Mã số N2140: Hệ thống giúp phát hiện sớm, tiên lượng và cá nhân hóa điều trị ung thư gan
Theo số liệu GLOBOCAN 2024 của Cơ quan Nghiên cứu Ung thư Quốc tế (IARC), thế giới ghi nhận khoảng 843.000 ca mắc mới và 732.000 ca tử vong do ung thư gan; ung thư gan đứng thứ 7 về số ca mắc mới và thứ 3 về số ca tử vong do ung thư. Tại Việt Nam, năm 2024 có 14.591 ca mắc mới (đứng thứ 4, chiếm 8,2% tổng số ca ung thư) và 13.664 ca tử vong (đứng thứ 2, chiếm 12,3% tổng số ca tử vong do ung thư). Số ca tử vong tương đương khoảng 94% số ca mắc mới, phản ánh thực trạng bệnh thường được phát hiện muộn và tiên lượng xấu. Trong đó, ung thư biểu mô tế bào gan (HCC) chiếm từ 80–90% số ca bệnh. Điều đáng lo ngại là phần lớn bệnh nhân được chẩn đoán khi bệnh đã tiến triển đến giai đoạn muộn, dẫn đến việc điều trị trở nên phức tạp, tiên lượng xấu, và tạo gánh nặng kinh tế lớn cho gia đình bệnh nhân.
Hiện tại, vẫn chưa có một tiêu chuẩn vàng nào để chẩn đoán HCC. Các phương pháp chẩn đoán thường dùng như quan sát bất thường qua hình ảnh học (CT scan hoặc MRI) và xét nghiệm sinh hóa α-fetoprotein (AFP), có độ chính xác không cao, đặc biệt là trong việc phát hiện bệnh ở giai đoạn sớm. Gần đây, có nhiều kết quả khả quan từ các nghiên cứu xây dựng mô hình đánh giá kết hợp nhiều chỉ dấu sinh học. Điển hình là việc xây dựng thang điểm GALAD với sự kết hợp của 5 yếu tố: AFP, AFP-L3, DCP, tuổi và giới tính. Đối với khả năng chẩn đoán HCC giai đoạn sớm, thang điểm GALAD đạt được độ đặc hiệu và độ nhạy cao. Tuy nhiên, hiệu quả thang điểm còn tùy thuộc vào đặc trưng dịch tễ mỗi quốc gia và tuy có độ nhạy cao nhưng thang GALAD làm tăng tỉ lệ dương tính giả. Trong bối cảnh này, việc ứng dụng trí tuệ nhân tạo (AI) và các thuật toán học máy vào việc phát hiện sớm và cá nhân hóa điều trị HCC đang trở thành xu hướng nghiên cứu mới và đầy hứa hẹn.
Các phương pháp điều trị ung thư gan hiện nay đã có nhiều tiến bộ, song vẫn tồn tại nhiều hạn chế, đặc biệt trong việc tối ưu hóa hiệu quả điều trị cho từng bệnh nhân. Phẫu thuật cắt gan được xem là lựa chọn hàng đầu đối với các trường hợp khối u nhỏ và phần gan tổn thương có thể cắt bỏ một cách an toàn. Đối với những khối u lớn nhưng vẫn đáp ứng tiêu chuẩn Milan, ghép gan là phương án điều trị đầu tay, vừa loại bỏ hoàn toàn khối u vừa giúp phục hồi chức năng gan nền. Đối với những bệnh nhân không đủ điều kiện phẫu thuật, hóa – tắc mạch khối u (Transarterial Chemoembolization – TACE) là phương pháp điều trị chủ lực cho bệnh nhân HCC giai đoạn trung gian. Phương pháp này giúp ngăn chặn dòng máu nuôi khối u và được đánh giá thông qua chỉ dấu sinh học, hình ảnh học và chức năng gan. Tuy nhiên, các chỉ dấu hiện hành có độ nhạy chưa cao, khó phát hiện sớm, làm bỏ lỡ “thời điểm vàng” trong điều trị. Đối với các ca bệnh tiến triển, không còn khả năng can thiệp tại chỗ, điều trị toàn thân là lựa chọn tất yếu. Trong đó, Sorafenib – thuốc ức chế đa serine/threonine kinase – tác động vào con đường MAPK nhằm ức chế tăng sinh và tạo mạch khối u, đồng thời thúc đẩy apoptosis của tế bào ung thư. Mặc dù đem lại hiệu quả ở một số bệnh nhân, Sorafenib lại gây ra nhiều tác dụng phụ (biến chứng da liễu, tiêu chảy, tăng huyết áp…) và không phải mọi bệnh nhân đều đáp ứng tốt với liệu pháp điều trị này.
