Một mô hình dự đoán sử dụng dữ liệu y tế quốc gia xác định hai nhóm nhỏ bệnh nhân mắc bệnh thận mãn tính có tỷ lệ mất thính lực hoàn toàn khác nhau, cho phép sàng lọc có mục tiêu.

Mất thính giác và bệnh thận mãn tính (CKD) có chung các yếu tố nguy cơ chung và có thể liên quan đến tình trạng viêm và con đường trao đổi chất chung. Tuy nhiên, không phải tất cả bệnh nhân mắc bệnh thận đều bị mất thính lực với tỷ lệ như nhau. Một nghiên cứu máy học mới sử dụng dữ liệu từ 3.402 bệnh nhân CKD cho thấy các kỹ thuật phân tầng và phân cụm rủi ro có thể xác định bệnh nhân nào có nguy cơ cao nhất, có khả năng cho phép đánh giá và can thiệp thính lực sớm hơn ở nhóm đối tượng dễ bị tổn thương này.

Trục thận-ốc tai là một lĩnh vực đang được quan tâm trong y học, thừa nhận rằng sức khỏe của thận và tai có mối liên hệ cơ học với nhau. Cả hai cơ quan đều phụ thuộc vào sự điều hòa lưu lượng máu chính xác, cân bằng ion và không bị viêm hệ thống. CKD làm gián đoạn các quá trình này, đặt ra câu hỏi: liệu chúng ta có thể dự đoán ai trong số những bệnh nhân mắc bệnh thận sẽ bị mất thính lực?

Bối cảnh: Kết nối Thận-Tai

Bệnh thận mãn tính ảnh hưởng đến khoảng 10% dân số toàn cầu và là nguyên nhân chính gây ra bệnh tật và tử vong sớm. Trong số các bệnh nhân CKD, tỷ lệ mất thính lực tăng cao, nhưng tại sao một số bệnh nhân lại bị suy giảm thính lực trong khi những bệnh nhân khác thì vẫn chưa rõ ràng. Các nhà nghiên cứu đưa ra giả thuyết rằng học máy có thể tiết lộ các mẫu ẩn trong dữ liệu bệnh nhân để phân biệt các nhóm nhỏ có nguy cơ thấp và có nguy cơ cao.

Nhóm này đã sử dụng dữ liệu từ Khảo sát kiểm tra sức khỏe và dinh dưỡng quốc gia (NHANES), một mẫu lớn, đại diện trên toàn quốc cho dân số Hoa Kỳ, để phát triển và xác nhận các mô hình dự đoán. Mục tiêu là tạo ra cả công cụ phân loại rủi ro mạnh mẽ và công cụ dựa trên web mà các bác sĩ lâm sàng có thể sử dụng để xác định những bệnh nhân có nguy cơ cao cần được đánh giá thính giác.

Nghiên cứu đã được thực hiện như thế nào

Từ 3.402 bệnh nhân CKD, các nhà nghiên cứu đã trích xuất 31 biến dự đoán ứng cử viên bao gồm các yếu tố nhân khẩu học, sinh hóa và lối sống. Họ đã sử dụng hồi quy LASSO để chọn ra các tính năng dự đoán tốt nhất, sau đó thử nghiệm 9 thuật toán học máy để phát triển mô hình dự đoán tối ưu. Thuật toán XGBoost nổi lên là người chiến thắng, đạt được độ chính xác 98,4% trong đào tạo và độ chính xác 93,9% trong dữ liệu thử nghiệm độc lập.

Sau đó, họ áp dụng mô hình hỗn hợp Gaussian (GMM), một kỹ thuật phân cụm không giám sát, để xác định các kiểu hình phụ riêng biệt của bệnh nhân. Điều này cho thấy hai nhóm tự nhiên: nhóm có nguy cơ thấp và nhóm có nguy cơ cao, được đặc trưng bởi các đặc điểm lâm sàng khác nhau bao gồm tuổi tác, dấu hiệu chức năng thận và cân bằng điện giải.

Những gì các nhà nghiên cứu tìm thấy

Phân nhóm có nguy cơ cao bao gồm 2.316 bệnh nhân (68% đoàn hệ) và được đặc trưng bởi tuổi già, nitơ urê trong máu tăng và nồng độ bicarbonate tăng cao. Đáng chú ý, 48,2% bệnh nhân trong nhóm có nguy cơ cao bị mất thính lực, so với chỉ 1,58% ở nhóm có nguy cơ thấp gồm 1.075 bệnh nhân. Sự khác biệt đáng chú ý gấp 30 lần này chứng tỏ rằng học máy có thể phát hiện ra các phân nhóm bệnh nhân có ý nghĩa lâm sàng với nguy cơ mắc bệnh rất khác nhau.

