PHÂN TÍCH CÁC YẾU TỐ LIÊN QUAN ĐẾN ĐẾN KHÁM MUỘN Ở BỆNH NHÂN UNG THƯ VÒM MŨI HỌNG TẠI TUYẾN TỈNH
Nội dung chính của bài viết
Tóm tắt
Nghiên cứu mô tả cắt ngang kết hợp phân tích thứ cấp trên 2.118 bệnh nhân ung thư vòm mũi họng tại ba bệnh viện tỉnh và khảo sát chẩn đoán tại 05 bệnh viện. Kết quả cho thấy 89,5% bệnh nhân đến khám muộn sau 6 tháng; 63,9% được chẩn đoán ở giai đoạn III–IV; 51,6% có ù tai một bên. Tuyến tỉnh có tỷ lệ sử dụng MRI thường quy, đọc kép và hội chẩn đa chuyên khoa thấp hơn tuyến Trung ương, lần lượt 20,0% so với 74,3%, 20,0% so với 51,4% và 20,0% so với 60,0%. Đến khám muộn liên quan đến triệu chứng ban đầu không đặc hiệu, nhận diện chưa đầy đủ dấu hiệu cảnh báo và hạn chế về phương tiện, quy trình chẩn đoán tại tuyến tỉnh. Cần cải thiện sàng lọc ban đầu ở người trưởng thành có ù tai, nghe kém, ngạt mũi một bên, chảy máu mũi tái diễn, đau đầu hoặc hạch cổ kéo dài.
Từ khóa
ung thư vòm mũi họng, đến khám muộn, tuyến tỉnh, 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] Ng WT, But B, Choi HCW, et al. Application of Artificial Intelligence for Nasopharyngeal Carcinoma Management - A Systematic Review. Cancer Manag Res. 2022;14:339-366. doi:10.2147/CMAR.S341583.
[5] Li S, Deng YQ, Zhu ZL, et al. A Comprehensive Review on Radiomics and Deep Learning for Nasopharyngeal Carcinoma Imaging. Diagnostics (Basel). 2021;11(9):1523. doi:10.3390/diagnostics11091523.
[6] 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.
[7] 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.
[8] 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.
[9] 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.
[10] 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.
[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, et al. 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.