Mô hình cặp song sinh kỹ thuật số của bệnh nhân (HDT) là gì

Mô hình cặp song sinh kỹ thuật số của bệnh nhân là mô hình bệnh nhân ảo, được xây dựng bằng dữ liệu y tế cá nhân, cung cấp mô phỏng chi tiết, thời gian thực về cơ thể một người, cách thức hoạt động và hành vi cá nhân của họ.

Mô hình cặp song sinh kỹ thuật số của bệnh nhân (Human Digital Twin – HDT ) không chỉ đại diện cho các thuộc tính vật lý mà còn tích hợp các thay đổi động trên các chiều phân tử, sinh lý và hành vi bao gồm cả các yếu tố cảm xúc và lối sống.

Nó khác biệt với các mô hình tính toán tĩnh ở chỗ nó liên tục tích hợp dữ liệu thời gian thực từ các cảm biến đeo được để phản ánh các đặc điểm riêng biệt của một người.

Đo dó đảm bảo mô hình là một công cụ cá nhân hóa gắn liền trực tiếp với hồ sơ sức khỏe cụ thể của bệnh nhân.

Khả năng “mô hình ảo động” và “tích hợp dữ liệu thời gian thực” là trọng tâm của HDT, phân biệt rõ ràng nó với các hồ sơ sức khỏe tĩnh.

Bên cạnh đó, chức năng liên tục cập nhật và phản ánh trạng thái hiện tại của bệnh nhân hỗ trợ không chỉ dự đoán mà còn can thiệp kịp thời, chuyển đổi mô hình chăm sóc sức khỏe từ phản ứng sang chủ động.

Khả năng này đòi hỏi một hạ tầng thu thập và truyền thông dữ liệu mạnh mẽ, tốc độ cao (Internet of Things, điện toán đám mây) và các công cụ phân tích tiên tiến (AI/Machine Learning) để xử lý và diễn giải hiệu quả các luồng dữ liệu liên tục.

Đặc điểm chính

Phản ánh chính xác thực thể vật lý

Nền tảng cốt lõi của bất kỳ mô hình cặp song sinh kỹ thuật số của bệnh nhân nào chính là độ trung thực.

Mô hình ảo phải thể hiện con người thật với độ chính xác cao.

Điều này có nghĩa là cần nắm bắt các quá trình sinh lý, giải phẫu, sinh hóa và chức năng đa tầng tạo nên cơ thể con người và đồng thời thực hiện phân tích dựa trên dữ liệu có thể đo lường được.

Một HDT chính xác không phải là ảnh chụp nhanh một lần.

Nó tập hợp nhiều loại dữ liệu đa dạng:

Hồ sơ sức khỏe điện tử.
Hình ảnh chẩn đoán.
Di truyền học.
Kết quả xét nghiệm.
Các phép đo sinh lý.
Dữ liệu hành vi.
Thông tin bối cảnh như môi trường và lối sống.

Mỗi nguồn dữ liệu này đóng góp vào một mô hình tổng hợp phản ánh tình trạng sức khỏe hiện tại của bệnh nhân và các quá trình nội tại thúc đẩy tình trạng đó.

Mô hình hóa độ trung thực cao kết hợp các mô hình sinh lý đã được xác thực với học máy dựa trên dữ liệu.

Các mô hình sinh lý cung cấp thông tin về cơ chế cách thức hoạt động của lưu lượng máu, quá trình trao đổi chất, hoặc chức năng cơ quan trong khi học máy có thể tìm ra các mẫu và mối tương quan trong bộ dữ liệu lớn không đồng nhất mà có thể không nhìn thấy được qua các giả định đơn giản.

Giá trị của độ chính xác mang tính thực tiễn và đạo đức.

Bác sĩ lâm sàng dựa vào đầu ra của mô hình cặp song sinh kỹ thuật số của bệnh nhân để hỗ trợ ra quyết định.

Nếu mô hình thể hiện sai tình trạng của bệnh nhân, các khuyến nghị có thể không phù hợp hoặc có hại.

Ngược lại, một HDT được hiệu chỉnh tốt có thể phát hiện các tương tác chi tiết giữa các bệnh đồng mắc, dự đoán sự xấu đi sớm hơn và điều chỉnh can thiệp có khả năng thành công cao hơn.

Ví dụ: Một HDT tim mạch mô hình hóa chính xác cơ học tim và tuần hoàn, được cung cấp thông tin từ hình ảnh và dữ liệu nhịp tim và huyết áp liên tục.

Vì vậy có thể dự báo tác động của quản lý dịch truyền hoặc một liều thuốc cụ thể lên cung lượng tim một cách đáng tin cậy hơn so với trung bình quần thể.

Điều này tương tự như việc các kỹ sư ô tô sử dụng mô hình kỹ thuật số để kiểm tra hiệu suất động cơ trước khi thử nghiệm thực tế.

Đạt được mức độ trung thực này đòi hỏi xác thực nghiêm ngặt so với các phép đo thực nghiệm, cập nhật mô hình liên tục và minh bạch về độ không chắc chắn.

Các nhà phát triển mô hình và bác sĩ lâm sàng nên xem đầu ra HDT như hướng dẫn xác suất thay vì sự thật tuyệt đối.

Phải coi độ chính xác cải thiện tính quyết đoán và an toàn nhưng không thể loại bỏ hoàn toàn mọi rủi ro.

Kết nối liên tục và đồng bộ hóa thời gian thực

Một điểm mạnh quyết định của mô hình cặp song sinh kỹ thuật số của bệnh nhân là khả năng duy trì đồng bộ với thực thể vật lý thông qua dòng dữ liệu liên tục.

Kết nối hai chiều đảm bảo song sinh số phản ánh trạng thái đang phát triển của bệnh nhân và tạo điều kiện để song sinh thông báo can thiệp gần như thời gian thực.

Đồng bộ hóa liên tục thường bao gồm:

Các luồng dữ liệu cảm biến từ thiết bị đeo theo dõi biến thiên nhịp tim.
Cảm biến glucose.
Thiết bị theo dõi hoạt động.
Thiết bị cấy ghép.
Màn hình giường bệnh trong bệnh viện.
Cập nhật định kỳ từ hệ thống xét nghiệm và hình ảnh.

Các đường ống dữ liệu thu thập, tiền xử lý và hợp nhất thông tin này phải hoạt động đáng tin cậy và an toàn.

Về mặt mô hình hóa, HDT cập nhật các biến trạng thái nội bộ, hiệu chỉnh lại các tham số mô hình, và tính toán lại dự đoán khi có đầu vào mới.

Đồng bộ hóa thời gian thực giúp bác sĩ lâm sàng nhìn thấy khi quỹ đạo của bệnh nhân lệch khỏi các mẫu dự kiến và phản ứng sớm hơn.

Ví dụ: Trong môi trường chăm sóc tích cực, một HDT nhận dữ liệu sinh hiệu liên tục có thể phát hiện các xu hướng tinh tế dự báo nhiễm trùng huyết hoặc suy hô hấp sớm hơn so với việc theo dõi ngắt quãng.

Bên ngoài bệnh viện, một HDT tiểu đường kết nối với thiết bị theo dõi glucose liên tục có thể gợi ý điều chỉnh insulin cá nhân hóa hoặc thay đổi chế độ ăn trước khi glucose tăng đột biến trở nên nguy hiểm.

Điều này giống như hệ thống GPS trong xe hơi liên tục cập nhật vị trí và điều chỉnh tuyến đường dựa trên tình trạng giao thông thời gian thực.

Giao tiếp hai chiều cũng rất quan trọng.

Mô hình cặp song sinh kỹ thuật số của bệnh nhân không chỉ nhận dữ liệu mà còn có thể thúc đẩy phản hồi đến hệ thống vật lý:

Cảnh báo bệnh nhân.
Điều chỉnh cài đặt thiết bị.
Gợi ý liều thuốc.

Vòng phản hồi đó biến đổi giám sát thành quản lý chủ động.

Do đó tạo điều kiện cho liệu pháp vòng kín như hệ thống cung cấp insulin tự động.

Duy trì đồng bộ hóa liên tục có những thách thức kỹ thuật và tổ chức.

Độ trễ dữ liệu, băng thông, độ tin cậy cảm biến, và khả năng tương tác giữa thiết bị và hệ thống hồ sơ sức khỏe điện tử đều quan trọng.

Không kém phần quan trọng là sự đồng ý, quản trị dữ liệu, và đảm bảo bệnh nhân và nhà cung cấp hiểu cách thức và thời điểm HDT sẽ hành động hoặc cảnh báo.

Mô phỏng hành vi vật lý

Một trong những khả năng mạnh mẽ nhất của mô hình cặp song sinh kỹ thuật số của bệnh nhân là chạy mô phỏng để kiểm tra các kịch bản “giả sử” trong môi trường ảo an toàn.

Mô phỏng giúp bác sĩ lâm sàng và nhà nghiên cứu khám phá kết quả có thể xảy ra của các loại thuốc khác nhau, phương pháp phẫu thuật, hoặc thay đổi lối sống mà không gây rủi ro cho bệnh nhân.

Khả năng mô phỏng đòi hỏi một mô hình nắm bắt các mối quan hệ nhân quả, không chỉ là tương quan.

Trong lập kế hoạch phẫu thuật, một song sinh mô hình hóa cơ học cơ quan và phản ứng mô có thể dự đoán cách thức một thay đổi giải phẫu sẽ làm thay đổi chức năng.

Vì vậy giúp bác sĩ phẫu thuật chọn phương pháp giảm thiểu tối đa mất chức năng.

Trong ung thư học, các mô hình ảo về tăng trưởng khối u được cung cấp thông tin từ dữ liệu di truyền và hình ảnh có thể mô phỏng phản ứng khối u với các phác đồ hóa trị hoặc thuốc nhắm mục tiêu khác nhau.

Do đó giúp bác sĩ ung thư ưu tiên các lựa chọn tối đa hóa đáp ứng và giảm thiểu độc tính.

Giá trị thực tiễn của mô phỏng có hai mặt.

Nó tăng tốc khám phá nhiều can thiệp có thể được kiểm tra nhanh chóng mà không cần thử nghiệm vật lý cho mỗi giả thuyết.

Điều này đặc biệt có giá trị cho các bệnh hiếm hoặc trạng thái đồng mắc phức tạp nơi bằng chứng cấp độ quần thể khan hiếm.

