AI CHỈ CẦN 10 BÀI KIỂM TRA ĐỂ ĐÁNH GIÁ TAY SAU ĐỘT QUỴ? NGHIÊN CỨU TRÊN 682 NGƯỜI TIẾT LỘ ĐIỀU BẤT NGỜ

Đánh giá chức năng tay sau đột quỵ thường cần nhiều thời gian. Liệu trí tuệ nhân tạo có thể rút ngắn quá trình này?

Một nghiên cứu năm 2024 đã đưa ra kết quả đáng chú ý.

Nhóm tác giả phát triển hệ thống AI dựa trên thang Fugl-Meyer chi trên.

Hệ thống chỉ lựa chọn 10 mục đánh giá cho mỗi người bệnh.

Trong khi đó, thang FMA-UE được nghiên cứu có 30 mục.

Đặc biệt, kết quả AI có tương quan rất cao với thang đo đầy đủ, đạt r = 0,97–0,99.

Phát hiện này mở ra hướng ứng dụng công nghệ trong phục hồi chức năng thần kinh.

Tuy nhiên, AI chưa được chứng minh có thể thay thế hoàn toàn đánh giá lâm sàng của bác sĩ.

VÌ SAO CẦN ĐÁNH GIÁ CHỨC NĂNG TAY SAU ĐỘT QUỴ?

Đột quỵ có thể gây yếu hoặc liệt một bên cơ thể.

Trong đó, suy giảm chức năng chi trên ảnh hưởng đáng kể đến sinh hoạt.

Người bệnh có thể gặp khó khăn khi sử dụng vai, khuỷu, cổ tay và bàn tay.

Những khó khăn thường gặp sau đột quỵ

Người bệnh có thể gặp các vấn đề như:

• Khó nâng cánh tay.

• Giảm khả năng duỗi khuỷu.

• Hạn chế gập và duỗi cổ tay.

• Khó mở bàn tay.

• Giảm khả năng cầm nắm.

• Khó điều khiển riêng từng ngón.

• Giảm khả năng phối hợp vận động.

Những hạn chế này ảnh hưởng đến khả năng tự chăm sóc.

Ví dụ, người bệnh có thể khó mặc áo hoặc sử dụng dụng cụ ăn uống.

Vì sao cần lượng giá định kỳ?

Khả năng vận động có thể thay đổi trong quá trình phục hồi.

Bác sĩ cần xác định mức suy giảm ban đầu.

Sau đó, kết quả được theo dõi qua những lần đánh giá tiếp theo.

Việc lượng giá định kỳ giúp nhận diện tiến triển và điều chỉnh mục tiêu điều trị.

Tuy nhiên, đánh giá quá nhiều mục có thể tạo gánh nặng thời gian.

Đây là vấn đề nhóm nghiên cứu muốn giải quyết.

THANG FUGL-MEYER CHI TRÊN (FMA-UE) LÀ GÌ?

Fugl-Meyer Assessment là công cụ đánh giá suy giảm cảm giác – vận động sau đột quỵ.

Phần đánh giá chức năng vận động chi trên được gọi là FMA-UE.

Đây là công cụ thường được sử dụng trong nghiên cứu và thực hành phục hồi chức năng.

FMA-UE đánh giá những gì?

Các nhiệm vụ đánh giá nhiều thành phần vận động.

Ví dụ:

• Vận động vai.

• Vận động khuỷu.

• Vận động cẳng tay.

• Vận động cổ tay.

• Vận động bàn tay.

• Khả năng phối hợp vận động.

FMA-UE được tính điểm như thế nào?

Phiên bản vận động chi trên truyền thống có 33 mục.

Mỗi mục thường được chấm từ 0 đến 2 điểm.

Tổng điểm tối đa là 66.

Tuy nhiên, nghiên cứu năm 2024 sử dụng phiên bản 30 mục, tối đa 60 điểm.

Phiên bản này loại bỏ ba mục đánh giá phản xạ.

Điểm càng cao thường phản ánh mức suy giảm vận động càng ít.

Lưu ý: Điểm của phiên bản 60 và 66 không nên so sánh trực tiếp.

VÌ SAO ĐÁNH GIÁ ĐẦY ĐỦ FMA-UE CÓ THỂ GẶP KHÓ KHĂN?

