BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ Y TẾ
ĐẠI HỌC Y DƯỢC THÀNH PHỐ HỒ CHÍ MINH
HÀ TẤN ĐỨC
XÂY DỰNG BIỂU ĐỒ NOMOGRAM
ĐỂ CÁ NHÂN HÓA TIÊN LƯỢNG TỬ VONG
BỆNH LÝ NỘI KHOA TẠI KHOA CẤP CỨU
Ở ĐỐI TƯỢNG NGƯỜI VIỆT NAM
Ngành: Hồi sức cấp cứu và chống độc
Mã số: 9720103
TÓM TẮT LUẬN ÁN TIẾN SỸ Y HỌC
Thành phố Hồ Chí Minh - Năm 2018
2
Công trình được hoàn thành tại:
ĐẠI HỌC Y DƯỢC THÀNH PHỐ HỒ CHÍ MINH
Người hướng dẫn khoa học:
1. PGS.TS. Phạm Thị Ngọc Thảo
2. PGS.TS. Đỗ Văn Dũng
Phản biện 1: …………………………………………………………
Phản biện 2: …………………………………………………………
Phản biện 3: …………………………………………………………
Luận án sẽ được bảo vệ tại Hội đồng đánh giá luận án cấp Trường,
họp tại ĐẠI HỌC Y DƯỢC THÀNH PHỐ HỒ CHÍ MINH
vào hồi ……..giờ………phút, ngày…….tháng……..năm ……….
Có thể tìm hiểu luận án tại:
- Thư viện Quốc gia Việt Nam
- Thư viện Khoa học Tổng hợp TPHCM
- Thư viện Đại học Y Dược TP.HCM
1
GIỚI THIỆU LUẬN ÁN
Đặt vấn đề
Khoảng 93% các tử vong trong bệnh viện xảy ra ở bệnh
nhân nhập viện trong tình trạng cấp cứu. Ngoài ra, do sự đa dạng về
bệnh lý và mức độ nặng của bệnh nội khoa cấp cứu nên gây ra nhiều
khó khăn cho việc tiên lượng bệnh. Điều này dẫn đến nhiều biến cố
bất lợi xảy ra ngoài dự đoán. Mặc dù tiên lượng dựa trên kinh
nghiệm cá nhân của bác sỹ điều trị có độ chính xác khá tốt, tiên
lượng dựa trên kinh nghiệm cá nhân thường có độ tin cậy thấp đối
với những bệnh nhân có kết cục điều trị rất tốt hoặc rất xấu (tiên
lượng thừa nguy cơ tử vong). Do đó, nhiều mô hình tiên lượng đã
được nghiên cứu và ứng dụng để phát hiện những bệnh nặng cần hồi
sức tích cực, nhằm giảm tỷ lệ tử vong và tối ưu hóa sử dụng nguồn
lực y tế. Hiện nay, đối với bệnh nhân nội khoa tại khoa cấp cứu các
mô hình được sử dụng phổ biến là Rapid Emergency Medicine Score
(REMS), Rapid Acute Physiology Score (RAPS), Worthing
Physiological Scoring system (WPS), Routine Laboratory Data
(RLD), Simple Clinical Score (SCS) và Admission Laboratory Tests
(ALTs). Các mô hình này đã được nghiên cứu ở các nước Âu Mỹ và
có độ chính xác tốt khi tiên lượng kết cục điều trị.
Trong các mô hình trên, hai mô hình REMS và WPS tương
đối đơn giản và có khả năng ứng dụng cao, vì các thông số của hai
mô hình này là các dấu hiệu lâm sàng không xâm lấn có thể thu thập
trong một thời gian ngắn, phù hợp với bối cảnh cấp cứu. Chỉ số AUC
(Area Under the ROC Curve) của mô hình REMS và WPS khi
nghiên cứu phát triển mô hình lần lượt là 0,852 và 0,740. Tuy nhiên,
theo nghiên cứu của chúng tôi được thực hiện tại một trung tâm y
khoa ở vùng đồng bằng sông Cửu Long, tính phân biệt của hai mô
2
hình này khi tiên lượng chỉ ở mức trung bình cho bệnh nhân nội khoa
tại khoa cấp cứu.
