Phẫu thuật Cột sống Hỗ trợ Robot và Điều hướng. CHƯƠNG 15. TRÍ TUỆ NHÂN TẠO VÀ HỌC MÁY TRONG PHẪU THUẬT CỘT SỐNG

Phẫu thuật Cột sống Hỗ trợ Robot và Điều hướng – Các Kỹ thuật và Tiến bộ Phẫu thuật. 
Robotic and Navigated Spine Surgery – Surgical Techniques and Advancements. – Imprint: Elsevier. 
Chủ biên: Anand Veeravagu, Michael Y. Wang | Dịch và Chú giải: BSCKII. Trần Trung Kiên, Ths.BS. Lê Đình Sáng.
Bản dịch của cuốn sách này được dịch và xuất bản trực tuyến trên nền tảng Thư viện Medipharm vì mục đích phi lợi nhuận, với mong muốn đóng góp một tài liệu tham khảo chuyên sâu và cập nhật đến với cộng đồng.

CHƯƠNG 15. TRÍ TUỆ NHÂN TẠO VÀ HỌC MÁY TRONG PHẪU THUẬT CỘT SỐNG

Michael Jin, BS, Marc Schröder, MD, PhD, và Victor E. Staartjes, MD

GIỚI THIỆU CÔNG NGHỆ

Trong khi các nghiên cứu về việc tích hợp học máy (Machine Learning – ML) và trí tuệ nhân tạo (Artificial Intelligence – AI) vào y khoa ngày càng nhiều và đa dạng, những đóng góp tổng hợp của chúng đã làm thay đổi và cách mạng hóa thực hành lâm sàng. Về cơ bản, các phương pháp tiếp cận ML và AI tìm cách tận dụng các hệ thống tự động (Automata) để nhận dạng kiểu mẫu và ngoại suy (Pattern recognition and extrapolation). Nhìn chung, các phương pháp tiếp cận được phân loại thành một trong hai hình thức chủ yếu: học có giám sát (Supervised learning) và học không giám sát (Unsupervised learning). Học có giám sát mô tả các phương pháp tiếp cận sử dụng tập dữ liệu “huấn luyện” (Training dataset) đã được dán nhãn trước để khám phá mối quan hệ giữa các đặc điểm của mô hình và kết quả cần quan tâm (Outcome-of-interest), từ đó có thể áp dụng để đưa ra các dự đoán về rủi ro hoặc khả năng xảy ra trong các tập dữ liệu “kiểm tra” (Test dataset) chưa được dán nhãn. Các phương pháp như vậy thường được sử dụng để lập mô hình các kết quả chu phẫu và sau phẫu thuật, cũng như để tự động diễn giải các báo cáo lâm sàng dạng văn bản thông qua xử lý ngôn ngữ tự nhiên (Natural language processing – NLP). Học không giám sát đề cập đến việc xác định mới (De novo) các kiểu mẫu và mối quan hệ trong các tập dữ liệu chưa được dán nhãn thông qua việc khám phá và tái tạo lại các mối quan hệ thường là phức tạp và phi tuyến tính trong dữ liệu. Các ví dụ về ứng dụng học không giám sát trong y học bao gồm việc tạo đường viền (Contouring) cho các nghiên cứu chẩn đoán hình ảnh và giải phẫu bệnh. Riêng trong lĩnh vực phẫu thuật cột sống (Spine surgery), chúng tôi sẽ xem xét các phương pháp tiếp cận phổ biến đối với ba chủ đề lâm sàng: dự đoán kết quả, phân tích hình ảnh và xử lý ngôn ngữ tự nhiên. Chúng tôi sẽ mô tả thêm về các ứng dụng hiện tại đáng chú ý của học máy và trí tuệ nhân tạo trong các chủ đề này và thảo luận chuyên sâu về một ví dụ cho thấy các hệ thống tự động có thể định hình việc chăm sóc người bệnh trong phẫu thuật cột sống như thế nào.

Dự Đoán Kết Quả

Có lẽ chủ đề thường xuyên gắn liền nhất với học máy trong y học là dự đoán các kết quả lâm sàng. Những nỗ lực ban đầu nhằm thiết kế các hệ thống dự đoán lâm sàng thông minh thường xoay quanh các hệ thống bán tự động dựa trên quy tắc, chẳng hạn như MYCIN và PLEXXUS. Tuy nhiên, trong khi các mô hình như vậy hỗ trợ việc ra quyết định theo thời gian thực bằng cách sử dụng kiến thức lưu trữ được biên soạn bởi các chuyên gia trong chuyên ngành hẹp, các phương pháp tiếp cận dựa trên quy tắc bị giới hạn bởi tính linh hoạt và khả năng thích ứng thấp. Kể từ những năm 1970, những tiến bộ liên tục trong kiến trúc máy tính và phần cứng đã tạo điều kiện cho sự phát triển, đa dạng hóa và phức tạp hóa của các phương pháp lập mô hình dự đoán. Việc lập mô hình dự đoán lâm sàng hiện nay cung cấp vô số lựa chọn cho thiết kế thuật toán và cơ hội để dự đoán chính xác các kết quả ngắn hạn và dài hạn của người bệnh. Với sự xác thực và triển khai từ bên ngoài, những phương pháp tiếp cận này có thể giúp định hình lại khung cung cấp dịch vụ chăm sóc sức khỏe theo một nguyên mẫu cá nhân hóa hơn, cho phép cải thiện cả hiệu quả chăm sóc sức khỏe và trải nghiệm chăm sóc của người bệnh.

