Bài báo khoa học Tập 67 Số CĐ13-HNKH Bệnh viện 19-8 10/09/2026

MÔ HÌNH HỌC MÁY HỖ TRỢ SÀNG LỌC TRẦM CẢM Ở BỆNH NHÂN UNG THƯ VÒM MŨI HỌNG

Đào Nguyễn Thị Anh, Trường Hoàng Hữu, Nam Phan Xuân, Trang Nguyễn Thị Quỳnh, Hòa Nguyễn Xuân, Anh Phạm Trần, Thắng Tống Xuân, My Nguyễn Diệu, Tâm Trần Văn, Đông Khổng Văn, Tần Phạm Huy, Đào Phạm Thị Bích, Anh Nguyễn Thị Ngọc
DOI: 10.52163/yhc.v67iCD13.6412
0 Lượt xem
0 Lượt tải xuống
Từ khóa
ung thư vòm mũi họng; trầm cảm; học máy; 1D-CNN; PHQ-9.
Tóm tắt

Mục tiêu: Xây dựng và kiểm định mô hình học máy sử dụng mạng nơ-ron tích chập một chiều (1D-CNN) sàng lọc trầm cảm ở bệnh nhân ung thư vòm mũi họng (UTVMH). Phương pháp nghiên cứu: Nghiên cứu phát triển mô hình dự báo được thực hiện tại Bệnh viện Đại học Y Hà Nội từ tháng 01/2025 đến tháng 03/2026 trên 812 bệnh nhân UTVMH. Nguy cơ trầm cảm được sàng lọc bằng thang Patient Health Questionnaire-9 (PHQ-9) với ngưỡng ≥ 10 điểm. Dữ liệu được chia thành các tập huấn luyện, hiệu chỉnh và kiểm định; hiệu năng mô hình được đánh giá bằng AUC, độ nhạy, độ đặc hiệu, giá trị dự báo dương, giá trị dự báo âm, F1-score và Brier score. Kết quả: Tỷ lệ trầm cảm theo PHQ-9 là 25,1% (204/812). Mô hình 1D-CNN đạt AUC 0,902; độ nhạy 84,4%; độ đặc hiệu 81,3%; giá trị dự báo dương 60,1%; giá trị dự báo âm 93,8%; F1-score 0,701 và Brier score 0,124. Kết luận: Mô hình 1D-CNN có tiềm năng hỗ trợ sàng lọc sớm nhóm nguy cơ trầm cảm cao ở bệnh nhân ung thư vòm mũi họng, nhưng cần được kiểm định ngoài trước khi triển khai rộng rãi.

Tài liệu tham khảo
[1]
1. Yang X, Wu J, Chen X. Application of Artificial Intelligence to the Diagnosis and Therapy of Nasopharyngeal Carcinoma. J Clin Med. 2023;12(9):3077. doi:10.3390/jcm12093077. Google Scholar
[2]
2. Chen JW, Lin ST, Lin YC, Wang BS, Chien YN, Chiou HY. Early detection of nasopharyngeal carcinoma through machine-learning-driven prediction model in a population-based healthcare record database. Cancer Med. 2024;13(7):e7144. doi:10.1002/cam4.7144. Google Scholar
[3]
3. Wang WX, Wu YS, Qi LP, Wu AMS, et al. Prevalence of mental disorders and their associations with age at diagnosis and time since diagnosis of nasopharyngeal cancer. Front Public Health. 2024;12:1469001. doi:10.3389/fpubh.2024.1469001. Google Scholar
[4]
4. Wang C, Chen J, Su L, Hua Y, et al. The psychological status in patients with nasopharyngeal carcinoma during radiotherapy. Eur Arch Otorhinolaryngol. 2022;279:1035-1042. doi:10.1007/s00405-021-06892-5. Google Scholar
[5]
5. Phạm HT, Dương TN. Đặc điểm lâm sàng, cận lâm sàng ở người bệnh ung thư vòm mũi họng. Tạp chí Y học Việt Nam. 2025;552(2): 12-17. doi:10.51298/vmj.v552i2.14947. Google Scholar
[6]
6. Zeinali N, Youn N, Albashayreh A, Fan W, White SG. Machine Learning Approaches to Predict Symptoms in People With Cancer: Systematic Review. JMIR Cancer. 2024;10:e52322. doi:10.2196/52322. Google Scholar
[7]
7. de Hond A, van Buchem M, Fanconi C, Roy M, et al. Predicting Depression Risk in Patients With Cancer Using Multimodal Data: Algorithm Development Study. JMIR Med Inform. 2024;12:e51925. doi:10.2196/51925. Google Scholar
[8]
8. Park H, Kim K, Moon E, Lim HJ, Suh H, Kim KE, Kang T. Exploration of a Machine Learning Model Using Self-rating Questionnaires for Detecting Depression in Patients with Breast Cancer. Clin Psychopharmacol Neurosci. 2024;22(3):466-472. doi:10.9758/cpn.23.1147. Google Scholar
[9]
9. Xiao Y, Zhao Z, Su CG, Li J, Liu J. An interpretable machine learning model for predicting depression in middle-aged and elderly cancer patients in China: a study based on the CHARLS cohort. BMC Psychiatry. 2025;25:610. doi:10.1186/s12888-025-07074-x. Google Scholar
[10]
10. Đỗ Tuyết Mai, Nguyễn Tiến Quang. Đặc điểm trầm cảm trên thang điểm PHQ-9 ở bệnh nhân ung thư đường tiêu hóa tại Bệnh viện K. Tạp chí Y học Việt Nam. 2021;502(1):269-272. doi:10.51298/vmj.v502i1.607. Google Scholar