Sở Y tế tỉnh Kon Tum
 |
Các mô hình dự báo chẩn đoán và tiên lượng của Covid-19: Nghiên cứu tổng quan có phản biện
Thiết kế: Nghiên cứu tổng quan và phản biện do nhóm COVID-PRECISE (Precise Risk Estimation to optimise covid-19 Care for Infected or Suspected patients in diverse sEttings = Ước tính chính xác yêu tố nguy cơ nhằm tối ưu hóa chăm sóc người bệnh nhiễm hay nghi nhiễm covid-19 ở những cơ sở y tế khác nhau) thực hiện.
Nguồn dữ liệu: PubMed và Embase thông qua Ovid, cho đến 01 tháng 7 năm 2020, phụ lục với with arXiv, medRxiv và bioRxiv cho đến 05 tháng 5 năm 2020.
Chọn đưa vào nghiên cứu: Những nghiên cứu phát triển hoặc thẩm định một mô hình dự báo đa thông số có liên quan đến Covid-19.
Kết quả: 37.421 tiêu đề báo cáo đã được xem xét và 169 nghiên cứu mô tả 232 mô hình dự báo được đưa vào nghiên cứu. Tổng quan này đã xác định được bảy mô hình nhận diện người có nguy cơ trong cộng đồng chung; 118 mô hình chẩn đoán để phát hiện Covid-19 (75 dựa trên hình ảnh y khoa, 10 dùng chẩn đoán mức độ nặng của bệnh) và 107 mô hình tiên lượng dự báo nguy cơ tử vong, tiến triển bệnh nặng, phải nhập vào ICU, hỗ trợ hô hấp, đặt khí quản hay kéo dài thời gian nằm viện. Những thông số thường được sử dụng nhất trong các mô hình dự báo Covid-19 là các dấu hiệu sinh tồn, tuổi, bệnh nền và các đặc trưng về hình ảnh học. Các dấu hiệu giống cúm thường xuất hiện trong các mô hình dự báo về chẩn đoán, trong khi giới tính, C reactive protein (CRP) và số lượng bạch cầu lympho lại là các yếu tố tiên lượng thường gặp. Chỉ số C được báo cáo ước tính từ hình thức định giá mạnh nhất thích hợp cho từng mô hình là từ 0,71 đến 0,99 với mô hình dự báo đối với cộng đồng chung, từ 0,65 đến trên 0,99 ở mô hình chẩn đoán và từ 0,54 đến 0,99 với mô hình tiên lượng. Tất cả các mô hình đều được xếp vào nhóm có sai số hệ thống (bias) cao hoặc không rõ ràng, phần lớn là do chọn nhóm bệnh chứng không có tính đại diện, loại bỏ người bệnh không trải qua sự kiện ta quan tâm vào cuối kỳ nghiên cứu, nguy cơ cao mô hình quá khớp và báo cáo không rõ ràng. Nhiều mô hình không mô tả được dân số đích (n=27, 12%) hoặc cơ sở y tế (n=75, 32%) và chỉ 11 (5%) được kiểm định bên ngoài bằng đường chuẩn tuyến tính (calibration plot). Mô hình chẩn đoán Jehi (Jehi diagnostic model) và bảng điểm tử vong 4C (4C mortality score) được xác định là các mô hình có triển vọng.
Kết luận: Các mô hình dự báo của Covid-19 nhanh chóng được đưa vào y văn nhằm hỗ trợ việc đưa ra quyết định y học vào ngay thời điểm khẩn cấp nhất. Nghiên cứu tổng quan này cho thấy hầu hết các báo cáo về mô hình dự báo thường chưa có chất lượng cao và còn nhiều sai số hệ thống, như thế khả năng dự báo có thể là khá chủ quan. Tuy nhiên, chúng tôi đã nhận định có hai (một chẩn đoán và một tiên lượng) mô hình có triển vọng chắc sẽ sớm được thẩm định ở nhiều quần thể khác nhau, thích hợp nhất là thông qua những nỗ lực hợp tác nghiên cứu và chia sẻ dữ liệu cho phép đầu tư nghiên cứu về tính ổn định và tính không đồng nhất khi được thực hiện qua nhiều quần thể và cơ sở y tế nghiên cứu. Chi tiết của tất cả các mô hình được phổ biến tại https://www.covprecise.org/. Hướng dẫn phương pháp luận của bài báo này nên được tuân thủ bởi vì những tiên đoán không thích hợp có thể mang lại nhiều cái hại hơn lợi khi hướng dẫn ra quyết định lâm sàng. Cuối cùng các tác giả của mô hình dự báo nên tuân thủ vào hướng dẫn báo cáo khoa học của TRIPOD (transparent reporting of a multivariable prediction model for individual prognosis or diagnosis = báo cáo minh bạch về một mô hình dự báo đa thông số với tiên lượng hay chẩn đoán ở một cá thể).
Nguồn dữ liệu: PubMed và Embase thông qua Ovid, cho đến 01 tháng 7 năm 2020, phụ lục với with arXiv, medRxiv và bioRxiv cho đến 05 tháng 5 năm 2020.
