Sáu năm sau, AI đã sẵn sàng thay đổi cơ bản việc sàng lọc và chẩn đoán một loạt các bệnh về mắt khác, bao gồm bệnh võng mạc ở trẻ sinh non (ROP) và bệnh tăng nhãn áp. Nhưng những chuyển đổi này trong thực tế lại rất khó đánh giá, theo J. Peter Campbell, MD, MPH, Phó Giáo sư Nhãn khoa tại Viện Mắt Casey ở Portland, Oregon. Điều này là do việc áp dụng thành công AI hay không phụ thuộc vào việc vượt qua các yêu cầu về các qui chế, phạm vi bao trùm của bảo hiểm, rào cản kỹ thuật và các mối quan tâm về công bằng. Khi nghĩ đến việc triển khai AI trong nhãn khoa, hãy nhớ rằng luôn có một khoảng cách rất lớn giữa những gì khả thi và những gì dễ triển khai. Trong sàng lọc bệnh về mắt dựa trên AI, chúng ta cần sáng tạo các mô hình cung cấp dịch vụ chăm sóc mới bên cạnh những gì chúng ta đã quen dùng. Vì đó là nơi AI mang đến giá trị lớn nhất.
Trong thực tế tầm soát Bệnh võng mạc tiểu đường (DR)
Sau khi hệ thống IDx-DR trở thành hệ thống AI hoàn toàn tự động đầu tiên trong lĩnh vực y học, tiếp theo là sự chấp thuận của FDA đối với Hệ thống sàng lọc mắt AI EyeArt (Eyenuk) vào năm 2020 và hệ thống AEYE-DS (AEYE Health) trong năm nay. Tất cả đều đang biến AI thành hiện thực, TY Alvin Liu, MD, Phó giáo sư nhãn khoa tại Viện mắt Wilmer ở Baltimore cho biết. Và họ cũng cho ra các nghiên cứu điển hình về cách đưa công nghệ AI vào thực tế.
Tại Đại học Temple ở Phila delphia, Bs Jeffrey D. Henderer đang sử dụng AI để sàng lọc hơn 400 bệnh nhân mắc bệnh về mắt do tiểu đường mỗi tháng. Ông nhấn mạnh tiềm năng của AI trong việc thay đổi đáng kể việc sàng lọc bệnh võng mạc do tiểu đường bằng cách cung cấp kết quả ngay lập tức và cải thiện tỷ lệ theo dõi. Trước khi có công nghệ AI tại Temple, các bác sĩ lâm sàng đã chụp ảnh võng mạc và xem xét, với thời gian xử lý là vài ngày. Bây giờ, AI sẽ diễn giải ảnh võng mạc tại điểm chăm sóc. Việc chăm sóc bệnh nhân bắt đầu tại phòng khám của bác sĩ chăm sóc chính (PCP) nên hiệu quả ngay lập tức đối với cả bác sĩ lâm sàng và bệnh nhân.
Việc triển khai thành công hệ thống của họ đòi hỏi một cách tiếp cận toàn diện, xem xét cơ sở hạ tầng, khả năng tiếp cận của bệnh nhân và chăm sóc theo dõi. Tiến sĩ Henderer cho biết: "Tôi nghĩ về một chương trình sàng lọc hiệu quả như một chiếc ghế ba chân, tất cả các chân phải có cùng chiều dài và cùng sức mạnh, nếu không nó sẽ sụp đổ”.
Bệnh võng mạc ở trẻ sinh non, AI được ứng dụng nhiều nhất
Trẻ sinh non được khám tại gần 1.400 đơn vị chăm sóc tích cực dành cho trẻ sơ sinh (NICU) tại Hoa Kỳ, khiến các chuyên gia sàng lọc khó tiếp cận được với trẻ. Tiến sĩ Campbell cho biết điều làm phức tạp thêm vấn đề là chẩn đoán chính xác không phải lúc nào cũng dễ dàng, vì có thể có sự bất đồng quan điểm ngay cả giữa các chuyên gia về ROP. Lúc này AI có thể giúp ích theo hai cách quan trọng. Một là, như chúng ta đã thấy với sàng lọc DR, camera AI có thể sử dụng tự động sàng lọc những trẻ sơ sinh trong NICU thực sự cần được bác sĩ nhãn khoa khám. Hai là, AI có thể được sử dụng để tăng đồng thuận trong chẩn đoán lâm sàng giữa các chuyên gia ROP.
Quy trình làm việc nói chung đã đơn giản hơn nhiều. Sau khi chụp ảnh võng mạc của trẻ sinh non trong môi trường NICU, hệ thống AI sẽ phân tích hình ảnh để tìm dấu hiệu của ROP và tạo báo cáo chẩn đoán mà bác sĩ nhãn khoa xem xét từ xa để đưa ra khuyến nghị xác nhận và điều trị nếu cần.
