Giá trị tiên lượng tử vong của thang điểm saps ii ở bệnh nhân hồi sức tích cực nội khoa

Trong một mô hình dự đoán tiên lượng, nhiều yếu tố dự đoán được kếthợp để ước tính xác suất của một kết cục hoặc sự kiện cụ thể ví dụ: tử vong,tái phát bệnh, biến chứng hoặc đáp ứng trị

LÂM CHÍ HUYỄN

GIÁ TRỊ TIÊN LƯỢNG TỬ VONG CỦA THANG ĐIỂM SAPS II Ở BỆNH NHÂN

HỒI SỨC TÍCH CỰC NỘI KHOA

Chuyên ngành: Nội khoa

Mã số: 8720107

LUẬN VĂN THẠC SĨ Y HỌC

NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS.PHẠM THỊ NGỌC THẢO

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các sốliệu, kết quả nêu trong luận án là hoàn toàn trung thực, khách quan và chưađược ai công bố trong bất kỳ công trình nghiên cứu nào khác

Người thực hiện

Lâm Chí Huyễn

MỤC LỤC

Trang phụ bìa

Lời cam đoan i

Mục lục ii

Danh mục đối chiếu các thuật ngữ Anh Việt vi

Danh mục các từ viết tắt viii

Danh mục các bảng ix

Danh mục hình ảnh, biểu đồ, lưu đồ x

MỞ ĐẦU 1

CHƯƠNG 1: TỔNG QUAN TÀI LIỆU 4

1.1 Nghiên cứu mô hình dự đoán 4

1.1.1 Mô hình dự đoán 4

1.1.2 Các loại nghiên cứu mô hình dự đoán 6

1.1.3 Các bước chính tạo ra mô hình dự đoán hữu ích 8

1 1.3.1 Xây d ựng mô hình dự đoán tốt 8

1 1.3.2 Ki ểm định mô hình dự đoán 9

1 1.3.3 Ư ớc lượng tác động của mô hình dự đoán lên thực hành lâm sàng và kết cục 10

1 1.3.4 C ập nhật mô hình dự đoán 10

1.1.4 Các lĩnh vực ứng dụng của mô hình dự đoán 11

1.1.5 Sự phát triển của mô hình dự đoán 12

1.1.6 Các yếu tố tiên lượng ở bệnh nhân nội khoa 13

1.2 Lý do nghiên cứu 17

1.2.1 Mô hình không được kiểm định và đánh giá tính hữu ích lâm sàng 17

1.2.2 Báo cáo không đầy đủ và thống nhất 18

1.2.3 Những khó khăn trong xây dựng mô hình tiên lượng 19

1.2.4 Những lợi ích khi kiểm định mô hình 22

1.3 Các thước đo hiệu suất mô hình 23

1.3.1 Thước đo hiệu suất chung 23

1.3.2 Độ phân tách 26

1.3.3 Độ chuẩn hóa 27

1.3.4 Tái phân nhóm 28

1.4 Yêu cầu của báo cáo nghiên cứu kiểm định 29

1.5 Tình hình nghiên cứu trong và ngoài nước 30

CHƯƠNG 2: ĐỐI TƯỢNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU 33

2.1 Thiết kế nghiên cứu 33

2.2 Đối tượng nghiên cứu 33

2.2.1 Dân số nghiên cứu 33

2.2.2 Dân số chọn mẫu 33

2.2.3 Tiêu chuẩn chọn mẫu 33

2.3 Kết cục 34

2.4 Yếu tố tiên lượng 34

2.5 Cỡ mẫu 37

2.5.1 Cách tính cỡ mẫu 37

2.5.2 Kỹ thuật chọn mẫu 38

2.5.3 Nơi thu thập mẫu 38

2.5.4 Thời gian thu thập mẫu 38

2.6 Dữ liệu trống 39

2.7 Phương pháp phân tích thống kê 39

2.8 Nhóm nguy cơ 40

2.9 Xây dựng và kiểm định 41

CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU 42

3.1 Đặc điểm lâm sàng, cận lâm sàng, điểm SAPS II 42

3.1.1 Mô tả đặc điểm bệnh nhân tham gia nghiên cứu 42

3.1.2 Mô tả đặc điểm của việc đánh giá mù 47

3.1.3 Mô tả đặc điểm của các yếu tố tiên lượng 53

3.2 Độ phân tách 61

3.2.1 Diện tích dưới đường cong ROC 61

3.2.2 Độ dốc phân tách 65

3.3 Độ chuẩn hóa 66

3.3.1 Phép kiểm Hosmer-lemeshow goodness-of-fit 66

3.3.2 Phần chăn a và độ dốc chuẩn hóa b 67

CHƯƠNG 4: BÀN LUẬN 69

4.1 Giới hạn của nghiên cứu 69

4.2 Diễn giải kết quả nghiên cứu 73

4.2.1 Đặc điểm của bệnh nhân 74

4.2.2 Đánh giá mù 74

4.2.3 Yếu tố tiên lượng 76

4.2.4 Độ phân tách 77

4.2.5 Độ chuẩn hóa 78

4.3 Ý nghĩa 79

CHƯƠNG 5: KẾT LUẬN 81

KIẾN NGHỊ 82

TÀI LIỆU THAM KHẢO

PHỤ LỤC

DANH MỤC ĐỐI CHIẾU CÁC THUẬT NGỮ ANH VIỆT

Ký hiệu, Chữ viết tắt

APACHEII

Acute Physiology andChronic Health Evaluation II

Đánh giá sinh lý cấp tính vàsức khỏe mãn tính II

Score II

Điểm sinh lý cấp tính đơn giảnII

CONSORT Consolidated Standards of

Hướng dẫn báo cáo cho nghiêncứu quan sát

for Tumor Marker PrognosticStudies

Hướng dẫn báo cáo chonghiên cứu chất chỉ thị khối u

ME

STROBE-STrengthening the Reporting

of OBservational studies inEpidemiology MolecularEpidemiology

Hướng dẫn báo cáo cho dịch tễhọc phân tử

Hướng dẫn báo cáo mô hình

dự đoán tiên lượng hoặc chẩnđoán

GDP Gross Domestic Product Tổng sản phẩm nội địa

AIDS Acquired Immuno Deficiency

Infection/injury type,Response and Organdysfunction

Cơ địa, nhiễm khuẩn, đáp ứng

và rối loạn chức năng cơ qua

and Systolic Blood Pressure

Thang điểm hôn mê Glasgow,tuổi, và huyết áp tâm thu

DANH MỤC CÁC TỪ VIẾT TẮT

Chữ viết tắt Nguyên chữ

II

Studies in Epidemiology

Prognostic Studies

studies in Epidemiology Molecular Epidemiology

prediction model for Individual Prognosis OrDiagnosis

GDP Gross Domestic Product

DANH MỤC CÁC BẢNG

Bảng 1.1 Sơ đồ mô tả nghiên cứu mô hình dự đoán chẩn đoán và tiên lượng 4 Bảng 1.2 Điểm tương đồng và khác nhau giữa mô hình dự đoán chẩn đoán và

tiên lượng 5

Bảng 1.3 Các đặc điểm của một số thước đo hiệu suất cũ và mới 25

Bảng 2.1 Biến số và định nghĩa cho SAPS II 46

Bảng 3.1 Mô tả đặc điểm chung của bệnh nhân tham gia nghiên cứu 43

Bảng 3.2 So sánh bệnh nhân nhỏ hơn 18 tuổi và lớn hơn bằng 18 tuổi 45

Bảng 3.3 So sánh giữa nhóm bệnh nhân mạch vành và không mạch vành 46

Bảng 3.4 So sánh giữa nhóm có và không có đánh giá mù kết cục kết cục 47

Bảng 3.5 So sánh giữa nhóm có và không có đánh giá mù Bilirubin 51

Bảng 3.6 So sánh sự khác biệt giữa nhóm có và không có sử dụng an thần trong đánh giá điểm Glasgow 52