Thế nên nhu cầu cấp bách là phát triển các mô hình chẩn đoán phù hợp với đặc điểm di truyền và dịch tễ học của người Việt Nam, đồng thời giảm thiểu tính xâm lấn của các phương pháp xét nghiệm hiện nay. Việc lựa chọn chiến lược điều trị phù hợp – từ phẫu thuật, TACE, đến Sorafenib hoặc các liệu pháp mới – cần dựa trên mô hình dự đoán chính xác khả năng đáp ứng bệnh. Điều này không chỉ giúp cải thiện tỷ lệ sống sót của bệnh nhân mà còn giúp cá nhân hóa liệu pháp điều trị, giảm thiểu tác dụng phụ, tiết kiệm chi phí và cải thiện chất lượng sống cho người bệnh. Đây chính là hướng tiếp cận trọng tâm của y học chính xác và cũng là một trong những mục tiêu cốt lõi mà nhóm nghiên cứu hướng tới.
Sau quá trình nghiên cứu, nhóm đã phát triển một mô hình học máy dựa trên phân tích biểu hiện gen của các chỉ thị sinh học mới. Chỉ thị sinh học này không chỉ mang lại độ chính xác cao hơn trong chẩn đoán mà còn hỗ trợ cá nhân hóa quá trình điều trị cho bệnh nhân HCC. Đánh dấu một bước tiến quan trọng trong y học chính xác, với tiềm năng cải thiện kết quả điều trị và tối ưu hóa chi phí y tế.
Mô hình được xây dựng dựa trên mức độ biểu hiện gen CENPM và F12 từ mẫu máu người Việt Nam bằng kỹ thuật RT-qPCR và được kiểm định lại trên mẫu mô và các tập dữ liệu độc lập khác để đảm bảo tính ứng dụng rộng rãi. Mô hình không chỉ có độ chính xác cao trong chẩn đoán HCC, mà còn hỗ trợ cá nhân hóa quá trình điều trị cho bệnh nhân.

Trước tiên, nhóm thu thập và xử lý dữ liệu lớn từ nguồn mở. Cụ thể, nhóm sử dụng các tập dữ liệu biểu hiện gen từ các cơ sở dữ liệu quốc tế công khai như The Cancer Genome Atlas (TCGA) và Gene Expression Omnibus (GEO). Các dữ liệu được lựa chọn bao gồm thông tin biểu hiện gen và thông tin lâm sàng như mẫu máu, mô ung thư và mô không ung thư, tình trạng xơ gan, thời gian sống và dữ liệu về đáp ứng điều trị như TACE hoặc sorafenib. Việc lựa chọn này nhằm đảm bảo tính toàn diện và bám sát với đặc điểm bệnh lý của ung thư gan trên cả mô và máu ngoại vi, giúp tiềm kiếm chỉ thị sinh học tiềm năng.
Sau khi thu thập, dữ liệu được đưa vào quá trình sàng lọc và xác định các gene tiềm năng, dựa trên sự khác biệt về biểu hiện giữa các nhóm bệnh nhân. Việc phân tích sự khác biệt trong biểu hiện gen được tiến hành với các tiêu chí nghiêm ngặt nhằm tìm ra những gene có vai trò đặc hiệu trong chẩn đoán và tiên lượng bệnh, cũng như khả năng dự đoán đáp ứng điều trị. Cụ thể, chỉ những gen có giá trị diện tích dưới đường cong ROC (AUC) > 0,7 và giá trị p < 0,001 mới được lựa chọn để tiếp tục phân tích sâu. Điều này nhằm đảm bảo các gen này thực sự có khả năng phân biệt giữa nhóm bệnh và nhóm không bệnh, cũng như liên quan đến hiệu quả điều trị, một yếu tố then chốt cho việc cá thể hóa điều trị trong y học hiện đại.