FMA-UE cung cấp nhiều thông tin về chức năng vận động.

Tuy nhiên, quá trình thực hiện đòi hỏi thời gian và sự hợp tác của người bệnh.

Gánh nặng đối với người bệnh

Một số người bệnh có khả năng vận động rất hạn chế.

Họ có thể nhanh mệt khi thực hiện nhiều nhiệm vụ liên tiếp.

Những người khác gặp khó khăn về chú ý hoặc khả năng hiểu hướng dẫn.

Gánh nặng trong thực hành bệnh viện

Bác sĩ có thể phải đánh giá nhiều người bệnh trong cùng một ngày.

Ngoài lượng giá, còn có các công việc điều trị và ghi chép hồ sơ.

Vì vậy, việc rút ngắn công cụ mà vẫn bảo đảm chất lượng đo lường rất đáng quan tâm.

HỆ THỐNG AAS-UE SỬ DỤNG AI LÀ GÌ?

AAS-UE là viết tắt của Accumulative Assessment System of Upper Extremity.

Đây là hệ thống đánh giá tích lũy chức năng vận động chi trên.

Công cụ sử dụng thuật toán học sâu (Deep Learning).

AI lựa chọn bài kiểm tra như thế nào?

Hệ thống sử dụng thông tin từ những lần đánh giá trước.

Các dữ liệu gồm:

• Điểm FMA-UE trước đó.

• Khoảng thời gian giữa hai lần đánh giá.

• Giai đoạn sau đột quỵ.

• Kết quả những mục vận động đã được thực hiện.

Từ các dữ liệu này, mô hình lựa chọn 10 mục phù hợp cho lần đánh giá tiếp theo.

Có phải mọi người bệnh đều thực hiện cùng 10 mục?

Không.

Đây chính là điểm khác biệt của AAS-UE.

Hệ thống có thể lựa chọn những mục khác nhau cho từng người bệnh.

Việc lựa chọn dựa trên thông tin và kết quả đánh giá trước đó.

AI có tự quan sát và chấm điểm bằng camera không?

Không phải trong nghiên cứu này.

AAS-UE sử dụng dữ liệu điểm đánh giá và mô hình học sâu.

Nghiên cứu không mô tả hệ thống camera tự nhận diện mọi chuyển động.

Vì vậy, cần phân biệt AI lựa chọn mục và ước tính điểm với AI tự động quan sát động tác.

NGHIÊN CỨU ĐÃ PHÁT TRIỂN AAS-UE NHƯ THẾ NÀO?

Lin và cộng sự sử dụng dữ liệu từ ba nghiên cứu trước đó.

Các dữ liệu bao gồm hai nghiên cứu theo dõi và một nghiên cứu đánh giá lặp lại.

Đối tượng nghiên cứu

Tổng cộng có 682 người bệnh sau đột quỵ.

Dữ liệu bao gồm người bệnh ở giai đoạn bán cấp và mạn tính.

Dữ liệu được chia như thế nào?

Nhóm tác giả chia dữ liệu để phát triển và kiểm định mô hình.

Việc chia dữ liệu giúp đánh giá hiệu quả mô hình trên phần dữ liệu không dùng để huấn luyện.

AI được xây dựng bằng phương pháp nào?

Nhóm tác giả phát triển hai mạng nơ-ron nhân tạo.

Mạng thứ nhất lựa chọn các mục đánh giá.

Mạng thứ hai sử dụng những kết quả này để ước tính tổng điểm FMA-UE.

Hai mô hình phối hợp để tạo thành hệ thống AAS-UE.

KẾT QUẢ 1: AI GIẢM KHOẢNG 67% SỐ MỤC ĐÁNH GIÁ

Đây là kết quả dễ nhận thấy nhất.

Thang FMA-UE trong nghiên cứu có 30 mục.

AAS-UE chỉ cần lựa chọn 10 mục ở lần đánh giá tiếp theo.

Giảm số mục có nghĩa giảm 67% thời gian không?

Chưa thể kết luận chính xác như vậy.

Nghiên cứu xác định mức giảm số mục.

Tuy nhiên, thời gian thực hiện còn phụ thuộc vào từng nhiệm vụ và việc vận hành hệ thống.

Vì vậy, không nên đồng nhất số mục giảm với thời gian tiết kiệm.