Bảng 3.7 Đặc điểm chung của các yếu tố tiên lượng 53

Bảng 3.8 Bilirubin các bệnh nhân không đánh giá mù 58

Bảng 3.9 Điểm Glasgow của bệnh nhân không sử dụng an thần 58

Bảng 3.10 Đặc điểm của các bệnh nhân thông khí nhân tạo 60

Bảng 3.11 Đặc điểm của các bệnh nhân không thông khí nhân tạo 61

Bảng 3.12 Điểm cắt tối ưu của thang điểm SAPS II 61

Bảng 3.13 Mô tả độ dốc phân tách 65

Bảng 3.14 Minh họa cho phép kiểm Hosmer-Lemeshow goodness-of-fit cho thang điểm SAPS II 66

DANH MỤC HÌNH ẢNH, BIỂU ĐỒ, LƯU ĐỒ

Hình ảnh:

Hình 1.1 Những loại nghiên cứu mô hình dự đoán được đề cập bởi báo cáoTRIPOD 8Hình 1.2 Một vài lĩnh vực ứng dụng của mô hình dự đoán lâm sàng 12Hình 1.3 Nghiên cứu có thuật ngữ “Prognosis Model” hoặc “Prediction Model”trong tựa đề, được công bố từ 1970 tới 2005, là một phần của tổng số nghiêncứu trên PubMed (tổng cộng 676.000 trong năm 2005) 13Hình 1.4 Số báo cáo nghiên cứu được công bố từ năm 2000 và 2011, tìm bằngPubmed khi sử dụng thuật ngữ “Prognosis” hoặc “Prognostic” để tìm kiếmtrong tựa đề 14Hình 1.5 Số mô hình dự đoán nguy cơ tử vong do xơ gan tích lũy, được công

bố từ năm 1980 14Hình 1.6 Số bài báo mô hình dự đoán về bệnh tim mạch được công bố tích lũytheo thời gian từ năm 1990 tới tháng 5 năm 2012 15Hinh 1.7 Phân phối của những bài báo được xuất bản mô tả mô hình phát triển,kiểm định, và đánh giá tác động trong 4 bài nhận xét 18Hình 1.8 Mô hình dự đoán hữu ích lâm sàng lý tưởng 23Hình 1.9 Sự thay đổi vị trí của ICU trong bệnh viện 30

Biểu đồ:

Hình 3.1 Biểu đồ đường cong chuẩn hóa 64Hình 3.2 Biểu đồ hình hộp độ dốc phân tách 65Hình 3.3 Biểu đồ minh họa cho phép kiểm Hosmer-Lesmeshow 67

Hình 3.4 Biểu đồ minh họa phần chặn a và độ dốc chuẩn hóa b 68

Lưu đồ:

Lưu đồ 3.1: Các bước thực hiện nghiên cứu 42

MỞ ĐẦU

Trên toàn cầu, bệnh nhân nặng gây tử vong vài triệu ca mỗi năm [21] vàgánh nặng chăm sóc nhóm bệnh nhân này là rất lớn [77] Tại Hoa Kỳ, chi phíchăm sóc bệnh nhân nặng chiếm gần 1% GDP và mặc dù số giường của cácđơn vị chăm sóc tích cực (ICU) chưa đến 10% của bệnh viện, các khoa ICUchiếm 22% của tổng số viện phí [45] Ở Anh, chi phí của chăm sóc tích cựcđược ước tính là 541 triệu bảng mỗi năm, tương đương 0.6% của chi phí Y TếQuốc Gia [80] Những bệnh nhân nặng có tình trạng đe dọa tính mạng đòi hỏimột hệ thống đáp ứng nhanh để được chăm sóc với các loại thuốc, thiết bị y tế

và nhân lực sẵn có ngay lập tức [21] Các bệnh viện có nguồn lực thấp, và cácphòng khám của những bệnh viện có nguồn lực cao, có thể có nhân viên thiếukinh nghiệm, trang thiết bị, và hạn chế về kiến thức hoặc nhận thức về bệnhnhân nặng, dẫn đến việc không xác định được và ưu tiên cho nhóm bệnh nhânnày giúp cải thiện tỉ lệ tử vong [89] Do đó, việc xác định nhanh chóng và chínhxác những bệnh nhân nặng này là quan trọng [21]

Dự đoán tỉ lệ tử vong của bệnh nhân ở ICU là một thước đo cho việcđánh giá mức độ nặng của bệnh và xem xét lợi ích của can thiệp, điều trị, vàchiến lược chăm sóc bệnh nhân [77] Các mô hình tiên lượng được sử dụng rấtrộng rãi cho mục đích này [21] so với các yếu tố dự đoán đơn lẻ, do cung cấpcác dự đoán tỉ lệ tử vong đáng tin cậy hơn [65] Trong 30 năm qua, một nỗ lựcrất lớn đã, đang và sẽ tiếp tục trong việc mô hình hóa nguy cơ tử vong bệnhnhân ở ICU [77] Các hệ thống thang điểm như APACHE, SAPS, MPM đượcxây dựng và phát triển qua thời gian, rất nổi tiếng cho mục đích dự đoán tỉ lệ

tử vong của bệnh nhân nặng Cho đến nay, mô hình tiên lượng SAPS II [59] vàAPACHE II [56] vẫn được sử dụng rộng rãi nhất trong thực hành lâm sàng tạicác đơn vị chăm sóc tích cực do phân tách người sống sót và tử vong tốt, đơn

giản và rẻ tiền [41],[77] Các mô hình tiên lượng đầu tiên được đưa ra làAPACHE, APACHE II, SAPS dựa vào các phương pháp chủ quan để lựa chọnbiến số, cụ thể là dựa vào hội đồng chuyên gia để lựa chọn và cho điểm cácbiến số theo kinh nghiệm về mối tương quan trong dự đoán tử vong [77] Các

mô hình tiên lượng sau đó, như SAPS II và MPM24, được xây dựng với các kỹthuật mô hình hóa bằng toán xác suất thống kê [59],[10] Nhưng MPM24 mãhóa tất cả các biến số thành biến nhị phân [10], việc này sẽ làm giảm khả năng

dự đoán của mô hình [82]