Nhiều yếu tố tiên lượng cho bệnh nội khoa cấp cứu là các
dấu hiệu lâm sàng hoặc các xét nghiệm. Cho đến nay, vẫn chưa có
nghiên cứu nào cho thấy sự kết hợp giữa các dấu hiệu lâm sàng và
xét nghiệm thường quy có lợi ích khi tiên lượng ở bệnh nhân nội
khoa cấp cứu người Việt Nam. Do đó, nghiên cứu này được thực
hiện trên giả thuyết rằng tử vong ở bệnh nhân có bệnh lý nội khoa tại
khoa cấp cứu là hệ quả của những rối loạn sinh lý và các bệnh lý đi
kèm; các rối loạn này được thể hiện qua triệu chứng lâm sàng và các
xét nghiệm thường quy. Thiết kế nghiên cứu hiện tại nhằm kiểm định
giả thuyết vừa nêu, với mục tiêu nghiên cứu như sau:
1. Xác định mối liên quan giữa các dấu hiệu lâm sàng, tiền sử bệnh,
và đặc điểm cận lâm sàng với tử vong ở bệnh nhân nội khoa cấp cứu.
2. Phát triển mô hình tiên lượng tử vong từ các dấu hiệu lâm sàng và
xét nghiệm thường quy cho bệnh lý nội khoa tại khoa cấp cứu ở bệnh
nhân Việt Nam. Mô hình sau khi được phát triển sẽ được chuyển
thành toán đồ (nomogram) để dự đoán nguy cơ tử vong của bệnh
nhân.
Tính cấp thiết của đề tài
Bệnh nhân cấp cứu là những người có nguy cơ tử vong cao
cần được thụ hưởng chế độ điều trị và chăm sóc tương xứng. Tuy
nhiên, tiên lượng độ nặng cho bệnh nhân thường rất khó khăn do tình
trạng quá tải thường xuyên và bệnh lý phức tạp tại khoa cấp cứu.
Trong khi đó, tình trạng khẩn cấp đòi hỏi người thầy thuốc phải tiên
lượng thật nhanh độ nặng của bệnh nhân để ra quyết định điều trị kịp
thời.
3
Mặc dù, có nhiều mô hình tiên lượng cho bệnh nội khoa cấp
cứu đã được xây dựng trên thế giới; tuy nhiên, vẫn chưa có mô hình
tiên lượng nào cho thấy thích hợp cho bệnh nhân nội khoa cấp cứu
Việt Nam. Xuất phát từ nhu cầu thực tế, chúng tôi tiến hành nghiên
cứu đề tài này.
Những đóng góp mới của luận án
Công trình nghiên cứu của chúng tôi đã cung cấp thông tin
mới về yếu tố nguy cơ tử vong ở bệnh nội khoa cấp cứu. Trên cơ sở
này, chúng tôi đã xây dựng được các mô hình tiên lượng mới từ các
dấu hiệu lâm sàng và xét nghiệm. Về phương diện lâm sàng, các mô
hình này giúp cho việc quản lý bệnh nhân tốt hơn, bảo vệ bác sỹ về
phương diện pháp lý, đặc biệt khi đối diện với những bệnh nhân khó
tiên lượng.
Bố cục luận án
Luận án dài 98 trang. Ngoài phần đặt vấn đề và kết luận,
luận án gồm 4 chương: Chương 1 - Tổng quan tài liệu (23 trang),
chương 2 - Đối tượng và phương pháp nghiên cứu (19 trang),
chương 3 - Kết quả nghiên cứu (25 trang), chương 4 - Bàn luận (26
trang). Luận án có 12 bảng, 17 biểu đồ, 1 sơ đồ, 150 tài liệu tham
khảo (3 tiếng Việt và 147 tiếng Anh).
Chương 1: Tổng quan tài liệu
Như đã đề cập trong phần đặt vấn đề, đối với bệnh nhân nội
khoa tại khoa cấp cứu, hiện nay có nhiều mô hình tiên lượng đã được
phát triển và thẩm định ở bệnh nhân Âu Mỹ. Các mô hình có các yếu
tố tiên lượng chỉ gồm những dấu hiệu lâm sàng không xâm lấn là:
REMS, RAPS, SCS, WPS. Các mô hình phối hợp giữa dấu hiệu lâm
sàng không xâm lấn và cận lâm sàng bao gồm: ALTs và RLD. Biểu
4
đồ 1.1 trình bày mối liên hệ giữa chỉ số AUC với số lượng yếu tố
tiên lượng trong mô hình.