KẾT QUẢ 2: ĐIỂM AI CÓ TƯƠNG QUAN RẤT CAO VỚI FMA-UE

Nhóm tác giả đánh giá giá trị đồng thời của AAS-UE.

Kết quả ghi nhận hệ số tương quan từ 0,97 đến 0,99.

Tương quan r = 0,97–0,99 có nghĩa gì?

Đây là mức tương quan tuyến tính rất cao.

Người có điểm FMA-UE cao thường cũng có điểm AAS-UE ước tính cao.

Kết quả này cho thấy mô hình tái tạo điểm số tương đối tốt.

Tuy nhiên, tương quan cao không đồng nghĩa hai phép đo hoàn toàn giống nhau.

Vẫn cần xem xét sai số và khả năng phát hiện thay đổi.

KẾT QUẢ 3: AAS-UE CÓ ĐỘ TIN CẬY KIỂM TRA LẶP LẠI CAO

Nhóm tác giả đánh giá độ tin cậy bằng hệ số ICC.

Kết quả của AAS-UE đạt ICC = 0,96.

ICC = 0,96 có ý nghĩa gì?

ICC phản ánh mức độ nhất quán giữa các lần đo trong điều kiện đánh giá tương ứng.

Giá trị 0,96 cho thấy độ tin cậy rất cao trong mẫu kiểm định.

Tuy nhiên, độ tin cậy cao không loại bỏ hoàn toàn sai số đo.

Sai số đo được đánh giá thế nào?

Nhóm tác giả sử dụng chỉ số Minimal Detectable Change (MDC).

Đây là mức thay đổi cần vượt qua để phân biệt với sai số đo ngẫu nhiên theo ngưỡng xác định.

AAS-UE có MDC% bằng 15,6%.

Giá trị này nằm dưới ngưỡng 30% mà nhóm nghiên cứu sử dụng để đánh giá chấp nhận được.

KẾT QUẢ 4: AI VẪN PHÁT HIỆN ĐƯỢC SỰ THAY ĐỔI CHỨC NĂNG THEO THỜI GIAN

Một công cụ đánh giá cần phát hiện được tiến triển phục hồi.

Nếu chỉ đo tốt tại một thời điểm, giá trị theo dõi sẽ bị hạn chế.

Nhóm tác giả đã phân tích khả năng đáp ứng (responsiveness) của AAS-UE.

Khả năng đáp ứng ở cấp độ nhóm

Chỉ số Standardized Response Mean (SRM) dao động từ 0,65 đến 1,07.

Kết quả cho thấy AAS-UE có khả năng ghi nhận thay đổi ở cấp độ nhóm.

Khả năng đáp ứng ở từng người bệnh

Tỷ lệ người có mức cải thiện vượt ngưỡng thay đổi phát hiện được dao động từ 30,5% đến 53,2%.

Các tỷ lệ này thay đổi theo thời điểm đánh giá.

Đây không phải tỷ lệ người bệnh được AI điều trị thành công.

AI chỉ được sử dụng để hỗ trợ đánh giá chức năng.

Nghiên cứu không thử nghiệm AI như một phương pháp phục hồi vận động.

KẾT QUẢ 5: AAS-UE CÓ ĐẶC TÍNH ĐO LƯỜNG TƯƠNG ĐƯƠNG FMA-UE TRONG DỮ LIỆU KIỂM ĐỊNH

Nhóm tác giả so sánh nhiều chỉ số giữa AAS-UE và FMA-UE.

Kết quả cho thấy AAS-UE có tiềm năng cải thiện hiệu suất lượng giá.

Tuy nhiên, việc triển khai trong thực hành thực tế vẫn cần được kiểm định thêm.

AI CÓ THỂ THAY THẾ BÁC SĨ KHI ĐÁNH GIÁ CHỨC NĂNG TAY KHÔNG?

Chưa thể.

Nghiên cứu cho thấy AI có thể hỗ trợ lựa chọn mục và ước tính điểm FMA-UE.

Tuy nhiên, đánh giá chức năng tay không chỉ là tính tổng điểm.

Bác sĩ còn cần xem xét sức mạnh, trương lực cơ, cảm giác và các kiểu vận động bù trừ.

AI hỗ trợ những công việc nào?