Thang điểm SAPS II là hệ thống thang điểm dễ đánh giá và dễ thực hiện,được dùng như là một thang điểm cơ bản cho việc đánh giá độ nặng bằng dựđoán nguy cơ tử vong trong các khoa ICU ở Châu Âu và Bắc Mỹ [59] Chúngtôi tìm thấy 23 nghiên cứu theo nguồn PubMed kiểm định và áp dụng thangđiểm này tại các khoa ICU, hiện tại ở Việt Nam chỉ có 2 nghiên cứu ở miềnBắc [14],[11] Vậy câu hỏi đặt ra là “Giá trị tiên lượng tử vong của thang điểmSAPS II ở bệnh nhân hồi sức tích cực nội khoa” như thế nào? Nên chúng tôiquyết định tiến ngày nghiên cứu này, nhằm mục xây dựng hệ thống đáp ứngnhanh của bệnh viện Chợ Rẫy để quản lý, bao gồm xác định nhanh chóng vàchính xác các bệnh nhân nặng [21]

MỤC TIÊU NGHIÊN CỨU

1 Mô tả đặc điểm lâm sàng, cận lâm sàng và điểm SAPS II ở bệnh nhân hồi

sức tích cực nội khoa

2 Xác định “độ phân tách” của thang điểm tiên lượng tử vong SAPS II ở bệnh

nhân hồi sức tích cực nội khoa

3 Xác định “độ chuẩn hóa” của thang điểm tiên lượng tử vong SAPS II ở bệnh

nhân hồi sức tích cực nội khoa

CHƯƠNG 1: TỔNG QUAN TÀI LIỆU

1.1 Nghiên cứu mô hình dự đoán.

đó [65]

“Nguồn: Moons KG, 2015”[65]

Trong một mô hình dự đoán tiên lượng, nhiều yếu tố dự đoán được kếthợp để ước tính xác suất của một kết cục hoặc sự kiện cụ thể (ví dụ: tử vong,tái phát bệnh, biến chứng hoặc đáp ứng trị liệu) xảy ra trong một khoảng thờigian nhất định trong tương lai Khoảng thời gian này có thể từ vài giờ (ví dụ,

dự đoán các biến chứng sau phẫu thuật [26]) đến vài tuần hoặc vài tháng (ví dụ,

dự đoán tử vong 30 ngày sau phẫu thuật tim [71]) hoặc nhiều năm (ví dụ, dựđoán nguy cơ mắc đái tháo đường loại 2 trong 5 năm [28]) [65]

“Nguồn: Moons KG, 2015”[65]

Các mô hình tiên lượng được xây dựng và sử dụng ở những cá nhân cónguy cơ xảy ra kết cục đó Những mô hình này dành cho cả người bệnh và các

cá nhân khỏe mạnh Ví dụ, mô hình tiên lượng là bao gồm tất cả các mô hình

dự đoán sự tái phát, biến chứng hoặc tử vong trong một khoảng thời gian nhấtđịnh sau khi được chẩn đoán mắc một bệnh cụ thể Nhưng chúng cũng có thể

là những mô hình dự đoán sự xuất hiện của một kết cục trong một khoảng thờigian nhất định ở những cá nhân không mắc một bệnh cụ thể: ví dụ, các mô hình

dự đoán nguy cơ mắc bệnh đái tháo đường loại 2 [48] hoặc biến cố tim mạch ở

những người trung niên khỏe mạnh [33] Do đó, chúng tôi sử dụng từ “tiênlượng” theo nghĩa rộng, là dự đoán về một kết cục trong tương lai ở nhữngngười có nguy cơ dẫn đến kết cục đó, thay vì định nghĩa hẹp hơn là dự đoándiễn tiến của bệnh nhân mắc một bệnh cụ thể có hoặc không điều trị [65].

Các mô hình dự đoán thường được gọi với thuật ngữ tiếng anh như

“prognostic models”, “prediction models”, “prediction rules”, hoặc “riskscores” [67] Sự khác biệt chính giữa mô hình dự đoán chẩn đoán và tiên lượng

là khái niệm thời gian Nghiên cứu mô hình chẩn đoán thường là cắt ngang,trong khi nghiên cứu mô hình tiên lượng thường là theo dõi [65]

1.1.2 Các loại nghiên cứu về mô hình dự đoán.

Các nghiên cứu về mô hình dự đoán có thể được chia thành 5 mảng lớn:1)nghiên cứu tìm yếu tố tiên lượng hoặc yếu tố chẩn đoán, 2) nghiên cứu xâydựng mô hình dự đoán không có kiểm định bên ngoài, 3) nghiên cứu xây dựng

mô hình dự đoán có kiểm định bên ngoài, 4) nghiên cứu kiểm định mô hình dựđoán và 5) nghiên cứu tác động của mô hình TRIPOD phân loại các nghiêncứu mô hình dự đoán bằng mục đích, là xây dựng hoặc kiểm định, một hoặcnhiều mô hình dự đoán Những nghiên cứu xây dựng và kiểm định này có thểđược chia tiếp thành nhiều loại khác nhau (Hình 1.1) [65]

Những nghiên cứu tìm yếu tố chẩn đoán hoặc tiên lượng, và nghiên cứutác động mô hình dự đoán thường có mục tiêu, thiết kế và báo cáo các vấn đềkhác, khi được so với nghiên cứu xây dựng hoặc nghiên cứu kiểm định mô hình

dự đoán Trước đây thường phân tích tương quan đơn biến các yếu tố dự đoánvới kết cục Do mục đích không phải là để xây dựng một mô hình dự đoán choviệc cá nhân hóa dự doán ở những cá nhân khác nhau Các nghiên cứu tác độngcủa mô hình dự đoán nhằm định lượng ảnh hưởng (tác động) của việc sử dụng

mô hình dự đoán đối với việc ra quyết định của người tham gia và bác sĩ, hoặc

trực tiếp lên kết cục sức khỏe của người tham gia so với việc không sử dụng

mô hình Do đó, các nghiên cứu tác động của mô hình tuân theo một thiết kếcan thiệp so sánh, thay vì thiết kế đoàn hệ đơn được sử dụng trong nghiên cứuxây dựng hoặc kiểm định mô hình, và lý tưởng là một thiết kế ngẫu nhiên (cụm)[65]

Hơn nữa, báo cáo TRIPOD chủ yếu giải quyết các mô hình dự đoán chobiến nhị phân (ví dụ: sự hiện diện hay vắng mặt của bệnh) hoặc kết cục theothời gian (ví dụ, bệnh tim mạch 10 năm), vì đây là những loại kết cục phổ biếnnhất được dự đoán trong y học Tuy nhiên, kết cục cũng có thể là các phép đoliên tục (ví dụ: huyết áp, kích thước khối u, phần trăm mạch máu bị hẹp, chỉ số

IQ, chất lượng cuộc sống hoặc thời gian nằm viện), kết cục nhị phân (ví dụ,chẩn đoán phân biệt thay vì tập trung vào có bệnh hay không, loại nhiễm trùngđược xác định là virus, vi khuẩn hoặc không nhiễm trùng), hoặc kết cục thứ tự(ví dụ, giai đoạn ung thư, thang điểm hôn mê [105] hoặc thang điểm Rankin[39]), được sử dụng cho việc xây dựng mô hình dự đoán [65]