Chọn đưa vào nghiên cứu: Những nghiên cứu phát triển hoặc thẩm định một mô hình dự báo đa thông số có liên quan đến Covid-19.
Kết quả: 37.421 tiêu đề báo cáo đã được xem xét và 169 nghiên cứu mô tả 232 mô hình dự báo được đưa vào nghiên cứu. Tổng quan này đã xác định được bảy mô hình nhận diện người có nguy cơ trong cộng đồng chung; 118 mô hình chẩn đoán để phát hiện Covid-19 (75 dựa trên hình ảnh y khoa, 10 dùng chẩn đoán mức độ nặng của bệnh) và 107 mô hình tiên lượng dự báo nguy cơ tử vong, tiến triển bệnh nặng, phải nhập vào ICU, hỗ trợ hô hấp, đặt khí quản hay kéo dài thời gian nằm viện. Những thông số thường được sử dụng nhất trong các mô hình dự báo Covid-19 là các dấu hiệu sinh tồn, tuổi, bệnh nền và các đặc trưng về hình ảnh học. Các dấu hiệu giống cúm thường xuất hiện trong các mô hình dự báo về chẩn đoán, trong khi giới tính, C reactive protein (CRP) và số lượng bạch cầu lympho lại là các yếu tố tiên lượng thường gặp. Chỉ số C được báo cáo ước tính từ hình thức định giá mạnh nhất thích hợp cho từng mô hình là từ 0,71 đến 0,99 với mô hình dự báo đối với cộng đồng chung, từ 0,65 đến trên 0,99 ở mô hình chẩn đoán và từ 0,54 đến 0,99 với mô hình tiên lượng. Tất cả các mô hình đều được xếp vào nhóm có sai số hệ thống (bias) cao hoặc không rõ ràng, phần lớn là do chọn nhóm bệnh chứng không có tính đại diện, loại bỏ người bệnh không trải qua sự kiện ta quan tâm vào cuối kỳ nghiên cứu, nguy cơ cao mô hình quá khớp và báo cáo không rõ ràng. Nhiều mô hình không mô tả được dân số đích (n=27, 12%) hoặc cơ sở y tế (n=75, 32%) và chỉ 11 (5%) được kiểm định bên ngoài bằng đường chuẩn tuyến tính (calibration plot). Mô hình chẩn đoán Jehi (Jehi diagnostic model) và bảng điểm tử vong 4C (4C mortality score) được xác định là các mô hình có triển vọng.
Kết luận: Các mô hình dự báo của Covid-19 nhanh chóng được đưa vào y văn nhằm hỗ trợ việc đưa ra quyết định y học vào ngay thời điểm khẩn cấp nhất. Nghiên cứu tổng quan này cho thấy hầu hết các báo cáo về mô hình dự báo thường chưa có chất lượng cao và còn nhiều sai số hệ thống, như thế khả năng dự báo có thể là khá chủ quan. Tuy nhiên, chúng tôi đã nhận định có hai (một chẩn đoán và một tiên lượng) mô hình có triển vọng chắc sẽ sớm được thẩm định ở nhiều quần thể khác nhau, thích hợp nhất là thông qua những nỗ lực hợp tác nghiên cứu và chia sẻ dữ liệu cho phép đầu tư nghiên cứu về tính ổn định và tính không đồng nhất khi được thực hiện qua nhiều quần thể và cơ sở y tế nghiên cứu. Chi tiết của tất cả các mô hình được phổ biến tại https://www.covprecise.org/. Hướng dẫn phương pháp luận của bài báo này nên được tuân thủ bởi vì những tiên đoán không thích hợp có thể mang lại nhiều cái hại hơn lợi khi hướng dẫn ra quyết định lâm sàng. Cuối cùng các tác giả của mô hình dự báo nên tuân thủ vào hướng dẫn báo cáo khoa học của TRIPOD (transparent reporting of a multivariable prediction model for individual prognosis or diagnosis = báo cáo minh bạch về một mô hình dự báo đa thông số với tiên lượng hay chẩn đoán ở một cá thể).
Phạm Bá Đà – Hội Y Dược học tỉnh Kon Tum lược dịch
Nguồn:
1. Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal. BMJ 2020 Apr 7;369:m1328. doi: 10.1136/bmj.m1328.
2. Update to living systematic review on prediction models for diagnosis and prognosis of covid-19. BMJ. 2021 Feb 3;372:n236. doi: 10.1136/bmj.n236. PMID: 33536183
Ý kiến bạn đọc
Bạn cần đăng nhập với tư cách là Thành viên chính thức để có thể bình luận
Những tin mới hơn
Những tin cũ hơn
THÔNG BÁO
THÔNG TIN CHUNG
 |
 |
 |
 |
 |
Ảnh hoạt động ngành Y tế
Thăm dò ý kiến
Mời nhập mã xác nhận
Thống kê
- Đang truy cập56
- Máy chủ tìm kiếm2
- Khách viếng thăm54
- Hôm nay6,368
- Tháng hiện tại227,807
- Tổng lượt truy cập7,488,005
 |
 |
VĂN BẢN MỚI BAN HÀNH
Video tuyên truyền