Biểu đồ 1.1: AUC của các mô hình tiên lượng tại khoa cấp cứu
1.1. Ứng dụng mô hình tiên lượng vào thực tế tại khoa cấp cứu
1.1.1. Thiết lập tiêu chuẩn khách quan để chỉ định chế độ chăm
sóc
Mô hình tiên lượng cho phép thiết lập tiêu chuẩn khách quan
để chỉ định chế độ chăm sóc cho bệnh nhân. Điều này giúp phân bổ
hợp lý nhân lực và tài nguyên y tế. Mặc dù, các bác sỹ điều trị có thể
dựa trên kinh nghiệm cá nhân để ước lượng nguy cơ tử vong và từ đó
phân bổ chế độ chăm sóc cho từng bệnh nhân; tuy nhiên, có bằng
chứng cho thấy dựa trên các tiêu chuẩn khách quan có thể cho kết
quả chính xác hơn.
5
1.1.2. So sánh chất lượng chăm sóc giữa các đơn vị y tế
Vào năm 1984, Liddell đề xuất một cách đo lường mới gọi là
tỷ số tử vong chuẩn hóa (Standardised Mortality Ratio: SMR). Chỉ số
này cho phép chuẩn hóa tỷ lệ tử vong quan sát theo độ nặng của bệnh
nhân. Công thức tính như sau:
= ∗ 100 ố ượ ử á ố ượ ử ê ượ
Chỉ số SMR này càng cao có nghĩa số tử vong quan sát được
trên thực tế càng cao so với số lượng tử vong tiên lượng.
1.1.3. Ứng dụng vào nghiên cứu
Trong các nghiên cứu can thiệp hoặc nghiên cứu lâm sàng
được tiến hành ở nhiều trung tâm y khoa, mô hình tiên lượng thường
được sử dụng để: (1) nhận diện những bệnh nhân có cùng mức độ
nguy cơ, (2) kiểm tra chất lượng của việc phân nhóm ngẫu nhiên, (3)
so sánh các nghiên cứu can thiệp hay các nghiên cứu lâm sàng với
nhau, hay so sánh các bệnh nhân trong nghiên cứu với các bệnh nhân
trong thực hành lâm sàng, hoặc xác định cỡ mẫu.
1.1.4. Thiết lập tỷ lệ bác sỹ : số gường điều trị thích hợp trong
một bệnh viện
Nếu chấp nhận chỉ số SMR là chỉ số để đánh giá chất lượng
điều trị của một bệnh viện, thì tỷ số bác sỹ : số giường bệnh là một
trong những yếu tố tiên lượng chất lượng điều trị. Căn cứ trên số
lượng bác sỹ trên 100 giường bệnh, người ta chia số lượng bác sỹ
cho một bệnh viện thành 3 loại: (1) thấp (số lượng bác sỹ trên 100
giường thấp hơn trung bình ½ độ lệch chuẩn), (2) trung bình (số
lượng bác sỹ trên 100 giường trong khoảng trung bình ± ½ độ lệch
chuẩn), và (3) cao (số lượng bác sỹ trên 100 giường cao hơn trung
6
bình ½ độ lệch chuẩn). Chỉ số SMR tỷ lệ nghịch với số lượng bác sỹ
tính trên 100 giường điều trị.
1.1.5. Vấn đề y đức khi sử dụng mô hình tiên lượng như một
hướng dẫn để ngừng điều trị
Sử dụng mô hình tiên lượng để hỗ trợ việc ra quyết định tiếp
tục hay dừng chăm sóc y tế vẫn còn bàn cãi vì nhiều lý do. Thứ nhất,
đa số các mô hình tiên lượng được thiết kế để mô tả độ nặng bệnh và
xác suất tử vong của nhóm bệnh nhân, không phải cho cá nhân bệnh
nhân. Thứ hai, thậm chí trong các nhóm bệnh nhân, không có mô
hình nào có xác suất tiên lượng so sánh hoàn hảo với xác suất quan
sát (khả năng hiệu chuẩn) và những mô hình này cũng không phân
biệt một cách hoàn hảo bệnh nhân sống sót với bệnh nhân tử vong.
Thứ ba, các mô hình tiên lượng chỉ có thể hướng dẫn ra quyết định
chăm sóc y tế chỉ trong bối cảnh có sự hiểu biết thích hợp về các
nguyên tắc đạo đức có liên quan đến việc tiếp tục hay dừng chăm sóc
y tế.