Báo cáo TRIPOD tập trung vào các mô hình dự đoán được xây dựngbằng mô hình hồi quy, bởi vì đây là cách tiếp cận mà hầu hết các mô hình dựđoán được xây dựng, kiểm định hoặc cập nhật trong nghiên cứu y học Tuynhiên, hầu hết các mục đều áp dụng như nhau cho các mô hình dự đoán đượcxây dựng, kiểm định hoặc cập nhật với các kỹ thuật khác nhau, chẳng hạn như

“classification trees”, “neural networks”, “genetic programming”, “randomforests”, hoặc “vector machine learning” Sự khác biệt chính trong các phươngpháp khác so với mô hình hồi quy là phương pháp phân tích dữ liệu để rút ra

mô hình dự đoán Các vấn đề về tính minh bạch trong tiếp cận các phương pháp

mô hình hóa trừu tượng không tuyến tính này là quan trọng, nghiên cứu tính táilập và việc đưa vào trong thực hành đang quan tâm một cách đặt biệt [65]

“Nguồn: Moons KG, 2015”[65]

1.1.3 Các bước chính tạo ra mô hình dự đoán hữu ích.

1.1.3.1 Xây dựng một mô hình dự đoán tốt.

Quyết định xây dựng một mô hình dự đoán sẽ được tạo ra bởi một trườnghợp lâm sàng cụ thể khó quyết định [98] Các thành phần cần thiết là thời điểmbắt đầu và kết cục là gì (thời điểm kết thúc) [98] Các phương pháp xây dựng

mô hình đã được thảo luận rộng rãi [47],[82],[96] Tóm lại, các mô hình dự

đoán thường lý tưởng với các kỹ thuật hồi qui đa biến dựa trên dữ liệu (tiếncứu) từ các nghiên cứu đoàn hệ [98] Mô hình hồi quy Logistic và Cox thườngđược sử dụng cho các kết cục nhị phân (biến cố xảy ra có/không) [98] Các vấn

đề quan trọng cần giải quyết bao gồm xử lý dữ liệu trống [95], mô hình hóa cácyếu tố dự đoán là biến liên tục [83],[88], độ phức tạp của mô hình [87] và kiểmtra các giả định của mô hình [98]

Một mục tiêu quan trọng là tránh hàm của mô hình được xây dựng trênmột bộ dữ liệu giới hạn, đặc biệt là khi lựa chọn nhiều yếu tố tiên lượng trongmột bộ dữ liệu tương đối nhỏ [98] Trước khi bất kỳ mô hình dự đoán nào cóthể được áp dụng trong thực tế, cần phải chứng minh rằng nó cung cấp các dựđoán có giá trị, bên ngoài bối cảnh cụ thể, khác với mẫu được sử dụng để xâydựng mô hình (kiểm định bên ngoài) và lý tưởng có tác động lâm sàng thực sự[98]

1.1.3.2 Kiểm định mô hình dự đoán.

Hiệu suất dự đoán của một mô hình được ước tính trên dữ liệu xây dựngthường rất tốt, do liên quan đến nhiều kiểm tra phức tạp với kích thước mẫuhạn chế [47],[96] Một mô hình dự đoán mới được xây dựng cần được kiểmđịnh với dữ liệu bệnh nhân không được sử dụng trong quá trình xây dựng vàtốt nhất là được chọn ở các địa điểm khác nhau (kiểm định bên ngoài)[19],[79].Các nghiên cứu kiểm định cung cấp các kết quả về hiệu suất của mô hình, trongphân biệt giữa các bệnh nhân có và không có kết cục, và sự chính xác giữa nguy

cơ dự đoán và quan sát được [98]

Kiểm định mô hình dự đoán có một phần ngẫu nhiên trong đoàn hệ xâydựng là phổ biến [98] Tuy nhiên, cách tiếp cận này (thường được gọi là kiểmđịnh nội bộ) là không hiệu quả về mặt thống kê và yếu về phương pháp vìkhông có sự khác biệt về thời gian hoặc địa điểm [19]

1.1.3.4 Ước lượng tác động của mô hình lên thực hành lâm sàng và

kết cục.

Một mô hình dự đoán có thể ảnh hưởng đến kết cục của bệnh nhân hoặcchi phí điều trị khi sử dụng thông tin tiên lượng do mô hình cung cấp trong thựchành lâm sàng [66],[79] Các mô hình dự đoán có một cái giá khi thực hiệnchúng và thậm chí có thể có hậu quả bất lợi đối với kết cục lâm sàng nếu chúngdẫn đến các quyết định từ chối các phương pháp điều trị có lợi (chẳng hạn như

từ những người được mô hình coi là có nguy cơ thấp) [98] Bằng chứng thuyếtphục về tác động, tích cực hay tiêu cực, của việc sử dụng các mô hình dự đoánđến kết cục bệnh nhân là khó có thể đưa ra [66] Việc không công nhận các môhình tiên lượng là công nghệ y tế lý do có thể là thiếu các nghiên cứu về tácđộng [98]

Hầu hết các mô hình dự đoán được xây dựng và kiểm định với dữ liệuđoàn hệ một nhóm [98] Đánh giá tác động của một mô hình đối với việc raquyết định và kết cục của bệnh nhân đòi hỏi một nghiên cứu so sánh [66] Ởđây, hai nhóm (đoàn hệ) cần được so sánh, một nhóm không sử dụng mô hình

và nhận được chăm sóc thông thường, và một nhóm khác được mô hình dựđoán hướng dẫn cho bác sĩ và các nhân viên y tế trong quyết định điều trị [98]

So sánh này sẽ có giá trị khoa học cao nhất nếu thiết kế nghiên cứu là thửnghiệm lâm sàng đối chứng ngẫu nhiên (cụm) [98]

1.1.3.4 Cập nhật mô hình dự đoán.

Cập nhật mô hình thường hữu ích [19],[66],[96] Rất phổ biến, ở một sốđịa điểm khác vị trí so với nơi thu thập mẫu xây dựng, mô hình sẽ không chínhxác có tính lặp lại một cách hệ thống [98] Các phương pháp cập nhật bao gồmhiệu chỉnh lại mô hình khi mang sang một địa điểm khác hoặc thu thập bổ sungcác yếu tố dự đoán mới, kể cả các dấu ấn sinh học, vào mô hình hiện tại [97]

Lý tưởng nhất là phải có một quá trình kiểm định và cập nhật mô hình liên tục[66],[96],[97].