Hơn nữa nó cải thiện an toàn và cá nhân hóa thông qua việc xác định các chiến lược có khả năng hiệu quả cho bệnh nhân cụ thể nên giảm y học thử-và-sai.

Ví dụ: Xét một bệnh nhân suy tim và bệnh thận. Một lần chạy mô phỏng trên HDT của họ có thể dự báo cách các chiến lược lợi tiểu khác nhau sẽ ảnh hưởng đến cả cung lượng tim và tưới máu thận.

Bác sĩ lâm sàng có thể cân nhắc sự đánh đổi và chọn phương pháp bảo tồn chức năng thận trong khi giảm ứ trệ.

Tương tự như cách các kỹ sư hàng không sử dụng mô phỏng bay để kiểm tra các điều kiện thời tiết khác nhau trước khi bay thực tế.

Một HDT hô hấp có thể mô phỏng cách thay đổi cài đặt máy thở sẽ ảnh hưởng đến oxy hóa và cơ học phổi, hướng dẫn các cài đặt giảm tổn thương do máy thở gây ra.

Để hữu ích về mặt lâm sàng, mô phỏng phải định lượng độ không chắc chắn và cung cấp đầu ra có thể diễn giải.

Bác sĩ lâm sàng cần biết không chỉ kết quả dự đoán mà cả phạm vi tin cậy và các giả định chính thúc đẩy dự đoán.

Báo cáo minh bạch về giới hạn mô hình ngăn ngừa phụ thuộc quá mức vào mô phỏng và hỗ trợ ra quyết định chung.

Mức độ cá nhân hóa cao

Cá nhân hóa là điều khiến mô hình cặp song sinh kỹ thuật số của bệnh nhân khác biệt so với các mô hình tính toán tĩnh truyền thống hoặc công cụ hỗ trợ quyết định lâm sàng tổng quát.

Một mô hình cặp song sinh kỹ thuật số của bệnh nhân được thiết kế để phản ánh các yếu tố sinh học, hành vi và bối cảnh riêng biệt của một người.

Nó thực hiện điều này qua tích hợp các luồng dữ liệu động, đặc thù bệnh nhân với các đặc điểm cơ bản như di truyền, tiền sử bệnh án và hoàn cảnh cá nhân.

Phương pháp cá nhân hóa cao có nghĩa là HDT không đơn thuần áp dụng hiệu quả điều trị trung bình mà nó dự đoán cách bệnh nhân cụ thể này sẽ đáp ứng.

Các mô hình dược động học và dược lực học trong HDT có thể sử dụng các dấu hiệu di truyền, chức năng cơ quan và thuốc đồng thời để dự đoán quá trình trao đổi chất thuốc và nguy cơ tác dụng phụ cho bệnh nhân đó.

Do đó, kế hoạch liều lượng bắt nguồn từ song sinh có thể khác với giao thức tiêu chuẩn vì an toàn hơn hoặc hiệu quả hơn cho cá nhân.

Cá nhân hóa cũng bao gồm mô hình hóa hành vi.

Các yếu tố lối sống như mẫu giấc ngủ, mức độ hoạt động, chế độ ăn uống, tuân thủ thuốc có tác động sâu sắc đến sức khỏe.

Tích hợp dữ liệu này vào HDT đảm bảo can thiệp được điều chỉnh không chỉ về mặt sinh học mà còn thực tiễn.

Ví dụ: Kế hoạch phục hồi chức năng cho người sống sót sau đột quỵ có thể được điều chỉnh để phù hợp với môi trường nhà, hạn chế di chuyển và thói quen hàng ngày của bệnh nhân, cải thiện tuân thủ và kết quả.

Điều này giống như cách ứng dụng thể dục cá nhân hóa điều chỉnh bài tập dựa trên lịch trình, sức khỏe hiện tại và sở thích của người dùng.

Hậu quả của cá nhân hóa rất đáng kể.

Bệnh nhân nhận được chăm sóc phù hợp với rủi ro và mục tiêu cụ thể của họ.

Bác sĩ lâm sàng có thể ưu tiên can thiệp có khả năng giúp ích nhất; hệ thống sức khỏe có thể phân bổ tài nguyên hiệu quả hơn.

Tuy nhiên, cá nhân hóa phụ thuộc vào chất lượng và tính có sẵn của dữ liệu.

Khoảng trống trong dữ liệu, hành vi báo cáo sai hoặc nguồn dữ liệu thiên vị có thể dẫn đến cá nhân hóa sai lệch.

Đảm bảo tính đại diện và giải quyết các yếu tố quyết định xã hội của sức khỏe trong đầu vào mô hình là rất quan trọng để tránh bất công.

Cá nhân hóa cũng làm nảy sinh mối quan ngại đạo đức.

Khi các mô hình kết hợp dữ liệu nhạy cảm như thông tin di truyền hoặc chỉ số sức khỏe tâm thần, bảo vệ quyền riêng tư và thực hành đồng ý rõ ràng trở nên cần thiết.

Bệnh nhân nên hiểu dữ liệu nào được sử dụng, cách chúng thông báo khuyến nghị và giới hạn nào tồn tại về tính chắc chắn của dự đoán.

So sánh với EHR và mô hình dự đoán sức khỏe

Bảng So Sánh EHR với HDT

Tiêu chí	Hồ sơ sức khỏe điện tử (EHR)	Mô hình dự đoán sức khỏe	Mô hình cặp song sinh kỹ thuật số của bệnh nhân (HDT)
Tính chất dữ liệu	Lịch sử, tĩnh, mô tả	Lịch sử, thời gian thực (không đồng bộ)	Thời gian thực, động, liên tục đồng bộ
Dòng dữ liệu	Một chiều (ghi lại)	Một chiều (đầu vào → dự đoán)	Hai chiều (vật lý ↔ ảo)
Khả năng mô phỏng/dự đoán/đề xuất	Mô tả, thống kê	Dự đoán, dự báo xu hướng/rủi ro	Mô phỏng, dự đoán, đề xuất và giám sát
Mức độ cá nhân hóa	Tổng quát, tập trung vào hồ sơ	Tổng quát, dựa trên quần thể	Cá nhân hóa cao độ, duy nhất cho từng bệnh nhân
Mục tiêu chính	Lưu trữ, quản lý thông tin bệnh nhân	Dự báo xu hướng, xác định rủi ro	Tối ưu hóa can thiệp cá nhân, quản lý sức khỏe toàn diện
Công nghệ nền tảng	Cơ sở dữ liệu	AI/ML, thống kê	AI/ML, IoT, Điện toán đám mây, Mô hình hóa sinh lý

Thành phần của HDT

Thực thể vật lý (bệnh nhân)

Thực thể vật lý đóng vai trò nền tảng cho mọi mô hình cặp song sinh kỹ thuật số của bệnh nhân.

Trong y tế, “thực thể” có thể mang nhiều ý nghĩa khác nhau tùy thuộc vào mục tiêu lâm sàng.

Nó có thể là một cơ quan đơn lẻ như tim hay phổi nhưng có thể là một hệ thống sinh lý như hệ tuần hoàn hay hô hấp.

Đôi khi thực thể vật lý có thể là toàn bộ bệnh nhân với tất cả các hệ thống tương tác bao gồm bên trong.

Hình dạng và phạm vi của thực thể vật lý quyết định nhu cầu dữ liệu, độ phức tạp của mô hình và các trường hợp sử dụng lâm sàng của HDT.

Ở mức độ đơn giản nhất, thực thể vật lý chính là điều mà mô hình song sinh phản ánh.

Nếu mục tiêu là tối ưu hóa thông khí cho bệnh nhân đặt nội khí quản tại khoa hồi sức tích cực, thực thể có thể là phổi và cơ chế điều khiển hô hấp của bệnh nhân.

Nếu mục đích là quản lý suy tim, thực thể có thể bao gồm cơ học tim, hệ mạch máu, chức năng thận và cân bằng dịch.

Đối với quản lý bệnh mãn tính, thực thể có thể là mô hình toàn thân nắm bắt nhiều bệnh đồng mắc và sự tương tác của chúng với hành vi và môi trường.

Các cân nhắc thiết kế cho thực thể vật lý bao gồm độ chi tiết (mô hình cần phải chi tiết đến mức nào), ranh giới (các cơ quan hoặc hệ thống nào được đưa vào), và khoảng thời gian thay đổi dự kiến (phút, giờ, ngày hoặc tháng).

Mô hình cơ quan độ phân giải cao như mô hình tim sinh cơ học cho lập kế hoạch phẫu thuật, đòi hỏi hình ảnh chi tiết và các thông số tinh vi.

Một HDT toàn thân hỗ trợ chăm sóc mãn tính dài hạn có thể ưu tiên hồ sơ lâm sàng dọc theo thời gian, thuốc men, mô hình lối sống và các yếu tố xã hội quyết định.

Các ví dụ lâm sàng minh họa xác định thực thể vật lý ảnh hưởng như thế nào đến kết quả.

Trong điện sinh lý tim, các mô hình song sinh kỹ thuật số của tim nắm bắt dẫn truyền điện và giải phẫu cấu trúc được sử dụng để lập kế hoạch thủ thuật cắt đốt thông qua dự đoán mạch loạn nhịp và bộ tổn thương tối ưu.

Đối với quản lý tiểu đường, thực thể vật lý có thể tập trung vào hệ nội tiết và điều hòa trao đổi chất, liên kết với cảm biến glucose và thiết bị cung cấp insulin để thực hiện kiểm soát vòng khép kín.

Trong phục hồi chức năng, hệ thống cơ xương khớp và kiểm soát thần kinh có thể là trọng tâm, kết hợp với dữ liệu chuyển động để cá nhân hóa liệu pháp.

Vì thực thể vật lý là chuẩn mực thực tế nên duy trì độ chính xác của nó trong HDT là then chốt.

Bất kỳ sự không phù hợp nào giữa phạm vi của mô hình và vấn đề lâm sàng đều có thể dẫn đến những khuyến nghị không liên quan hoặc gây hiểu lầm.

Ngay cả khi thực thể được xác định phạm vi chính xác, sự biến đổi giữa các bệnh nhân khác biệt di truyền, chấn thương trước đó và các yếu tố lối sống.

Vì vậy HDT phải có khả năng thích ứng và cá nhân hóa.

Do đó, bác sĩ lâm sàng và nhà thiết kế phải đầu tư thời gian để xác định đúng thực thể cho mục đích sử dụng dự kiến.