Để kiểm tra tính ứng dụng thực tiễn tại Việt Nam, nhóm tiến hành đánh giá lại các gen tiềm năng trên mẫu bệnh nhân người Việt. Các mẫu này được xử lý theo quy trình chuẩn bao gồm: ly trích RNA từ máu và mô, thiết kế mồi đặc hiệu, tiến hành phản ứng Realtime RT-PCR để đo lường chính xác mức độ biểu hiện gene.
Trên cơ sở đó, nhóm triển khai xây dựng mô hình học máy sử dụng thuật toán Mixture Discriminant Analysis (MDA) – một kỹ thuật mạnh mẽ có khả năng tích hợp thông tin từ nhiều chỉ thị sinh học, giúp phân biệt các nhóm bệnh nhân HCC, xác định nguy cơ và đưa ra dự đoán tiên lượng. Mô hình này được xây dựng dựa trên dữ liệu biểu hiện gen từ các mẫu máu bệnh nhân Việt Nam, giúp phân nhóm bệnh nhân theo nguy cơ tử vong và đáp ứng điều trị. Hai gene tiềm năng nhất được lựa chọn để xây dựng mô hình chính là CENPM và F12 – cả hai đều đáp ứng tốt các tiêu chí thống kê và được xác nhận bằng kết quả thực nghiệm Realtime RT-PCR. Mô hình được kiểm định lại trên tập dữ liệu độc lập từ mẫu mô để đảm bảo độ tin cậy và khả năng khái quát cao. - Để kiểm tra tính hiệu quả của mô hình, nhóm tiến hành các bước đánh giá hiệu quả mô hình một cách toàn diện, bao gồm: sử dụng biểu đồ violin để mô tả sự khác biệt trong phân bố điểm nguy cơ giữa các nhóm; vẽ đường cong ROC để đánh giá độ chính xác của mô hình trong việc phân loại; đồng thời áp dụng phân tích sống còn KaplanMeier để kiểm tra sự khác biệt về thời gian sống còn giữa nhóm nguy cơ cao và thấp. Mô hình đã chứng minh tính hiệu quả giúp tiên lượng và phân nhóm bệnh nhân, hỗ trợ quá trình ra quyết định điều trị, đặc biệt trong các lựa chọn phức tạp như điều trị thuốc trúng đích hay liệu pháp TACE.
Từ các kết quả nghiên cứu, nhóm đã từng bước hoàn thiện mô hình, từ phân tích dữ liệu (mô, máu), đến xác định chỉ thị sinh học, xây dựng mô hình học máy, kiểm định và đánh giá hiệu quả. Đây là một hướng tiếp cận công nghệ số mới trong lĩnh vực y học, khi mà dữ liệu sinh học lớn được tích hợp và xử lý tự động để đưa ra các chỉ số y học chính xác, hướng đến điều trị cá thể hóa cho từng bệnh nhân. Không sử dụng kỹ thuật hình ảnh như truyền thống, mô hình đi sâu vào biểu hiện gen giúp chẩn đoán sớm và chính xác hơn cũng như theo dõi diễn tiến bệnh và dự đoán đáp ứng điều trị.
Để tăng cường tính ứng dụng thực tế và khả năng tiếp cận của công nghệ trí tuệ nhân tạo trong y tế, nhóm nghiên cứu đã phát triển một nền tảng website trực tuyến Link hỗ trợ chẩn đoán và tiên lượng ung thư gan (HCC), tích hợp mô hình học máy đa tầng được huấn luyện từ dữ liệu bệnh viện thực tế tại Việt Nam. Nền tảng cho phép bác sĩ và cơ sở y tế nhập dữ liệu từ kết quả RT-qPCR và chỉ trong vài giây, hệ thống sẽ phân tích nguy cơ mắc ung thư gan, phân tầng tiên lượng sống còn, cũng như dự đoán khả năng đáp ứng với các liệu pháp điều trị như TACE hoặc sorafenib.


