XÂY DỰNG CHỈ SỐ SẴN SÀNG CHẨN ĐOÁN UNG THƯ VÒM MŨI HỌNG TẠI CÁC CƠ SỞ TAI MŨI HỌNG
Nội dung chính của bài viết
Tóm tắt
Nghiên cứu mô tả cắt ngang kết hợp xây dựng chỉ số, sử dụng dữ liệu khảo sát tại 05 bệnh viện và 2.118 bệnh nhân ung thư vòm mũi họng tại tuyến tỉnh. Chỉ số sẵn sàng chẩn đoán được đề xuất gồm 5 cấu phần: nội soi nâng cao, MRI thường quy vùng vòm, PACS/lưu trữ hình ảnh, đọc kép và hội chẩn đa chuyên khoa. Tuyến tỉnh có tỷ lệ nội soi nâng cao, MRI thường quy, đọc kép và hội chẩn đa chuyên khoa thấp hơn tuyến Trung ương, lần lượt 40,1% so với 74,5%, 20,0% so với 74,3%, 20,0% so với 51,4% và 20,0% so với 60,0%. Dữ liệu người bệnh ghi nhận 89,5% đến khám muộn, 63,9% ở giai đoạn III–IV và 51,6% có ù tai một bên. Chỉ số này giúp lượng hóa năng lực phát hiện sớm và nhận diện điểm nghẽn về thiết bị, hạ tầng số, đọc kép và phối hợp chuyên khoa tại cơ sở Tai Mũi Họng tuyến địa phương.
Từ khóa
ung thư vòm mũi họng, chỉ số sẵn sàng chẩn đoán, Tai Mũi Họng, phát hiện sớm, MRI
Chi tiết bài viết
Tài liệu tham khảo
[2] Chang ET, Adami HO. The enigmatic epidemiology of nasopharyngeal carcinoma. Cancer Epidemiol Biomarkers Prev. 2006;15(10):1765-1777. doi:10.1158/1055-9965.EPI-06-0353.
[3] Johnson DE, Burtness B, Leemans CR, Lui VWY, Bauman JE, Grandis JR. Head and neck squamous cell carcinoma. Nat Rev Dis Primers. 2020;6(1):92. doi:10.1038/s41572-020-00224-3.
[4] Wong LM, King AD, Ai QYH, et al. Convolutional neural network for discriminating nasopharyngeal carcinoma and benign hyperplasia on MRI. Eur Radiol. 2021;31(6):3856-3863. doi:10.1007/s00330-020-07451-y.
[5] Chen H, Qi Y, Yin Y, et al. MMFNet: A Multi-modality MRI Fusion Network for Segmentation of Nasopharyngeal Carcinoma. arXiv. 2018;1812.10033.
[6] Zeng Y, Zeng P, Shen S, et al. DCTR U-Net: automatic segmentation algorithm for medical images of nasopharyngeal cancer in the context of deep learning. Front Oncol. 2023;13:1190075. doi:10.3389/fonc.2023.1190075.
[7] Tang P, et al. Dense SegU-net for automatic head-and-neck tumor segmentation in MR images. arXiv. 2020;2006.06278.
[8] Yue Y, Zeng X, Lin H, et al. A deep learning based smartphone application for early detection of nasopharyngeal carcinoma using endoscopic images. NPJ Digit Med. 2024;7(1):384. doi:10.1038/s41746-024-01403-2.
[9] He Z, Zhang K, Zhao N, et al. Deep learning for real-time detection of nasopharyngeal carcinoma during nasopharyngeal endoscopy. iScience. 2023;26(10):107463. doi:10.1016/j.isci.2023.107463.
[10] Li S, Wan X, Deng YQ, et al. Predicting prognosis of nasopharyngeal carcinoma based on deep learning: peritumoral region should be valued. Cancer Imaging. 2023;23(1):14. doi:10.1186/s40644-023-00530-5.
[11] Gu B, Meng M, Bi L, et al. Prediction of 5-year progression-free survival in advanced nasopharyngeal carcinoma with pretreatment PET/CT using multi-modality deep learning-based radiomics. Front Oncol. 2022;12:899351. doi:10.3389/fonc.2022.899351.
[12] Meng M, Gu B, Bi L, Song S, Feng DD, Kim J. DeepMTS: Deep Multi-Task Learning for Survival Prediction in Patients With Advanced Nasopharyngeal Carcinoma Using Pretreatment PET/CT. IEEE J Biomed Health Inform. 2022;26(9):4497-4507. doi:10.1109/JBHI.2022.3181791.
[13] Li S, Deng YQ, Hua HL, et al. Deep learning for locally advanced nasopharyngeal carcinoma prognostication based on pre- and post-treatment MRI. Comput Methods Programs Biomed. 2022;219:106785. doi:10.1016/j.cmpb.2022.106785.
[14] Alabi RO, Elmusrati M, Leivo I, Almangush A, Mäkitie AA. Machine learning explainability in nasopharyngeal cancer survival using LIME and SHAP. Sci Rep. 2023;13(1):8984. doi:10.1038/s41598-023-35795-0.
[15] Zhu J, Zhang S, Yu R, et al. An efficient deep convolutional neural network model for visual localization and automatic diagnosis of thyroid nodules on ultrasound images. Quant Imaging Med Surg. 2021;11(4):1368-1380. doi:10.21037/qims-20-538.