Xác định cần dựa trên đầu vào từ các nhóm đa ngành bao gồm bác sĩ lâm sàng, kỹ sư và bệnh nhân.

Những rủi ro đạo đức và thực tiễn liên quan đến thực thể vật lý bao gồm hậu quả của những quyết định phạm vi sai lầm.

Ví dụ: một mô hình chỉ tập trung vào các chỉ số tim có thể bỏ lỡ tương tác thuốc gây ra rối loạn chức năng thận, dẫn đến hướng dẫn có hại.

Để giảm thiểu những rủi ro như vậy, các nghiên cứu thí điểm ban đầu, xác thực nghiêm ngặt so với kết quả bệnh nhân được đo lường và sử dụng thận trọng các khuyến nghị của mô hình cho đến khi được chứng minh an toàn là điều cần thiết.

Hệ thống cảm biến và thu thập dữ liệu

Cảm biến và hệ thống thu thập dữ liệu là nguồn sống của HDT.

Chúng cung cấp thông tin thô, liên tục giúp mô hình song sinh kỹ thuật số phản ánh trạng thái thực sự của bệnh nhân theo thời gian.

Những thiết bị này có thể là cảm biến nhúng trong các thiết bị cấy ghép, máy theo dõi bên giường trong bệnh viện, thiết bị đeo theo dõi, ứng dụng điện thoại thông minh hoặc cảm biến môi trường.

Dữ liệu thu được có thể bao gồm dấu hiệu sinh tồn, dấu ấn sinh hóa, mô hình chuyển động, sự tuân thủ thuốc, chất lượng giấc ngủ hoặc các yếu tố ngữ cảnh như chất lượng không khí và nhiệt độ phòng.

Thiết kế hệ thống cảm biến liên quan đến lựa chọn sự kết hợp phù hợp của các phương thức, đảm bảo chất lượng dữ liệu và quản lý điện năng, kết nối và sự thoải mái của bệnh nhân.

Cảm biến cấp độ lâm sàng mang lại độ chính xác cần thiết cho những quyết định có rủi ro cao, nhưng chúng có thể xâm lấn hoặc đắt tiền.

Thiết bị đeo tiêu dùng ít xâm phạm hơn và có tính mở rộng cao hơn nhưng các phép đo của chúng có thể nhiễu hơn và kém tin cậy hơn.

Lựa chọn phụ thuộc vào sự cân bằng giữa độ chính xác, tính khả thi, sự chấp nhận của bệnh nhân và chi phí.

Tính toàn vẹn dữ liệu từ cảm biến là tối quan trọng.

Dữ liệu thiếu, trôi dạt đo lường, lỗi hiệu chuẩn hoặc ngắt kết nối tạm thời có thể làm biến dạng góc nhìn của HDT và tạo ra dự đoán không chính xác hoặc khuyến nghị không an toàn.

Ví dụ: một cảm biến nhịp tim bị lỗi báo nhịp tim nhanh thấp hơn thực tế có thể làm chậm trễ việc nhận biết nhiễm trùng huyết, trong khi cảm biến glucose với sự gián đoạn thất thường có thể tạo ra các gợi ý liều insulin không chính xác.

Do đó, các kỹ sư phải thiết kế hệ thống với khả năng phát hiện lỗi mạnh mẽ, dư thừa khi khả thi và cơ chế để đánh dấu và xử lý các luồng dữ liệu đáng ngờ.

Tiền xử lý và xác thực dữ liệu là những bước quan trọng: lọc nhiễu, căn chỉnh thời gian, chuyển đổi đơn vị và điều hòa các phép đo xung đột.

Đồng bộ hóa thời gian qua các cảm biến đảm bảo HDT hiểu được cách các tín hiệu sinh lý khác nhau liên quan với nhau tại bất kỳ thời điểm nào.

Siêu dữ liệu về nguồn gốc cảm biến, lịch sử hiệu chuẩn và độ không chắc chắn của phép đo nên đi kèm dữ liệu để thông báo độ tin cậy của mô hình.

Một khía cạnh quan trọng khác là vị trí cảm biến và hành vi người dùng.

Cảm biến đeo phải thoải mái và ít gây gián đoạn nhất có thể để khuyến khích sự tuân thủ.

Đối với các thiết bị cấy ghép, độ tin cậy dài hạn và khả năng tương thích sinh học là mối quan tâm kỹ thuật lớn.

Giáo dục bệnh nhân là điều quan trọng: người dùng phải hiểu cách sử dụng, sạc và bảo trì thiết bị đúng cách để duy trì tính liên tục của dữ liệu.

Bảo mật và quyền riêng tư là những thách thức lớn trong thu thập dữ liệu.

Cảm biến thường giao tiếp không dây và có thể dễ bị chặn, giả mạo hoặc rò rỉ dữ liệu.

Mã hóa mạnh, xác thực và bảo vệ điểm cuối là cần thiết.

Quy trình đồng ý nên giải thích rõ ràng dữ liệu nào được thu thập, chúng sẽ được sử dụng như thế nào và các rủi ro liên quan.

Tôn trọng quyền tự chủ của bệnh nhân và đưa ra các lựa chọn tham gia cho độ chi tiết dữ liệu sẽ hỗ trợ niềm tin và sự chấp nhận.

Hệ sinh thái cảm biến phải được thiết kế với tinh thần công bằng.

Các yếu tố kinh tế xã hội ảnh hưởng đến việc ai có thể mua được những thiết bị nhất định và một số cảm biến hoạt động kém chính xác hơn trên những màu da hoặc hình dạng cơ thể cụ thể.

Đảm bảo các nguồn dữ liệu đa dạng và các tùy chọn thiết bị dễ tiếp cận giúp tránh thiên lệch trong hành vi của HDT.

Hạ tầng truyền thông

Một cơ sở hạ tầng truyền thông hiệu quả là điều kết nối thế giới vật lý với mô hình song sinh ảo.

Thành phần này di chuyển dữ liệu từ cảm biến đến kho dữ liệu và mô hình.

Khi cần thiết đưa đầu ra của mô hình trở lại cho bác sĩ lâm sàng, thiết bị hoặc bệnh nhân.

Nó bao gồm mạng (cục bộ và diện rộng), middleware, tài nguyên điện toán đám mây hoặc biên và API tạo khả năng tương tác.

Các yêu cầu chính cho cơ sở hạ tầng bao gồm độ tin cậy, độ trễ thấp, khả năng mở rộng, bảo mật và tuân thủ các quy định chăm sóc sức khỏe.

Trong môi trường bệnh viện, mạng có độ khả dụng cao với băng thông ưu tiên đảm bảo các máy theo dõi bên giường và hệ thống hình ảnh truyền tin cậy tới nền tảng HDT.

Đối với theo dõi tại nhà, mạng di động, Wi-Fi và mạng diện rộng công suất thấp như LoRa có thể là một phần của giải pháp.

Điện toán biên, nơi xử lý ban đầu diễn ra trên hoặc gần thiết bị.

Do đó có thể giảm độ trễ và nhu cầu băng thông và thực hiện phản hồi cục bộ nhanh hơn trong khi bảo vệ quyền riêng tư của bệnh nhân qua việc chỉ gửi dữ liệu tổng hợp lên upstream.

Lựa chọn giữa xử lý đám mây và biên thường được quyết định theo trường hợp sử dụng lâm sàng và khối lượng dữ liệu.

Các ứng dụng quan trọng thời gian thực, như kiểm soát máy thở vòng khép kín hoặc truyền thuốc tự động được hưởng lợi từ xử lý biên để tránh tác hại do độ trễ gây ra.

Nghiên cứu và phân tích đòi hỏi tính toán nặng hoặc bộ dữ liệu lịch sử lớn thường được phục vụ tốt nhất trong môi trường đám mây nơi có sẵn tính toán và lưu trữ có thể mở rộng.

Khả năng tương tác là một thách thức thực tiễn lớn.

Cảm biến, thiết bị y tế, hồ sơ sức khỏe điện tử (EHR) và nền tảng phân tích sử dụng các định dạng và tiêu chuẩn đa dạng.

Áp dụng các giao thức tiêu chuẩn và định dạng dữ liệu đặc thù cho chăm sóc sức khỏe (như HL7 FHIR cho dữ liệu lâm sàng) giúp tích hợp dễ dàng và giảm gánh nặng của bộ chuyển đổi tùy chỉnh.

Middleware chuẩn hóa các luồng dữ liệu và quản lý dịch schema đóng vai trò quan trọng trong việc đơn giản hóa kiến trúc hệ thống.

Bảo mật phải được xem xét ở mọi lớp của truyền thông.

Bảo mật lớp truyền tải, xác thực thiết bị, quản lý khóa bảo mật và phát hiện xâm nhập là những nhu cầu cơ bản.

Trong chăm sóc sức khỏe, tuân thủ các quy định như HIPAA tại Hoa Kỳ cũng quy định cách thông tin sức khỏe được bảo vệ được truyền và lưu trữ.

Các yếu tố vận hành như ghi nhật ký, dấu vết kiểm toán và kế hoạch ứng phó sự cố hỗ trợ trách nhiệm giải trình và tạo hành động nhanh chóng khi xảy ra vi phạm hoặc hỏng hóc.

Các chiến lược độ tin cậy bao gồm các đường mạng dự phòng, kiến trúc chuyển đổi dự phòng và suy giảm nhẹ nhàng.

Khi luồng dữ liệu thời gian thực bị gián đoạn, HDT nên suy giảm về trạng thái an toàn, cảnh báo bác sĩ lâm sàng và tránh gửi khuyến nghị gây hiểu lầm.

Các chính sách leo thang rõ ràng cho tình trạng ngừng hoạt động và ngưỡng khi cần can thiệp của bác sĩ lâm sàng giúp bảo vệ sự an toàn của bệnh nhân.

Chi phí cơ sở hạ tầng và bảo trì là những ràng buộc thực tế.

Các hệ thống y tế triển khai HDT phải lập kế hoạch cho việc nâng cấp mạng liên tục, vá bảo mật, quản lý vòng đời thiết bị và nguồn nhân lực cần thiết để vận hành và giám sát cơ sở hạ tầng.

Bản sao kỹ thuật số (mô hình tính toán)

Bản sao kỹ thuật số là tạo phẩm trí tuệ cốt lõi của HDT.

Đây là một mô hình tính toán tìm cách đại diện cho cấu trúc, chức năng và động lực của thực thể vật lý.