1.2. Khuyến cáo sử dụng mô hình trên lâm sàng và tình hình
nghiên cứu trong nước
Để áp dụng một mô hình tiên lượng vào thực tế lâm sàng,
nhà lâm sàng cần nắm rõ một số đặc điểm sau: (1) mô hình tiên
lượng sẽ khái quát hóa tốt nhất cho những quần thể có các giá trị của
biến số dao động trong phạm vi tương tự như ở quần thể phát triển
mô hình, giảm thiểu sai lệch liên quan đến quần thể nghiên cứu; (2)
khi một mô hình kém chính xác ở một quần thể mới thì nên sử dụng
dữ liệu mới này để biến đổi mô hình cho phù hợp thay vì phát triển
thêm một mô hình mới; (3) trước khi áp dụng mô hình tiên lượng
nhà lâm sàng cần phải biết rõ các định nghĩa và phương pháp đo
7
lường của các biến số, nhằm làm giảm sai lệch liên quan đến độ tin
cậy của biến số.
Cho đến nay, đã có nghiên cứu đánh giá tính chính xác của
các mô hình tiên lượng tại khoa hồi sức cấp cứu tại Việt Nam. Tuy
nhiên, đối với các mô hình tiên lượng cho bệnh nội khoa tại khoa cấp
cứu chỉ mới có một nghiên cứu được thực hiện ở quần thể người Việt
Nam. Kết quả cho thấy chỉ số AUC của hai mô hình REMS và WPS
khi tiên lượng tử vong trong vòng 30 ngày chỉ ở mức trung bình.
Điều này cho thấy, vẫn còn có những yếu tố nguy cơ khác cho phép
dùng để tiên lượng kết cục điều trị bệnh nhân nội khoa tại khoa cấp
cứu. Trong bối cảnh y tế Việt Nam, sự khác biệt về tính phân biệt khi
ứng dụng các mô hình tiên lượng được phát triển ở các nước Âu Mỹ
có thể liên quan đến nguồn lực y tế và mức độ nặng của bệnh.
Chương 2: Đối tượng và phương pháp nghiên cứu
2.1. Địa điểm nghiên cứu
Khoa cấp cứu của Bệnh viện Đa khoa Trung ương Cần Thơ.
2.2. Thiết kế nghiên cứu
Nghiên cứu được thiết kế theo mô hình quan sát tiến cứu.
2.3. Bệnh nhân nghiên cứu
Quần thể nghiên cứu là những bệnh nhân có bệnh lý nội
khoa từ 16 tuổi trở lên đến khám tại phòng cấp cứu và có chỉ định
nhập viện. Bệnh nhân được xem là có bệnh lý nội khoa khi nhập viện
không do nguyên nhân chấn thương và không có chỉ định phẫu thuật;
ngoại trừ các phẫu thuật do đột quỵ não, xuất huyết tiêu hóa trên, và
tràn khí màng phổi nguyên phát.
8
2.3.1. Tiêu chuẩn nhận
Bệnh nhân được nhận vào nghiên cứu khi có tất cả các tiêu
chuẩn sau: Tuổi từ 16 trở lên, tự đến khám hoặc do trung tâm y tế
khác chuyển đến do bệnh lý nội khoa, có chỉ định nhập viện, và đồng
ý tham gia vào nghiên cứu.
2.3.2. Tiêu chuẩn loại
Các bệnh nhân sau đây không được đưa vào nghiên cứu: Hội
chứng vành cấp, bỏng, ngưng tim trước khi vào viện hoặc ngưng tim
tại khoa cấp cứu với hồi sinh tim phổi thất bại, rắn cắn, côn trùng cắn
hoặc đốt, ngộ độc (thuốc, rượu, paraquat, thuốc trừ sâu, thuốc diệt
chuột, và chất ăn mòn), và có thai.
2.3.3. Tiêu chuẩn ngừng tham gia
Bệnh nhân có thể rút khỏi nghiên cứu vào bất kỳ lúc nào mà
không ảnh hưởng đến liệu pháp điều trị và kết quả điều trị. Bệnh
nhân được cho ngừng tham gia nghiên cứu khi xảy ra một trong các
tình huống sau: Không hợp tác điều trị, chuyển trung tâm y khoa
khác khi tình trạng lâm sàng chưa cải thiện, không liên lạc được bằng
điện thoại, và xuất viện do thân nhân hoặc bệnh nhân tự xin về.