Thực hành lập mô hình dự đoán lâm sàng có thể được khái quát hóa thành hai danh mục lớn: học nông (Shallow learning) và học sâu (Deep learning). Học nông mô tả các phương pháp được thiết kế để xác định mối quan hệ giữa các đặc điểm đã được xác định trước của một tập dữ liệu và kết quả quan tâm. Các ví dụ về khung học nông thường được áp dụng cho y học lâm sàng bao gồm các phương pháp hồi quy và phân loại như mô hình tuyến tính tổng quát (Generalized linear models – GLMs), cây quyết định (Decision trees) và máy học vector hỗ trợ (Support vector machines). Ngược lại, học sâu không yêu cầu tập đặc điểm xác định trước, thay vào đó cho phép hệ thống máy tính tự xác định, sắp xếp và tính trọng số cho các yếu tố đóng góp quan trọng trong dữ liệu trong quá trình phát triển và tinh chỉnh mô hình. Các phương pháp như mạng nơ-ron tích chập (Convolutional neural networks – CNNs) có thể nhận dạng và phân tách các tín hiệu phức tạp để xác định các kiểu mẫu và mối quan hệ cơ bản. Học sâu mang lại vô số lợi thế, đặc biệt trong bối cảnh các tập dữ liệu có đặc trưng phong phú hoặc các tác vụ nhận dạng kiểu mẫu phức tạp; tuy nhiên, những nhược điểm của nó cũng phải được nhấn mạnh, trong đó quan trọng nhất là khả năng diễn giải (Interpretability) giảm đi đối với các tham số mô hình và sự đóng góp của các thành phần. Mạng nơ-ron sâu, đặc biệt, thường được gọi là “hộp đen” (Black boxes), một phép ẩn dụ làm nổi bật khó khăn trong việc tháo gỡ và giải thích sự biến đổi của các thành phần đầu vào thành quyết định đầu ra. Các nghiên cứu đang diễn ra nhằm mục đích phát triển các “bộ giải thích” (Explainers) để cải thiện mối lo ngại này; tuy nhiên, tiện ích thực tế của các phương pháp học sâu phần lớn sẽ phụ thuộc vào việc các bác sĩ lâm sàng cân nhắc giữa tầm quan trọng biên của việc tăng hiệu suất theo từng bước (và những tác động ở khâu hạ nguồn đối với chăm sóc lâm sàng) so với khó khăn gia tăng trong việc diễn giải mô hình và yêu cầu tài nguyên tính toán cao hơn của các kiến trúc như vậy.

Trong lĩnh vực phẫu thuật cột sống, việc lập mô hình dự đoán lâm sàng đã được áp dụng cho các kết quả trải dài từ các biến chứng sau phẫu thuật và tỷ lệ tái nhập viện đến phục hồi dài hạn sau phẫu thuật và sự phụ thuộc vào thuốc opioid. Goyal và cộng sự đã tìm cách phát triển một phương pháp tiếp cận để dự đoán việc xuất viện không về nhà (Non-home discharge) và tái nhập viện sớm sau phẫu thuật hàn khớp đốt sống cổ hoặc thắt lưng. Hiệu suất giữa các phương pháp lập mô hình (GLM, máy tăng cường độ dốc – Gradient boosting machines, Elastic Net GLM và mạng nơ-ron nhân tạo [Artificial neural networks – ANN], cùng với các phương pháp khác) là tương đương nhau, đạt Diện tích dưới đường cong đặc trưng hoạt động của bộ thu (Area Under the Receiver Operating Characteristic curve – AUROCs) là 0,87 và 0,66 cho việc dự đoán lần lượt xuất viện không về nhà và tái nhập viện sớm ngoài ý muốn. Các phương pháp tương tự cũng đã được áp dụng để dự đoán kết quả và biến chứng sau phẫu thuật, sử dụng thuốc giảm đau gây nghiện dài hạn, chi phí chăm sóc sức khỏe và tỷ lệ tử vong. Vẫn cần lưu ý rằng, trong khi sự quan tâm ngày càng tăng đối với các mô hình học máy cho việc dự đoán kết quả lâm sàng đã mang lại nhiều ứng cử viên đầy hứa hẹn để đưa vào thực hành lâm sàng, vẫn còn thiếu các nghiên cứu chứng minh tiện ích khách quan trong các cuộc điều tra tiến cứu thứ cấp. Các thử nghiệm lâm sàng áp dụng các yếu tố dự đoán đã được xác thực và các can thiệp chăm sóc thích hợp (chẳng hạn như phác đồ quản lý đau cá nhân hóa, tăng cường cảnh giác sau phẫu thuật hoặc đánh giá lại quá trình chăm sóc sau xuất viện) vẫn là những “bước tiếp theo” quan trọng trong việc chuyển đổi các mô hình học máy từ lý thuyết sang thực hành.