Bài báo khoa học Tập 67 Số CĐ16 11/11/2026

ĐỘ CHÍNH XÁC VÀ ĐỘ TIN CẬY CỦA PHƯƠNG PHÁP XÁC ĐỊNH MỨC ĐỘ TRƯỞNG THÀNH ĐỐT SỐNG CỔ SỬ DỤNG TRÍ TUỆ NHÂN TẠO TRÊN NỀN TẢNG WEB

Tạ Thị Thu Hằng, Đào Thị Hằng Nga
DOI: 10.52163/yhc.v67iCD16.7057
0 Lượt xem
0 Lượt tải xuống
Tóm tắt

Mục tiêu: Nghiên cứu nhằm đánh giá hiệu quả của các nền tảng trí tuệ nhân tạo (AI) trong việc xác định mức độ trưởng thành đốt sống cổ.

Đối tượng và phương pháp nghiên cứu: Nghiên cứu mô tả cắt ngang dựa trên dữ liệu hồi cứu gồm 350 phim sọ nghiêng của các người bệnh từ 5-18 tuổi đến khám tại Trung tâm kỹ thuật cao Khám chữa bệnh Răng hàm mặt, trường Đại học Y Hà Nội từ  01/2019- 06/2025. Mỗi phim được đánh giá giai đoạn đốt sống cổ bằng hai nền tảng AI ( mỗi nền tảng thực hiện hai lần, cách nhau hai tuần) và bởi người nghiên cứu theo phương pháp của Baccetti (2005)- được sử dụng làm tiêu chuẩn tham chiếu. Độ tin cậy của nền tảng AI được tính thông qua độ lặp lại nội bộ. Độ chính xác dựa vào tỷ lệ trùng khớp hoàn toàn và mức độ đồng thuận với tiêu chuẩn tham chiếu- được phân tích bằng hệ số Kappa trọng số.

Kết quả: Cả 2 nền tảng AI đều có độ lặp lại giữa 2 lần đánh giá đạt 100% , cho thấy tính ổn định và độ tin cậy rất cao.  Tuy tỷ lệ trùng khớp hoàn toàn của AI so với tiêu chuẩn tham chiếu còn thấp ( 42,3% với iOrtho và 34,6 với Vincismile) nhưng mức độ đồng thuận của iOrtho là rất tốt ( k=0,82) và Vincismile là tốt (k= 0,8)

Kết luận: Hai nền tảng Web sử dụng trí tuệ nhân tạo cho thấy độ lặp lại hoàn hảo cùng mức độ đồng thuận tù tốt đến rất tốt so với tiêu chuẩn tham chiếu trong đánh giá mức độ trưởng thành đốt sống cổ. AI có tiềm năng hỗ trợ quá trình đánh giá lâm sàng, tuy nhiên vẫn cần được sử dụng với nhận định của bác sĩ.