Nghiên cứu đã được thử nghiệm tại Bệnh viện Thống Nhất, TP.HCM trên nhóm mẫu gồm 32 mẫu (22 mẫu máu và 10 mẫu mô) của bệnh nhân ung thư gan và người khỏe mạnh, với kết quả đầy hứa hẹn. Mô hình đạt giá trị AUC lên tới 0,94 so với AFP là 0,53, điều này chứng minh khả năng vượt trội trong việc chẩn đoán ung thư gan, đặc biệt ở giai đoạn sớm. Đây được coi là một bước đột phá trong lĩnh vực chẩn đoán, giúp khắc phục hạn chế của các phương pháp truyền thống như AFP. Việc ứng dụng Mô hình không chỉ giúp phát hiện bệnh kịp thời mà còn mở ra cơ hội điều trị hiệu quả hơn, từ đó cải thiện đáng kể tỷ lệ sống sót và nâng cao chất lượng cuộc sống cho bệnh nhân. Thành công này không chỉ củng cố tiềm năng ứng dụng của mô hình trong lâm sàng mà còn đặt nền móng cho những cải tiến quan trọng trong chẩn đoán và điều trị ung thư gan tại Việt Nam.
Phương pháp ít xâm lấn: Mô hình dựa trên xét nghiệm mẫu máu, mang lại sự tiện lợi và ít đau đớn cho bệnh nhân so với các phương pháp chẩn đoán xâm lấn.
Tiên lượng và cá nhân hóa điều trị: Không chỉ dừng lại ở việc chẩn đoán, mô hình còn có khả năng dự đoán tiên lượng và đưa ra những liệu pháp điều trị phù hợp cho từng bệnh nhân ung thư gan. Theo đó, những bệnh nhân có chỉ số tiên lượng thấp thì phù hợp với điều trị bằng phương pháp TACE. Còn những bệnh nhân có chỉ số tiên lượng cao sẽ đáp ứng tốt với liệu pháp Sorafenib. Điều này giúp các bác sĩ có cơ sở lựa chọn liệu pháp phù hợp cho từng bệnh nhân cụ thể, tối ưu hoá kết quả điều trị và giảm thiểu tác dụng phụ.
Ứng dụng cao trong thực hành lâm sàng: Mô hình có khả năng áp dụng trên nhiều loại mẫu khác nhau, bao gồm cả mẫu máu và mẫu mô và vẫn giữ được độ chính xác cao. Điều này chứng tỏ mô hình có tính linh hoạt vượt trội, phù hợp với các điều kiện lâm sàng khác nhau. Ngoài ra, mô hình không chỉ dừng lại ở một phương pháp phân tích duy nhất mà có thể áp dụng trên các kỹ thuật khác nhau như RT-qPCR và MicroArray. Điều này cho phép mô hình dễ dàng được tích hợp vào các hệ thống phân tích hiện có, từ đó nâng cao khả năng tiếp cận và ứng dụng rộng rãi trong thực tế lâm sàng.
Tính mới, tính sáng tạo
Sự sáng tạo của nghiên cứu nằm ở việc kết hợp các kỹ thuật phân tích dữ liệu biểu hiện gen, thông tin lâm sàng và các thuật toán học máy để xác định các dấu ấn sinh học đặc trưng, từ đó xây dựng mô hình dự đoán ung thư gan, điều này là hoàn toàn mới và lần đầu tiên thực hiện tại Việt Nam. Việc lựa chọn các phương pháp thống kê (t-test, hồi quy Cox), kỹ thuật học máy (PCA, SVM) và quy trình kiểm định chặt chẽ (LOOCV, kiểm định trên tập dữ liệu độc lập) thể hiện sự sáng tạo trong việc áp dụng công nghệ để giải quyết vấn đề. Giải pháp này kết hợp kiến thức và kỹ thuật từ nhiều ngành khác nhau, bao gồm sinh học phân tử (biểu hiện gen), y học lâm sàng (thông tin bệnh nhân, kết quả điều trị), thống kê học (phân tích dữ liệu) và khoa học máy tính (học máy, phân tích dữ liệu lớn).
