ỨNG DỤNG THIẾT BỊ ĐEO TÍCH HỢP TRÍ TUỆ NHÂN TẠO ĐỂ TẦM SOÁT RỐI LOẠN NHỊP TẠI ĐẶC KHU CÔN ĐẢO
Nội dung chính của bài viết
Tóm tắt
Mục tiêu: Khảo sát tỉ lệ các rối loạn nhịp phổ biến và so sánh kết quả phân tích tự động của mô hình trí tuệ nhân tạo (AI) với kết luận của bác sĩ trên điện tâm đồ lưu động 24 giờ tại đặc khu Côn Đảo.
Đối tượng và phương pháp: Nghiên cứu cắt ngang mô tả trên 187 người bệnh ngoại trú tại Trung tâm Y tế quân-dân y Côn Đảo từ tháng 10/2025 đến tháng 4/2026. Điện tâm đồ lưu động 24 giờ được ghi bằng thiết bị đeo OctoBeat 3 điện cực tích hợp AI. Mô hình AI dựa trên kiến trúc ResNet, được thẩm định trên tập dữ liệu MIT-BIH, AFDB và ESC. 5 đầu ra nhị phân được đánh giá gồm: nhịp xoang, rung nhĩ, ngoại tâm thu trên thất, ngoại tâm thu thất và ngưng xoang/vô tâm thu. Kết luận của bác sĩ được sử dụng làm tham chiếu so sánh; các chỉ số đánh giá bao gồm độ nhạy, độ đặc hiệu, giá trị tiên đoán dương, giá trị tiên đoán âm, độ chính xác và kiểm định McNemar.
Kết quả: Tuổi trung bình 51,4 ± 18,7 với nam giới chiếm đa số (64,2%). Ngoại tâm thu trên thất và ngoại tâm thu thất là hai rối loạn nhịp phổ biến nhất, chiếm lần lượt 79,7% và 58,3%. Rung nhĩ chiếm 4,8% và ngưng xoang/vô tâm thu 5,9%. AI đạt độ nhạy cao ở hầu hết các đầu ra nhưng độ đặc hiệu thấp, đặc biệt ở ngoại tâm thu trên thất và ngoại tâm thu thất. AI ghi nhận tỷ lệ dương tính cao hơn bác sĩ ở tất cả các đầu ra (p < 0,001), ngoại trừ nhịp xoang (p = 0,062).
Kết luận: AI tích hợp trên thiết bị đeo có tiềm năng hỗ trợ tầm soát rối loạn nhịp tại khu vực hạn chế nguồn lực chuyên khoa. Tuy nhiên, do độ đặc hiệu còn thấp và tỷ lệ dương tính giả đáng kể, kết quả AI cần được xác nhận bởi bác sĩ và mô hình cần được hiệu chỉnh, đánh giá thêm trước khi áp dụng trong thực hành lâm sàng.
Chi tiết bài viết
Từ khóa
Rối loạn nhịp tim, trí tuệ nhân tạo, thiết bị đeo, Holter, tầm soát cộng đồng.
Tài liệu tham khảo
[2] Yang T.Y, Huang L, Malwade S et al. Diagnostic Accuracy of Ambulatory Devices in Detecting Atrial Fibrillation: Systematic Review and Meta-analysis. JMIR Mhealth Uhealth, 2021, 9 (4): e26167.
[3] Steinhubl S.R, Waalen J, Edwards A.M et al. Effect of a home-based wearable continuous ecg monitoring patch on detection of undiagnosed atrial fibrillation: the mSToPS randomized clinical trial. JAMA, 2018, 320 (2): 146-155.
[4] Hannun A.Y, Rajpurkar P, Haghpanahi M et al. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nature Medicine, 2019, 25 (1): 65-69.
[5] Zhu H, Cheng C, Yin H et al. Automatic multilabel electrocardiogram diagnosis of heart rhythm or conduction abnormalities with deep learning: a cohort study. The Lancet Digital Health, 2020, 2 (7): e348-e57.
[6] Fiorina L, Chemaly P, Cellier J et al. Artificial intelligence-based electrocardiogram analysis improves atrial arrhythmia detection from a smartwatch electrocardiogram. European Heart Journal - Digital Health, 2024, 5 (5): 535-41.
[7] Sở Y tế thành phố Hồ Chí Minh. Thành phố Hồ Chí Minh sớm triển khai các hoạt động nâng cao năng lực cho y tế đặc khu Côn Đảo, 2024. https://medinet.gov.vn/cai-cach-hanh-chinh-y-te-thong-minh-chuyen-doi-so/so-y-te-tphcm-som-trien-khai-cac-hoat-dong-nang-cao-nang-luc-cho-y-te-dac-khu-c-cmobile4714-73411.aspx [cited 2026 Apr 15].
[8] Nguyễn Văn Sĩ, Lê Văn Minh và cộng sự. Xây dựng mô hình trí tuệ nhân tạo để tầm soát rung nhĩ trên dữ liệu lớn điện tâm đồ lưu động tại Bệnh viện Nguyễn Trãi. Tạp chí Y học Việt Nam, 2025, 549 (1): 276-280. doi: 10.51298/vmj.v549i1.13574.