Ứng dụng trí tuệ nhân tạo ( A.I ) trong quản lý chấn thương dây chằng chéo trước

Gần một nửa các bệnh lý chấn thương thể thao có liên quan khớp gối, trong số đó vấn đề ở dây chằng chéo trước (DCCT) thường gặp nhất, với số chấn thương DCCT không do va chạm chiếm đến 78% bệnh lý khớp gối tính trong tất cả các môn thể thao.
Dù thường gặp nhưng chẩn đoán tổn thương
DCCT vẫn còn là một thử thách với các bác sĩ lâm sàng. AI có thể cải thiện vấn đề này bằng cách giải quyết tính chủ quan của một số test thăm khám (ví dụ, pivot shift test) đồng thời cải thiện độ chính xác trong chẩn đoán bằng MRI.
AI còn có thể cung cấp giải pháp cho
các vấn đề khác của DCCT như dự đoán cá nhân nào có nguy cơ chấn thương hoặc tái chấn thương, xác định mốc giải phẫu phức tạp của khớp gối trong phẫu thuật, tối ưu hóa chương trình kiểm soát đau và chương trình phục hồi chức năng (PHCN) hậu phẫu cho bệnh nhân (BN).

KHÁI QUÁT VỀ TRÍ TUỆ NHÂN TẠO:

Artificial Inteligence (AI) – Trí tuệ nhân tạo là một nhánh của ngành khoa học máy tính, AI được định nghĩa đầu tiên bởi John McCarthy năm 1956 như “là một ngành khoa học và kỹ thuật về chế tạo máy móc thông minh”. Học thuyết này đã sinh ra rất nhiều phân nhánh, trong đó có machine learning (ML) – là các thuật toán (algorithms) học tập và thu nhận kiến thức thông qua các ví dụ. Có hai dạng thuật toán chính:

  • Supervised algorithms:  ta đưa cho máy tính hàng loạt các ví dụ cùng câu trả lời mẫu với hy vọng máy tính sẽ tìm được những đặc điểm cần thiết để đưa ra dự đoán cho những ví dụ khác chưa có câu trả lời trong tương lai
  • Unsupervised algorithms: máy tính cố gắng khai thác ra cấu trúc ẩn của một tập dữ liệu mà không cần câu trả lời mẫu

CNN (convolutional neural network) là một hệ thống gồm nhiều lớp thuật toán chồng lên nhau, được ứng dụng rộng rãi trong y học.

Như đã nói trong phần mô tả, AI có thể hỗ trợ chúng ta không chỉ trong chẩn đoán mà còn cả khả năng dự phòng và hỗ trợ điều trị tổn thương DCCT. Sau đây là một số nghiên cứu ứng dụng AI nổi bật:

VẤN ĐỀ DỰ ĐOÁN CHẤN THƯƠNG DCCT

Johnson cùng cộng sự đã phát triển một CNN sử dụng thuật toán phân tích mô hình vận động của vận động viên trong không gian 3 chiều, các chỉ dấu (marker) là 3 chuyển động thường gặp trong thể thao (đi, chạy và nhảy sang bên). Kết quả cho thấy sự liên quan mạnh mẽ giữa giai đoạn sớm của pha đứng trong động tác nhảy sang bên với chấn thương DCCT.

Hình 1: cảm biến phát hiện khớp gối ở tư thế dễ chấn thương trong pha sớm của thì chạm đất khi nhảy sang bên

 

MRI (hình ảnh học cộng hưởng từ) cũng là một nguồn dữ liệu lớn không thể bỏ qua, Pedoia và nhóm của mình lập trình AI có thể dự đoán – phát hiện chấn thương DCCT bằng cách phân tích hình dáng xương đùi và xương chày qua hình ảnh MRI (AI học bằng các ví dụ giữa MRI gối bình thường và gối tổn thương DCCT). Nhóm kết luận khoảng cách tương đối giữa lồi cầu và mặt phẳng dốc mâm chày (tibial plateau slope) là một chỉ dấu tin cậy để phân biệt khớp gối bình thường với khớp gối có DCCT chấn thương.

VẤN ĐỀ CHẨN ĐOÁN TỔN THƯƠNG DCCT

Labbe và cộng sự đã phát triển công cụ SVM (support vector machines) để phân độ một cách khách quan hiện tượng pivot shift bằng thuật toán đo lường chuyển động tương đối của cảm biến đặt trên đùi, chày và mào chậu. Thử nghiệm cho thấy sự tương đồng giữa kết luận của SVM và phẫu thuật viên chỉnh hình lâu năm. Hơn thế nữa, SVM có thể phân biệt giữa độ 0 và độ 1 và giữa độ 2 và 3 với độ nhạy 86% và độ chuyên biệt 90%.

Hình 2: các cảm biến đo đạc chính xác thông số pivot shift

Bằng cách đo áp lực lòng bàn chân trong khi phân tích dáng  đi, Li và nhóm phát triển một công cụ SVM khác để nhận diện chấn thương DCCT. Nhóm sử dụng một tấm thảm đo áp lực dài 2m với 16.384 cảm biến được sử dụng để ghi lại dữ liệu áp lực từ khớp gối bình thường và khớp gối có DCCT tổn thương. Trong bài kiểm tra cuối cùng, độ chính xác tổng thể của SVM là 50% với hai chân, 76% với chân trái và 62% với chân phải.