Nghiên cứu nhằm tạo ra một hệ thống đánh giá toàn diện hỗ trợ chẩn đoán, tiên lượng và điều trị ung thư gan một cách hiệu quả hơn. Điểm nổi bật đầu tiên của nghiên cứu là việc ứng dụng phân tích dữ liệu lớn để phân tích dữ liệu biểu hiện gen và thông tin lâm sàng của hơn 1600 mẫu liên quan tới ung thư gan từ các cơ sở dữ liệu quốc tế (TCGA, GEO). Việc khai thác nguồn dữ liệu phong phú này, kết hợp với các thuật toán học máy, không chỉ đơn thuần là sử dụng công nghệ hiện đại mà còn tối ưu hóa quy trình tìm kiếm chỉ dấu sinh học, thể hiện sự sáng tạo trong việc tích hợp y học, sinh học, tin sinh và thống kê.
Tính mới tiếp theo thể hiện ở việc sử dụng công nghệ tiên tiến trong phân tích dữ liệu, bao gồm kỹ thuật z-score normalization để chuẩn hóa dữ liệu biểu hiện gene, BRB-ArrayTool để trích xuất gene quan trọng và đặc biệt là tích hợp thuật toán Support Vector Machine (SVM) để nâng cao độ chính xác của mô hình. Quan trọng hơn, nghiên cứu sử dụng thuật toán Mixture Discriminant Analysis (MDA) để xây dựng một mô hình đa chức năng, liên kết chặt chẽ giữa chẩn đoán, tiên lượng và dự đoán đáp ứng điều trị, một điều chưa từng được thực hiện trước đây. Mô hình không chỉ giúp dự đoán một người nào đó có nguy cơ bị ung thư gan hay không, nếu có thì tiên lượng của họ ra sao và ứng với tiên lượng đó thì bệnh nhân nên được điều trị bằng phương pháp nào sẽ có hiệu quả tốt nhất.
Đặc biệt nghiên cứu đã được thử nghiệm tại Bệnh viện Thống Nhất trên nhóm mẫu gồm 32 mẫu (22 mẫu máu và 10 mẫu mô) của bệnh nhân ung thư gan và người khỏe mạnh, với kết quả đầy hứa hẹn. Mô hình đạt giá trị AUC lên tới 0,94 so với AFP là 0,53, điều này chứng minh khả năng vượt trội trong việc chẩn đoán ung thư gan, đặc biệt ở giai đoạn sớm. Đây được coi là một bước đột phá trong lĩnh vực chẩn đoán, giúp khắc phục hạn chế của các phương pháp truyền thống như AFP.
Hiệu quả thực tế
Hiệu quả của giải pháp được chứng minh qua: kết quả định lượng trên dữ liệu người Việt và dữ liệu quốc tế độc lập; sự thẩm định độc lập của hội đồng khoa học, tạp chí quốc tế và các giải thưởng; và lợi ích cụ thể đối với người bệnh, hệ thống y tế và cộng đồng.
Kết quả định lượng
Mô hình được huấn luyện trên mẫu máu người Việt thu tại Bệnh viện Thống Nhất, sau đó kiểm định trên các tập dữ liệu độc lập của nhiều quốc gia. Ở tất cả các phép kiểm định, mô hình đều phân loại tốt hơn AFP – chỉ dấu đang được dùng phổ biến nhất hiện nay:
Bảng 1. Hiệu năng phân loại của mô hình so với AFP (mức biểu hiện mRNA)

Tiên lượng: trên GSE14520 (242 người bệnh, theo dõi 5 năm) và TCGA (366 người bệnh, theo dõi 10 năm), nhóm có điểm mô hình cao có thời gian sống còn ngắn hơn có ý nghĩa thống kê so với nhóm điểm thấp (phân tích Kaplan–Meier, kiểm định log-rank).
Dự đoán đáp ứng điều trị: trên GSE104580 (147 người bệnh điều trị TACE), nhóm đáp ứng có điểm thấp hơn; trên GSE109211 (67 người bệnh điều trị sorafenib), nhóm đáp ứng có điểm cao hơn. Từ đó hình thành quy tắc định hướng: điểm thấp ưu tiên TACE, điểm cao ưu tiên sorafenib.
Thẩm định và công nhận độc lập
Các kết quả trên đã được kiểm chứng bởi những đơn vị độc lập với nhóm. Các kết quả phát sinh từ ngày 01/01/2025 gồm:
Sở hữu trí tuệ: nộp 02 hồ sơ đăng ký sáng chế năm 2025 (mã hồ sơ 1-2025-02818 và 1-2025-02822).