Từ khóa
trí tuệ nhân tạo, mức độ trưởng thành đốt sống cổ, phim sọ nghiêng.
Tài liệu tham khảo
[1]
1. Szulc P, Seeman E, Delmas PD. Biochemical measurements of bone turnover in children and adolescents. Osteoporos Int. 2000;11(4):281–94. doi:10.1007/s001980070116 PubMed PMID: 10928217. Google Scholar
[2]
2. Baccetti T, Franchi L, McNamara JA. The Cervical Vertebral Maturation (CVM) Method for the Assessment of Optimal Treatment Timing in Dentofacial Orthopedics. Seminars in Orthodontics. 2005; 11(3):119–29. doi:10.1053/j.sodo.2005.04.005 Google Scholar
[3]
3. McNamara JA, Bookstein FL, Shaughnessy TG. Skeletal and dental changes following functional regulator therapy on class II patients. Am J Orthod. 1985 Aug;88(2):91–110. doi:10.1016/0002-9416(85)90233-7 PubMed PMID: 3861103. Google Scholar
[4]
4. Beit P, Peltomäki T, Schätzle M, Signorelli L, Patcas R. Evaluating the agreement of skeletal age assessment based on hand-wrist and cervical vertebrae radiography. Am J Orthod Dentofacial Orthop. 2013 Dec;144(6):838–47. doi:10.1016/j.ajodo.2013.07.015 PubMed PMID: 24286907. Google Scholar
[5]
5. Mellion ZJ, Behrents RG, Johnston LE. The pattern of facial skeletal growth and its relationship to various common indexes of maturation. Am J Orthod Dentofacial Orthop. 2013 Jun;143(6):845–54. doi:10.1016/j.ajodo.2013.01.019 PubMed PMID: 23726335. Google Scholar
[6]
6. Flores-Mir C, Nebbe B, Major PW. Use of skeletal maturation based on hand-wrist radiographic analysis as a predictor of facial growth: a systematic review. Angle Orthod. 2004 Feb;74(1):118–24. doi:10.1043/0003-3219(2004)074<0118:UOSMBO>2.0.CO;2 PubMed PMID: 15038500. Google Scholar
[7]
7. San Román P, Palma JC, Oteo MD, Nevado E. Skeletal maturation determined by cervical vertebrae development. Eur J Orthod. 2002 Jun;24(3):303–11. doi:10.1093/ejo/24.3.303 PubMed PMID: 12143094. Google Scholar
[8]
8. Hồ Thị Thùy Trang, Hoàng Tử Hùng. Xác định giai đoạn trưởng thành xương đốt sống cổ bằng phương pháp định lượng: Nghiên cứu trên phim sọ nghiêng độ tuổi 7-18. TCYHTPHCM. 2013;17(2):223-223 Google Scholar
[9]
9. McNamara JA, Franchi L. The cervical vertebral maturation method: A user’s guide. Angle Orthod. 2018 Mar;88(2):133–43. doi:10.2319/111517-787.1 PubMed PMID: 29337631; PubMed Central PMCID: PMC8312535. Google Scholar
[10]
10. Luz CN, Pasqua BPM , Paiva JB, Rino-Neto J. Cervical vertebrae maturation assessment as a predictive method for midpalatal suture maturation stages in 11- to 14-year-olds: retrospective study. Clinical and Investigative Orthodontics. 2022 Jan 2;81(1):43–9. doi:10.1080/13440241.2022.2042036 Google Scholar
[11]
11. Rainey BJ, Burnside G, Harrison JE. Reliability of cervical vertebral maturation staging. Am J Orthod Dentofacial Orthop. 2016 Jul;150(1):98–104. doi:10.1016/j.ajodo.2015.12.013 PubMed PMID: 27364211. Google Scholar
[12]
12. Kazimierczak W, Jedliński M, Issa J, Kazimierczak N, Janiszewska-Olszowska J, Dyszkiewicz-Konwińska M, et al. Accuracy of Artificial Intelligence for Cervical Vertebral Maturation Assessment-A Systematic Review. J Clin Med. 2024 Jul 10;13(14):4047. doi:10.3390/jcm13144047 PubMed PMID: 39064087; PubMed Central PMCID: PMC11277636. Google Scholar
[13]
13. Mathew R, Palatinus S, Padala S, Alshehri A, Awadh W, Bhandi S, et al. Neural networks for classification of cervical vertebrae maturation: a systematic review. Angle Orthod. 2022 Nov 1;92(6):796–804. doi:10.2319/031022-210.1 PubMed PMID: 36069934; PubMed Central PMCID: PMC9598845. Google Scholar
[14]
14. Sadeghi TS, Ourang SA, Sohrabniya F, Sadr S, Shobeiri P, Motamedian SR. Performance of artificial intelligence on cervical vertebral maturation assessment: a systematic review and meta-analysis. BMC Oral Health. 2025 Feb 5;25:187. doi:10.1186/s12903-025-05482-9 PubMed PMID: 39910512; PubMed Central PMCID: PMC11796225. Google Scholar