2.4. Cỡ mẫu
Cỡ mẫu được ước lượng dựa vào mục tiêu nghiên cứu chính,
tức là dựa trên số lượng biến cố tử vong cho mỗi yếu tố tiên lượng
theo phương pháp của Peduzzi. Từ các mô hình tiên lượng REMS,
RAPS, WPS, RLD, SCS, ALTs đã được nghiên cứu chúng tôi dự
đoán rằng mô hình tiên lượng có khoảng 12 yếu tố tiên lượng. Vì tỷ
lệ hợp lý tối thiểu là 10 biến cố tử vong cho mỗi yếu tố tiên lượng, và
tỷ lệ tử vong trong nghiên cứu sơ khởi ở bệnh nhân có bệnh lý nội
khoa cấp cứu tại Bệnh viện Đa khoa Trung ương Cần Thơ là 6,6%,
9
do đó nghiên cứu cần tối thiểu khoảng 1820 bệnh nhân cho việc xây
dựng mô hình tiên lượng.
ỡ ẫ = = ≈ 1820 10 ∗ ố ượ ế ố ê ượ ỷ ệ ử 10 ∗ 12 0.066
Giả định tỷ lệ bệnh nhân ngừng tham gia nghiên cứu khoảng
10% và tỷ lệ bệnh nhân bị khuyết dữ liệu khoảng 10%, chúng tôi tính
toán được cỡ mẫu cho toàn bộ nghiên cứu khoảng 2184 bệnh nhân.
2.5. Quy trình nghiên cứu
Tất cả bệnh nhân đủ tiêu chuẩn nhận và không có tiêu chuẩn
loại đều được mời tham gia nghiên cứu. Sau khi xác nhận đồng ý
tham gia nghiên cứu, các cộng tác viên trong nhóm nghiên cứu tiến
hành thu thập các dữ liệu nghiên cứu bao gồm: Đặc điểm lâm sàng,
tiền sử bệnh, và thực hiện các xét nghiệm theo yêu cầu của đề cương
nghiên cứu. Kết cục điều trị được ghi nhận sau thời gian 30 ngày.
2.6. Kết cục nghiên cứu
Kết cục chính của nghiên cứu này là tử vong trong vòng 30
ngày kể từ ngày nhập viện, được xác nhận qua điện thoại khi nghiên
cứu viên liên hệ với thân nhân hoặc bệnh nhân. Bệnh nhân được xem
là tử vong khi có một trong các tiêu chuẩn sau: (a) bệnh nhân tử vong
trong bệnh viện do bất kỳ nguyên nhân nào, hoặc (b) thân nhân xin
cho bệnh nhân xuất viện và bệnh nhân tử vong trong vòng 24 giờ sau
khi xuất viện, hoặc (c) bác sỹ cho xuất viện và bệnh nhân tử vong tại
nhà. Tử vong trong ngày đầu tiên nhập viện được gọi là ngày 0.
2.7. Các yếu tố nguy cơ
Trong vòng 15 phút đầu tiên kể từ khi bệnh nhân được đưa
vào phòng cấp cứu, cộng tác viên thu thập số liệu ghi nhận các dữ
liệu y khoa bao gồm sinh hiệu, điểm Glasgow, số ngày điều trị ở
10
bệnh viện khác, số ngày khởi phát bệnh, tình trạng chức năng, và
thực hiện các xét nghiệm được quy định trong đề cương. Ngay trước
khi bệnh nhân được chuyển đến khoa khác các dữ liệu sau được tiếp
tục ghi nhận: Hồi sinh tim phổi, thông khí cơ học, điều trị tại khoa
hồi sức cấp cứu theo chỉ định, và tiền sử bệnh. Các yếu tố nguy cơ là xét nghiệm được ghi nhận bao gồm:
Công thức máu, urea huyết thanh, đường huyết, creatinine huyết
thanh, bilirubin toàn phần huyết thanh, albumin huyết thanh, natri
huyết thanh, kali huyết thanh, aspartate transaminase (AST), và alanine transaminase (ALT).
2.8. Phương pháp phân tích
Giai đoạn đầu, thống kê mô tả được thực hiện để mô tả các
biến số có phân tầng theo tình trạng sống còn và tử vong của bệnh
nhân. Giai đoạn tiếp theo, phương pháp Bayesian Model Averaging
(BMA) được sử dụng để tìm mô hình tiên lượng tối ưu trong tiên
lượng tử vong.
Tính phân biệt của các mô hình được đánh giá bằng chỉ số
AUC trong tiên lượng tử vong 30 ngày. Khả năng hiệu chuẩn của mô
hình được kiểm định bằng phép kiểm Hosmer-Lemeshow.
Mô hình được chọn lựa dùng để vẽ toán đồ. Các toán đồ này
được dùng để ước lượng nguy cơ tử vong trong vòng 30 ngày.
