GIÁ TRỊ CỦA BẢNG PHÂN LOẠI AI TIRADS 2019 TRONG ĐÁNH GIÁ NHÂN TUYẾN GIÁP
Nội dung chính của bài viết
Tóm tắt
Mục đích: Giá trị của bảng phân loại AI TIRADS 2019 trong đánh giá nhân tuyến giáp. Đối tượng và phương pháp nghiên cứu: Nghiên cứu mô tả cắt ngang trên 200 bệnh nhân có nhân tuyến giáp được chẩn đoán siêu âm và làm FNA tại bệnh viện Ung bướu Nghệ An từ tháng 3/2023 đến hết tháng 11/2023. Kết quả: trên 200 bệnh nhân với 200 nhân tuyến giáp có 40 nhân có tế bào ác tính (chiếm 20%), 160 nhân không có tế bào ác tính (chiếm 80%). Các nhân ác tính có thành phần chủ yếu là nhân đặc 36/40 (90%), các nhân có thành phần dạng nang và dạng bọt biển 100% không có tế bào ác tính. Các đặc điểm nhân giảm âm và bờ viền không đều có độ nhạy và độ đặc hiệu cao (88%; 62,5% và 74,4 %; 81,9%) trong chẩn đoán nhân ác tính. Đặc điểm rất giảm âm và vi vôi hóa có độ nhạy và độ đặc hiệu chẩn đoán nhân ác tính lần lượt là 15%; 100% và 45%; 98,6%. Có sự khác biệt có ý nghĩa thống kê về tính chất ác tính giữa nhóm nhân tuyến giáp có chiều cao>= chiều rộng và chiều cao<chiều rộng. Trong chẩn đoán nhân giáp ác tính, hiệu suất chẩn đoán của phân loại AI-TIRADS có diện tích dưới đường cong (AUC) là 0,882, độ nhạy 87,5%, độ đặc hiệu 76,3%, giá trị dự báo dương tính 47,9%, giá trị dự báo âm tính 96%, độ chính xác 78,5%. Kết luận: Phân loại AI-TIRADS là phân loại đơn giản, dễ áp dụng và có giá trị tốt để chẩn đoán nhân ác tính và lành tính tuyến giáp.
Chi tiết bài viết
Tài liệu tham khảo
2. Viet-nam-fact-sheets. Accessed April 2, 2023.
3. Wildman-Tobriner B, Buda M, Hoang JK, et al. Using Artificial Intelligence to Revise ACR TI-RADS Risk Stratification of Thyroid Nodules: Diagnostic Accuracy and Utility. Radiology. 2019; 292 (1):112-119. doi:10.1148/radiol.2019182128
4. Trần Thị Lý (2020). Giá Trị Của Thang Điểm EU TIRADS và ACR TIRADS Trong Đánh Giá Nhân Tuyến Giáp. Luận Văn Thạc Sỹ y Học Chuyên Ngành Chẩn Đoán Hình Ảnh, Đại Học Y Hà Nội.
5. Kwak JY, Han KH, Yoon JH, et al. Thyroid imaging reporting and data system for US features of nodules: a step in establishing better stratification of cancer risk. Radiology. 2011;260 (3): 892-899. doi:10.1148/radiol.11110206
6. Hong Y rong, Wu Y lian, Luo Z yan, Wu N bo, Liu X ming. Impact of nodular size on the predictive values of gray-scale, color-Doppler ultrasound, and sonoelastography for assessment of thyroid nodules. J Zhejiang Univ Sci B. 2012;13(9):707-716. doi:10.1631/jzus.B1100342
7. Papini E, Guglielmi R, Bianchini A, et al. Risk of malignancy in nonpalpable thyroid nodules: predictive value of ultrasound and color-Doppler features. J Clin Endocrinol Metab. 2002;87(5): 1941-1946. doi:10.1210/jcem.87.5.8504
8. Moifo B, Takoeta EO, Tambe J, Blanc F, Fotsin JG. Reliability of Thyroid Imaging Reporting and Data System (TIRADS) Classification in Differentiating Benign from Malignant Thyroid Nodules. Open J Radiol. 2013;3 (3): 103-107. doi:10.4236/ ojrad.2013. 33016
9. Tessler FN, Middleton WD, Grant EG, et al. ACR Thyroid Imaging, Reporting and Data System (TI-RADS): White Paper of the ACR TI-RADS Committee. J Am Coll Radiol. 2017;14(5):587-595. doi:10.1016/j.jacr.2017.01.046
10. Chen Y, Gao Z, He Y, et al. An Artificial Intelligence Model Based on ACR TI-RADS Characteristics for US Diagnosis of Thyroid Nodules. Radiology. 2022; 303(3):613-619. doi: 10.1148/ radiol.211455
11. Si CF, Fu C, Cui YY, Li J, Huang YJ, Cui KF. Diagnostic and therapeutic performances of three score-based Thyroid Imaging Reporting and Data Systems after application of equal size thresholds. Quant Imaging Med Surg. 2023;13(4):2109-2118. doi:10.21037/qims-22-592