Điểm nổi bật
Xây dựng mô hình dựa trên Gradient Boosting Decision Tree (GBDT) để dự đoán khả năng đi lại ở bệnh nhân chấn thương tủy sống không do chấn thương (nontraumatic spinal cord injury, NTSCI) bằng dữ liệu lâm sàng khi nhập viện.
Mô hình cho thấy hiệu năng mạnh trên tập kiểm tra nội bộ (AUC 0.91, recall 0.92) và vẫn duy trì độ chính xác đầy hứa hẹn (0.81) trong đoàn hệ kiểm định ngoại bộ theo thời gian.
Các đặc điểm dự báo chính gồm tổng sức mạnh cơ chi dưới và tuổi bệnh nhân, nhấn mạnh các yếu tố lâm sàng quan trọng đối với tiên lượng.
Các phát hiện còn sơ bộ; cần kiểm định đa trung tâm bên ngoài và cỡ mẫu lớn hơn trước khi tích hợp vào thực hành lâm sàng.
Bối cảnh nghiên cứu
Tổn thương tủy sống không do chấn thương (nontraumatic spinal cord injury, NTSCI) là tổn thương tủy sống do các nguyên nhân không phải tai nạn, như bệnh thoái hóa, nhiễm trùng, thiếu máu cục bộ hoặc khối u. Khác với tổn thương tủy sống do chấn thương, tỷ lệ mắc NTSCI đang gia tăng rõ rệt cùng với sự già hóa dân số, tạo nên gánh nặng y tế công cộng đáng kể và ngày càng lớn trên toàn cầu. Khả năng đi lại vẫn là một kết cục chức năng then chốt ở nhóm bệnh nhân này, ảnh hưởng trực tiếp đến tính độc lập và chất lượng cuộc sống. Tuy nhiên, tiên lượng phục hồi khả năng đi lại sau NTSCI chưa được mô tả đầy đủ như trong tổn thương tủy sống do chấn thương, chủ yếu do căn nguyên dị biệt và các công cụ dự báo còn hạn chế.
Việc tiên lượng sớm và chính xác khả năng đi lại ngay tại thời điểm nhập viện có thể hỗ trợ xây dựng kế hoạch phục hồi chức năng cá thể hóa và đặt ra mục tiêu thực tế hơn, qua đó cải thiện tư vấn cho người bệnh và phân bổ nguồn lực. Các mô hình tiên lượng truyền thống thường dựa vào thang điểm lâm sàng và kinh nghiệm của bác sĩ mà chưa tích hợp các mẫu dữ liệu phức tạp. Các phương pháp machine learning (ML) cho phép phân tích tinh vi dữ liệu lâm sàng đa chiều và có thể phát hiện các dấu ấn tiên lượng mới, mở ra triển vọng cải thiện độ chính xác dự báo.
Thiết kế nghiên cứu
Nghiên cứu hồi cứu này nhằm xây dựng và kiểm định một mô hình tiên lượng dựa trên machine learning để dự đoán khả năng đi lại ở bệnh nhân NTSCI, sử dụng các chỉ số lâm sàng sớm khi nhập viện.
Tổng cộng 148 bệnh nhân NTSCI được đưa vào nghiên cứu và phân ngẫu nhiên thành tập huấn luyện (80%) và tập kiểm tra nội bộ (20%). Bốn bộ đặc trưng khác nhau được xây dựng từ các thước đo lâm sàng khách quan, bao gồm sức mạnh cơ và các biến nhân khẩu học, được sử dụng làm đầu vào. Chín thuật toán machine learning được so sánh, trong đó Gradient Boosting Decision Tree (GBDT) được lựa chọn do cho thấy các chỉ số hiệu năng vượt trội.
Các tham số đánh giá chính của mô hình bao gồm diện tích dưới đường cong ROC (AUC), recall, precision và F2-score, nhằm nhấn mạnh độ nhạy trong bối cảnh lâm sàng khi dự đoán thấp khả năng phục hồi đi lại có thể gây hệ quả bất lợi.
Để đánh giá tính giá trị ngoại bộ theo thời gian, kiểm định theo thời gian được thực hiện trên một đoàn hệ độc lập gồm 37 bệnh nhân NTSCI nhập viện sau giai đoạn nghiên cứu ban đầu (tháng 7/2025 đến tháng 5/2026). Cách tiếp cận này giúp đánh giá khả năng áp dụng của mô hình theo thời gian và giảm nguy cơ overfitting vốn thường gặp trong các nghiên cứu ML.
Nghiên cứu đã được phê duyệt đạo đức (M202616) với miễn trừ đồng ý tham gia, và được đăng ký hồi cứu (MR-11-26-021748). Không ghi nhận sự tham gia của bệnh nhân hoặc công chúng trong thiết kế nghiên cứu hay phổ biến kết quả.
Kết quả chính
Mô hình Gradient Boosting Decision Tree cho thấy hiệu năng xuất sắc trên tập kiểm tra nội bộ, với AUC đạt 0.91 (KTC 95%: 0.77–1.00), recall 0.92 (KTC 95%: 0.71–1.00) và độ chính xác chung 0.90. Các chỉ số này cho thấy khả năng phân biệt và độ nhạy cao trong dự đoán những bệnh nhân có khả năng lấy lại khả năng đi lại sau phục hồi chức năng.