Nó có thể là một mô hình cơ học dựa trên các phương trình sinh lý, một mô hình thống kê hoặc máy học được đào tạo trên dữ liệu hoặc một mô hình lai kết hợp cả hai phương pháp.

Bản sao nhận dữ liệu đầu vào (tốt nhất là thời gian thực), cập nhật trạng thái nội bộ, đưa ra dự đoán và có thể chạy mô phỏng để kiểm tra các can thiệp giả định.

Thiết kế bản sao kỹ thuật số đòi hỏi lựa chọn các mô hình tiếp cận phù hợp và sau đó xác thực chúng một cách nghiêm ngặt.

Mô hình cơ học có giá trị khi có sự hiểu biết về nhân quả.

Các phương trình mô tả động lực chất lỏng trong mạch máu, dược động học của thuốc hoặc cơ học mô có thể tạo ra dự đoán có thể giải thích được và phù hợp với sinh lý.

Mô hình máy học rất mạnh mẽ khi các bộ dữ liệu lớn tiết lộ các mô hình khó biểu hiện bằng phương trình nguyên lý đầu tiên như tương tác phức tạp trong đa mắc bệnh hoặc các đặc điểm hình ảnh tinh tế.

Mô hình lai thường mang lại đặc điểm tốt nhất của cả hai mô hình trên.

Các ràng buộc cơ học đảm bảo hành vi hợp lý trong khi máy học nắm bắt sự biến đổi còn lại và cải thiện cá nhân hóa.

Thuộc tính chính của bản sao kỹ thuật số chất lượng cao bao gồm tính minh bạch, định lượng độ không chắc chắn, khả năng giải thích và học tập liên tục.

Bác sĩ lâm sàng cần hiểu tại sao mô hình gợi ý một hành động cụ thể và mô hình tự tin như thế nào.

Các kỹ thuật như mô hình xác suất, cập nhật Bayesian và khoảng tin cậy làm cho đầu ra của mô hình sử dụng được hơn.

Các thành phần mô hình có thể giải thích như hiển thị đầu vào nào ảnh hưởng nhất đến quyết định hỗ trợ sự chấp nhận của bác sĩ lâm sàng và hỗ trợ đưa ra quyết định chung với bệnh nhân.

Xác thực là yếu tố bắt buộc phải có.

Mô hình phải được xác thực so với dữ liệu lâm sàng tiềm năng và được đánh giá trên các nhóm bệnh nhân đa dạng.

Khớp quá mức với dữ liệu đào tạo hoặc dựa vào các bộ dữ liệu thiên lệch dẫn đến khả năng tổng quát kém và tổn hại tiềm ẩn.

Xác thực nên bao gồm các kiểm tra chi tiết với dữ liệu thiếu hoặc bị hỏng, kiểm tra hiệu chuẩn đầu ra xác suất và đánh giá tác động lâm sàng thông qua các thử nghiệm hoặc thí điểm được thiết kế cẩn thận.

Cơ chế an toàn cho bản sao kỹ thuật số bao gồm các rào cản ngăn chặn khuyến nghị không an toàn, ngưỡng yêu cầu bác sĩ lâm sàng phê duyệt cho các hành động có rủi ro cao và kiểm soát phiên bản để các thay đổi đối với logic mô hình được theo dõi và có thể hoàn nguyên.

Trong các hệ thống kích hoạt kiểm soát vòng khép kín:

Cung cấp insulin tự động.
Giám sát quy định nghiêm ngặt.
Kiểm tra mô phỏng-trong-vòng lặp và phần cứng-trong-vòng lặp rộng rãi là cần thiết.

Học tập liên tục giúp bản sao cải thiện theo thời gian khi có thêm dữ liệu nhưng nó phải được quản lý cẩn thận.

Cập nhật tự động không có giám sát có thể vô tình làm suy giảm hiệu suất nếu dữ liệu mới bị thiên lệch hoặc nếu tồn tại các vòng phản hồi.

Thay vào đó, các đường ống học tập có kiểm soát với cổng xác thực và giám sát con người đảm bảo rằng các cải tiến mô hình là thực và an toàn.

Mối quan tâm đạo đức và pháp lý xung quanh bản sao kỹ thuật số bao gồm:

Tính minh bạch về những gì mô hình thực hiện.
Ai chịu trách nhiệm cho các quyết định dựa trên đầu ra của nó.
Dữ liệu bệnh nhân được sử dụng như thế nào để đào tạo và cải thiện mô hình.

Bệnh nhân và bác sĩ lâm sàng nên có con đường rõ ràng để đặt câu hỏi về đầu ra mô hình và từ chối đưa ra quyết định tự động.

Các loại dữ liệu được sử dụng

Dữ liệu y tế cá nhân

Dữ liệu y tế cá nhân và lối sống bao gồm:

Thông tin di truyền của bệnh nhân.
Toàn bộ lịch sử bệnh án.
Các yếu tố lối sống như chế độ ăn uống, thói quen tập thể dục, giấc ngủ, sử dụng thuốc lá hoặc rượu bia, nghề nghiệp.
Các yếu tố quyết định xã hội của sức khỏe.

Nhóm dữ liệu này tạo nên nền tảng cốt lõi cho HDT.

Di truyền học thiết lập nguy cơ cơ bản và xu hướng đáp ứng thuốc.

Các chẩn đoán, phẫu thuật và điều trị trong quá khứ định hình tình trạng sức khỏe hiện tại.

Các yếu tố lối sống điều chỉnh nguy cơ đang diễn ra và tiềm năng phục hồi.

Dữ liệu di truyền thường đến từ các xét nghiệm giải trình tự hoặc định kiểu gen và cần các quy trình chuyên biệt để sắp xếp, xác định biến thể và chú thích.

Lịch sử y tế được ghi nhận từ:

Ghi chú của bác sĩ.
Danh sách vấn đề và phỏng vấn bệnh nhân.
Văn bản phi cấu trúc thường cần xử lý ngôn ngữ tự nhiên (NLP) để trích xuất các khái niệm riêng lẻ.
Dữ liệu lối sống có thể được thu thập qua bảng câu hỏi, ứng dụng điện thoại thông minh hoặc phỏng vấn định kỳ.

Hài hòa các đầu vào khác nhau này có nghĩa là ánh xạ đến thuật ngữ chung (ví dụ như SNOMED CT cho chẩn đoán hoặc chú thích biến thể tiêu chuẩn cho di truyền học).

Khi kết hợp, các dữ liệu này giúp HDT thể hiện tính nhạy cảm cơ bản.

Một biến thể dược lý di truyền làm thay đổi chuyển hóa thuốc.

Vì vậy cung cấp bối cảnh cho các phát hiện cấp tính (lịch sử nhồi máu cơ tim trước đây làm thay đổi quỹ đạo nguy cơ) và mô phỏng lợi ích có thể có của các can thiệp lối sống ( tập thể dục có thể giảm huyết áp trong nhiều tháng như thế nào).

Chúng rất cần thiết để cá nhân hóa: hai bệnh nhân có các dấu hiệu sinh tồn tương tự có thể có diễn biến rất khác nhau khi xem xét di truyền học và lịch sử của họ.

Chất lượng và tính đầy đủ khác nhau rất nhiều.

Chi tiết lối sống tự báo cáo có thể thiên lệch hoặc không đầy đủ.

Các giải thích di truyền phát triển khi khoa học tiến bộ, tạo ra nhu cầu phân tích lại định kỳ.

Ngoài ra còn có mối quan ngại mạnh mẽ về quyền riêng tư vì dữ liệu di truyền và xã hội nhạy cảm và có khả năng xác định được danh tính.

Do đó lưu trữ dữ liệu y tế cá nhân an toàn và quy trình đồng ý rõ ràng là cần thiết.

Dữ liệu sinh lý thời gian thực

Dữ liệu sinh lý thời gian thực là các phép đo liên tục hoặc thường xuyên được thu thập từ thiết bị đeo được, cảm biến cấy ghép, hệ thống giám sát cạnh giường và cảm biến Internet vạn vật (IoT) phân tán.

Các biến số điển hình bao gồm nhịp tim và nhịp điệu, xu hướng huyết áp, độ bão hòa oxy, nhiệt độ cơ thể, tần số hô hấp và các thông số hoạt động như số bước hoặc giai đoạn ngủ.

Thiết bị đeo và màn hình cạnh giường truyền dữ liệu qua Bluetooth, Wi-Fi hoặc giao diện thiết bị y tế.

Các quy trình tiếp nhận dữ liệu phải hỗ trợ chuỗi thời gian tần số cao, xử lý kết nối gián đoạn và thực hiện làm mượn, phát hiện hiện tượng nhiễu và hiệu chuẩn.

Đồng bộ thời gian giữa các thiết bị và sắp xếp với các sự kiện lâm sàng rất quan trọng để giải thích chính xác.

Dữ liệu thời gian thực giúp HDT phản ánh trạng thái sinh lý hiện tại của bệnh nhân thay vì một ảnh chụp tĩnh.

Vì thế tạo điều kiện cho dự báo ngắn hạn:

Dự đoán tình trạng xấu đi về nguy cơ nhiễm trùng huyết vài giờ trước.
Kiểm soát vòng kín các liệu pháp (liều insulin tự động.
Mô phỏng chính xác hơn các can thiệp (liều thuốc thay đổi biến thiên nhịp tim trong giờ tới như thế nào).

Dữ liệu liên tục cũng cải thiện hệ thống cảnh báo sớm và cung cấp dữ liệu huấn luyện phong phú cho các mô hình học máy được nhúng trong HDT.

Độ chính xác, trôi dạt và nhiễu của cảm biến là những vấn đề phổ biến.

Khoảng trống dữ liệu xảy ra khi thiết bị không được đeo hoặc bị hỏng.

Tiêu chuẩn hóa định dạng dữ liệu giữa các nhà sản xuất thiết bị vẫn còn là rào cản.

Bác sĩ lâm sàng phải cẩn thận khi giải thích quá mức những biến động ngắn hạn so với các xu hướng có ý nghĩa lâm sàng.

Bảo mật kết nối truyền và quyền sử dụng dữ liệu thiết bị là những mối quan ngại bổ sung.

Dữ liệu hình ảnh y tế

Dữ liệu hình ảnh y tế bao gồm MRI, chụp CT, siêu âm, PET và các phương thức khác.

