Nền tảng: Thách thức trong việc phát hiện rung nhĩ
Rung nhĩ (AF) là loạn nhịp tim kéo dài phổ biến nhất trên toàn cầu, ảnh hưởng đến hàng triệu người và mang theo nguy cơ đáng kể về đột quỵ, suy tim và tử vong. Tính chất thầm lặng của tình trạng này đặt ra một vấn đề lâm sàng đáng kể: AF thường không được chẩn đoán cho đến khi các biến chứng nghiêm trọng xảy ra, đặc biệt là ở dân số già, nơi tỷ lệ mắc bệnh tăng lên theo cấp số nhân theo độ tuổi. Các phương pháp sàng lọc hiện tại dựa trên ngưỡng tuổi 65 trở lên đã cho thấy hiệu quả hạn chế, thúc đẩy các nhà nghiên cứu khám phá các chiến lược phân loại rủi ro phức tạp hơn.
Sự xuất hiện của trí tuệ nhân tạo (AI) trong y học tim mạch đã mở ra những hướng mới cho việc phát hiện bệnh. Cụ thể, các mô hình điện tâm đồ (ECG) được hỗ trợ bởi AI đã thể hiện khả năng đáng kinh ngạc trong việc xác định các dấu hiệu điện nhỏ mờ trước khi biểu hiện lâm sàng của AF. Câu hỏi quan trọng còn lại là liệu những công nghệ tiên tiến này có thể cải thiện đáng kể hiệu quả sàng lọc khi được tích hợp vào các cơ sở chăm sóc ban đầu phục vụ người lớn tuổi hay không.
Thiết kế và phương pháp nghiên cứu
Thử nghiệm VITAL-AF (Sàng lọc Rung nhĩ ở Người lớn tuổi trong các Phòng khám Chăm sóc Ban đầu; NCT03515057) sử dụng thiết kế ngẫu nhiên theo cụm tại 16 phòng khám chăm sóc ban đầu liên kết với Bệnh viện Massachusetts General. Người bệnh từ 65 tuổi trở lên được đăng ký và ngẫu nhiên hóa thành các nhóm sàng lọc hoặc đối chứng ở mức độ phòng khám.
Trong số những người tham gia không có AF hiện hữu và đã thực hiện ít nhất một ECG 12 đạo trình trong vòng 3 năm trước khi đăng ký (n=16,937), các nhà nghiên cứu đã ước tính rủi ro AF bằng ba mô hình đã được kiểm chứng phát triển bên ngoài VITAL-AF:
Mô hình đầu tiên, điểm lâm sàng Cohorts of Heart and Aging Research in Genomic Epidemiology-AF (CHARGE-AF), dựa trên các thông số lâm sàng truyền thống bao gồm tuổi, chủng tộc, chiều cao, cân nặng, huyết áp, tiểu đường, suy tim và tiền sử nhồi máu cơ tim. Mô hình thứ hai, được gọi là ECG-AI, sử dụng thuật toán dựa trên AI chỉ áp dụng cho dữ liệu ECG 12 đạo trình mà không có các biến lâm sàng. Mô hình thứ ba, CH-AI, đại diện cho sự kết hợp mới tích hợp cả đầu ra ECG-AI và các biến lâm sàng CHARGE-AF.
Điểm cuối chính đánh giá sự phân biệt AF trong 2 năm sử dụng diện tích dưới đường cong hoạt động nhận dạng (AUROC) và các chỉ số độ chính xác trung bình theo thời gian. Hiệu ứng sàng lọc được lượng hóa bằng sự khác biệt trong tỷ lệ chẩn đoán AF trong 2 năm (mỗi 100 người-năm) giữa các nhóm sàng lọc và đối chứng qua các nhóm rủi ro AF.
Năng lực phân biệt của mô hình rủi ro
Phân tích đã tiết lộ sự khác biệt đáng kể về khả năng phân biệt rủi ro giữa ba mô hình được thử nghiệm. Mỗi điểm số đều thể hiện khả năng có ý nghĩa để phân biệt những người sẽ phát triển AF trong 2 năm, mặc dù có sự biến đổi đáng kể về sức mạnh dự đoán.