Phương pháp BMA được thực hiện bằng gói phần mềm
“BMA”. Các toán đồ được vẽ bằng gói phần mềm “rms”. Tất cả các
phân tích được thực hiện bằng phần mềm R, phiên bản 3.1.0. Các
phân tích được cho là có ý nghĩa thống kê khi trị số P < 0,05.
11
Chương 3: Kết quả nghiên cứu
Trong thời gian nghiên cứu từ 13/03/2013 đến 01/06/2013
chúng tôi đã tuyển được 2179 bệnh nhân. Tuy nhiên, có 59 bệnh
nhân không đáp ứng được tiêu chuẩn nhận hoặc có tiêu chuẩn loại,
12 bệnh nhân bị khuyết dữ liệu ở tiêu chuẩn loại, 271 bệnh nhân
ngừng tham gia nghiên cứu (trong số này có 66 bệnh nhân nặng về
và tử vong sau đó, 28 bệnh nhân không liên hệ được, và 177 bệnh
nhân còn sống sau khi ngừng tham gia). Kể cả bệnh nhân còn sống
sau khi ngừng tham gia nghiên cứu còn lại tổng cộng 2014 bệnh
nhân; trong số này có 73 bệnh nhân bị khuyết dữ liệu, 2 bệnh nhân
có số ngày khởi phát bệnh là giá trị ngoại vi. Do đó, còn lại 1939
bệnh nhân được đưa vào phân tích.
3.1. Đặc điểm quần thể nghiên cứu
Tính theo trung vị, thời gian nằm viện là 6 ngày (khoảng tứ
phân vị: 4 – 10 ngày). Trong thời gian theo dõi 30 ngày sau khi nhập
viện từ khoa cấp cứu, 172 bệnh nhân tử vong. Do đó, tỷ lệ tử vong là
8,8% (KTC 95%: 7,6 – 10,2%).
3.1.1. Đặc điểm lâm sàng
Tuổi trung vị của bệnh nhân trong nghiên cứu là 68 (khoảng
tứ phân vị: 55 – 80 tuổi), không có sự khác biệt có ý nghĩa thống kê
về tuổi giữa nhóm sống sót và nhóm tử vong (trị số P = 0,082, kiểm
định Wilcoxon). Trong các dấu hiệu lâm sàng, dấu hiệu sinh tồn
(mạch, nhiệt độ, huyết áp tâm thu, nhịp thở, và SpO2) cho thấy có sự
khác biệt giữa nhóm sống sót và nhóm tử vong. Nhịp thở gia tăng
trung vị là 4 nhịp/phút ở nhóm tử vong so với nhóm sống sót (KTC
95%: 2 – 5 lần/phút). Tương tự, SpO2 giảm trung vị 3,5% ở nhóm tử
vong so với nhóm sống sót (KTC 95%: 3 – 5%). Ngoài ra, các dấu
hiệu lâm sàng khác như giới tính, hồi sinh tim phổi, thông khí nhân
12
tạo, điểm Glasgow, tình trạng chức năng, và chỉ định điều trị tại khoa
hồi sức cấp cứu cũng có sự khác biệt giữa nhóm sống sót so với
nhóm tử vong. Các dấu hiệu lâm sàng khác như số ngày điều trị ở
bệnh viện khác, số ngày khởi phát bệnh chưa thấy có sự khác biệt
giữa nhóm sống sót và nhóm tử vong.
3.1.2. Đặc điểm tiền sử bệnh
Trong 1939 bệnh nhân tham gia nghiên cứu, các bệnh cơ bản
thường gặp là đái tháo đường (671 bệnh nhân, 34,6%), suy tim (121
bệnh nhân, 6,2%), khó thở lâm sàng (115 bệnh nhân, 5,9%), suy thận
mạn (84 bệnh nhân, 4,3%), và xơ gan báng bụng (56 bệnh nhân,
2,9%). Ngoài ra, còn một số tình trạng bệnh lý cơ bản khác với số
lượng ít hơn như bệnh lý ung thư, leukemia hoặc myeloma,
lymphoma, suy giảm miễn dịch do thuốc. Các tình trạng bệnh lý như
đái tháo đường, suy tim, khó thở lâm sàng, và xơ gan báng bụng cho
thấy có sự khác biệt giữa nhóm sống sót và nhóm tử vong.
