hồi phục nhanh, chẩn đoán lâm sàng thường chỉ được thực hiện sau khi bệnh nhân đã xuất viện vài ngày. Sự chậm trễ này còn trầm trọng hơn do khó khăn trong theo dõi ngoại trú và hạn chế khả năng đánh giá vết thương ngay lập tức. Telemedicine, với theo dõi hình ảnh vết thương từ xa, mang lại một giải pháp tiềm năng để thu hẹp khoảng cách chẩn đoán này; tuy nhiên, việc bác sĩ xem xét thủ công ảnh chụp vết thương tốn thời gian, chịu ảnh hưởng bởi khác biệt giữa các người quan sát, và dễ bỏ sót các dấu hiệu sớm tinh tế.

Trí tuệ nhân tạo (Artificial Intelligence, AI) và các công nghệ deep learning đã làm thay đổi các nhiệm vụ nhận diện hình ảnh trong y học. Việc áp dụng các công nghệ này vào ảnh vết thương sau phẫu thuật có thể cho phép nhận diện tự động, nhanh chóng và đáng tin cậy các vết thương gợi ý SSIs, hỗ trợ ra quyết định lâm sàng và có khả năng cải thiện kết cục người bệnh thông qua can thiệp sớm hơn.

Thiết kế nghiên cứu

Nghiên cứu chẩn đoán/dự báo này nhằm phát triển và thẩm định ngoại bộ một mô hình deep learning để nhận diện các vết thương gợi ý SSIs từ ảnh chụp. Tập nghiên cứu bao gồm các ảnh vết thương hồi cứu đã được thu thập trước đó ở nhiều chuyên khoa phẫu thuật, được tổng hợp từ các cơ sở dữ liệu hiện có để phát triển mô hình và đánh giá nội bộ. Bộ dữ liệu thẩm định ngoại bộ bao gồm các ảnh được thu thập tiến cứu từ nhiều chuyên khoa tại một trung tâm y khoa học thuật lớn.

Các ảnh được nhiều bác sĩ gán nhãn cẩn thận theo phân loại nhị giá: gợi ý hoặc không gợi ý SSI, sử dụng đồng thuận lâm sàng để bảo đảm tính hợp lệ của nhãn. Mô hình deep learning sử dụng kiến trúc mạng nơ-ron tích chập dựa trên InceptionV3 với kỹ thuật transfer learning nhằm tăng cường trích xuất đặc trưng từ các bộ dữ liệu ảnh y khoa có kích thước tương đối nhỏ. Bộ dữ liệu hồi cứu được chia thành tập huấn luyện (70%), tập xác thực (15%) và tập kiểm tra nội bộ (15%) nhằm tránh overfitting và tối ưu hóa tinh chỉnh mô hình.

Đầu ra của mô hình được đánh giá bằng diện tích dưới đường cong ROC (receiver operating characteristic curve, AUC), các đường cong hiệu chỉnh để đánh giá độ chính xác của ước tính xác suất, và phân tích đường cong quyết định để xác định lợi ích ròng lâm sàng. Grad-CAM (Gradient-weighted Class Activation Mapping) được sử dụng để tạo bản đồ nhiệt, làm nổi bật các vùng mà mô hình tập trung trên ảnh vết thương, qua đó cung cấp khả năng diễn giải trực quan, thuận lợi cho ứng dụng lâm sàng.

Kết quả chính

Mô hình CNN được huấn luyện trên 4978 ảnh vết thương do các bác sĩ chuyên gia gán nhãn. Trong thẩm định nội bộ, mô hình cho AUC là 0,91 (KTC 95%, 0,88-0,93), chứng tỏ khả năng phân biệt xuất sắc giữa các vết thương gợi ý và không gợi ý nhiễm khuẩn. Phân tích hiệu chỉnh cho thấy xác suất dự đoán khớp gần với kết cục quan sát được, qua đó củng cố độ tin cậy trong ước tính nguy cơ lâm sàng.

Thẩm định ngoại bộ trên 407 ảnh từ 95 bệnh nhân khác nhau vẫn duy trì hiệu năng mạnh với AUC là 0,82 (KTC 95%, 0,75-0,90), xác nhận tính khái quát hóa vượt ra ngoài đoàn hệ phát triển. Phân tích đường cong quyết định cho thấy lợi ích lâm sàng ròng trong một khoảng xác suất ngưỡng, gợi ý rằng mô hình có thể cải thiện việc lựa chọn bệnh nhân để đánh giá hoặc can thiệp thêm so với các chiến lược thay thế như xem xét thường quy hoặc chỉ xem xét khi có triệu chứng.

