Phát triển và xác nhận ứng dụng điện thoại thông minh để sàng lọc bệnh vàng da ở trẻ sơ sinh
Tác giả Alvin Jia Hao Ngeow, MMe
Câu hỏi
Liệu việc kết hợp kiến thức chuyên ngành (nguyên lý Kramer về sự tiến triển của bệnh vàng da) với các kỹ thuật học machine learning (ML) hiện tại có thể tạo ra một công cụ sàng lọc độc đáo dựa trên điện thoại thông minh cho tình trạng tăng bilirubin ở trẻ sơ sinh không?
Phát hiện
Trong nghiên cứu chẩn đoán này trên 546 trẻ sơ sinh, ứng dụng ML dựa trên điện thoại thông minh, sử dụng mô hình ML kết hợp các chỉ số màu vàng từ trán, xương ức và bụng, đã trải qua quá trình xác thực nội bộ-bên ngoài so với tổng bilirubin huyết thanh (total serum bilirubin TSB). Pearson r là 0,84, độ nhạy là 100%, độ đặc hiệu là 70% và diện tích dưới đường cong đặc trưng hoạt động của máy thu là 0,89.
Ý nghĩa
Những phát hiện này cho thấy công cụ sàng lọc có mối tương quan tốt và thống nhất về mặt thống kê với TSB, cũng như độ nhạy tuyệt vời.
Tầm quan trọng
Nghiên cứu chẩn đoán này mô tả sự hợp nhất của kiến thức chuyên ngành (nguyên lý Kramer về sự tiến triển của bệnh vàng da) với các kỹ thuật học máy (ML) hiện tại để tạo ra một công cụ mới để sàng lọc bệnh vàng da sơ sinh (NNJ), ảnh hưởng đến 60% trẻ đủ tháng và 80% trẻ sinh non.
Mục tiêu
Nghiên cứu này nhằm phát triển và xác thực ứng dụng ML dựa trên điện thoại thông minh để dự đoán mức bilirubin (predict bilirubin SpB) ở trẻ sơ sinh đa chủng tộc bằng cách sử dụng phân tích màu da.
Thiết kế, Bối cảnh và Người tham gia
Nghiên cứu chẩn đoán này được tiến hành từ tháng 6 năm 2022 đến tháng 6 năm 2024 tại một bệnh viện tuyến ba và 4 phòng khám chăm sóc sức khỏe ban đầu tại Singapore với một mẫu trẻ sơ sinh liên tiếp được sinh ra ở tuần thứ 35 trở lên và trong vòng 21 ngày sau khi sinh.
Mô tả
Ứng dụng ML trên điện thoại thông minh đã chụp ảnh da qua khẩu độ trung tâm của thẻ dán hiệu chuẩn màu chuẩn hóa từ nhiều vùng quan tâm được sắp xếp theo kiểu đầu-đuôi, theo nguyên tắc Kramer về sự tiến triển của bệnh vàng da trên da.
Mô hình ML đã trải qua quá trình phát triển lặp đi lặp lại và xác thực chéo k-fold, với hiệu suất được đánh giá dựa trên lỗi bình phương trung bình căn bậc hai, tương quan Pearson và sự phù hợp với tổng bilirubin huyết thanh (TSB). Mô hình ML cuối cùng đã trải qua quá trình xác thực theo thời gian.
Kết quả và giải pháp chính
Tương quan tuyến tính và sự phù hợp thống kê giữa SpB và TSB được ghép nối; độ nhạy và độ đặc hiệu để phát hiện TSB bằng hoặc lớn hơn 17mg/dL với SpB bằng hoặc lớn hơn 13 mg/dL đã được đánh giá.
Kết quả
Ứng dụng ML dựa trên điện thoại thông minh đã được xác thực trên 546 trẻ sơ sinh (tuổi thai trung bình [IQR], 38,0 [35,0-41,0] tuần; 286 [52,4%] nam; 315 [57,7%] người Trung Quốc, 35 [6,4%] người Ấn Độ, 169 [31,0%] người Mã Lai và 27 [4,9%] dân tộc khác).
Phát triển lặp đi lặp lại và xác thực chéo đã được thực hiện trên 352 trẻ sơ sinh.
Mô hình ML cuối cùng (cây tăng cường độ dốc được tập hợp) kết hợp các chỉ số độ vàng từ trán, xương ức và bụng.
Xác nhận thời gian trên 194 trẻ sơ sinh cho thấy Pearson r là 0,84 (95% CI, 0,79-0,88; P < 0,001), 82% cặp dữ liệu nằm trong giới hạn lâm sàng có thể chấp nhận được là 3 mg/dL, độ nhạy là 100%, độ đặc hiệu là 70%, giá trị dự đoán dương tính là 10%, giá trị dự đoán âm tính là 100%, tỷ lệ khả năng dương tính là 3,3, tỷ lệ khả năng âm tính là 0 và diện tích dưới đường cong đặc trưng hoạt động của máy thu là 0,89 (95% CI, 0,82-0,96)
Kết luận và tính liên quan
Trong nghiên cứu chẩn đoán này về ứng dụng ML mới dựa trên điện thoại thông minh, có mối tương quan tốt và sự đồng thuận về mặt thống kê với TSB với độ nhạy là 100%.
Công cụ sàng lọc có tiềm năng trở thành công cụ sàng lọc NNJ, với các quyết định điều trị dựa trên TSB (tiêu chuẩn tham chiếu).
Cần có thêm các nghiên cứu triển vọng để thiết lập khả năng khái quát hóa và hiệu quả về mặt chi phí của công cụ sàng lọc trong bối cảnh lâm sàng.
Trích JAMA Netw Open. 2024;7(12):e2450260. doi:10.1001/jamanetworkopen.2024.50260