Những hình ảnh này tạo điều kiện xây dựng:

Mô hình giải phẫu ba chiều.
Đánh giá bệnh lý cấu trúc (khối u, hẹp, nhồi máu).
Trích xuất các dấu ấn sinh học hình ảnh định lượng (thể tích, mật độ mô, thông số tưới máu).

Dữ liệu hình ảnh thường được lưu trữ ở định dạng DICOM và cần phần mềm chuyên biệt để phân đoạn, đăng ký và tái tạo ba chiều.

Các quy trình tiên tiến sử dụng học sâu để phân đoạn tự động các cơ quan và tổn thương, và để trích xuất các đặc trưng radiomic là các mô tả định lượng về kết cấu và hình dạng.

Kết hợp các lần chụp liên tiếp giúp HDT mô phỏng thay đổi giải phẫu theo thời gian.

Các mô hình giải phẫu độ tin cậy cao rất quan trọng cho nhiều ứng dụng lâm sàng:

Lập kế hoạch phẫu thuật với mô phỏng ảo.
Tối ưu hóa kế hoạch xạ trị.
Mô hình hóa dòng chảy máu trong mạng mạch máu.
Dự đoán đáp ứng khối u với liệu pháp.

Chi tiết cấu trúc cũng neo chặt các mô hình sinh lý (mô phỏng điện sinh lý tim phụ thuộc vào hình học tim chính xác).

Hình ảnh độ phân giải cao tạo ra các tệp lớn và nhu cầu tính toán cao để xử lý.

Phân đoạn thủ công tốn thời gian và cần giám sát chuyên gia.

Các phương pháp tự động giảm bớt gánh nặng nhưng vẫn cần xác thực.

Các tham số thu thập hình ảnh khác nhau giữa các địa điểm và máy chụp, thách thức khả năng tương tác.

Tiếp xúc bức xạ (đối với CT) hạn chế chụp lặp lại nên phải cân bằng cẩn thận giữa lợi ích và rủi ro.

Kết quả xét nghiệm

Kết quả xét nghiệm và chẩn đoán bao gồm:

Bảng hóa sinh máu.
Công thức máu toàn phần.
Nuôi cấy vi sinh vật.
Xét nghiệm nước tiểu.
Mô bệnh học sinh thiết.
Xét nghiệm phân tử.

Những dữ liệu này cung cấp thông tin ở mức sinh hóa và tế bào về chức năng cơ quan, viêm, nhiễm trùng và các dấu hiệu bệnh tật.

Dữ liệu xét nghiệm được thu thập từ phòng xét nghiệm lâm sàng và thường được chuyển đến hồ sơ điện tử sử dụng thuật ngữ tiêu chuẩn.

Đảm bảo đơn vị, khoảng tham chiếu và bối cảnh mẫu phẩm đúng (mẫu nhịn ăn so với không nhịn ăn) là điều quan trọng.

Đánh dấu thời gian rất cần thiết để liên kết xét nghiệm với các sự kiện hoặc điều trị lâm sàng.

Xu hướng xét nghiệm cung cấp các đầu vào định lượng cho mô hình sinh lý, giúp phát hiện trạng thái bệnh (suy thận, thiếu máu, nhiễm trùng) và hiệu chỉnh các tham số nội bộ của HDT.

Ví dụ: mức creatinine liên tiếp giúp ước tính quỹ đạo chức năng thận, các dấu hiệu viêm có thể điều chỉnh các đáp ứng miễn dịch được mô phỏng.

Biến thiên xét nghiệm phát sinh từ các phương pháp xét nghiệm khác nhau, sự khác biệt hiệu chỉnh giữa các phòng xét nghiệm và các yếu tố tiền phân tích.

Một số xét nghiệm chuyên biệt có thể không có sẵn thường xuyên.

Tích hợp báo cáo giải phẫu bệnh thường là văn bản tự do cần NLP để trích xuất các khái niệm có cấu trúc.

Tính kịp thời là một mối quan ngại khác vì kết quả xét nghiệm có thể trễ hơn so với các sự kiện lâm sàng.

Hồ sơ sức khỏe điện tử (EHRs)

EHR tích hợp tài liệu lâm sàng:

Chẩn đoán.
Danh sách thuốc.
Kế hoạch điều trị.
Báo cáo thủ thuật.
Ghi chú bác sĩ.
Dị ứng.
Mã thanh toán.

Chúng đưa ra hồ sơ chăm sóc dọc và khung cấu trúc cho nhiều loại dữ liệu khác.

Dữ liệu EHR đến từ hệ thống bệnh viện và phòng khám ngoại trú, thường qua giao diện Health Level 7 (HL7) hoặc FHIR API.

Trích xuất thông tin có ý nghĩa thường đòi hỏi làm sạch dữ liệu, chuẩn hóa và trích xuất dữ liệu có cấu trúc từ văn bản tường thuật sử dụng NLP.

Các ontology lâm sàng và hệ thống mã hóa (ICD, SNOMED CT, RxNorm) được sử dụng để tiêu chuẩn hóa các mục nhập.

EHR cung cấp câu chuyện lâm sàng và bối cảnh hướng dẫn giải thích các dữ liệu khác.

Chúng tiết lộ các điều trị trước đây, sự tuân thủ thuốc, kế hoạch chăm sóc và việc ra quyết định lâm sàng mà HDT phải tuân theo.

EHR tạo điều kiện liên kết can thiệp với kết quả.

Điều này rất cần thiết để xác thực dự đoán HDT và để học hỏi từ các tập chăm sóc trong quá khứ.

Chất lượng dữ liệu EHR có thể không đồng đều vì tài liệu có thể bao gồm lỗi, trùng lặp hoặc thiếu sót.

Ghi chú lâm sàng chứa chi tiết phong phú nhưng không có cấu trúc và cần xử lý bằng NLP.

Các hố thông tin dữ liệu giữa các tổ chức làm phức tạp quá trình xây dựng HDT dọc toàn diện.

Các chính sách riêng tư, đồng ý và quản trị kiểm soát quyền truy cập và chia sẻ dữ liệu EHR cũng cần phải minh bạch với bệnh nhân.

Dữ liệu báo cáo của bệnh nhân

PROM là báo cáo có cấu trúc được cung cấp trực tiếp bởi bệnh nhân về triệu chứng, tình trạng chức năng, mức độ đau, sức khỏe tâm thần và chất lượng cuộc sống.

Chúng nắm bắt trải nghiệm chủ quan của bệnh tật mà các phép đo khách quan không thể phản ánh đầy đủ.

PROM thường được thu thập thông qua cổng web, ứng dụng sức khỏe di động hoặc bảng câu hỏi định kỳ.

Các công cụ tiêu chuẩn (như EQ-5D cho chất lượng cuộc sống hoặc các thước đo PROMIS) cung cấp các thang đo đã được xác thực có thể được theo dõi theo thời gian.

Các phản hồi được đánh dấu thời gian và có thể được tích hợp với quy trình làm việc của bác sĩ.

PROM làm phong phú HDT thông qua khả năng thêm tiếng nói của bệnh nhân.

Chúng giúp mô hình mô phỏng không chỉ các kết quả sinh lý mà còn các hậu quả chức năng và trải nghiệm của can thiệp.

Đối với các tình trạng mãn tính hoặc chăm sóc giảm nhẹ, các kết quả do bệnh nhân báo cáo thường là yếu tố quyết định có liên quan nhất của việc lựa chọn điều trị.

PROM cũng hỗ trợ ra quyết định chung và giúp hiệu chỉnh mô hình để phản ánh các ưu tiên cá nhân.

PROM phụ thuộc vào sự tham gia của bệnh nhân và có thể gặp phải báo cáo không đầy đủ hoặc thiên lệch hồi tưởng.

Sự khác biệt về văn hóa và ngôn ngữ ảnh hưởng đến cách các câu hỏi được giải thích.

Khoảng cách kỹ thuật số có thể hạn chế sự tham gia của những người không có điện thoại thông minh hoặc truy cập internet.

Đảm bảo rằng PROM được tích hợp theo cách ảnh hưởng đến chăm sóc thay vì được thu thập một cách thụ động là khó khăn luôn xảy ra.

Tích hợp dữ liệu đa phương thức

Dữ liệu đa phương thức đề cập đến sử dụng kết hợp các loại trên và dữ liệu đầu vào thô khác được thu thập trong suốt quá trình chăm sóc bao gồm:

Nhật ký cảm biến.
Chú thích của bác sĩ.
Di truyền học.
Hình ảnh y tế.
Kết quả xét nghiệm.
Dữ liệu hành vi.

Khả năng của HDT nằm ở tích hợp các phương thức không đồng nhất này để các mô hình học hỏi từ tương tác liên phương thức và tạo ra dự đoán phong phú, chính xác hơn.

Tích hợp dữ liệu đa phương thức cần kiến trúc dữ liệu mạnh mẽ.

Điều này bao gồm mô hình dữ liệu chung, ontology, sắp xếp thời gian và chiến lược xử lý thông tin thiếu hoặc xung đột.

Các phương pháp học máy được thiết kế cho đầu vào đa phương thức có thể kết hợp các đặc trưng từ các nguồn khác nhau

Ví dụ: kết hợp các đặc trưng từ hình ảnh với biến thể di truyền và dấu hiệu sinh tồn liên tục.

Theo dõi nguồn gốc dữ liệu và tiêu chuẩn siêu dữ liệu đảm bảo độ tin cậy và khả năng tái tạo.

Tích hợp đa phương thức giúp HDT nắm bắt các hành vi phức tạp, nổi lên mà các loại dữ liệu đơn lẻ bỏ lỡ.

Ví dụ: kết hợp các mẫu hoạt động từ thiết bị đeo với báo cáo tâm trạng và dấu hiệu viêm có thể dự đoán tái phát trầm cảm tốt hơn so với bất kỳ nguồn nào riêng lẻ.

Những hiểu biết sâu sắc liên phương thức có thể cá nhân hóa phản ứng điều trị.

Do đó tạo điều kiện phát hiện sớm biến chứng và hỗ trợ mô phỏng mạnh mẽ trên các thang thời gian và tình huống can thiệp.

Kết hợp đa phương thức đòi hỏi kỹ thuật phức tạp hơn.

Sắp xếp các tỷ lệ lấy mẫu khác nhau (phút cho dấu hiệu sinh tồn, tuần cho xét nghiệm, tháng cho hình ảnh) và hòa giải các cấu hình nhiễu cụ thể theo phương thức là những nhiệm vụ không đơn giản.