Giải thưởng: Giải Ba Giải thưởng Sáng tạo Thành phố Hồ Chí Minh lần 4 năm 2025 do Ủy ban nhân dân Thành phố trao tặng; Giải Nhì Hội thi Sáng tạo kỹ thuật tỉnh Bình Dương lần thứ XI (2024–2025); Giải Nhất Hội thi Sáng tạo kỹ thuật toàn quốc.
Trước đó, đề tài tiền thân cấp ĐHQG-HCM mã số C2021-44-02 do PGS.TS.
Nguyễn Minh Nam làm chủ nhiệm đã được Hội đồng nghiệm thu xếp loại Xuất sắc (94,5/100 điểm, ngày 28/02/2023). Giải pháp cũng đạt Giải Ba Cuộc thi Smart City 2024, Giải Nhì tại hai hội thảo khoa học năm 2024 và Giải Khuyến khích Cuộc thi Sáng kiến Khoa học 2024 do Bộ Khoa học và Công nghệ phối hợp với Báo VnExpress tổ chức.
Hiệu quả giải quyết vấn đề xã hội, cộng đồng Tác động đối với bệnh nhân:
Tăng cơ hội sống sót: Việc phát hiện sớm ung thư gan mở ra nhiều lựa chọn điều trị hơn, tăng tỷ lệ sống sót cho bệnh nhân. Bằng cách phát hiện và điều trị bệnh ở giai đoạn đầu, bệnh nhân có cơ hội sống lâu hơn và chất lượng cuộc sống của bệnh nhân cũng sẽ được cải thiện.
Giảm đau đớn và chi phí điều trị: Nhờ vào việc phát hiện sớm, các phương pháp điều trị ít xâm lấn như phẫu thuật cắt bỏ khối u hoặc điều trị tại chỗ như TACE (hóa tắc mạch) có thể được áp dụng. Điều này không chỉ giúp giảm bớt đau đớn cho bệnh nhân mà còn giảm thiểu chi phí điều trị.
Điều trị hiệu quả hơn: Mô hình giúp hỗ trợ bác sĩ trong việc lựa chọn liệu pháp điều trị phù hợp nhất cho từng bệnh nhân, chẳng hạn như Sorafenib (thuốc điều trị ung thư gan) hoặc TACE. Việc dự đoán hiệu quả của từng liệu pháp sẽ giúp giảm thiểu tác dụng phụ và tối ưu hóa hiệu quả điều trị.
Giảm rủi ro do thử nghiệm điều trị: Thông thường, các bệnh nhân ung thư gan phải thử nhiều phương pháp điều trị để tìm ra phương pháp hiệu quả nhất. Tuy nhiên, việc áp dụng mô hình sẽ giúp hạn chế điều này bằng cách dự đoán khả năng đáp ứng của bệnh nhân với các liệu pháp, từ đó giảm thiểu việc điều trị không cần thiết.
Tác động đối với hệ thống y tế
Nâng cao chất lượng chẩn đoán: Độ chính xác cao của mô hình trong việc phát hiện ung thư gan, đặc biệt ở giai đoạn sớm, sẽ giúp nâng cao chất lượng chẩn đoán tại các bệnh viện. Các bác sĩ sẽ có thêm công cụ hữu ích để bổ sung cho các phương pháp chẩn đoán truyền thống.
Giảm tải cho các bệnh viện: Khi bệnh nhân được chẩn đoán sớm, các ca bệnh nặng và phức tạp sẽ giảm, giúp giảm tải áp lực lên các bệnh viện lớn. Điều này giúp phân bổ nguồn lực y tế tốt hơn, tạo điều kiện cho các bệnh viện điều trị bệnh nhân một cách hiệu quả hơn.
Giảm chi phí điều trị do phát hiện sớm: Phát hiện sớm ung thư gan sẽ giúp giảm thiểu chi phí điều trị vì bệnh nhân sẽ không cần phải trải qua các phương pháp điều trị phức tạp và tốn kém ở giai đoạn muộn.
