Thanh bên bài viết
Số lượt xem pdf: 44
NHẬN XÉT MỘT SỐ ĐẶC ĐIỂM LÂM SÀNG VÀ CẮT LỚP VI TÍNH CỦA BỆNH NHÂN CHẤN THƯƠNG SỌ NÃO CÓ HỖ TRỢ TIÊN LƯỢNG BỞI TRÍ TUỆ NHÂN TẠO
Nội dung chính của bài viết
Tóm tắt
Mục tiêu: Nhận xét một số đặc điểm lâm sàng, cắt lớp vi tính của bệnh nhân chấn thương sọ não được hỗ trợ tiên lượng và quản lý bởi phần mềm trí tuệ nhân tạo. Phương pháp nghiên cứu: Phân tích tiến cứu trên 75 bệnh nhân được chẩn đoán chấn thương sọ não dựa trên lâm sàng, cận lâm sàng tại Bệnh viện Quân y 103 từ 01/08/2023 – 01/04/2024. Kết quả: Có 3 bệnh nhân tử vong (4%), kết quả phục hồi tốt GOS 1 tháng chiếm 93,3%. Tuổi trung bình 43,22 ± 21,13 (năm), nam giới chiếm 74,7%, Glasgow nhập viện trung bình 13,45 ± 2,62, liệt nửa người (2,7%). Tổn thương chủ yếu là xuất huyết dưới nhện (60%) và dập não xuất huyết (48%), di lệch đường giữa trung bình 6,57 ± 1,9 (mm), xóa mờ bể đáy gặp 6 trường hợp (8%). Kết luận: Các bệnh nhân được hỗ trợ tiên lượng và quản lý hồ sơ bởi trí tuệ nhân tạo cho kết quả điều trị tốt, tỉ lệ hồi phục cao, tỉ lệ tử vong thấp
Chi tiết bài viết
Từ khóa
Học máy; Trí tuệ nhân tạo; Chấn thương sọ não.
Tài liệu tham khảo
2. Tegegne NG, Fentie DY, Tegegne BA, Admassie BM. Incidence and Predictors of Mortality Among Patients with Traumatic Brain Injury at University of Gondar Comprehensive Specialized Hospital, Northwest Ethiopia: A Retrospective Follow-Up Study. Patient Relat Outcome Meas. 2023;14: 73-85. doi:10.2147/ PROM.S399603
3. Maas AIR, Menon DK, Adelson PD, et al. Traumatic brain injury: integrated approaches to improve prevention, clinical care, and research. Lancet Neurol. Dec 2017;16(12):987-1048. doi:10.1016/S1474-4422(17)30371-X
4. Zhang H, Ji J, Liu Z, et al. Artificial intelligence for the diagnosis of clinically significant prostate cancer based on multimodal data: a multicenter study. BMC Med. Jul 24 2023;21(1):270. doi:10.1186/s12916-023-02964-x
5. Lee S, Reddy Mudireddy A, Kumar Pasupula D, et al. Novel Machine Learning Approach to Predict and Personalize Length of Stay for Patients Admitted with Syncope from the Emergency Department. J Pers Med. Dec 20 2022;13(1)doi:10.3390/jpm13010007
6. Gravesteijn BY, Nieboer D, Ercole A, et al. Machine learning algorithms performed no better than regression models for prognostication in traumatic brain injury.JClin Epidemiol. Jun 2020; 122: 95-107. doi:10.1016/j.jclinepi.2020. 03.005
7. Raj R, Luostarinen T, Pursiainen E, et al. Machine learning-based dynamic mortality prediction after traumatic brain injury. Sci Rep. Nov 27 2019;9(1): 17672. doi:10.1038/s41598-019-53889-6
8. Hanko M, Grendar M, Snopko P, et al. Random Forest-Based Prediction of Outcome and Mortality in Patients with Traumatic Brain Injury Undergoing Primary Decompressive Craniectomy. World Neurosurg. Apr 2021;148:e450-e458. doi:10.1016/j.wneu.2021.01.002
9. Hale AT, Stonko DP, Brown A, et al. Machine-learning analysis outperforms conventional statistical models and CT classification systems in predicting 6-month outcomes in pediatric patients sustaining traumatic brain injury. Neurosurg Focus. Nov 1 2018;45(5):E2. doi:10.3171/ 2018.8.FOCUS17773