Các mô hình được huấn luyện trên dữ liệu đa phương thức cần bộ dữ liệu lớn, được gán nhãn tốt để tránh overfitting.

Ngoài ra còn có các vấn đề đạo đức và pháp lý đáng kể xung quanh đồng ý liên kết và tái sử dụng dữ liệu.

Bên cạnh đó còn có rủi ro khi kết hợp dữ liệu làm tăng khả năng xác định danh tính.

Ví dụ: Một bệnh nhân tiểu đường có thể được theo dõi thông qua HDT kết hợp dữ liệu từ máy đo đường huyết liên tục (dữ liệu sinh lý thời gian thực), lịch sử gia đình và biến thể gen liên quan đến kháng insulin (dữ liệu di truyền), báo cáo về mức độ mệt mỏi và chất lượng giấc ngủ (PROMs), cùng với kết quả HbA1c định kỳ (xét nghiệm).

HDT có thể dự đoán nguy cơ biến chứng và đề xuất điều chỉnh liều insulin dựa trên tất cả các nguồn dữ liệu này.

Các phương pháp mô hình hóa

Mô hình hóa dựa trên vật lý

Mô hình dựa trên vật lý mô phỏng các hệ thống sinh học bằng các định luật vật lý, hóa học và sinh học đã được khẳng định.

Những mô hình này thường được gọi là “hộp trắng” vì cấu trúc bên trong và các thông số có thể hiểu được theo góc độ cơ chế hoạt động.

Trong một HDT tim mạch, mô hình vật lý có thể bao gồm các phương trình động lực học chất lỏng để mô tả dòng chảy máu, cơ học liên tục để mô tả sự biến dạng cơ tim và các mô hình sinh lý để mô tả sự truyền tín hiệu điện trong mô tim.

Các phương trình như Navier-Stokes cho dòng chảy hoặc mô hình kiểu Hodgkin-Huxley cho điện sinh lý tạo nên nền tảng toán học.

Điều kiện biên và cấu trúc giải phẫu đặc thù của bệnh nhân, thường được thu thập từ hình ảnh y học, hoàn thiện việc thiết lập mô hình.

Ưu thế chính của mô hình vật lý là khả năng giải thích được.

Bác sĩ và nhà nghiên cứu có thể truy xuất các dự đoán về các giả định cơ chế và thông số.

Đặc điểm này giúp xây dựng lòng tin: khi mô hình dự đoán chức năng tâm thất bị suy giảm có thể chỉ ra các thông số co bóp giảm hoặc các dạng dòng chảy thay đổi.

Mô hình vật lý có thể được sử dụng để kiểm tra các giả thuyết nhân quả, thiết kế các can thiệp (như lên kế hoạch cắt bỏ phẫu thuật hoặc đặt thiết bị), và mô phỏng các kịch bản “điều gì xảy ra nếu” dựa trên thực tế vật lý.

Mô hình vật lý xuất sắc trong các lĩnh vực mà các nguyên lý chi phối được đặc trưng hóa tốt và có thể đo lường được.

Ví dụ: mô phỏng điện sinh lý tim được sử dụng trong lập kế hoạch đốt điện, động lực học chất lỏng tính toán cho huyết động mạch máu và đặt stent, cũng như mô hình sinh cơ học để lắp đặt chân tay giả chỉnh hình.

Những ứng dụng này dựa vào cấu trúc giải phẫu đặc thù của bệnh nhân từ hình ảnh y học và các tính chất mô được đo khi có thể.

Ví dụ: Trong phẫu thuật tim, bác sĩ có thể sử dụng mô hình 3D dựa trên CT hoặc MRI để mô phỏng dòng máu qua van tim nhân tạo trước khi thực hiện phẫu thuật, giúp lựa chọn kích thước van phù hợp nhất.

Tính chất hộp trắng của mô hình vật lý hỗ trợ việc giải thích và hiểu biết cơ chế, điều này phù hợp với nhu cầu khả năng diễn giải của các bác sĩ.

Chúng có xu hướng tổng quát hóa tốt khi cấu trúc mô hình nắm bắt chính xác sinh học cốt lõi.

Trong các lĩnh vực mà các định luật được biết rõ và số lượng biến quan trọng bị giới hạn, mô hình vật lý có thể mạnh mẽ và đáng tin cậy ngay cả với tương đối ít dữ liệu bệnh nhân.

Cơ thể con người là một hệ thống cực kỳ phức tạp với nhiều quá trình tương tác, động lực đa tầng, và sự biến thiên giữa các cá nhân.

Nắm bắt tất cả các cơ chế liên quan với độ chính xác yêu cầu thường không khả thi.

Các thông số ở tầng tế bào hoặc phân tử có thể không rõ hoặc không thể đo được cho một bệnh nhân cụ thể.

Xây dựng một HDT toàn thân dựa trên vật lý được cập nhật động theo thời gian thực sẽ đối mặt với nhu cầu tính toán khổng lồ và yêu cầu kiến thức tất định về vô số tương tác chưa được đặc trưng hóa đầy đủ.

Trên thực tế, mô hình vật lý thường yêu cầu các đơn giản hóa và giả định làm hạn chế tính thực tế hoặc phạm vi của chúng.

Hiệu chỉnh cho các bệnh nhân cá nhân có thể khó khăn khi các phép đo trực tiếp của các thông số chính không có sẵn.

Phát triển các HDT vật lý mạnh mẽ đòi hỏi chuyên môn chuyên biệt trong mô hình tính toán, phương pháp số, và tính toán hiệu suất cao.

Tái tạo giải phẫu đặc thù của bệnh nhân chính xác dựa vào hình ảnh chất lượng cao và phân đoạn cẩn thận.

Thời gian chạy mô phỏng có thể dài, buộc phải cân bằng giữa chi tiết mô hình và tính khả thi cho sử dụng lâm sàng.

Xác thực đòi hỏi dữ liệu thí nghiệm hoặc lâm sàng chuẩn vàng để so sánh, điều này có thể tốn kém hoặc khó thực hiện về mặt đạo đức.

Mô hình vật lý phù hợp khi hiểu biết cơ chế mạnh mẽ, câu hỏi lâm sàng hưởng lợi từ hiểu biết nhân quả, và các đầu vào có thể đo được đặc thù của bệnh nhân có sẵn.

Chúng đặc biệt hữu ích cho lập kế hoạch phẫu thuật, thử nghiệm thiết bị, và các kịch bản mà việc giải thích lý do đằng sau dự đoán là then chốt.

Mô hình hóa dựa trên dữ liệu

Mô hình dựa trên dữ liệu dựa vào các kỹ thuật học thống kê và nhận dạng mẫu để học các mối quan hệ trực tiếp từ dữ liệu thay vì các phương trình cơ chế tường minh.

Các phương pháp học máy bao gồm mô hình hồi quy, tập hợp cây và mạng nơ-ron sâu.

Những mô hình này thường được gọi là “hộp đen” khi biểu diễn nội bộ của chúng mờ ám hoặc “hộp xám” khi kết hợp với một số thành phần có thể diễn giải.

HDT dựa trên dữ liệu có thể sử dụng các dòng dữ liệu dọc về sinh hiệu, xét nghiệm, đặc trưng từ hình ảnh, di truyền học và kết quả báo cáo của bệnh nhân để dự đoán nguy cơ bệnh tật, phản ứng điều trị, hoặc sự xấu đi ngắn hạn.

Mô hình dựa trên dữ liệu có thể xử lý các mối quan hệ phức tạp, phi tuyến tính cao và tích hợp các tập dữ liệu đa phương thức khổng lồ.

Chúng có thể phát hiện các mẫu chi tiết qua thời gian và các phương thức mà con người hoặc mô hình truyền thống có thể bỏ lỡ.

Trong nhiều bối cảnh lâm sàng, dữ liệu lịch sử phong phú tồn tại, làm việc đào tạo mô hình thực nghiệm trở nên khả thi.

Ví dụ: các mô hình được đào tạo trên các nhóm lớn có thể dự đoán khởi phát nhiễm trúng huyết, nguy cơ tái nhập viện hoặc kết quả điều trị sử dụng các đặc trưng tự động học từ hồ sơ y tế điện tử và dữ liệu cảm biến.

Mô hình học sâu phân loại khối u từ hình ảnh, mô hình chuỗi thời gian dự đoán quỹ đạo glucose trong chăm sóc tiểu đường và mô hình tập hợp dự báo sự xấu đi của phòng ICU.

Các mô hình được AI điều khiển đã được sử dụng để khuyên nghị điều chỉnh thuốc, gắn cờ các sự kiện bất lợi và ưu tiên bệnh nhân để can thiệp dựa trên nguy cơ dự đoán.

Ví dụ: Hệ thống AI có thể phân tích liên tục dữ liệu từ monitor bệnh nhân (nhịp tim, huyết áp, SpO2) để dự đoán sớm nguy cơ sốc nhiễm trúng 6 giờ trước khi có triệu chứng rõ ràng, giúp bác sĩ can thiệp kịp thời.

Mô hình dựa trên dữ liệu có thể khai thác các tập dữ liệu lớn để đạt độ chính xác dự đoán cao và thích ứng với động lực phức tạp, phi tuyến tính mà không yêu cầu kiến thức cơ chế tường minh.

Chúng linh hoạt và có thể kết hợp các phương thức mới khi chúng trở nên khả dụng.

Khi được đào tạo trên dữ liệu đại diện, chúng có thể tạo ra các dự đoán có độ chính xác cao cho các kịch bản lâm sàng được đại diện tốt.

Hạn chế đáng kể nhất là khả năng giải thích được.

Các bác sĩ thường cần biết tại sao mô hình đưa ra khuyến nghị nhưng các dự đoán hộp đen không có lý luận rõ ràng có thể khó tin tưởng trong các quyết định y tế quan trọng.

Mô hình dựa trên dữ liệu có nguy cơ quá khớp đặc biệt khi mô hình lớn so với kích thước hiệu quả của dữ liệu đào tạo hoặc khi các tập dữ liệu bị thiên lệch.

Những mô hình này có thể vô tình học và duy trì các thiên lệch có trong dữ liệu đào tạo, gây tổn hại cho các nhóm ít được đại diện.

