Ứng dụng trí tuệ nhân tạo (AI) và nghiệm pháp chức năng thăng bằng trong chẩn đoán bệnh tiền đình
Nội dung chính của bài viết
Tóm tắt
Bệnh tiền đình ngoại biên (peripheral vestibular disease - PV) là nguyên nhân phổ biến gây chóng mặt. Tuy nhiên cần nhiều thời gian thăm khám lâm sàng, đánh giá toàn diện và phân biệt với bệnh không phải tiền đình ngoại biên (non-peripheral vestibular disease: non-PV) để đưa ra chẩn đoán chính xác. Non-PV bao gồm nhiều loại bệnh khác nhau, trong đó chóng mặt do hạ huyết áp tư thế (hemodynamic orthostatic dizziness/vertigo - HO) chiếm số lượng lớn bệnh nhân trong tập dữ liệu. Mục tiêu nghiên cứu này nhằm xác định khả năng ứng dụng máy học, trí tuệ nhân tạo (AI) trong việc chẩn đoán và phân loại bệnh HO với nhóm PV và non-PV. Các mô hình phân loại đa lớp được áp dụng trên 1009 bệnh nhân (497 PV, 157 HO và 355 non-PV) cho thấy tính đúng (accuracy) cao nhất đạt được là 72% và điểm F1 của nhóm PV, non-PV và HO lần lượt là 0,78; 0,64; 0,71. Kết quả cho thấy AI hoàn toàn có thể trở thành công cụ hữu ích trong thực hành lâm sàng giúp tiết kiệm thời gian và nâng cao độ chính xác, hiệu quả chẩn đoán bệnh.
Chi tiết bài viết
Từ khóa
Máy học, nghiệm pháp chức năng thăng bằng, tiền đình ngoại biên, chóng mặt do hạ huyết áp tư thế
Tài liệu tham khảo
2. Strupp M, Feil K, Zwergal A. Diagnose und Differenzialdiagnose von peripheren und zentralen Schwindelsyndromen [Diagnosis and Differential Diagnosis of Peripheral and Central Vestibular Disorders]. Laryngorhinootologie. 2021; 100(3): 176-183. doi:10.1055/a-1057-3239.
3. Mayo RC, Leung J. Artificial intelligence and deep learning - Radiology’s next frontier?. Clin Imaging. 2018; 49: 87-88. doi:10.1016/j.clinimag.2017.11.007.
4. Egert M, Steward JE, Sundaram CP. Machine Learning and Artificial Intelligence in Surgical Fields. Indian J Surg Oncol. 2020; 11(4): 573-577. doi:10.1007/s13193-020-01166-8.
5. Ahmadi SA, Vivar G, Navab N, et al. Modern machine-learning can support diagnostic differentiation of central and peripheral acute vestibular disorders. J Neurol. 2020; 267(Suppl 1): 143-152. doi:10.1007/s00415-020-09931-z.
6. Bisdorff A, Von Brevern M, Lempert T, Newman-Toker DE. Classification of vestibular symptoms: towards an international classification of vestibular disorders. J Vestib Res. 2009; 19(1-2): 1-13. doi:10.3233/VES-2009-0343.
7. Japan Society for Equilibrium Research. https:// www. memai. jp/ guide/.
8. Anh DT, Takakura H, Asai M, Ueda N, Shojaku H. Application of machine learning in the diagnosis of vestibular disease. Sci Rep. 2022; 12(1): 20805. Published 2022 Dec 2. doi:10.1038/s41598-022-24979-9.
9. Handelman GS, Kok HK, Chandra RV, Razavi AH, Lee MJ, Asadi H. eDoctor: machine learning and the future of medicine. J Intern Med. 2018; 284(6): 603-619. doi:10.1111/joim.12822.
10. F. Pedregosa, G. Varoquaux, A. Gramfort, et al. Journal of Machine Learning Research. 2011; 12: 2825–2830.
11. Genuer, R., Poggi, J. M. & Tuleau-Malot, C. Variable selection using random forests. Pattern Recognit. Lett. 2010; 31: 2225–2236.
12. Masankaran, L., Viyanon, W. & Mahasittiwat, V. Classification of benign paroxysmal positioning vertigo types from Dizziness Handicap Inventory using machine learning techniques. International Conference on Intelligent Informatics and Biomedical Sciences, ICIIBMS. 2018; 209–214.
13. Priesol AJ, Cao M, Brodley CE, Lewis RF. Clinical vestibular testing assessed with machine-learning algorithms. JAMA Otolaryngol Head Neck Surg. 2015; 141(4): 364-372. doi:10.1001/jamaoto.2014.3519.