Hệ thống AAS-UE có tiềm năng hỗ trợ:

• Lựa chọn mục đánh giá theo từng người bệnh.

• Giảm số nhiệm vụ cần thực hiện.

• Ước tính điểm vận động chi trên.

• Theo dõi thay đổi giữa các lần khám.

• Hỗ trợ quản lý dữ liệu lượng giá.

Những công việc nào vẫn cần bác sĩ?

Bác sĩ cần đánh giá toàn diện trước khi lựa chọn chương trình điều trị.

Ví dụ, điểm vận động tăng chưa chắc phản ánh khả năng sử dụng tay trong sinh hoạt.

Người bệnh có thể cử động cổ tay tốt hơn nhưng vẫn khó cầm đồ vật.

Vì vậy, cần kết hợp đánh giá chức năng thực tế.

ỨNG DỤNG AI TRONG PHỤC HỒI CHỨC NĂNG TẠI BỆNH VIỆN

Nghiên cứu mở ra hướng ứng dụng đáng quan tâm trong chuyển đổi số y tế.

Đặc biệt, hệ thống có thể hữu ích khi cần đánh giá lặp lại nhiều lần.

1. Chuẩn hóa đánh giá ban đầu

Bác sĩ cần thực hiện lượng giá theo quy trình rõ ràng.

Dữ liệu ban đầu là cơ sở quan trọng cho những lần đánh giá tiếp theo.

2. Sử dụng dữ liệu từ hồ sơ bệnh án

AAS-UE cần thông tin của các lần đánh giá trước.

Vì vậy, dữ liệu phải được lưu trữ đầy đủ và chính xác.

Hệ thống cũng cần quản lý quyền truy cập để bảo vệ thông tin người bệnh.

3. Cá thể hóa danh sách mục đánh giá

AI có thể đề xuất các mục phù hợp cho từng lần lượng giá.

Tuy nhiên, bác sĩ cần kiểm tra tính phù hợp trước khi áp dụng thực tế.

4. Theo dõi tiến triển

Điểm đánh giá được ghi nhận qua các thời điểm.

Bác sĩ có thể xem xét mức thay đổi và mục tiêu chức năng.

Cần phân biệt thay đổi thực sự với sai số đo.

5. Kết hợp công cụ đánh giá khác

FMA-UE chủ yếu phản ánh mức suy giảm vận động.

Để đánh giá hoạt động chức năng, có thể bổ sung những công cụ khác.

Ví dụ:

• Action Research Arm Test (ARAT).

• Wolf Motor Function Test (WMFT).

• Motor Activity Log (MAL).

• Box and Block Test.

• Các thang đánh giá sinh hoạt hằng ngày.

Việc lựa chọn phụ thuộc vào tình trạng và mục tiêu của người bệnh.

AI CÓ THỂ GIÚP THEO DÕI PHỤC HỒI TẠI NHÀ KHÔNG?

Đây là hướng phát triển có tiềm năng.

Tuy nhiên, nghiên cứu chưa chứng minh AAS-UE có thể tự vận hành tại nhà.

Hệ thống vẫn dựa trên điểm của các nhiệm vụ vận động được đánh giá.

Có thể tự dùng điện thoại để chấm FMA-UE không?

Nghiên cứu này chưa kiểm chứng khả năng đó.

AAS-UE không phải ứng dụng điện thoại tự chấm điểm qua camera.

Vì vậy, không nên hiểu rằng người bệnh chỉ cần quay video để có điểm FMA-UE.

Hệ thống có thể tích hợp vào hồ sơ bệnh án điện tử không?

Về mặt kỹ thuật, đây là hướng ứng dụng có thể xem xét.

Tuy nhiên, cần đánh giá khả năng kết nối và bảo mật dữ liệu.

Bệnh viện cũng cần kiểm định hiệu quả trên người bệnh thực tế trước khi triển khai thường quy.

NHỮNG HẠN CHẾ CỦA NGHIÊN CỨU

Nghiên cứu có một số giới hạn quan trọng.

Thứ nhất, nhóm tác giả sử dụng dữ liệu từ ba nghiên cứu trước đó.

Vì vậy, hệ thống chưa được đánh giá đầy đủ trong quy trình khám thực tế.

Thứ hai, mô hình phụ thuộc vào thông tin từ những lần lượng giá trước.

