BƯỚC ĐẦU ĐÁNH GIÁ HIỆU QUẢ CỦA MÔ HÌNH HỌC MÁY ĐỂ DỰ ĐOÁN SỐC TIM Ở BỆNH NHÂN NHỒI MÁU CƠ TIM CẤP
Nội dung chính của bài viết
Tóm tắt
Mở đầu: Sốc tim là biến chứng nghiêm trọng nhất của nhồi máu cơ tim (NMCT) cấp, liên quan đến tỷ lệ tử vong nội viện cao. Việc dự đoán sớm nguy cơ sốc tim ngay khi nhập viện có ý nghĩa quan trọng trong định hướng điều trị. Mô hình học máy gần đây đã được ứng dụng rộng rãi trong dự đoán biến cố tim mạch.
Mục tiêu: Xây dựng và đánh giá hiệu suất của các mô hình học máy trong dự đoán sốc tim nội viện ở bệnh nhân NMCT cấp, từ đó lựa chọn mô hình có tiềm năng ứng dụng lâm sàng.
Đối tượng – Phương pháp nghiên cứu: Nghiên cứu cắt ngang mô tả, có theo dõi dọc trên 316 bệnh nhân NMCT cấp. Bệnh nhân được phân thành hai nhóm: có diễn tiến sốc tim và không sốc tim. Dữ liệu được thu thập từ thời điểm nhập viện bao gồm thông tin nhân trắc, tiền căn, lâm sàng, xét nghiệm, ECG và siêu âm tim. Sau khi xử lý, dữ liệu được chia thành tập Training (70%) và tập Testing (30%). Kỹ thuật SMOTE-Tomek được áp dụng trên tập Training để xử lý mất cân bằng mẫu. Các biến đầu vào được chọn lọc bằng phương pháp SHAP. Tám mô hình học máy được xây dựng và so sánh hiệu suất dự đoán trên tập Testing.
Kết quả: Trong số 316 bệnh nhân NMCT cấp, tỷ lệ sốc tim nội viện là 10,1%. Mô hình AdaBoost đạt hiệu suất dự đoán tốt nhất với AUC = 0,924, Recall = 0,60, và F1-score = 0,571; cho thấy khả năng cân bằng tốt giữa độ nhạy và độ chính xác. Logistic Regression và LASSO Logistic cũng thể hiện hiệu quả tốt với AUC cao lần lượt là 0,902 và 0,912; với cùng Recall = 0,60 và F1-score lần lượt là 0,600 và 0,571. Tất cả các mô hình học máy đều vượt trội so với thang điểm truyền thống như GRACE (AUC = 0,755) và ORBI đơn giản (AUC = 0,780).
Kết luận: Ba mô hình học máy AdaBoost, Logistic Regression và LASSO Logistic cho thấy hiệu suất cao trong dự đoán sớm sốc tim nội viện ở bệnh nhân NMCT cấp. Kết quả này gợi mở khả năng tích hợp các mô hình học máy vào hệ thống hỗ trợ ra quyết định lâm sàng nhằm tối ưu hóa chăm sóc cho nhóm bệnh nhân nguy cơ cao.
Từ khóa
Sốc tim, nhồi máu cơ tim cấp, học máy, dự đoán sớm, AdaBoost
Chi tiết bài viết
Tài liệu tham khảo
2. Auffret V, Cottin Y, Leurent G, et al. Predicting the development of in-hospital cardiogenic shock in patients with ST-segment elevation myocardial infarction treated by primary percutaneous coronary intervention: the ORBI risk score. European heart journal. 2018;39(22):2090-2102.
3. Bommu R. Machine Learning Applications in Cardiology: A Viable Practical Solution for Developing Countries. The Metascience. 2024;2(1):10-20.
4. Aleman R, Patel S, Sleiman J, et al. Cardiogenic shock and machine learning: a systematic review on prediction through clinical decision support softwares. Journal of Cardiac Surgery. 2021;36(11):4153-4159.
5. Or B. Improving Requirements Classification with SMOTE-Tomek Preprocessing. arXiv preprint arXiv:250106491. 2025;
6. Bai Z, Hu S, Wang Y, et al. Development of a machine learning model to predict the risk of late cardiogenic shock in patients with ST-segment elevation myocardial infarction. Annals of Translational Medicine. 2021;9(14):1162.
7. Böhm A, Segev A, Jajcay N, et al. Machine learning-based scoring system to predict cardiogenic shock in acute coronary syndrome. European Heart Journal-Digital Health. 2025:ztaf002.