Hình 3: Thiết bị quét lòng bàn chân

Bien cùng đồng sự sử dụng thuật toán deep learning để chẩn đoán chấn thương ACL và sụn chêm hoặc phát hiện các bất thường về tổng thể trên MRI. Mô hình được huấn luyện bằng 1130 MRI khớp gối, tinh chỉnh và rồi được nội thẩm định (internal vadiation) bằng 120 bài kiểm tra. 

Hình 4: Mô hình CNN mà Bien đã sử dụng

Cũng dùng nguồn dữ liệu MRI, nhóm của Liu dùng 2 CNN để xác định DCCT và tổn thương đứt hoàn toàn DCCT. Sử dụng nội soi khớp để xác định chẩn đoán cuối cùng. Kết quả cho thấy không có sự khác biệt có ý nghĩa thống kê trong việc phát hiện rách DCCT giữa thuật toán (nhạy 96%; đặc hiệu 96%) với 5 bác sĩ chẩn đoán hình ảnh (nhạy 96-98%, đặc hiệu 90-98%). 

VẤN ĐỀ PHẪU THUẬT DCCT

Để cung cấp nhiều hơn các thông tin cần thiết cho phẫu thuật viên, một thuật toán phát triển bởi Jonmohamadi cùng các đồng sự tại Úc và Nhật Bản, có thể tự động phân khúc (segmentation) các khung hình nội soi. Thuật toán với tên gọi “U-NET” là một CNN được thiết kế chuyên cho việc phân khúc các hình ảnh y sinh học. Công nghệ này sử dụng các video nội soi làm tham số đầu vào để tạo nên một hình ảnh phân khúc của cấu trúc thực tế mà phẫu thuật viên thấy. Sử dụng 3868 hình ảnh lấy từ thực nghiệm trên 5 khớp gối của 4 xác người, các tác giả đã lập trình để nó có thể nhận diện các cấu trúc giải phẫu chính trong phẫu thuật: xương đùi, xương chày, DCCT, sụn chêm. Các tác giả đề xuất vai trò quan trọng của khả năng phân khúc hình ảnh tự động và nhận diện mô để ứng dụng huấn luyện phẫu thuật viên và làm công cụ định hướng cho các robot phẫu thuật nội soi trong tương lai.

Hình 5: một ví dụ về phân khúc hình ảnh và nhận diện mô trên video nội soi khớp gối

VẤN ĐỀ CHĂM SÓC HẬU PHẪU VÀ PHỤC HỒI CHỨC NĂNG

Rashkovska và nhóm xây dựng một thuật toán machine learning dự đoán nhiệt độ bên trong khớp gối trong lúc chườm lạnh sau phẫu thuật DCCT, Sử dụng mô phỏng trên máy tính, họ đã có thể phát triển một hệ thống có thể dự đoán nhiệt độ trong khớp gối sử dụng 4 cảm biến nhiệt trên da. Nghiên cứu này làm nổi bật vai trò tiềm năng của AI hỗ trợ phát hiện tính hiệu quả của chườm lạnh hậu phẫu, từ đó có thể phát triển một quy trình chườm lạnH cá thể hóa hơn. 

Hình 6: minh họa vị trí các cảm biến nhiệt trên khớp gối

Tiềm năng của machine learning trong hỗ trợ PHCN sau tái tạo DCCT cũng đã được kiểm chứng. Richter cùng các đồng sự ở Vương quốc Anh và Úc dùng 8 camera và 2 tấm cảm biến lực để ghi nhận một cách khách quan các kiểu chuyển động của hai nhóm: vận động viên đã tái tạo DCCT và vận động viên không có chấn thương ACL. Với hai mục đích: 1- tìm ra các bài tập giúp phân biệt chính xác khớp gối bình thường và khớp gối có DCCT tái tạo và 2- tính toán kiểu machine learning phù hợp nhất để phân tích dữ liệu cơ sinh. Nhóm kết luận double leg drop jump là bài tập có khả năng phân loại chính xác nhất (81%) và dự đoán chấn thương DCCT tốt nhất (sử dụng patternet).

Trên đây chỉ là cái nhìn lướt qua những gì mà giới khoa học máy tính và y học đang nỗ lực nghiên cứu nhằm thúc đẩy hơn nữa khả năng ứng dụng trí tuệ nhân tạo phục vụ con người. Thế giới không ngừng vận động thúc đẩy văn minh nhân loại tiến lên từng chút một, viễn cảnh các y bác sĩ phối hợp cùng AI chăm sóc sức khỏe cho bạn có lẽ không còn xa.

BS. Trần Đức Viễn – Đơn vị Y học Thể thao BV Chỉnh hình & PHCN 1A tổng hợp và biên soạn.

Share on facebook
Share on twitter
Share on linkedin
Share on email
Share on print