Điểm lâm sàng CHARGE-AF đạt AUROC 0.711 (KTC 95%: 0.671-0.749), thể hiện sự phân biệt vừa phải phù hợp với các nghiên cứu kiểm chứng trước đó. Trái lại, mô hình ECG-AI thể hiện hiệu suất vượt trội với AUROC 0.784 (KTC 95%: 0.743-0.819), đại diện cho sự cải thiện tuyệt đối khoảng 7 điểm phần trăm. Mô hình kết hợp CH-AI đạt mức phân biệt cao nhất tại 0.788 (KTC 95%: 0.754-0.824), mặc dù lợi ích tăng thêm so với ECG-AI đơn lẻ là nhỏ.
Các mẫu tương tự xuất hiện trong phân tích độ chính xác trung bình, cung cấp đánh giá thông tin hơn trong các tập dữ liệu không cân đối điển hình của việc dự đoán AF. CHARGE-AF đạt độ chính xác trung bình 0.0952 (KTC 95%: 0.0836-0.112), trong khi ECG-AI đạt 0.132 (KTC 95%: 0.113-0.157) và CH-AI đạt 0.133 (KTC 95%: 0.117-0.159). Những kết quả này xác nhận rằng các đặc trưng AI lấy từ ECG bắt được thông tin độc lập vượt quá các yếu tố rủi ro lâm sàng truyền thống, mặc dù mô hình kết hợp cung cấp đánh giá rủi ro toàn diện nhất.
Hiệu ứng sàng lọc qua phân loại rủi ro
Câu hỏi then chốt dẫn dắt phân tích này là liệu lợi ích của việc sàng lọc có thay đổi theo rủi ro AF tiềm ẩn hay không. Các nhà nghiên cứu đã xem xét tỷ lệ chẩn đoán AF mới qua các nhóm rủi ro dự đoán, tiết lộ một hiệu ứng bậc thang rõ ràng. Mặc dù có những hiệu ứng sàng lọc khiêm tốn qua nhiều nhóm rủi ro, những kết quả thuyết phục nhất xuất hiện ở các nhóm có nguy cơ cao nhất.
Trong số những người nằm trong nhóm rủi ro CH-AI cao nhất, sàng lọc đã thể hiện lợi ích có ý nghĩa thống kê. Tỷ lệ chẩn đoán AF trong nhóm sàng lọc đạt 10.07 mỗi 100 người-năm (KTC 95%: 8.28-11.87) so với 7.76 mỗi 100 người-năm (KTC 95%: 6.30-9.21) trong nhóm đối chứng (P<0.05). Sự khác biệt tuyệt đối này là 2.32 mỗi 100 người-năm (KTC 95%: 0.01-4.63) tương đương với số lượng cần sàng lọc (NNS) chỉ 43 người mỗi năm để phát hiện một trường hợp AF bổ sung.
Số NNS này so sánh thuận lợi với các chương trình sàng lọc khác được chấp nhận. Để tham khảo, sàng lọc ung thư vú bằng chụp X-quang vú thường yêu cầu sàng lọc 400-500 phụ nữ để ngăn ngừa một cái chết trong khoảng 10 năm. Số NNS thấp hơn đáng kể được quan sát ở những người có nguy cơ cao cho thấy rằng sàng lọc AF có mục tiêu trong các dân số được chọn có thể là một cách sử dụng hiệu quả nguồn lực y tế.
Bình luận chuyên gia và ý nghĩa lâm sàng
Những kết quả từ phân tích VITAL-AF có ý nghĩa quan trọng đối với các chiến lược phòng ngừa tim mạch. Tiến sĩ Steven Lubitz và các cộng sự từ Bệnh viện Massachusetts General và Viện Broad, những người dẫn đầu cuộc điều tra này, đã đóng góp đáng kể vào hiểu biết của chúng ta về dịch tễ học và phát hiện AF. Công việc của họ nhấn mạnh một nguyên tắc cơ bản đang nổi lên trong phòng ngừa tim mạch: các phương pháp sàng lọc một kích thước phù hợp tất cả hiếm khi tối ưu hóa sự cân bằng giữa hiệu suất phát hiện và việc sử dụng tài nguyên.
