Bài báo khoa học Tập 67 Số CĐ14-HNKH Hội Hóa sinh Y học Việt Nam 19/09/2026

NGHIÊN CỨU CHỈ SỐ NPAR TRÊN BỆNH NHÂN NHIỄM KHUẨN VÀ SỐC NHIỄM KHUẨN NHẬP VIỆN KHOA HỒI SỨC CẤP CỨU BỆNH VIỆN THỐNG NHẤT: ỨNG DỤNG BƯỚC ĐẦU MÔ HÌNH HỌC MÁY (RANDOM FOREST, GRADIENT BOOSTING)HỌC ĐỐI VỚI KẾT CỤC BẤT LỢI Ở THAI PHỤ BỊ TIỀN SẢN GIẬT  KHÔNG CÓ DẤU HIỆU NẶNG

Lê Thị Kim Cương, Nguyễn Thị Kim Tiến, Nguyễn Chí Thanh, Phạm Phú Lê Hoàn, Nguyễn Bách, Nguyễn Hữu Nghị
DOI: 10.52163/yhc.v67iCD14.6462
0 Lượt xem
0 Lượt tải xuống
Tóm tắt

Mục tiêu: Xác định giá trị của chỉ số NPAR (Neutrophil Percentage-to-Albumin Ratio) trong phân biệt mức độ nặng và tiên lượng biến cố lâm sàng nặng ở bệnh nhân nhiễm khuẩn/sốc nhiễm khuẩn; so sánh hiệu năng của ba mô hình học máy (hồi quy logistic, Random Forest, XGBoost) khi tích hợp NPAR với các xét nghiệm thường quy.

Đối tượng và phương pháp nghiên cứu: Nghiên cứu hồi cứu, cắt ngang trên 260 bệnh nhân nhập Khoa Hồi sức Tích cực, Bệnh viện Thống Nhất từ 06/2025 đến 05/2026 (127 sốc nhiễm khuẩn, 133 nhiễm khuẩn huyết không sốc), chẩn đoán theo tiêu chuẩn Sepsis-3. NPAR = [NEU (%) × 100] / [Albumin (g/L) Dữ liệu được chia ngẫu nhiên theo tỷ lệ 75%/25% (huấn luyện/kiểm tra) và đánh giá bằng cross-validation 5-fold. Ba mô hình học máy được xây dựng với 9 biến đầu vào (NPAR, albumin, NEU%, CRP, PCT, tiểu cầu, tuổi, creatinine, lactate) trên 260 bệnh nhân có đầy đủ dữ liệu, đánh giá bằng kiểm định chéo phân tầng 5 lần (5-fold stratified cross-validation), khoảng tin cậy 95% ước tính bằng bootstrap 500 lần.

Kết quả: NPAR trung bình của quần thể là 3,12 ± 0,88, cao hơn có ý nghĩa ở nhóm sốc nhiễm khuẩn so với nhóm nhiễm khuẩn huyết đơn thuần (3,21 so với 3,03; p=0,032); trong khi biến cố lâm sàng nặng gặp nhiều hơn có ý nghĩa ở nhóm sốc (34,7% so với 21,4%; p=0,026). NPAR tương quan nghịch rất mạnh với albumin (r=-0,780; p<0,001) và thuận mạnh với NEU% (r=0,608; p<0,001). Trong tiên lượng biến cố, NPAR đơn độc đạt AUC=0.421 với ngưỡng tối ưu ≥3,36 (độ nhạy 40,9%, độ đặc hiệu 75,2%); mô hình hồi quy logistic đạt AUC=0,534 (95%CI: 0,44–0,62), Random Forest AUC=0,454 (95%CI: 0,36–0,54), XGBoost AUC=0,435 (95%CI: 0,35–0,52). Trong mô hình XGBoost, NPAR đóng góp 11,4% tầm quan trọng, xếp thứ 3 sau PCT (11,7%) và tiểu cầu (11,6%).

Kết luận: NPAR phản ánh trung thực mối liên quan giữa đáp ứng viêm hệ thống và tình trạng dinh dưỡng ở bệnh nhân nhiễm khuẩn, song giá trị tiên lượng khi sử dụng đơn độc còn hạn chế.

Từ khóa
NPAR, nhiễm khuẩn, sốc nhiễm khuẩn, học máy, Random Forest, XGBoost.
Tài liệu tham khảo
[1]
[1] Rudd KE, Johnson SC, Agesa KM, et al. Global, regional, and national sepsis incidence and mortality, 1990-2017. Lancet, 2020, 395(10219): 200-211. Google Scholar
[2]
[2] Pierrakos C, Vincent JL. Sepsis biomarkers: a review. Crit Care, 2010, 14(1): R15. Google Scholar
[3]
[3] Lam SW, Bauer SR, Fowler R, Duggal A. Systematic review and meta-analysis of procalcitonin-guidance versus usual care in critically ill patients. Crit Care Med, 2018, 46(5): 684-690. Google Scholar
[4]
[4] Sun X, Luo T, Wang L, et al. NPAR as a prognostic biomarker in solid tumors: a systematic review and meta-analysis. Cancer Manag Res, 2022, 14: 2709-2720. Google Scholar
[5]
[5] Breiman L. Random forests. Machine Learning, 2001, 45(1): 5-32. Google Scholar
[6]
[6] Chen T, Guestrin C. XGBoost: A scalable tree boosting system. Proceedings of KDD, 2016: 785-794. Google Scholar
[7]
[7] Rajpurkar P, Chen E, Banerjee O, Topol EJ. AI in health and medicine. Nat Med, 2022, 28(1): 31-38. Google Scholar
[8]
[8] Singer M, Deutschman CS, Seymour CW, et al. The Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3). JAMA, 2016, 315(8): 801-810. Google Scholar
[9]
[9] Vincent JL, Dubois MJ, Navickis RJ, Wilkes MM. Hypoalbuminemia in acute illness: meta-analysis of cohort studies and controlled trials. Ann Surg, 2003, 237(3): 319-334. Google Scholar
[10]
[10] Xue M, Zhu G, Pan S, Chen C, Hu B. Neutrophil-to-albumin ratio as a predictor of 28-day mortality in sepsis. Front Med (Lausanne), 2022, 9: 861101. Google Scholar
[11]
[11] Hastie T, Tibshirani R, Friedman J. The Elements of Statistical Learning. 2nd ed. Springer, 2009. Google Scholar
[12]
[12] Nemati S, Holder A, Razmi F, Stanley MD, Clifford GD, Buchman TG. An interpretable machine learning model for accurate prediction of sepsis in the ICU. Crit Care Med, 2018, 46(4): 547-553. Google Scholar
[13]
[13] Singer E, Elger BS, Madai VI. Machine learning-based mortality prediction in sepsis using routine clinical laboratory data. J Crit Care, 2023, 75: 154276. Google Scholar
[14]
[14] Wiedermann CJ, Wiedermann W, Joannidis M. Hypoalbuminemia and acute kidney injury: a meta-analysis of observational clinical studies. Intensive Care Med, 2010, 36(9): 1657-1665. Google Scholar
[15]
[15] Lundberg SM, Lee SI. A unified approach to interpreting model predictions. Adv Neural Inf Process Syst, 2017, 30: 4765-4774. Google Scholar