Tối ưu hóa tài nguyên y tế: Với sự hỗ trợ của AI, việc sử dụng các nguồn tài nguyên y tế, bao gồm nhân lực và cơ sở vật chất, sẽ được tối ưu hóa, giảm thiểu việc sử dụng quá mức các dịch vụ chẩn đoán và điều trị không cần thiết.
Tác động xã hội
Giảm áp lực lên người nhà bệnh nhân: Khi bệnh nhân được chẩn đoán và điều trị sớm, gánh nặng tâm lý và tài chính đối với gia đình bệnh nhân cũng sẽ giảm, từ đó cải thiện chất lượng cuộc sống của cả bệnh nhân lẫn người thân.
Nâng cao nhận thức cộng đồng: Thông qua các chiến dịch truyền thông và hội nghị, dự án cũng sẽ giúp nâng cao nhận thức của cộng đồng về tầm quan trọng của việc phát hiện sớm ung thư gan và các ứng dụng của công nghệ AI trong y tế.
Mức độ nhân rộng, lan tỏa và áp dụng cho các địa bàn hoặc nhóm đối tượng khác;
Nghiên cứu đã được thử nghiệm tại Bệnh viện Thống Nhất, TP.HCM trên nhóm mẫu gồm 32 mẫu (22 mẫu máu và 10 mẫu mô) của bệnh nhân ung thư gan và người khỏe mạnh, với kết quả đầy hứa hẹn. Mô hình đạt giá trị AUC lên tới 0,94 so với AFP là 0,53, điều này chứng minh khả năng vượt trội trong việc chẩn đoán ung thư gan, đặc biệt ở giai đoạn sớm . Đây được coi là một bước đột phá trong lĩnh vực chẩn đoán, giúp khắc phục hạn chế của các phương pháp truyền thống như AFP. Việc ứng dụng Mô hình không chỉ giúp phát hiện bệnh kịp thời mà còn mở ra cơ hội điều trị hiệu quả hơn, từ đó cải thiện đáng kể tỷ lệ sống sót và nâng cao chất lượng cuộc sống cho bệnh nhân. Thành công này không chỉ củng cố tiềm năng ứng dụng của mô hình trong lâm sàng mà còn đặt nền móng cho những cải tiến quan trọng trong chẩn đoán và điều trị ung thư gan tại Việt Nam.
Phương pháp ít xâm lấn: Mô hình dựa trên xét nghiệm mẫu máu, mang lại sự tiện lợi và ít đau đớn cho bệnh nhân so với các phương pháp chẩn đoán xâm lấn.
Tiên lượng và cá nhân hóa điều trị: Không chỉ dừng lại ở việc chẩn đoán, mô hình còn có khả năng dự đoán tiên lượng và đưa ra những liệu pháp điều trị phù hợp cho từng bệnh nhân ung thư gan. Theo đó, những bệnh nhân có chỉ số tiên lượng thấp thì phù hợp với điều trị bằng phương pháp TACE. Còn những bệnh nhân có chỉ số tiên lượng cao sẽ đáp ứng tốt với liệu pháp Sorafenib. Điều này giúp các bác sĩ có cơ sở lựa chọn liệu pháp phù hợp cho từng bệnh nhân cụ thể, tối ưu hoá kết quả điều trị và giảm thiểu tác dụng phụ.
Ứng dụng cao trong thực hành lâm sàng: Mô hình có khả năng áp dụng trên nhiều loại mẫu khác nhau, bao gồm cả mẫu máu và mẫu mô và vẫn giữ được độ chính xác cao. Điều này chứng tỏ mô hình có tính linh hoạt vượt trội, phù hợp với các điều kiện lâm sàng khác nhau. Ngoài ra, mô hình không chỉ dừng lại ở một phương pháp phân tích duy nhất mà có thể áp dụng trên các kỹ thuật khác nhau như RT-qPCR và MicroArray. Điều này cho phép mô hình dễ dàng được tích hợp vào các hệ thống phân tích hiện có, từ đó nâng cao khả năng tiếp cận và ứng dụng rộng rãi trong thực tế lâm sàng.
PGS.TS. Nguyễn Minh Nam (Trường Đại học Khoa học Sức khỏe – Đại học Quốc gia Thành phố Hồ Chí Minh)