Sự phân cấp hiệu suất được quan sát—trong đó ECG-AI vượt trội hơn CHARGE-AF đơn lẻ, và CH-AI kết hợp đạt lợi ích tăng thêm nhỏ so với ECG-AI—cho thấy rằng các tín hiệu lấy từ ECG có thể bắt được nền tảng bệnh lý cơ bản gây ra AF. Biến đổi điện, xơ hóa nhĩ và các bất thường dẫn truyền nhỏ mờ có thể xuất hiện trong các sóng ECG chuẩn trước khi có triệu chứng hoặc loạn nhịp có thể phát hiện được. Các thuật toán AI xuất sắc trong việc nhận dạng mẫu trong các dấu hiệu nhỏ mờ này.
Tuy nhiên, những xem xét quan trọng làm giảm sự nhiệt tình cho việc triển khai ngay lập tức. Nghiên cứu được thực hiện trong một hệ thống chăm sóc sức khỏe duy nhất với nhân khẩu học và cơ sở hạ tầng hồ sơ sức khỏe điện tử cụ thể. Việc tổng quát hóa cho các thực hành cộng đồng, các khu vực nông thôn và các dân số có thành phần chủng tộc/dân tộc khác nhau đòi hỏi nghiên cứu thêm. Ngoài ra, việc phát hiện sớm AF thông qua sàng lọc được hướng dẫn bởi AI có thực sự cải thiện kết quả—đặc biệt là giảm đột quỵ—chưa được chứng minh. Lịch sử tự nhiên của AF được phát hiện qua sàng lọc có thể khác với bệnh được chẩn đoán lâm sàng, và lợi ích của chống đông máu trong AF được phát hiện qua sàng lọc so với AF có triệu chứng cần được xác nhận qua các nghiên cứu tiền cứu.
Hạn chế và các khoảng trống nghiên cứu
Các xem xét phương pháp luận cần được công nhận. Phân tích dựa trên những người tham gia có ghi chép ECG trước đó trong vòng 3 năm trước khi đăng ký, có thể giới thiệu sự thiên lệch lựa chọn hướng đến những cá nhân có sự tham gia chăm sóc sức khỏe cao hơn. ECG một đạo trình được sử dụng để sàng lọc trong VITAL-AF khác với ECG 12 đạo trình được sử dụng để phát triển mô hình, điều này có thể ảnh hưởng đến các đặc điểm hiệu suất. Hơn nữa, thời gian theo dõi 2 năm có thể đánh giá thấp sự phát triển AF dài hạn xảy ra sau khoảng thời gian này.
Các nhà nghiên cứu đã đúng khi lưu ý về sự cân nhắc giữa hiệu quả sàng lọc và phạm vi bao phủ dân số cố hữu trong các phương pháp dựa trên rủi ro. Mặc dù hạn chế sàng lọc cho những người có nguy cơ cao tối đa hóa hiệu suất mỗi lần sàng lọc, điều này chắc chắn loại trừ một số cá nhân có thể được hưởng lợi từ việc phát hiện. Việc xác định ngưỡng rủi ro tối ưu yêu cầu xem xét các nguồn lực sẵn có, năng lực của hệ thống chăm sóc sức khỏe và sở thích của bệnh nhân.
Nghiên cứu trong tương lai nên giải quyết liệu sàng lọc được hướng dẫn bởi AI có thực sự giảm tỷ lệ đột quỵ và tử vong do tim mạch, liệu các mô hình này có hoạt động tương tự trong các môi trường chăm sóc sức khỏe đa dạng, và cách tối ưu hóa việc tích hợp sàng lọc dựa trên rủi ro vào các quy trình chăm sóc ban đầu hiện có. Các phân tích hiệu quả chi phí so sánh giữa các phương pháp sàng lọc dựa trên rủi ro và sàng lọc phổ quát ở người lớn tuổi sẽ cung cấp bằng chứng quan trọng cho việc phát triển hướng dẫn.