3.1.3. Đặc điểm cận lâm sàng
Các chỉ số sinh hóa có sự khác biệt giữa nhóm sống sót và
nhóm tử vong như urea huyết thanh, đường huyết, creatinine huyết
thanh, bilirubin toàn phần huyết thanh, albumin huyết thanh, AST, và
ALT. Urea huyết thanh ở nhóm sống sót thấp hơn ở nhóm tử vong
trung vị là 2,2 mmol/L (KTC 95%: 1,1 – 3,2 mmol/L); tương tự,
creatinine huyết thanh ở nhóm sống sót thấp hơn ở nhóm tử vong
trung vị là 18 µmol/L (KTC 95%: 11 – 27 µmol/L). Các chỉ số sinh
hóa khác cũng có sự gia tăng trung vị ở nhóm tử vong so với nhóm
sống sót như đường huyết (1,3 mmol/L, KTC 95%: 0,7 – 2,0
mmol/L), bilirubin toàn phần huyết thanh (2,0 µmol/L, KTC 95%:
0,6 – 4,1 µmol/L), AST (15,5 U/L, KTC 95%: 6,0 – 20,0), và ALT
(5 U/L, KTC 95%: 1 – 8,5 U/L). Ngược lại, nồng độ albumin huyết
13
thanh giảm ở nhóm tử vong so với nhóm sống sót (giảm trung vị 4,0
g/L, KTC 95%: 1,5 – 6,0 g/L). Các biến số natri huyết thanh và kali
huyết thanh chưa thấy có sự khác biệt giữa nhóm sống sót và nhóm
tử vong.
Tương tự, các chỉ số huyết học cũng có sự khác biệt giữa
nhóm sống sót và nhóm tử vong như hemoglobin, số lượng bạch cầu,
và tiểu cầu. Hemoglobin ở nhóm sống sót cao hơn ở nhóm tử vong
trung vị 0,5 g/dL (KTC 95%: 0,0 – 0,9 g/dL); số lượng bạch cầu ở
nhóm sống sót thấp hơn ở nhóm tử vong trung vị 2,5 K/µL (KTC
95%: 1,6 – 3,6 K/µL); và số lượng tiểu cầu ở nhóm sống sót cao hơn
ở nhóm tử vong trung vị 19,5 K/µL (KTC 95%: 1,0 – 35,0 K/µL).
3.2. Lựa chọn mô hình tiên lượng tối ưu
Chúng tôi phát triển 2 loại mô hình: (1) mô hình từ các dấu
hiệu lâm sàng không xâm lấn và (2) mô hình kết hợp dấu hiệu lâm
sàng và xét nghiệm.
Đối với mô hình từ các dấu hiệu lâm sàng không xâm lấn,
chúng tôi đưa vào phân tích các biến số: Giới tính, tuổi, mạch, nhiệt
độ, huyết áp tâm thu, huyết áp tâm trương, loại nhịp thở, SpO2, điểm
Glasgow, ngày điều trị ở bệnh viện khác, ngày khởi phát bệnh, tình
trạng chức năng và hồi sinh tim phổi (13 biến số, Bảng 3.8).
Bảng 3.8: Bốn mô hình tiên lượng tối ưu từ các dấu hiệu lâm sàng
được chọn lựa bằng phương pháp BMA
Mô hình
Xác suất
1
2
3
4
≠ 0a (%)
.
X
.
Giới tính
48,0
X
14
Bảng 3.8: Bốn mô hình tiên lượng tối ưu từ các dấu hiệu lâm sàng
được chọn lựa bằng phương pháp BMA
Mô hình
Xác suất
1
2
3
4
≠ 0a (%)
.
.
.
.
Tuổi
2,1
.
.
.
.
Mạch
24,3
.
.
.
.
Nhiệt độ
9,9
X
X
.
.
Huyết áp tâm thu
43,9
.
.
.
.
Huyết áp tâm trương
6,6
X
X
X
X
Loại nhịp thởb
100,0
X
X
X
X
SpO2
100,0
X
X
X
X
Điểm Glasgow
100,0
.
.
.
.
Ngày điều trị ở bệnh
6,3
viện khác
.
.
.
.
Ngày khởi phát bệnh
30,1
.
.
.
.
Tình trạng chức năng
0,0
.
.
.
.
Hồi sinh tim phổi
34,1
5
4
4
3
Biến số trong mô hình
BIC
-195,7
-195,5
-195,4
-195,1
Xác suất hậu định
0,064
0,056
0,053
0,047
(a) Xác suất các biến số hiện diện trong các mô hình tiềm năng được chọn lựa bằng
phương pháp Bayesian Model Average.(b) Loại nhịp thở: Thở nhanh (nhịp thở > 24
lần/phút), thở không nhanh ( ≤ 24 lần/phút).