Một thách thức khác là các mô hình được đào tạo trên dữ liệu lịch sử có thể thất bại khi tổng quát hóa cho các bối cảnh mới với các quần thể bệnh nhân khác nhau, thực hành chăm sóc, hoặc phương pháp thu thập dữ liệu.

Dữ liệu được gán nhãn chất lượng cao là thiết yếu.

Xây dựng và duy trì các tập dữ liệu đào tạo đại diện cho các quần thể và bối cảnh lâm sàng đa dạng tốn nhiều nguồn lực.

Kỹ thuật đặc trưng, làm sạch dữ liệu và hài hòa hóa là các nút thắt chính.

Các ràng buộc quy định và đạo đức xung quanh chia sẻ dữ liệu và quyền riêng tư bệnh nhân làm phức tạp mục tiêu lắp ráp các kho dữ liệu đào tạo lớn.

Xác thực và hiệu chỉnh mô hình là các bước quan trọng nhưng có thể bị bỏ qua trong thực tế, dẫn đến các dự đoán quá tự tin trong triển khai.

Mô hình dựa trên dữ liệu đặc biệt hữu ích khi dữ liệu chất lượng cao, phong phú tồn tại và mục tiêu là hiệu suất dự đoán thay vì giải thích cơ chế chi tiết.

Chúng hoạt động tốt cho các hệ thống cảnh báo sớm, nhận dạng mẫu trong hình ảnh và các nhiệm vụ phân tầng nguy cơ mà các dự đoán được xác thực có thể hướng dẫn quy trình làm việc lâm sàng.

Khi khả năng diễn giải quan trọng, các mô hình đơn giản hơn hoặc công cụ giải thích nên được áp dụng.

Mô hình hóa kết hợp

Mô hình kết hợp kết hợp các thành phần cơ chế, dựa trên vật lý với các yếu tố dựa trên dữ liệu để nắm bắt những điểm tốt nhất của cả hai thế giới.

Ý tưởng cốt lõi là nhúng kiến thức lĩnh vực như các ràng buộc hoặc thành phần có cấu trúc trong khi để học máy mô hình các khía cạnh được hiểu kém, ồn ào, hoặc quá phức tạp để mô hình tường minh.

Một HDT kết hợp có thể sử dụng mô hình tim dựa trên vật lý cho điện sinh lý và sinh cơ học trong khi sử dụng học máy để ước tính độ dẫn mô được biết kém hoặc để học các sửa lỗi sai số dư.

Một cách tiếp cận khác liên kết các biến lâm sàng trạng thái vĩ mô (các quan sát lâm sàng dễ đo như huyết áp và nhịp tim) với các quá trình sinh học trạng thái vi mô (động lực tế bào hoặc phân tử) thông qua các thuật toán như bộ lọc Kalman tập hợp để cập nhật trạng thái mô hình khi có quan sát mới đến.

Mô hình kết hợp bảo tồn khả năng diễn giải ở nơi quan trọng.

Các thành phần cơ chế cung cấp lý luận nhân quả và đảm bảo tính hợp lý sinh lý trong khi tận dụng tính linh hoạt dựa trên dữ liệu để nắm bắt các mối quan hệ phức tạp và cá nhân hóa thông số.

Cấu trúc này có thể cải thiện tính mạnh mẽ và tổng quát hóa, giảm yêu cầu dữ liệu và cung cấp giải thích dựa trên sinh học đã biết trong khi thích ứng với dữ liệu đặc thù của bệnh nhân.

Ví dụ: sử dụng mô hình tim cơ chế cho động lực thất trong khi áp dụng học máy để cá nhân hóa độ cứng và độ dẫn mô dựa trên các tín hiệu ECG quan sát được và đặc trưng hình ảnh.

Trong chăm sóc tích cực, một mô hình kết hợp có thể sử dụng các phương trình dược động học, dược lực học (PK/PD) đã thiết lập để mô hình hành vi thuốc và học tốc độ thanh thải đặc thù của bệnh nhân từ dữ liệu xét nghiệm và sinh hiệu trực tuyến.

Bộ lọc Kalman tập hợp là một kỹ thuật phổ biến trong các phương pháp tích hợp.

Nó đồng hóa dữ liệu quan sát vào mô hình cơ chế để cập nhật ước tính trạng thái nội bộ và giá trị thông số, hiệu quả điều chỉnh mô hình dựa trên vật lý theo tình trạng hiện tại của bệnh nhân.

Ví dụ: Trong điều trị ung thư, hệ thống có thể kết hợp mô hình toán học mô tả sự phát triển khối u (dựa trên các định luật sinh học đã biết) với AI học từ dữ liệu hình ảnh CT/MRI để dự đoán phản ứng với từng loại hóa trị liệu cụ thể cho mỗi bệnh nhân.

Mô hình kết hợp có thể đạt được sự cân bằng.

Chúng duy trì khả năng diễn giải và tính nhất quán sinh lý trong khi đạt được khả năng thích ứng và sức mạnh dự đoán từ các thành phần dựa trên dữ liệu.

Chúng thường yêu cầu ít phép đo đặc thù của bệnh nhân hơn ước tính thông số cơ chế hoàn toàn vì các phần dựa trên dữ liệu có thể xấp xỉ các quá trình không quan sát được.

Theo thiết kế, mô hình tích hợp có thể mạnh mẽ hơn đối với sự thay đổi tập dữ liệu vì các ràng buộc cơ chế ngăn các dự đoán vi phạm các định luật vật lý đã biết.

Cách tiếp cận tích hợp tăng độ phức tạp khi triển khai.

Thiết kế cách kết hợp các thành phần cơ chế và dựa trên dữ liệu đòi hỏi các lựa chọn kiến trúc cẩn thận.

Nnhững phần nào nên dựa trên vật lý, những phần nào nên được học và cách hai phần tương tác.

Ghép nối không đúng có thể dẫn đến bất ổn định hoặc khả năng diễn giải kém.

Mô hình kết hợp vẫn yêu cầu cả chuyên môn lĩnh vực và dữ liệu đủ để học; chúng không loại bỏ nhu cầu xác thực và thử nghiệm nghiêm ngặt.

Vận hành các HDT lai đòi hỏi các nhóm đa ngành: nhà vật lý, kỹ sư y sinh, bác sĩ lâm sàng, nhà khoa học dữ liệu và kỹ sư phần mềm.

Các phương pháp đồng hóa dữ liệu hiệu quả như bộ lọc Kalman hoặc suy luận biến phân, phải được lựa chọn và điều chỉnh.

Khối lượng công việc tính toán có thể nặng nếu các thành phần cơ chế độ chính xác cao được giữ lại, đòi hỏi tăng tốc phần cứng hoặc các kỹ thuật giảm mô hình.

Xác thực qua các quần thể bệnh nhân và kịch bản lâm sàng đa dạng là thiết yếu để đảm bảo an toàn và độ tin cậy.

Mô hình kết hợp thường là con đường thực tế nhất để xây dựng HDT hữu ích lâm sàng.

Sử dụng mô hình kết hợp khi một số cơ chế sinh lý được hiểu rõ và có thể ràng buộc dự đoán nhưng các khía cạnh khác hưởng lợi từ cá nhân hóa dựa trên dữ liệu.

Chúng đặc biệt có giá trị khi bạn cần cả khả năng diễn giải và hiệu suất dự đoán mạnh mẽ.

Ví dụ: trong tối ưu hóa liệu pháp, giám sát bệnh nhân thời gian thực với khuyến nghị có thể hành động và dự báo tiến triển bệnh cá nhân hóa.

Triển khai thực tế thành công

Dự án Living Heart

Dự án Living Heart là một sáng kiến hợp tác quy mô lớn.

Dự án tập hợp các nhà nghiên cứu tim mạch, nhà sản xuất thiết bị y tế, cơ quan quản lý, bác sĩ lâm sàng và các đối tác học thuật để tạo ra những mô hình trái tim kỹ thuật số cá nhân hóa với độ chính xác cao.

Dự án hướng tới thiết lập một nền tảng công nghệ chung cho ngành tim mạch in silico, hỗ trợ giáo dục, thiết kế thiết bị, khoa học quản lý, chẩn đoán lâm sàng và nghiên cứu chuyển đổi.

Dự án xây dựng các mô hình trái tim cá nhân hóa bằng cách kết hợp tái tạo giải phẫu chi tiết từ hình ảnh y tế với các mô hình dựa trên vật lý về điện sinh lý, cơ học và động lực học máu.

Những mô hình này có thể mô phỏng quá trình lan truyền điện, co cơ tim và động lực dòng máu trong các tình huống sinh lý và can thiệp khác nhau.

Ví dụ: đánh giá vị trí đặt dây dẫn máy tạo nhịp tim, phân tích tương tác giữa thiết bị và mô, dự đoán hiệu suất thiết bị trong giải phẫu cụ thể của từng bệnh nhân.

Về mặt lâm sàng, Living Heart đã chứng minh cách các thử nghiệm ảo và mô phỏng thiết bị có thể giảm thiểu nhu cầu thử nghiệm trên bàn thí nghiệm kéo dài và nghiên cứu trên động vật.

Ngoài ra còn cung cấp cái nhìn sâu sắc về cơ chế hoạt động của thiết bị trong các giải phẫu khác nhau giữa các bệnh nhân.

Sáng kiến này cũng hỗ trợ khoa học quản lý nhờ đưa ra bằng chứng tính toán để bổ sung cho các quy trình thử nghiệm truyền thống, phù hợp với các nỗ lực như Đạo luật Chữa trị Thế kỷ 21 nhằm hiện đại hóa đánh giá thiết bị y tế.

Các thách thức chính bao gồm chi phí tính toán cho mô phỏng độ chính xác cao, nhu cầu đo lường chính xác tính chất mô đối với từng bệnh nhân, và xác thực độ chính xác dự đoán so với kết quả lâm sàng.

Bài học từ dự án cho thấy sự hợp tác nhiều bên liên quan, kết hợp tính chặt chẽ học thuật, nhu cầu công nghiệp và đầu vào quản lý sẽ thúc đẩy việc chuyển đổi HDT thành các công cụ phù hợp với lâm sàng.

Dự án “Emma”

“Emma” của Dassault Systèmes là một khái niệm bệnh nhân kỹ thuật số tổng quát được sử dụng cho nghiên cứu y tế.

Dự án được thiết kế để thực hiện các thí nghiệm ảo và khám phá tiến trình bệnh cùng tác động điều trị trên nhiều tình trạng khác nhau.