Đáng chú ý, mô hình xác định tổng sức mạnh cơ chi dưới và tuổi bệnh nhân là các yếu tố dự báo chính, phù hợp với hiểu biết lâm sàng rằng chức năng cơ và tuổi tác ảnh hưởng đến tiềm năng hồi phục thần kinh.
Trong đoàn hệ kiểm định ngoại bộ theo thời gian, mô hình vẫn duy trì hiệu năng khả quan với độ chính xác 0.81 (KTC 95%: 0.68–0.92) và recall 0.70 (KTC 95%: 0.40–1.00). Mặc dù có giảm nhẹ, các kết quả này ủng hộ khả năng khái quát hóa của mô hình theo thời gian và cho thấy cần tiếp tục nghiên cứu tiền cứu.
Không có dữ liệu đáng kể về an toàn hoặc biến cố bất lợi được báo cáo, phù hợp với bản chất quan sát của nghiên cứu.
Bình luận chuyên gia
Nghiên cứu này đóng góp bằng chứng mới về việc tận dụng machine learning, đặc biệt là các thuật toán GBDT, để dự đoán kết cục đi lại ở NTSCI—một lĩnh vực còn thiếu các mô hình tiên lượng vững chắc. Bằng cách sử dụng các chỉ số lâm sàng sẵn có khi nhập viện và thực hiện kiểm định ngoại bộ theo thời gian một cách chặt chẽ, nghiên cứu đã giải quyết các thách thức then chốt khi áp dụng ML trong phục hồi chức năng, bao gồm overfitting và tính tái lập.
Tuy nhiên, nghiên cứu có các hạn chế như thiết kế hồi cứu, cỡ mẫu tương đối nhỏ, dữ liệu từ một trung tâm duy nhất và thiếu đại diện cho các căn nguyên đa dạng. Những yếu tố này hạn chế khả năng chuyển giao ngay vào thực hành lâm sàng và nhấn mạnh nhu cầu có các nghiên cứu tiền cứu đa trung tâm với cỡ mẫu lớn hơn để xác thực và tinh chỉnh mô hình trên các quần thể NTSCI dị biệt.
Việc ưu tiên recall (độ nhạy) là phù hợp về mặt lâm sàng, vì điều này giúp nhận diện những bệnh nhân có khả năng phục hồi vận động, là nhóm có thể hưởng lợi nhiều nhất từ liệu pháp nhắm đích. Trong tương lai, việc tích hợp thêm dữ liệu hình ảnh thần kinh, dữ liệu điện sinh lý và các kết cục do người bệnh báo cáo có thể tiếp tục nâng cao năng lực dự báo.
Các hướng dẫn lâm sàng mới nổi về phục hồi chức năng NTSCI có thể tích hợp các công cụ dự báo này để cá thể hóa cường độ và thời gian phục hồi chức năng, tối ưu hóa sử dụng nguồn lực. Tuy nhiên, bác sĩ cần diễn giải thận trọng các kết quả hiện tại vì đây vẫn là các phát hiện mang tính thăm dò, trong khi công trình xác nhận vẫn đang được tiến hành.
Kết luận
Nghiên cứu sơ bộ này trình bày một mô hình machine learning đầy triển vọng dựa trên Gradient Boosting Decision Tree, có khả năng dự đoán khả năng đi lại sau phục hồi chức năng ở bệnh nhân NTSCI bằng các chỉ số lâm sàng sớm khi nhập viện. Hiệu năng nội bộ mạnh và kết quả kiểm định theo thời gian khả quan cho thấy tiềm năng của mô hình như một công cụ hỗ trợ lập kế hoạch phục hồi chức năng.
Tuy vậy, các phát hiện vẫn mang tính thăm dò và cần được xác thực ngoại bộ trên các đoàn hệ tiền cứu đa trung tâm lớn hơn trước khi tích hợp vào thực hành lâm sàng thường quy. Các nghiên cứu tiếp theo nên mở rộng cơ sở dữ liệu, tích hợp các đặc trưng dự báo đa mô thức và đánh giá tác động lâm sàng trong thực tế để khai thác đầy đủ machine learning trong cải thiện kết cục cho bệnh nhân NTSCI.
Kinh phí và đăng ký
Nghiên cứu này không báo cáo nguồn kinh phí cụ thể. Phê duyệt đạo đức được cấp theo đề cương M202616, và thử nghiệm được đăng ký hồi cứu với mã định danh MR-11-26-021748.
Tài liệu tham khảo
1. Tong A, Guo J, Cai X, et al. A Machine Learning Model With Temporal Validation for Predicting Walking Ability in Nontraumatic Spinal Cord Injury. Neurorehabil Neural Repair. 2026 Oct 16:15459683261493914. doi:10.1177/15459683261493914. PMID: 42885901.
2. Kirshblum SC, et al. International standards for neurological classification of spinal cord injury (revised 2019). J Spinal Cord Med. 2020;43(1):120-126.
3. Steeves JD, et al. Rehabilitation of patients with spinal cord injury: an overview. Spine (Phila Pa 1976). 2011;36(21 Suppl):S54-S56.
4. Hastie T, Tibshirani R, Friedman J. The Elements of Statistical Learning. Springer; 2009.