Điều này có thể hạn chế việc sử dụng ở lần khám đầu tiên.

Thứ ba, nghiên cứu sử dụng phiên bản FMA-UE 30 mục.

Kết quả không thể áp dụng trực tiếp cho mọi phiên bản Fugl-Meyer.

Thứ tư, độ chính xác có thể thay đổi khi áp dụng cho những quần thể khác.

Cuối cùng, nghiên cứu chưa trực tiếp đo hiệu quả tiết kiệm thời gian tại bệnh viện.

Cần kiểm định độc lập trước khi áp dụng AAS-UE như công cụ lượng giá thường quy.

CÂU HỎI THƯỜNG GẶP

AI có thể đánh giá chức năng tay sau đột quỵ không?

Có tiềm năng hỗ trợ.

Nghiên cứu phát triển AAS-UE để lựa chọn 10 mục và ước tính điểm FMA-UE.

Tuy nhiên, công cụ vẫn cần được kiểm định thêm trong thực hành lâm sàng.

AAS-UE là gì?

AAS-UE là hệ thống đánh giá tích lũy chức năng vận động chi trên.

Công cụ sử dụng học sâu và thông tin từ những lần đánh giá trước.

AI cần bao nhiêu mục để đánh giá chức năng tay?

Trong nghiên cứu này, AAS-UE lựa chọn 10 mục.

Danh sách mục có thể khác nhau giữa các người bệnh.

FMA-UE có bao nhiêu điểm?

Phiên bản truyền thống có tối đa 66 điểm.

Nghiên cứu sử dụng phiên bản 30 mục, tối đa 60 điểm.

AAS-UE có chính xác bằng FMA-UE không?

Hệ thống có tương quan rất cao với FMA-UE, r = 0,97–0,99.

Tuy nhiên, tương quan cao không có nghĩa điểm của hai công cụ luôn giống nhau.

AI có phát hiện được sự cải thiện sau điều trị không?

Nghiên cứu ghi nhận khả năng đáp ứng tốt của AAS-UE.

Tuy nhiên, cần xem xét mức thay đổi so với sai số đo.

Có thể sử dụng AAS-UE tại mọi bệnh viện không?

Chưa thể khẳng định.

Công cụ cần được kiểm định và đánh giá tính khả thi trong môi trường thực tế.

AAS-UE có thể thay bác sĩ kê đơn tập luyện không?

Không.

Nghiên cứu tập trung vào đánh giá chức năng vận động.

Nó không phát triển hệ thống tự động kê đơn điều trị.

KẾT LUẬN: AI CÓ THỂ GIÚP ĐÁNH GIÁ TAY NHANH HƠN, NHƯNG CHƯA THAY THẾ ĐƯỢC BÁC SĨ

Nghiên cứu của Lin và cộng sự cho thấy tiềm năng ứng dụng AI trong lượng giá sau đột quỵ.

Hệ thống AAS-UE giảm số mục từ 30 xuống còn 10.

Kết quả có tương quan rất cao với FMA-UE đầy đủ.

Độ tin cậy và khả năng phát hiện thay đổi cũng đạt mức thuận lợi.

Tuy nhiên, mô hình vẫn cần được kiểm định trong thực hành lâm sàng.

Đối với người bệnh: AI có thể giúp đơn giản hóa quá trình theo dõi phục hồi trong tương lai.

Đối với bác sĩ: Công nghệ có thể hỗ trợ lượng giá nhưng không thay thế đánh giá toàn diện.

Thông điệp quan trọng: AI không chỉ giúp rút ngắn bài kiểm tra. Giá trị của nó nằm ở khả năng sử dụng dữ liệu để hỗ trợ đánh giá cá thể hóa.

Tài liệu tham khảo

Lin GH, Lee SC, Huang CY, Wang I, Lee YC, Hsueh IP, Hsieh CL. Developing an Accumulative Assessment System of Upper Extremity Motor Function in Patients With Stroke Using Deep Learning. Physical Therapy. 2024;104(6):pzae050.

DOI: https://doi.org/10.1093/ptj/pzae050

Bài viết cung cấp thông tin giáo dục sức khỏe dựa trên nghiên cứu khoa học. Nội dung không thay thế đánh giá và điều trị cá thể hóa.

Mr Physio

0937782677