Sự đóng góp sâu xa của các nghiên cứu về gen, protein hoặc chuyển hóa

và các chẩn đoán hình ảnh không phải là việc tìm ra được các yêu tố dự đoán,

mà chính là chìa khóa quan trọng cho nghiên cứu mô hình dự đoán hiện tại[98] Ví dụ, một mô hình đơn giản cho bệnh nhân chấn thương sọ não chỉ baogồm ba yếu tố tiên lượng mạnh đã được thêm kết quả chụp cắt lớp điện toán ởgiai đoạn thứ hai và kết quả xét nghiệm ở giai đoạn thứ ba [98] Các mô hình

mở rộng hơn mang lại dự đoán chính xác hơn và phân biệt tốt hơn [98]

Tầm quan trọng của việc đánh giá tác động của các dấu ấn sinh học mớiđến độ chính xác của mô hình được mọi người quan tâm, nhưng cách tốt nhất

để định lượng sự thay đổi trong dự đoán là một vấn đề đang được nghiên cứuphương pháp [100] Xu hướng gần đây khi so sánh các mô hình là tập trungvào những cá nhân được “tái phân nhóm” giữa các nhóm nguy cơ, thay vì sửdụng các biện pháp phổ biến trong xem xét độ phân tách như diện tích dướiđường cong ROC [100] Đồng nghĩa với diện tích đường cong ROC cao đôikhi vẫn cần xem xét cập nhật mô hình [100]

Một lý do cụ thể hơn để cập nhật một mô hình dự đoán là thay thế cácyếu tố dự đoán hiện tại không có tính nhất quán trên cùng một cá nhân (như kỹthuật khám bệnh, hình ảnh và mô bệnh học) bằng các dấu ấn sinh học tin cậyhơn [98] Hơn nữa, các mô hình dự đoán bao gồm các yếu tố hoặc dấu ấn sinhhọc có quan hệ nhân quả trực tiếp lên kết cục nghiên cứu được mong đợi phổbiến nhiều hơn trên các quần thể khác nhau [98] Các mô hình như vậy có thểđược sử dụng tốt hơn, vì chúng được liên kết bằng các con đường sinh học này(hoặc khác) thay vì chỉ dựa trên liên kết thống kê [19]

1.1.4 Các lĩnh vực ứng dụng của mô hình dự đoán.

Hippocrates nhấn mạnh tiên lượng là một thành phần chính của y học[61] Tất cả các hoạt động chẩn đoán và điều trị nhằm mục đích cải thiện tiênlượng Các bác sĩ và các nhà hoạch định chính sách y tế cần đưa ra dự đoán vềtiên lượng của bệnh, khả năng mắc bệnh tiềm ẩn, sàng lọc và điều trị các bệnhnhân nguy cơ cao, đưa ra chẩn đoán, hoặc lựa chọn trị liệu Theo truyền thống,xác suất của kết quả chẩn đoán và tiên lượng được đánh giá ngầm trước khi raquyết định [96] Y học đã chủ quan hơn nhiều so với thời đại y học dựa trênbằng chứng hiện nay, có thể được định nghĩa là sử dụng một cách có lươngtâm, rõ ràng và hợp lý các bằng chứng tốt nhất hiện có, trong sự ra quyết định

về việc chăm sóc từng bệnh nhân [84] Y học dựa trên bằng chứng là áp dụngnghiên cứu khoa học vào thực hành y tế [44] Đó là việc tích hợp chuyên mônlâm sàng cá nhân và bằng chứng bên ngoài tốt nhất [85] Một sự phát triển khácđang hướng tới là “chia sẻ việc ra quyết định”, đó là nơi mà cả bác sĩ và bệnhnhân đều tích cực tham gia quyết định lựa chọn xét nghiệm chẩn đoán và canthiệp điều trị [32] Các mô hình dự đoán lâm sàng có thể cung cấp bằng chứng

“Nguồn: Steyerberg, 2009”[96]

cho việc ra quyết định chung, bằng cách đưa ra các ước tính xác suất về rủi ro

và lợi ích cho từng cá nhân [58] Mô hình dự đoán lâm sàng còn hứa hẹn trong

chúng ta thấy mô hình dự đoán lâm sàng được ứng dụng trong rất nhiều lĩnhvực

1.1.5 Sự phát triển của mô hình dự đoán.

Chính vì lợi ích của mô hình dự đoán mang lại và tính ứng dụng ngàycàng rộng rãi Những công bố về mô hình dự đoán đã tăng mạnh trong nhữngnăm gần đây (Hình 1.3) [96] Một số lượng rất ấn tượng các bài báo, báo cáonghiên cứu mô hình dự đoán được công bố hàng năm trên các tạp chí y khoa(Hình 1.4) [34]

“Nguồn: Steyerberg, 2009”[96]

“Nguồn:D'Amico, 2016”[34]

Ví dụ, 41 thang điểm tiên lượng cho tử vong trong xơ gan đã được công

bố từ năm 1980 (Hình 1.5) [34] Một báo cáo hệ thống đối với tất cả mô hìnhtiên lượng lâm sàng cho bệnh tim mạch được xuất bản từ tháng 1 năm 1990đến tháng 5 năm 2012 (Hình 1.6) [112]

“Nguồn:D'Amico, 2016”[34]

ấn di truyền mới phát hiện sẽ cần xem xét giá trị tiên lượng thêm vào của nó sovới hiện tại, đó mới là bằng chứng tốt cho một yếu tố dự đoán [54] Tuy nhiên,những đánh giá kĩ lưỡng như vậy thì không phổ biến vì yêu cầu mô hình thống

kê [96] Điều đó đồng nghĩa với việc, mô hình dự đoán sẽ tiếp tục phát triểnmạnh hơn nữa về số lượng, khả năng ứng dụng trong nhiều lĩnh vực, cũng nhưchất lượng trong tương lai

1.1.6 Các yếu tố tiên lượng ở bệnh nhân nội khoa.

Nhiễm trùng là một yếu tố tiên lượng tử vong bệnh viện ở bệnh lý nộikhoa được báo cáo trong nghiên cứu của tác giả Wasserman A [110] ở khoanội, nghiên cứu của tác giả Jahn M [49] ở ICU nội khoa, nghiên cứu của tác giả

Yao KH [113] báo cáo ở bệnh nhân tổn thương thận cấp, nghiên cứu của tácgiả Parakh S [74] trên bệnh nhân huyết học Đặc biệt, có một tiến cứu rất lớnbao gồm 14414 người tham gia của 1265 khoa ICU, tác giả Vincent JL chothấy một bức tranh toàn cảnh về kết cục của những bệnh nhân nhiễm trùng, rấtphổ biến ở các khoa ICU ngày nay, và nguy cơ nhiễm trùng sẽ tăng lên theothời gian nằm ICU Nhiễm trùng có mối liên quan độc lập với tăng nguy cơ tửvong bệnh viện [109] Ở Việt Nam, nổi bật nhất là các nghiên cứu của tác giảPhạm Thị Ngọc Thảo [7],[8],[9] về giá trị tiên lượng của các cytokine ở bệnhnhân nhiễm khuẩn huyết, là một sự tiếp nối, giúp đánh giá chính xác hơn nữa

