Một mô hình dự đoán sử dụng dữ liệu y tế quốc gia đã xác định hai nhóm bệnh nhân bệnh thận mạn có tỷ lệ mất thính lực khác biệt hoàn toàn, giúp tầm soát có mục tiêu.

Mất thính lực và bệnh thận mạn (CKD) có chung các yếu tố nguy cơ và có thể liên quan với nhau thông qua tình trạng viêm và các con đường chuyển hóa chung. Tuy nhiên, không phải bệnh nhân bệnh thận nào cũng bị mất thính lực với tốc độ như nhau. Một nghiên cứu học máy mới sử dụng dữ liệu từ 3,402 bệnh nhân CKD cho thấy các kỹ thuật phân tầng nguy cơ và phân cụm có thể xác định những bệnh nhân có nguy cơ cao nhất, từ đó có thể giúp đánh giá thính lực và can thiệp sớm hơn ở nhóm dân số dễ tổn thương này.

Trục thận – ốc tai là một lĩnh vực mới đang được y học quan tâm, với nhận thức rằng sức khỏe của thận và tai gắn bó chặt chẽ với nhau về mặt cơ chế. Cả hai cơ quan đều phụ thuộc vào sự điều hòa lưu lượng máu chính xác, cân bằng ion và không bị viêm toàn thân. CKD làm rối loạn các quá trình này, đặt ra câu hỏi: liệu chúng ta có thể dự đoán bệnh nhân bệnh thận nào sẽ bị mất thính lực?

Bối cảnh: mối liên hệ giữa thận và tai

Bệnh thận mạn ảnh hưởng đến khoảng 10 phần trăm dân số toàn cầu và là nguyên nhân chính gây bệnh tật và tử vong sớm. Ở bệnh nhân CKD, tỷ lệ mất thính lực tăng cao, nhưng vì sao một số bệnh nhân bị suy giảm thính lực trong khi những người khác thì không vẫn chưa rõ. Các nhà nghiên cứu đưa ra giả thuyết rằng học máy có thể phát hiện những quy luật ẩn trong dữ liệu bệnh nhân giúp phân biệt nhóm nguy cơ thấp với nhóm nguy cơ cao.

Nhóm nghiên cứu đã sử dụng dữ liệu từ Khảo sát Khám sức khỏe và Dinh dưỡng Quốc gia (NHANES), một mẫu lớn, đại diện cho dân số Hoa Kỳ trên toàn quốc, để xây dựng và kiểm định các mô hình dự đoán. Mục tiêu là tạo ra cả một bộ phân loại nguy cơ đáng tin cậy lẫn một công cụ trực tuyến mà bác sĩ lâm sàng có thể dùng để xác định những bệnh nhân nguy cơ cao cần được đánh giá thính lực.

Cách thực hiện nghiên cứu

Từ 3,402 bệnh nhân CKD, các nhà nghiên cứu đã trích xuất 31 biến dự đoán tiềm năng thuộc các nhóm nhân khẩu học, sinh hóa và lối sống. Họ dùng hồi quy LASSO để chọn ra những đặc điểm có khả năng dự đoán tốt nhất, sau đó thử nghiệm chín thuật toán học máy để xây dựng mô hình dự đoán tối ưu. Thuật toán XGBoost nổi lên như lựa chọn tốt nhất, đạt độ chính xác 98.4 phần trăm trên dữ liệu huấn luyện và 93.9 phần trăm trên dữ liệu kiểm tra độc lập.

Sau đó, họ áp dụng mô hình hỗn hợp Gauss (GMM), một kỹ thuật phân cụm không giám sát, để xác định các kiểu hình phụ riêng biệt của bệnh nhân. Kết quả cho thấy hai cụm tự nhiên: một nhóm nguy cơ thấp và một nhóm nguy cơ cao, với các đặc điểm lâm sàng khác nhau gồm tuổi, các chỉ số chức năng thận và cân bằng điện giải.

Các nhà nghiên cứu đã phát hiện điều gì

Nhóm nguy cơ cao gồm 2,316 bệnh nhân (68 phần trăm của nhóm nghiên cứu), có đặc điểm là tuổi cao hơn, nồng độ nitơ urê máu tăng và nồng độ bicarbonat tăng. Đáng chú ý, 48.2 phần trăm bệnh nhân trong cụm nguy cơ cao bị mất thính lực, so với chỉ 1.58 phần trăm trong cụm nguy cơ thấp gồm 1,075 bệnh nhân. Mức chênh lệch 30 lần đáng kinh ngạc này cho thấy học máy có thể phát hiện những nhóm bệnh nhân có ý nghĩa lâm sàng với nguy cơ bệnh khác biệt rất lớn.