Kết luận
Phân tích Thử nghiệm VITAL-AF cho thấy các mô hình ECG dựa trên AI, đặc biệt là khi kết hợp với các yếu tố rủi ro lâm sàng, có thể hiệu quả xác định những người lớn tuổi có nguy cơ cao bị rung nhĩ và thu được lợi ích lớn nhất từ việc sàng lọc. Mô hình CH-AI đã xác định một nhóm rủi ro cao với NNS 43 mỗi năm—một kết quả cho thấy các chiến lược sàng lọc có mục tiêu có thể cải thiện đáng kể hiệu suất phát hiện so với các phương pháp sàng lọc phổ quát dựa trên tuổi.
Những kết quả này ủng hộ một sự chuyển đổi mô hình hướng đến sàng lọc chính xác trong phòng ngừa bệnh tim mạch. Thay vì áp dụng các tiêu chí sàng lọc đồng nhất dựa chỉ vào tuổi, việc tích hợp phân loại rủi ro được hỗ trợ bởi AI có thể cho phép phân bổ hiệu quả hơn các nguồn lực sàng lọc trong khi tối đa hóa việc phát hiện AF có ý nghĩa lâm sàng. Các nghiên cứu triển khai để kiểm tra khả thi thực tế, sự chấp nhận của bệnh nhân và các kết quả dài hạn sẽ là cần thiết trước khi triển khai rộng rãi.
Bài học rộng lớn từ nghiên cứu này vượt xa ranh giới của rung nhĩ: trí tuệ nhân tạo được áp dụng cho dữ liệu lâm sàng sẵn có có tiềm năng biến đổi phòng ngừa tim mạch bằng cách cho phép các chiến lược sàng lọc dựa trên rủi ro thay vì dựa trên nhân khẩu học. Khi các hệ thống chăm sóc sức khỏe ngày càng số hóa và khả năng AI trưởng thành, các phương pháp tiếp cận như vậy có thể trở thành thực hành tiêu chuẩn cho nhiều tình trạng tim mạch.
Quỹ tài trợ và Đăng ký Thử nghiệm
Thử nghiệm VITAL-AF (NCT03515057) được thực hiện tại Bệnh viện Massachusetts General với sự hỗ trợ từ Quỹ Quốc gia về Sức khỏe, Hiệp hội Tim mạch Mỹ và Giải thưởng Nhà khoa học Nghiên cứu Massachusetts General Hospital. Các nhà tài trợ không có vai trò trong thiết kế nghiên cứu, thu thập dữ liệu, phân tích hoặc chuẩn bị bản thảo. Các tác giả tuyên bố không có xung đột lợi ích liên quan đến phân tích này.
Tài liệu tham khảo
1. Vedage NA, Friedman SF, Chang Y, Borowsky LH, Shah SJ, McManus DD, Atlas SJ, Singer DE, Lubitz SA, Maddah M, Ellinor PT, Khurshid S. Sàng lọc Rung nhĩ được Hướng dẫn bởi Rủi ro với Mô hình Điện tâm đồ được Hỗ trợ bởi Trí tuệ Nhân tạo: Phân tích Thử nghiệm VITAL-AF. J Am Coll Cardiol. 2026;87(14):1798-1813. PMID: 41983618.
2. Alonso A, Soliman EZ, Chen LY, Bluemke DA, Folsom AR. Liên kết giữa Huyết áp và Nhịp tim với Rung nhĩ Mới xuất hiện (từ Nghiên cứu Đa Dân tộc về Xơ vữa Động mạch [MESA]). Am J Cardiol. 2019;124(8):1225-1230.
3. Schnabel RB, Yin X, Gona P, et al. Xu hướng 50 năm về tỷ lệ mắc, tỷ lệ mới xuất hiện, yếu tố nguy cơ và tỷ lệ tử vong của Rung nhĩ trong Nghiên cứu Tim mạch Framingham: Một nghiên cứu quần thể. Lancet. 2015;386(9989):154-162.
4. Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. Một thuật toán ECG được hỗ trợ bởi trí tuệ nhân tạo để xác định bệnh nhân có Rung nhĩ trong nhịp xoang: Phân tích hồi cứu về Dự đoán Kết quả. Lancet. 2019;394(10201):861-867.