về tình trạng nhiễm trùng

Yếu tố thứ hai giúp tiên lượng tử vong bệnh viện ở bệnh lý nội khoachính là bệnh lý đi kèm [74] Nghiên cứu quan sát của tác giả Jones DA trênnhóm bệnh nhân tái tưới máu bằng phẫu thuật bắt cầu hoặc can thiệp mạchvành, các bệnh lý đi kèm như đái tháo đường, nhồi máu cơ tim trước đó, bệnhthận mãn, bệnh phổi tắc nghẽn mãn tính, bệnh mạch vành, bệnh lý mạch máunhỏ sẽ làm tăng nguy cơ tử vong bệnh viện [50] Nghiên cứu tiến cứu của tácgiả Wasserman A ở nhóm bệnh nhân nội khoa có các bệnh lý đi kèm như ungthư sẽ làm tăng nguy cơ tử vong bệnh viện [110] Nghiên cứu của tác giảPasqualini L ở nhóm bệnh nhân nội khoa có các bệnh kèm theo như ung thư áctính, đái tháo đường sẽ làm tăng nguy cơ tử vong bệnh viện [75] Nghiên cứuhồi cứu của tác giả Jahn M ở bệnh nhân nhập ICU nội khoa có các bệnh lý đikèm như suy gan, xơ gan, suy tim mãn, suy thận cấp, bệnh thận mãn sẽ làmtăng nguy cơ tử vong bệnh viện [49] Nghiên cứu của tác giả Yao KH ở nhómbệnh nhân tổn thương thận cấp có các bệnh lý kèm theo như thiếu máu, tănghuyết áp ác tính, khối u đường niệu, ung thư ác tính sẽ làm tăng nguy cơ tửvong [113] Nghiên cứu hồi cứu của tác giả Nash IS ở nhóm bệnh nhân nhồimáu cơ tim có các bệnh lý kèm theo như rung nhĩ, đái tháo đường, suy tim mạn,

suy thận mãn, suy thận cấp, ung thư ác tính sẽ làm tăng nguy cơ tử vong bệnhviện [70].

Và yếu tố tiên lượng cuối cùng chính là số lượng tạng suy và mức độ suytạng của bệnh nhân sẽ quyết định một cách độc lập đến nguy cơ tử vong [62]

Và một hệ thống điểm quan trọng để đánh giá một cách khách quan về mức độrối loạn và/hoặc suy các cơ quan, và bệnh lý kèm theo (SOFA) [108] Nghiêncứu của tác giả Bingold TM [23] đánh giá mối liên quan giữa điểm SOFA vàloại nhập viện (nội khoa, ngoại khoa, nội ngoại khoa), trong đó hai cơ quanquan trọng là tim và thận Hiện tại ở Việt Nam, có nghiên cứu của tác giả PhạmLưu Nhất Hoàng [1], Huỳnh Quang Đại [3] về thang điểm SOFA trên nhómbệnh nhân nhiễm trùng huyết và choáng nhiễm trùng Nghiên cứu của tác giảNguyễn Xuân Ninh [6] về thang điểm PIRO trên bệnh nhân nhiễm khuẩn huyết

Và (Hình 1.9) [98] cho chúng ta thấy một cái nhìn tổng quan về nghiêncứu mô hình dự đoán Các tác giả kêu gọi thực hiện các nghiên cứu kiểm địnhtiến cứu, để kiểm tra tính ổn định, mức độ tái lập và giá trị của mô hình dự đoán

ở một mẫu độc lập khác nơi nó được xây dựng như một yêu cầu cơ bản trướckhi khuyến nghị sử dụng trong thực hành lâm sàng [106]

“Nguồn: Steyerberg, 2013” [98]

1.2.2 Báo cáo không đầy đủ và thống nhất.

Mô hình dự đoán đang ngày càng trở nên phong phú trong y văn[24],[79],[98] và hiên tại các nhà hoạch định chính sách khuyến nghị sử dụngchúng nhiều hơn trong hướng dẫn thực hành lâm sàng [78] Đối với một bệnh

cụ thể, có rất nhiều mô hình dự đoán canh tranh trên cùng một kết cục hoặcquần thể cần sàng lọc [65] Ví dụ, có hơn 100 mô hình tiên lượng để dự đoánkết cục sau chấn thương sọ não [76], hơn 100 mô hình cho ung thư tuyến tiềnliệt [91], 20 mô hình dự đoán thời gian nằm đơn vị chăm sóc đặc biệt (ICU)sau phẫu thuật tim [38]

Với sự phong phú của các mô hình dự đoán được công bố trên hầu hếtcác lĩnh vực lâm sàng, việc đánh giá và tổng hợp các báo cáo có sẵn là một yêucầu để cho phép người đọc, bác sĩ và nhà hoạch định chính sách biết được môhình nào hữu ích trong trường hợp nào Việc làm đó, chỉ có thể thực hiện khicác chi tiết chính trong cách xây dựng và kiểm định mô hình được báo cáo mộtcách đầy đủ [30],[93] Sự đầy đủ sẽ giúp khái quát nguy cơ sai lệch trong các

mô hình dự đoán được công bô một cách chấp nhận được [42],[90]và các nhànghiên cứu có thể thực hiện tương tự trên một dữ liệu khác, đầy đủ những bướcchính để cho ra mẫu báo cáo giống nhau [43],[57] Tuy nhiên, chất lượng củabáo cáo mô hình dự đoán trên các lĩnh vực khác nhau nằm ở mô tả quá trìnhxây dựng và kiểm định, nhiều báo cáo trên các tạp chí cho thấy là kém[17],[24],[29],[38],[76],[93],[104],[111] Ví dụ, các mô hình dự đoán mới tronglĩnh vực ung thư [63],[64], đánh giá báo cáo là kém, không đầy đủ thông tin vềnhững chi tiết chính trong quá trình xây dựng mô hình [65]

1.2.3 Những khó khăn trong xây dựng mô hình tiên lượng.

Về mặt thiết kế nghiên cứu Các nghiên cứu mô hình dự đoán được thiết

kế lý tưởng phải là các nghiên cứu đoàn hệ tiến cứu, trong đó việc lựa chọnbệnh nhân và định nghĩa các yếu tố dự đoán được quy định từ trước [65] Dữ

liệu từ các thử nghiệm lâm sàng ngẫu nhiên thường có thể hữu ích, mặc dù tínhđại diện của các bệnh nhân được thu thập cho dân số mục tiêu nên được cânnhắc coi như là một hạn chế Do sử dụng các tiêu chí loại trừ và lựa chọn thườngrất nghiêm ngặt, điều này dẫn tới sự hạn chế tính tổng quát của mô hình đượcxây dựng trên dữ liệu từ các nghiên cứu thử nghiêm lâm sàng ngẫu nhiên [96].