Phân tích SHAP (SHapley Additive exPlanations), một phương pháp giúp diễn giải các mô hình học máy phức tạp, xác định tuổi là yếu tố nguy cơ chi phối chính, tiếp theo là các chỉ số thận và toàn thân khác. Khả năng giải thích này rất quan trọng để mô hình được ứng dụng trong lâm sàng, vì bác sĩ cần hiểu tại sao mô hình đưa ra dự đoán như vậy.

Nhóm nghiên cứu cũng phát triển một công cụ trực tuyến chỉ sử dụng sáu đặc điểm có ảnh hưởng lớn nhất, giúp các bác sĩ bận rộn dễ dàng nhập dữ liệu và nhận ước tính nguy cơ mất thính lực theo thời gian thực cho bất kỳ bệnh nhân CKD nào.

Ý nghĩa đối với người mắc bệnh thận

Đối với bệnh nhân CKD, nghiên cứu này gợi ý rằng đánh giá thính lực nên trở thành một phần của chăm sóc định kỳ, đặc biệt với những người lớn tuổi, có nitơ urê tăng hoặc bất thường điện giải. Phát hiện sớm cho phép can thiệp trước khi mất thính lực trở nên đủ nặng để ảnh hưởng đến giao tiếp và chất lượng cuộc sống. Việc có sẵn một công cụ dự đoán giúp bác sĩ lâm sàng ưu tiên tầm soát thính lực cho những người có khả năng được hưởng lợi nhiều nhất.

Tầm soát chính xác nhờ học máy đặc biệt có giá trị ở những nơi thiếu nguồn lực, nơi việc kiểm tra thính lực có thể bị hạn chế. Bằng cách xác định 68 phần trăm bệnh nhân CKD thuộc nhóm nguy cơ cao, các hệ thống y tế có thể phân bổ nguồn lực đánh giá thính lực hiệu quả hơn.

Vì sao công nghệ tự điều chỉnh phù hợp với bệnh nhân nguy cơ cao

Bệnh nhân CKD thường mắc nhiều bệnh đi kèm, phải dùng phác đồ thuốc phức tạp và thường xuyên đến phòng khám. Việc thêm các buổi hẹn thính học chuyên khoa vào gánh nặng vốn đã lớn là một thách thức về mặt sắp xếp. Máy trợ thính không kê đơn (OTC) giúp tiếp cận khuếch đại âm thanh nhanh hơn mà không cần lên lịch khám thêm.

Panda Quantum có bài kiểm tra thính lực trực tuyến 10 phút được hiệu chỉnh theo tiêu chuẩn lâm sàng, bệnh nhân CKD nguy cơ cao có thể tự làm tại nhà, sau đó điều chỉnh thiết bị qua ứng dụng dựa trên trải nghiệm nghe thực tế. Tính năng Bluetooth cho phép gọi điện rảnh tay và truyền âm thanh từ điện thoại đến máy trợ thính, đặc biệt hữu ích cho bệnh nhân quản lý việc chăm sóc sức khỏe qua khám từ xa trong hoặc giữa các lần đến phòng khám. Tổng thời lượng pin 80 giờ khi dùng kèm hộp sạc và bảo hành 5 năm mang lại sự an tâm cho những bệnh nhân có nhu cầu y tế phức tạp. Khám phá Panda Quantum.

Hạn chế của nghiên cứu

Nghiên cứu sử dụng dữ liệu NHANES, một mẫu dân số Hoa Kỳ có thể không khái quát được cho toàn cầu. Thiết kế cắt ngang đồng nghĩa với việc không thể xác lập quan hệ nhân quả. Tính hữu dụng lâm sàng của mô hình vẫn cần được kiểm định tiến cứu trên các nhóm bệnh nhân CKD độc lập.

Chúng ta đang ở đâu

Các công cụ y học chính xác như khung học máy này có thể thay đổi cách chúng ta tiếp cận mất thính lực trong bệnh mạn tính. Bằng cách xác định các nhóm nguy cơ cao, chúng ta có thể can thiệp sớm hơn và sử dụng nguồn lực hạn chế hiệu quả hơn.

Chen L, Wang J, Liu G, et al. Decoding the renal-cochlear axis: explainable machine learning and phenotype clustering reveal high-risk hearing loss subtypes in CKD. Renal Failure. 2026 Apr 21;48(1):2649658. Truy cập từ PubMed. DOI: 10.1080/0886022X.2026.2649658