Các hình ảnh Grad-CAM xác định đáng tin cậy những vùng của vết thương ảnh hưởng nhiều nhất đến phân loại của mô hình, thường làm nổi bật các vùng viêm, ban đỏ hoặc tiết dịch, phù hợp nhất quán với các dấu hiệu lâm sàng của SSIs. Tính minh bạch này giúp tăng niềm tin của bác sĩ và hỗ trợ tích hợp vào các nền tảng telemedicine.

Bình luận của chuyên gia

Nghiên cứu này giải quyết một cách vững chắc thách thức lâm sàng quan trọng là phát hiện SSIs kịp thời trong bối cảnh ngoại trú, tận dụng các tiến bộ công nghệ trong phân tích hình ảnh bằng AI. Các điểm mạnh bao gồm bộ dữ liệu ảnh đa chuyên khoa quy mô lớn, thẩm định ngoại bộ nghiêm ngặt và nhấn mạnh khả năng giải thích thông qua diễn giải bản đồ nhiệt. Các chỉ số hiệu năng cho thấy mô hình có tiềm năng như một công cụ hỗ trợ ra quyết định hơn là thay thế hoàn toàn phán đoán lâm sàng, phù hợp tốt với thực hành tốt hiện nay trong tích hợp AI vào y học.

Các hạn chế bao gồm tính không đồng nhất vốn có của điều kiện thu thập ảnh vết thương, sự biến thiên về chất lượng và góc chụp, và các sai lệch tiềm tàng do quy trình gán nhãn chủ quan dù có nhiều bác sĩ cùng đánh giá. Các nghiên cứu trong tương lai nên tập trung vào triển khai lâm sàng tiến cứu, tích hợp với hồ sơ sức khỏe điện tử, hệ thống theo dõi người bệnh theo thời gian thực, phân tích hiệu quả chi phí, và khảo sát hiệu năng mô hình trên nhiều bối cảnh chăm sóc sức khỏe khác nhau, bao gồm bệnh viện tuyến cơ sở và phòng khám ngoại trú.

Các hướng dẫn lâm sàng hiện nay nhấn mạnh việc theo dõi vết mổ sau phẫu thuật một cách sát sao; phân tích hình ảnh ứng dụng AI có thể tăng cường các quy trình này và đóng góp vào các lộ trình chăm sóc cá thể hóa cho người bệnh. Cách tiếp cận này cũng phù hợp với vai trò ngày càng mở rộng của telehealth trong theo dõi sau phẫu thuật, được thúc đẩy nhanh bởi đại dịch COVID-19.

Kết luận

Việc phát triển và thẩm định ngoại bộ một mô hình deep learning sử dụng kiến trúc CNN cho thấy độ chính xác đầy hứa hẹn và giá trị lâm sàng trong phát hiện tự động nhiễm khuẩn vết mổ đường mổ từ ảnh chụp vết thương. Triển khai các công cụ AI như vậy trong telemedicine có thể hỗ trợ phát hiện và xử trí sớm SSIs, giảm khối lượng công việc của bác sĩ, giảm chậm trễ chẩn đoán và có khả năng cải thiện kết cục sau phẫu thuật. Cần tiếp tục nghiên cứu và nỗ lực tích hợp lâm sàng để hiện thực hóa đầy đủ tiềm năng của công nghệ này trong nâng cao chất lượng cung cấp chăm sóc phẫu thuật.

Về tài trợ và đăng ký thử nghiệm

Thông tin về nguồn tài trợ và đăng ký thử nghiệm lâm sàng không được nêu rõ trong bài báo. Có thể xem thêm chi tiết trong bài báo đã được công bố được trích dẫn.

Tài liệu tham khảo

1. Bontekoning N, Huisman H, Segura Cabrera PJ, et al. Detecting Incisional Surgical Site Infections on Wound Images Through Deep Learning. JAMA Surg. 2026 Aug 26. PMID: 42647036.

2. Smith RL, Bohl JK, McElearney ST, et al. Wound Infection Following Elective Colorectal Resection: Is It Preventable? J Gastrointest Surg. 2004;8(5):517–523.

3. Mangram AJ, Horan TC, Pearson ML, Silver LC, Jarvis WR; The Hospital Infection Control Practices Advisory Committee. Guideline for Prevention of Surgical Site Infection, 1999. Infect Control Hosp Epidemiol. 1999;20(4):250-78.

4. Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542(7639):115-118.

5. Wang CJ, Huang YJ, Wang SH, et al. Artificial intelligence for detecting wound infections: a pilot study and systematic review. Int Wound J. 2022;19(2):326-338.