Phân tích SHAP (SHapley Additive exPlanations), một phương pháp diễn giải các mô hình học máy phức tạp, xác định tuổi là yếu tố nguy cơ chính, tiếp theo là các dấu hiệu thận và hệ thống khác. Khả năng giải thích này rất quan trọng cho việc áp dụng lâm sàng, vì các bác sĩ cần hiểu lý do tại sao một mô hình lại đưa ra dự đoán của nó.

Nhóm cũng đã phát triển một công cụ dựa trên web chỉ sử dụng sáu tính năng có ảnh hưởng nhất, giúp các bác sĩ lâm sàng bận rộn có thể nhập dữ liệu và nhận được ước tính rủi ro theo thời gian thực về tình trạng mất thính lực ở bất kỳ bệnh nhân CKD nào.

Ý nghĩa của nó đối với người mắc bệnh thận

Đối với bệnh nhân CKD, nghiên cứu này gợi ý rằng việc đánh giá thính giác nên trở thành một phần của việc chăm sóc định kỳ, đặc biệt đối với những người có tuổi cao, nitơ urê tăng hoặc bất thường về điện giải. Phát hiện sớm cho phép can thiệp trước khi tình trạng mất thính lực trở nên trầm trọng đến mức làm suy giảm khả năng giao tiếp và chất lượng cuộc sống. Sự sẵn có của một công cụ dự đoán có nghĩa là các bác sĩ lâm sàng có thể ưu tiên sàng lọc thính giác cho những người có nhiều khả năng được hưởng lợi nhất.

Khả năng sàng lọc chính xác được hỗ trợ bởi học máy đặc biệt có giá trị ở những nơi có nguồn lực hạn chế, nơi việc kiểm tra thính giác có thể bị hạn chế. Bằng cách xác định 68% bệnh nhân CKD thuộc nhóm có nguy cơ cao, các hệ thống chăm sóc sức khỏe có thể phân bổ nguồn lực đánh giá thính giác hiệu quả hơn.

Tại sao công nghệ tự lắp phù hợp với bệnh nhân có nguy cơ cao

Bệnh nhân CKD thường phải đối mặt với nhiều bệnh đi kèm, chế độ dùng thuốc phức tạp và phải đến phòng khám thường xuyên. Việc thêm các cuộc hẹn khám thính học chuyên biệt vào một gánh nặng vốn đã nặng nề là một thách thức về mặt hậu cần. Máy trợ thính không kê đơn cho phép tiếp cận khuếch đại nhanh hơn mà không cần lên lịch khám thêm.

Panda Quantum bao gồm bài kiểm tra thính giác trực tuyến kéo dài 10 phút được điều chỉnh lâm sàng mà bệnh nhân CKD có nguy cơ cao có thể hoàn thành tại nhà, sau đó điều chỉnh thiết bị của họ thông qua ứng dụng dựa trên khả năng nghe trong thế giới thực. Khả năng Bluetooth của nó cho phép thực hiện các cuộc gọi rảnh tay và truyền phát thiết bị trợ thính từ điện thoại, điều này đặc biệt hữu ích cho những bệnh nhân quản lý dịch vụ chăm sóc sức khỏe qua telehealth trong hoặc giữa các lần khám tại phòng khám. Tổng thời gian sử dụng pin là 80 giờ kèm hộp đựng và bảo hành 5 năm mang đến sự yên tâm cho những bệnh nhân có nhu cầu y tế phức tạp. Khám phá Panda Quantum.

Hạn chế của nghiên cứu này

Nghiên cứu đã sử dụng dữ liệu NHANES, một mẫu dân số Hoa Kỳ có thể không khái quát hóa trên toàn cầu. Thiết kế cắt ngang có nghĩa là không thể thiết lập được quan hệ nhân quả. Tiện ích lâm sàng của mô hình đang chờ xác nhận trong tương lai ở các đoàn hệ CKD độc lập.

Điều này sẽ đưa chúng ta đến đâu

Các công cụ y học chính xác như khung học máy này có thể thay đổi cách chúng ta tiếp cận vấn đề mất thính giác ở bệnh mãn tính. Bằng cách xác định các nhóm nhỏ có nguy cơ cao, chúng tôi cho phép can thiệp sớm hơn và sử dụng tốt hơn các nguồn lực hạn chế.

Chen L, Wang J, Liu G, và cộng sự. Giải mã trục thận-ốc tai: học máy có thể giải thích được và phân cụm kiểu hình cho thấy các phân nhóm mất thính lực có nguy cơ cao trong bệnh thận mạn. Suy thận. 2026 ngày 21 tháng 4;48(1):2649658. Lấy từ PubMed. DOI: 10.1080/0886022X.2026.2649658