Do đó chúng ta khó có thể tận dụng các bộ dữ liệu từ các nghiên cứu thử nghiệmlâm sàng ngẫu nhiên

Về cỡ mẫu trong các nghiên cứu xây dựng mô hình dự đoán lâm sàng,đối với các yếu tố dự đoán chưa biết, chức năng chưa xác định và hệ hố tươngquan chưa biết, thì yêu cầu cỡ mẫu là rất lớn Đầu tiên, chúng ta nhận thấy rằng

cỡ mẫu hiệu quả có thể thường xuyên nhỏ hơn nhiều tổng số đối tượng trongnghiên cứu Ví dụ, khi nghiên cứu các biến chứng của một thủ thuật xảy ra với

tỷ lệ 0,1%, một nghiên cứu với 10.000 bệnh nhân sẽ chỉ có 10 bệnh nhân xảy

ra biến chứng Thứ hai, một cỡ mẫu lớn tạo điều kiện thuận lợi cho nhiều khíacạnh của nghiên cứu dự đoán Ví dụ, các hợp tác quốc tế qui mô lớn ngày càngđược thiết lập để cho phép xác định các bệnh liên quan đến gen Mô hình dựđoán đa biến, cỡ mẫu lớn cho phép lựa chọn các yếu tố dự đoán bằng một sốphương pháp tự động đơn giản như “stepwise” và kiểm tra độ tin cậy của môhình [96]

Nhưng nhược điểm bao gồm nhu cầu lấy mẫu lớn và tiềm ẩn khả năngphải theo dõi dài của thiết kế nghiên cứu đoàn hệ, dẫn đến tốn kém về chi phí[94] nhiều hơn nữa Do đó, thiết kế nghiên cứu này càng không hiệu quả khiđiều tra các bệnh có thời gian để mắc bệnh dài và dễ bị tác động với tỷ lệ mấtmẫu cao khi theo dõi [94] Sai lệch có thể xảy ra, đặc biệt là nếu sự mất mát có

ý nghĩa thống kê trong quá trình theo dõi [114] Khi dữ liệu trống xảy ra ở nhiều

cá nhân, giá trị của nghiên cứu bị giảm Theo nguyên tắc chung, tỷ lệ mất sự

theo dõi không được vượt quá 20% mẫu Bất kỳ sự khác biệt có ý nghĩ thống

kế nào liên quan đến kết cục hoặc các yếu tố nguy cơ giữa những người mấttheo dõi và những người còn lại trong nghiên cứu nên được kiểm tra, nếu cóthể [94]

Để có được bộ dữ liệu là phần quan trọng nhất của mô hình dự đoán [99].Bước quan trọng đầu tiên, chúng ta phải chuẩn bị trước cho việc xây dựng một

mô hình dự đoán lâm sàng với nhiều biến số bằng việc đưa ra hằng loạt các câuhỏi về nghiên cứu và hàng loạt các quyết định ảnh hưởng đến mô hình và kếtquả của nghiên cứu, nhằm cân nhắc một cách cẩn thận về vấn đề cần dự đoán[61],[81],[98] Kết cục chính (biến cố hoặc bệnh) cần dự đoán là gì (ví dụ: đáitháo đường, bệnh mạch vành hay gãy xương)? Ai là bệnh nhân mục tiêu của

mô hình (ví dụ: quần thể chung, quần thể người cao tuổi ≥65 hoặc mắc bệnhđái tháo đường loại 2)? Ai là người sử dụng của mô hình dự đoán (ví dụ: ngườikhông có chuyên môn, bác sĩ hoặc tổ chức liên quan đến sức khỏe)? Dựa vàocâu trả lời cho các câu hỏi, nhà nghiên cứu mới có thể chọn được dữ liệu đúngcho mô hình [61]

Lựa chọn yếu tố dự đoán được thu thập trong bộ dữ liệu Những nghiêncứu thường đo lường nhiều yếu tố dự đoán hơn mức cần thiết được sử dụngtrong mô hình, và sau đó bỏ bớt [82] Thu thập nhiều hơn và loại bỏ bớt đồngnghĩa với sự tốn kém, do chúng ta phải đáp ứng một mục tiêu quan trọng làtránh mô hình thống kê xảy ra lỗi khi hàm của mô hình được xây dựng trên một

bộ dữ liệu vượt quá giới hạn, đặc biệt khi lựa chọn quá nhiều yếu tố tiên lượngtrong một bộ dữ liệu liên quan nhỏ [98]

Trong đánh giá chất lượng của dữ liệu, không có thước đo chắc chắn đểđánh giá chất lượng dữ liệu Tự đưa ra đánh giá Về nguyên tắc, dữ liệu được

sử dụng để xây dựng một mô hình dự đoán phải phù hợp với mục đích Các

yếu tố dự đoán được biết có sai số đo lường đáng kể có thể không phù hợp vìđiều này làm giảm giá trị dự đoán Một bộ dữ liệu tốt khi ít giá trị quan sát (giả

sử <5%) bị trống Nếu một yếu tố dự đoán có nhiều dữ liệu trống thì có thể loạitrừ vì vấn đề tương tự tái diễn [82]

Trong xử lý dữ liệu, giữ các biến liên tục là thích hợp hơn vì nhiều thôngtin dự đoán được giữ lại Nhưng thật không khôn ngoan khi giả định tuyến tính

vì nó có thể dẫn đến việc giải thích sai ảnh hưởng một yếu tố dự đoán và dựđoán không chính xác ở bệnh nhân mới [82]

Mô hình hóa đặc tính của bộ dữ liệu Không có sự đồng thuận tồn tại trênphương pháp tốt nhất để chọn các biến Có hai chiến lược chính Thứ nhất, làxây dựng một mô hình với tất cả các yếu tố dự đoán được thu thập, việc làmnày cần tránh mô hình thống kê xảy ra lỗi do hàm của mô hình được xây dựngtrên một bộ dữ liệu quá giới hạn và sai lệch khi lựa chọn mẫu Tuy nhiên, quánhiều yếu tố dự đoán quan trọng cần phải có dẫn tới không có tính ứng dụng,

mô hình đầy đủ luôn luôn không phải dễ xác định Thứ hai, mô hình được xâydựng bằng cách loại bỏ bớt các yếu tố dự đoán được thu thập ban đầu [82]

Và cuối cùng là phải đánh giá hiệu xuất của mô hình hay nói một cáchkhác là kiểm định bên trong mô hình để được chấp nhận công bố Có rất nhiềuthước đo để đánh giá hiệu xuất của mô hình dự đoán, như là độ phân tách, độchuẩn hóa Và khả năng tái phân nhóm nếu như phải so sánh với một mô hìnhkhác [15],[100]

1.2.4 Những lợi ích khi kiểm định mô hình.

Nghiên cứu kiểm định mô hình dự đoán được chia thành 2 loại hìnhchính: kiểm định nội bộ và kiểm định bên ngoài [96]

Việc kiểm định nội bộ và tạm thời đều không kiểm tra tính ứng dụng của

mô hình, hay nói các khác là khả năng sử dụng trên dữ liệu mới, được thu thập

từ một nhóm bệnh nhân thích hợp (tương tự) ở một vị trí khác so với kiểm địnhngoài Dữ liệu hồi cứu có thể sử dụng để kiểm định bên ngoài đối với các môhình dự đoán, cần theo dõi đủ lâu để thu thập được kết cục Chính xác, dữ liệukiểm định phải bao gồm đầy đủ tất cả các biến trong mô hình [19] Đây chính

là điểm mấu chốt khiến cho một nghiên cứu kiểm định bên ngoài ít tốn kém,không có sự lãng phí

“Nguồn: Baker, 2017”[21]

1.3 Các thước đo hiệu suất của mô hình.

Chúng tôi cân nhắc ngắn gọn một số thước đo sử dụng phổ biến trong yhọc, mà không dành cho bao quát tất cả (Bảng 1.3) [61]

