Page 238 - HSCC2025

PGS.TS. PHẠM VĂN THẮNG

GIÁ TRỊ CỦA CÁC BIOMARKER TRONG CHẨN ĐOÁN, ĐIỀU TRỊ
VÀ TIÊN LƯỢNG NHIỄM TRÙNG Ở TRẺ EM

Nhiễm trùng tiếp tục là nguyên nhân hàng đầu gây bệnh tật và tử vong ở trẻ em. Việc xác định nhiễm trùng kịp thời, dự
đoán mức độ nghiêm trọng của bệnh và đánh giá hiệu quả điều trị là những yếu tố quan trọng trong quản lý bệnh nhi.
Các biomarker đã và đang đóng vai trò quan trọng trong chẩn đoán, hướng dẫn điều trị kháng sinh và tiên lượng bệnh
Bài trình bày này sẽ phân tích cơ chế bệnh sinh của một số biomarker quan trọng, bao gồm CRP, IL-6, IL-18,
procalcitonin và ferritin, trong các bệnh nhiễm trùng do vi khuẩn và virus. Các con đường viêm khác nhau được kích
hoạt để đáp ứng với từng loại tác nhân gây bệnh, từ đó ảnh hưởng đến giá trị của biomarker trong chẩn đoán. Ngoài
ra, nghiên cứu cũng nhấn mạnh giá trị tiên lượng của nồng độ ferritin huyết thanh cao và mối liên quan của nó với tỷ
lệ tử vong và nhu cầu chăm sóc đặc biệt ở bệnh nhi
Bài trình bày cũng đề cập đến vai trò của biomarker trong việc tối ưu hóa sử dụng kháng sinh. Dù có hơn 250 biomarker
đã được xác định, ứng dụng lâm sàng của chúng vẫn còn nhiều tranh cãi. Các thuật toán hướng dẫn sử dụng kháng
sinh dựa trên biomarker có tiềm năng giúp hạn chế kháng kháng sinh trong môi trường hồi sức tích cực
Nghiên cứu này nhấn mạnh sự cần thiết của các nghiên cứu sâu hơn nhằm đánh giá độ nhạy và độ đặc hiệu của các
biomarker viêm, tích hợp chúng vào quá trình ra quyết định lâm sàng và nâng cao hiệu quả quản lý nhiễm trùng. Các
nghiên cứu quy mô lớn trong tương lai là cần thiết để cải thiện khả năng phân biệt nhiễm trùng do vi khuẩn và virus,
cũng như tối ưu hóa điều trị cho bệnh nhi

PGS.TS. NGUYỄN NGỌC RẠNG

MÔ HÌNH MÁY HỌC TRONG TIÊN ĐOÁN SỐC DENGUE Ở TRẺ EM

Đặt vấn đề: Tiên đoán Hội Chứng Sốc Dengue (HCSD) giúp can thiệp kịp thời làm giảm nguy cơ biến chứng và tử
vong. Mô hình tiên đoán dựa vào máy học (MH) chưa được phổ biến tại Việt Nam. Mục tiêu của nghiên cứu nhằm thiết
lập một biểu đồ nomogram dựa vào máy học để tiên đoán HCSD.
Phương pháp: Nghiên cứu tiến cứu được thực hiện trên 230 trẻ em SXHD nhập viện tại BV Nhi Đồng Cần Thơ từ
1/2020- 12/2022. Các dữ liệu lâm sàng và xét nghiệm được thu thập và xử lý thống kê bằng phần mềm R. Sử dụng
6 mô hình máy học (Decision tree, Random forest, K-nearest neighbors, Support vector machine, Naïve Bayes, và
Neural network) để tiên đoán. Đánh giá hiệu suất của các mô hình bằng diện tích dưới đường cong (AUROC), độ chính
xác, độ nhạy và độ đặc hiệu. Chọn các biến có giá trị tiên đoán HCSD tốt nhất để xây dựng biểu đồ nomogram..
Kết quả: Phân tích 230 bệnh nhi SXHD với 124 (53.9 %) nam, tuổi trung vị 11 ( (IQR; 8-13 tuổi). Phân chia ngẫu nhiên
173 BN thuộc nhóm huấn luyện và 57 BN thuộc nhóm kiểm tra. Năm yếu tố chính xây dựng biểu đồ gồm albumin,
APTT, fibrinogen, tiểu cầu và AST. AUROC cho 6 mô hình MH dao động từ 0,888-0,945, trong đó mô hình Random
forest có hiệu suất tốt nhất với AUROC= 0,945 (KTC 95 %: 0,886– 1,000), độ chính xác= 0,951 (KTC 95 %: 0,865–
0,989), độ nhạy=0,894, độ đặc hiệu= 0,976 và chỉ số Kappa= 0,884.
Kết luận: Mô hình dựa vào MH có khả năng tốt để tiên đoán HCSD. Biểu đồ nomogram là một công cụ trực quan dễ
áp dụng cho các nhà lâm sàng trong tiên đoán HCSD ở trẻ em nhập viện

NHI KHOA 238