Emma minh họa cách một nền tảng bệnh nhân kỹ thuật số có thể tái sử dụng hỗ trợ các nghiên cứu liên ngành, bao gồm mô phỏng tim phối hợp với Living Heart, nghiên cứu mô thần kinh liên quan đến Alzheimer và thử nghiệm thiết bị như thử nghiệm cấy ghép giác mạc.

Giá trị của Emma nằm ở khả năng tạo ra các đối tượng ảo được chuẩn hóa, có thể chia sẻ mà các nhà nghiên cứu và đối tác công nghiệp có thể sử dụng để thử nghiệm các can thiệp và giao thức thử nghiệm trước khi chuyển sang nghiên cứu lâm sàng.

Cung cấp các thí nghiệm ảo có kiểm soát, có thể tái tạo, Emma giúp tinh chỉnh giả thuyết, xác định các thông số thiết bị triển vọng và giảm rủi ro phát triển giai đoạn đầu.

Ví dụ: Một nhà nghiên cứu có thể sử dụng Emma để mô phỏng tác động của một loại thuốc tim mạch mới trên 1000 bệnh nhân ảo với các đặc điểm sinh lý khác nhau, giúp xác định liều lượng tối ưu trước khi tiến hành thử nghiệm trên người thật.

Các vấn đề thực tế bao gồm đảm bảo thư viện bệnh nhân ảo đại diện cho sự đa dạng dân số và biến đổi lâm sàng.

Hơn nữa có thể điều chỉnh kết quả mô phỏng với các điểm cuối thực tế được sử dụng trong thử nghiệm.

Bài học rộng hơn là các khung bệnh nhân kỹ thuật số được chuẩn hóa có thể cải thiện sự hợp tác giữa các nhóm nghiên cứu và hỗ trợ thử nghiệm ảo đạo đức.

Nó còn hiệu quả về chi phí để bổ sung chứ không thay thế các thử nghiệm trên người.

Philips HeartModel

Philips HeartModel là một công cụ được triển khai lâm sàng tạo ra cái nhìn 3D cá nhân hóa về giải phẫu tim từ siêu âm tim 2D thông thường.

Thay vì chỉ dựa vào mô phỏng trên vật lý, HeartModel sử dụng kỹ thuật xử lý hình ảnh tiên tiến và machine learning để phân đoạn các cấu trúc tim và tính toán các thông số thể tích một cách nhanh chóng trong quá trình siêu âm tim thường quy.

Trong thực tế, HeartModel tối ưu hóa quy trình làm việc lâm sàng bằng cách tạo ra các ước tính thể tích tim và phần trăm tống máu có thể tái tạo với ít cần vẽ đường viền thủ công hơn.

Điều này giảm thiểu sự biến đổi giữa các thao tác viên và thời gian khám.

Nó còn hỗ trợ ra quyết định kịp thời tại các phòng khám tim mạch.

Bằng cách cung cấp những hình ảnh 3D mạnh mẽ tại điểm chăm sóc, nó hoạt động hiệu quả như một thành phần HDT tim tập trung được sử dụng để chẩn đoán và theo dõi.

Ví dụ: Một bác sĩ tim mạch có thể sử dụng HeartModel để đánh giá chức năng tim của bệnh nhân chỉ trong 5 phút thay vì 20 phút như phương pháp thủ công truyền thống, đồng thời đạt độ chính xác cao hơn khi đo thể tích tâm thất.

Các thách thức bao gồm đảm bảo mô hình hoạt động tốt trên các máy siêu âm của nhiều nhà cung cấp khác nhau và các giải phẫu bệnh nhân đa dạng.

Thành công của HeartModel cho thấy các yếu tố HDT thực dụng.

Những HDT này có mục tiêu để giải quyết các vấn đề quy trình làm việc cụ thể với giá trị lâm sàng rõ ràng thường đạt được việc áp dụng sớm hơn.

Dự án CVD-Net

Dẫn đầu bởi các nhà nghiên cứu tại Imperial College London, dự án CVD-Net nhằm xây dựng và xác thực các song sinh ảo chính xác của trái tim bệnh nhân để theo dõi tiến trình bệnh và cá nhân hóa dự đoán cho bệnh nhân mắc tăng áp động mạch phổi mãn tính (PAH).

Dự án tích hợp hình ảnh bệnh viện, hồ sơ lâm sàng, dữ liệu từ thiết bị đeo và cấy ghép cùng các hồ sơ sức khỏe khác để xây dựng các song sinh theo thời gian có thể phản ánh những thay đổi trong trạng thái bệnh và phản ứng với liệu pháp.

CVD-Net đáng chú ý vì nó nhắm mục tiêu rõ ràng vào một nhóm bệnh nhân thực tế trong hệ thống chăm sóc sức khỏe quốc gia (NHS) để kiểm tra tính khả thi, khả năng mở rộng và hiệu quả chi phí trong các quy trình chăm sóc thường quy.

Dự án tập trung vào chuyển đổi dự đoán HDT thành hướng dẫn lâm sàng có thể thực hiện để cảnh báo bệnh nhân có nguy cơ xấu đi hoặc đề xuất điều chỉnh điều trị cá nhân hóa.

Ví dụ: Hệ thống có thể phân tích dữ liệu từ cảm biến tim của bệnh nhân PAH và dự đoán trước 2 tuần nếu bệnh nhân có nguy cơ nhập viện, từ đó bác sĩ có thể điều chỉnh thuốc sớm hơn.

Các thách thức hoạt động bao gồm liên kết dữ liệu giữa các hệ thống bệnh viện, đảm bảo tính đầy đủ và chất lượng dữ liệu và xác thực đầu ra mô hình so với kết quả lâm sàng.

Công việc ban đầu nhấn mạnh tầm quan trọng của bác sĩ tham gia để xác định các điểm cuối có ý nghĩa và nhu cầu cho các nghiên cứu triển khai đo lường kết quả như giảm nhập viện hoặc kế hoạch điều trị được tối ưu hóa.

CVD-Net minh họa cách HDT có thể được thí điểm ở quy mô hệ thống y tế khi được gắn chặt với trường hợp sử dụng lâm sàng và được hỗ trợ bởi cơ sở hạ tầng địa phương.

Cặp song sinh kỹ thuật số mạch máu

Tại Đại học Duke, các nhóm nghiên cứu đang phát triển song sinh kỹ thuật số mạch máu để mô phỏng các thủ thuật mạch máu.

Từ đó tạo ra các chiến lược chẩn đoán và lập kế hoạch điều trị cá nhân hóa, không xâm lấn.

Sử dụng MRI và CT scan độ phân giải cao, các nhà nghiên cứu xây dựng giải phẫu mạch máu 3D cụ thể cho từng đối tượng và chạy mô phỏng động lực học chất lỏng tính toán để nghiên cứu dòng máu, gradient áp suất và ứng suất trượt thành mạch.

Những HDT mạch máu này nhằm giảm thiểu các thủ thuật chẩn đoán xâm lấn bằng cách cung cấp đánh giá ảo về mức độ nghiêm trọng của hẹp mạch, dự đoán kết quả của đặt stent hoặc bắc cầu.

Vì thế đem lại khả năng tối ưu hóa chiến lược can thiệp mà không làm tăng nguy cơ cho bệnh nhân.

Cách tiếp cận này hỗ trợ thực hành thủ thuật và định kích thước thiết bị đồng thời cung cấp cho bác sĩ lâm sàng cơ sở rõ ràng hơn khi dựa trên sinh lý để lựa chọn điều trị.

Ví dụ: Trước khi thực hiện phẫu thuật bắc cầu động mạch vành, bác sĩ có thể sử dụng mô hình mạch máu kỹ thuật số để mô phỏng các vị trí khác nhau để đặt cầu nối và chọn phương án tối ưu nhất dựa trên mô phỏng dòng chảy máu.

Các rào cản chính là yêu cầu tính toán của động lực học chất lỏng cụ thể cho bệnh nhân và yêu cầu về các nghiên cứu xác thực so sánh các thông số mô phỏng với tiêu chuẩn vàng xâm lấn.

Công việc của Duke nhấn mạnh đối với các can thiệp mà giải phẫu và động lực học máu trực tiếp quyết định kết quả, HDT vật lý có thể thay đổi có ý nghĩa quá trình lập kế hoạch thủ thuật và tư vấn bệnh nhân.

Atlas Meditech trong phẫu thuật não

Atlas Meditech áp dụng các nguyên tắc HDT vào phẫu thuật não bằng cách xây dựng các mô hình não có độ chính xác cao để lập kế hoạch phẫu thuật và hướng dẫn trong quá trình phẫu thuật.

Tận dụng NVIDIA Omniverse cho phát triển 3D và công cụ MONAI cho hình ảnh y tế, Atlas xây dựng nền tảng tự động phân đoạn CT và MRI scan.

Từ đó phân định u và mô khỏe mạnh và tạo môi trường thực hành phẫu thuật tương tác.

Atlas Pathfinder và các công cụ liên quan sử dụng gán nhãn tự động và phân đoạn để tăng tốc tạo mô hình.

Do đó giúp các bác sĩ phẫu thuật thực hành các ca cắt bỏ phức tạp trong môi trường mô phỏng nắm bắt giải phẫu cụ thể của bệnh nhân và ranh giới khối u.

Các tính năng hỗ trợ quyết định được điều khiển bởi AI giúp đánh dấu các cấu trúc quan trọng và đề xuất các hành lang phẫu thuật tránh các vùng chức năng.

Ví dụ: Trước khi phẫu thuật cắt bỏ khối u não gần vùng ngôn ngữ, bác sĩ phẫu thuật có thể sử dụng mô hình 3D để thực hành nhiều lần, xác định đường tiếp cận an toàn nhất và dự đoán các biến chứng có thể xảy ra.

Triển khai này đặt an toàn bệnh nhân và cải thiện kết quả phẫu thuật lên hàng đầu.

Các thách thức bao gồm đảm bảo độ chính xác phân đoạn, duy trì các mô hình cập nhật khi điều kiện trong phẫu thuật khác với hình ảnh trước phẫu thuật, và tích hợp song sinh vào quy trình phòng phẫu thuật vô trùng.

Atlas Meditech cho thấy cách HDT được tích hợp với trực quan hóa độ chính xác cao và công cụ AI có thể tăng cường sự chuẩn bị của bác sĩ phẫu thuật và có khả năng giảm biến chứng.