1.3.1 Thước đo hiệu suất chung.

Từ quan điểm của người sáng lập mô hình thống kê, khoảng cách giữakết cục được dự đoán và kết cục thực tế là trọng tâm trong việc định lượng hiệusuất của một mô hình theo một cách nhìn tổng thể nhất Khoảng cách là Y-Yˆ

cho các kết cục là biến liên tục Đối với các kết cục là biến nhị phân, biến Y

mang giá trị là 0 hoặc 1, Yˆ là xác suất dự đoán p, ví dụ như đối với kết cục

sống sót hoặc tử vong, đó là xác suất sự kiện được dự đoán tại một thời điểmnhất định (hoặc là một hàm theo thời gian) Khoảng cách giữa kết cục quan sát

và dự đoán có liên quan đến khái niệm “goodness-of-fit” của mô hình, với các

mô hình tốt hơn có khoảng cách nhỏ hơn giữa kết cục dự đoán và quan sát Sựkhác biệt chính giữa “goodness-of-fit” và hiệu suất dự đoán là trước đây thườngđược đánh giá trong cùng một dữ liệu, trong khi sau này yêu cầu trên dữ liệumới hoặc còn gọi là nghiên cứu kiểm định cắt ngang tại một thời điểm khác[100]

liên tục Đối với các mô hình mô phỏng theo mô hình hồi qui tuyến tinh như

Đối với kết cục Y là biến nhị phân, chúng tôi tính điểm mô hình bằng logarit

cũng có thể tính được cho kết cục là sống còn, dựa trên sự khác biệt trong – 2log likelihood của một mô hình không có và một mô hình có một hoặc nhiềuyếu tố dự đoán [100]

Chỉ số Brier là bình phương sự khác biệt giữa kết cục nhị phân Y theo

Brier của một mô hình có thể dao động từ 0 cho một mô hình hoàn hảo đến0.25 cho một mô hình không dự đoán được gì với xác suất kết cục có thể xảy

ra là 50% Khi xác suất kết cục thấp hơn, chỉ số Brier tối đa cho một mô hình

“Nguồn: Steyerberg, 2010” [100]

hình hồi qui Logistic, chúng ta có thể tính tỉ lệ cho chỉ số Brier bằng chỉ số

khoảng từ 0% đến 100% Cách tính chỉ số Brier rất giống với thống kê

ra các chỉ số hiệu suất chung chính là hai đặc điểm của một mô hình tiên lượng

1.3.2 Độ phân tách [10].

Khả năng phân biệt chính xác giữa những người có và những ngườikhông có kết cục Một số chỉ số được sử dụng để cho thấy khả năng phân loại

bệnh nhân với biến kết cục là nhị phân Thống kê phù hợp hay viết tắt là “c” là

thước đo hiệu suất được sử dụng phổ biến nhất để cho thấy khả năng phân biệtcủa các mô hình mô phỏng theo mô hình hồi qui tuyến tính Đối với kết quả

nhị phân, c giống hệt với Area Under The Receiver Operating Characteristic

(ROC) curve, biểu đồ độ nhạy (tỷ lệ dương thực sự) so với 1- độ đặc hiệu (tỷ

lệ dương tính giả) với nhiều điểm cắt liên tục tương ứng với khả năng xảy rakết cục (độ nhạy, độ đặc hiệu) [100]

Thống kê c là một thống kê xếp hạng dự đoán so với kết cục thật, liên

quan đến thống kê Somers’D Là một thống kê xếp hạng, nó không giúp dễphát hiện các lỗi hệ thống trong xem xét độ chính xác mô hình, ví dụ như sựkhác biệt trong trung bình dự đoán và kết cục Một phần mở rộng phổ biến của

thống kê c với “censored” - những dữ liệu mà kết cục vẫn chưa xảy ra cho đến

thời điểm kết thúc nghiên cứu, có thể tính được bằng cách bỏ qua các cặp khôngthể ghép đôi Hóa ra điều này dẫn đến một thống kê phụ thuộc vào censored

Gonen và Heller đã đề xuất một phương pháp khác là biến thể của thống kê c

độc lập với censored, nhưng chỉ sử dụng trong mô hình hồi qui Cox Ngoài ra,

thống kê c theo thời gian đã được đề xuất [100].

Ngoài thống kê c, độ dốc phân biệt đối xử có thể được sử dụng như một

thước đo đơn giản cho việc phân biệt được các đối tượng có và không có kếtcục tốt như thế nào Độ dốc phân biệt được tính là sự khác biệt tuyệt đối trongtrung bình xác suất dự đoán giữa những người có và không có kết cục Hìnhdung có thể dễ dàng với một biểu đồ hộp hoặc biểu đồ tần suất; một mô hìnhphân biệt tốt sẽ ít trùng lắp hơn giữa những người có và không có kết cục Phần

mở rộng của độ dốc phân biệt đối xử chưa được thực hiện cho kết cục sống còn[100]

1.3.3 Độ chuẩn hóa [10].

Độ chính xác xem như là sự giống nhau giữa kết cục quan sát và dự đoán

Ví dụ, nếu chúng tôi dự đoán 20% nguy cơ khối u còn sót lại cho bệnh nhânung thư tinh hoàn, tần suất quan sát khối u còn sót sẽ là xấp xỉ 20 trong số 100bệnh nhân với một dự đoán như vậy Biểu đồ sự đánh giá của độ chính xác cóthể vẽ, với các dự đoán trên trục x và kết cục trên trục y Khả năng dự đoán tốt

sẽ nằm trên đường thẳng có góc nghiêng 45 độ Đối với hồi quy tuyến tính,biểu đồ thể hiện độ chuẩn hóa một cách đơn giản nhất chính là biểu đồ phântán [100]

Đối với kết quả nhị phân, vẽ biểu đồ chỉ chứa các giá trị 0 và 1 cho trục

y Các kỹ thuật làm mịn có thể được sử dụng để ước tính xác suất kết cục quansát được (p (y = 1)) liên quan đến xác suất dự đoán, ví dụ: sử dụng thuật toángọi là “loess” Tuy nhiên, chúng tôi hy vọng kỹ thuật làm mịn đặc biệt này cóthể gây một sự ấn tượng khi nhìn biểu đồ, đặc biệt là ở các tập dữ liệu nhỏ hơn.Chúng ta cũng có thể tính toán đối với kết quả xác suất của từng đối tượng quansát, như là so sánh xác suất dự đoán trung bình với kết cục quan sát trung bình

Ví dụ, chúng ta có chia nhóm kết cục quan sát theo xác suất dự đoán, việc làmnày là một phát họa, minh họa cho phép kiểm Hosmer-Lemeshow goodness-of-fit Một mô hình có độ chính xác hơn có thể chia thành nhiều nhóm hơn sovới một mô hình có độ chính xác kém Lưu ý rằng việc nhóm như vậy, mặc dùphổ biến, nhưng là tùy tiện và không chính xác [100]

Biểu đồ chuẩn hóa có thể được đặc trưng bởi một phần chặn a, cho biếtđường dự đoán cơ bản là quá thấp hoặc quá cao (“calibration-in-the-large”) và

độ dốc chuẩn hóa b, nên là 1 Một thước đo độ chính xác đã được đề xuất trướcđây bởi Cox Khi phát triển mô hình, a = 0 và b = 1 cho các mô hình hồi quy.Khi kiểm định, các vấn đề về phần chặn a là phổ biến, cũng như độ dốc chuẩn