Bệnh tăng nhãn áp, những hứa hẹn tiềm năng của AI
AI cũng đang có những bước tiến đáng kể trong việc sàng lọc và chẩn đoán bệnh tăng nhãn áp, Sophia Y. Wang, MD, MS, Trợ lý Giáo sư Nhãn khoa tại Viện Mắt Byers ở Palo Alto, California cho biết. Tuy nhiên, các ứng dụng trong thế giới thực còn kém xa so với DR và ROP. Tuy nhiên, bà cho biết, làm sáng tỏ một công nghệ mới sẽ giúp nó vượt qua những thách thức trong chẩn đoán và thúc đẩy khả năng tiếp cận và hướng tới công bằng trong chăm sóc sức khỏe,
Tiến sĩ Wang cho biết: “Bệnh tăng nhãn áp là một lĩnh vực có thể được hưởng lợi rất nhiều từ việc triển khai AI”. “Việc chẩn đoán và can thiệp sớm có thể khó khăn vì bệnh tăng nhãn áp thường không có triệu chứng ở giai đoạn đầu. Dr. Shan, chủ nhiệm khoa Glocom tại Đại học California, San Francisco, Hoa Kỳ cho biết thêm: “Một trong những rào cản lớn nhất khi sử dụng sàng lọc dựa trên AI để phát hiện bệnh tăng nhãn áp là không có tiêu chuẩn chẩn đoán được xác định rõ ràng. Chẩn đoán và đánh giá rủi ro đối với bệnh tăng nhãn áp bao gồm xét nghiệm đa phương thức trên các khía cạnh khác nhau của bệnh và đánh giá toàn diện về bệnh nhân- bao gồm các yếu tố rủi ro, theo dõi IOP, đánh giá dây thần kinh thị giác, kiểm tra trường thị giác, soi góc tiền phòng và phân tích lớp sợi thần kinh võng mạc, một số trong đó có thể mang tính chủ quan. Vì vậy, câu hỏi đặt ra là làm thế nào để kết hợp tất cả những kết quả này vào một hệ thống chẩn đoán để triển khai trong thực tế, Tiến sĩ Shan cho biết.
Tiến sĩ Wang cho biết, hiện tại, độ chính xác chung của hầu hết các mô hình dự đoán đều tốt, nhưng độ nhạy lại thấp hơn nhiều, điều này có nghĩa là các mô hình này đang dự đoán sai sự tiến triển của bệnh. Điều đó có nghĩa là chúng ta sẽ bỏ lỡ những bệnh nhân thực sự cần can thiệp"
Sự thiên vị và bất bình đẳng về dữ liệu. Cũng có mối lo ngại rằng một số nhóm bệnh nhân- đặc biệt là những người có nhiều vấn đề sức khỏe hơn nhưng ít được tiếp cận dịch vụ chăm sóc. Điều này sau đó có thể chuyển thành sự thiên vị trong chính các công cụ AI chăm sóc sức khỏe. Tiến sĩ Shan cho biết
Giải pháp nào để tạo ra tính đa dạng và mạnh mẽ của dữ liệu? Tiến sĩ Campbell cho biết các nhà nghiên cứu đang xem xét một số chiến lược:
- Tăng cường các biện pháp bảo mật dữ liệu bằng cách triển khai các kỹ thuật ẩn danh giúp loại bỏ thông tin nhận dạng cá nhân khỏi hình ảnh y tế.
- Thiết lập các tập đoàn chia sẻ dữ liệu và hợp tác giữa nhiều tổ chức chăm sóc sức khỏe và cơ sở dữ liệu công cộng để tập hợp các nguồn dữ liệu.
- Phát triển dữ liệu tổng hợp bằng cách sử dụng các mô hình tạo sinh, chẳng hạn như mạng đối nghịch tạo sinh, để tổng hợp hình ảnh có độ chân thực cao.
Rào cản thương mại và tài chính. Tất nhiên, các ứng dụng ROP sẽ phải trải qua quy trình quản lý thiết bị y tế của FDA trước khi được sử dụng trong thực tế. Một phần của quá trình này sẽ bao gồm việc chứng minh cho bên thanh toán rằng chi phí bổ sung thực sự tạo ra giá trị, điều này có thể đặc biệt khó khăn đối với các bệnh hiếm gặp như ROP, Tiến sĩ Campbell cho biết: chi phí chụp ảnh cũng là một rào cản tại thời điểm này. Vì vậy, cơ hội lớn nhất để áp dụng rộng rãi AI sẽ là tiêu chuẩn hóa chẩn đoán ROP dựa trên hình ảnh, điều này sẽ đòi hỏi thiết bị chụp nên có giá cả phải chăng hơn".
AI tất yếu đòi hỏi tất cả các chuyên gia nhãn khoa phải cùng nhau làm việc. AI đã chứng minh được triển vọng trong việc cải thiện cung cấp dịch vụ chăm sóc cho bệnh nhân. Điều quan trọng là tất cả chúng ta phải có sự hiểu biết về công nghệ để không chỉ tối đa hóa lợi ích của nó mà còn tránh việc sử dụng sai mục đích và những cạm bẫy của nó./.
Theo Mike Mott, cộng tác viên trang AAO
Bs Hoàng Cương biên dịch