Đối với mô hình từ dấu hiệu lâm sàng và xét nghiệm, chúng
tôi kết hợp các dấu hiệu lâm sàng (13 biến số được liệt kê ở Bảng
15
3.8) và xét nghiệm được thực hiện trong nghiên cứu này (tổng cộng
27 biến số, Bảng 3.9).
Bảng 3.9: Bốn mô hình tiên lượng tối ưu từ các dấu hiệu lâm sàng và
xét nghiệm được chọn lựa bằng phương pháp BMA
Mô hình
Xác suất ≠
5
6
7
8
0a (%)
Giới tính
94,1
X
X
X
X
Tuổi
1,5
.
.
.
.
Mạch
4,4
.
.
.
.
Nhiệt độ
1,3
.
.
.
.
1,3
Huyết áp tâm thu
.
.
.
.
1,1
Huyết áp tâm trương
.
.
.
.
100,0
Loại nhịp thởb
X
X
X
X
100,0
SpO2
X
X
X
X
100,0
Điểm Glasgow
X
X
X
X
Ngày điều trị ở bệnh
1,1
.
.
.
.
viện khác
Ngày khởi phát bệnh
92,6
X
X
X
X
Tình trạng chức năng
0,0
.
.
.
.
Hồi sinh tim phổi
16,2
.
.
.
.
Hematocrit
1,6
.
.
.
.
Hemoglobin
1,6
.
.
.
.
Số lượng bạch cầu
8,1
.
.
.
.
Đa nhân trung tính
1,2
.
.
.
.
Số lượng tiểu cầu
17,8
.
.
.
.
16
Bảng 3.9: Bốn mô hình tiên lượng tối ưu từ các dấu hiệu lâm sàng và
xét nghiệm được chọn lựa bằng phương pháp BMA
Mô hình
Xác suất ≠
5
6
7
8
0a (%)
.
.
.
X
Urea huyết thanh
45,7
X
X
X
X
Đường huyết
99,6
X
.
X
.
Creatinine huyết thanh
33,3
.
.
.
.
Bilirubin huyết thanh
7,3
X
X
X
X
Albumin huyết thanh
100,0
.
.
.
.
Natri huyết thanh
4,0
.
.
.
.
Kali huyết thanh
4,0
.
.
X
.
AST
17,8
X
X
.
X
ALT
83,3
9
8
9
9
Biến số trong mô hình
BIC
-235,7
-235,0
-234,9
-233,8
Xác suất hậu định
0,081
0,057
0,053
0,032
(a) Xác suất các biến số hiện diện trong các mô hình tiềm năng được chọn lựa bằng
phương pháp Bayesian Model Average. (b) Loại nhịp thở: Thở nhanh (nhịp thở > 24
lần/phút), thở không nhanh ( ≤ 24 lần/phút).
3.3. Tính phân biệt và khả năng hiệu chuẩn của các mô hình
được chọn lựa
Trong nghiên cứu này, cả tám mô hình đều cho thấy có tính
phân biệt tốt (Biểu đồ 3.14). Trong tám mô hình, chỉ có mô hình 4
cho thấy khả năng hiệu chuẩn chưa tốt (P = 0,039, kiểm định
Hosmer-Lemeshow); các mô hình còn lại cho thấy có sự tương đồng
17
tốt giữa tỷ lệ tử vong quan sát và tỷ lệ tử vong tiên lượng (P > 0,05,
0 , 1
0 , 1
8 , 0
8 , 0
6 , 0
6 , 0
y ạ h n ộ Đ
y ạ h n ộ Đ
4 , 0
4 , 0
2 , 0
2 , 0
0 , 0
0 , 0
AUC(KTC95%) mô hình 1: 0,809(0,774-0,845) AUC(KTC95%) mô hình 2: 0,794 (0,754-0,833) AUC(KTC95%) mô hình 3: 0,819 (0,784-0,853) AUC(KTC95%) mô hình 4: 0,805 (0,767-0,843)
AUC(KTC95%) mô hình 5: 0,853(0,824-0,882) AUC(KTC95%) mô hình 6: 0,853(0,825-0,882) AUC(KTC95%) mô hình 7: 0,845(0,815-0,876) AUC(KTC95%) mô hình 8: 0,853(0,825-0,882)
1.0
0.8
0.6
0.4
0.2
0.0
1.0
0.8
0.6
0.4
0.2
0.0
Độ đặc hiệu
Độ đặc hiệu
kiểm định Hosmer-Lemeshow).
Biểu đồ 3.14: AUC của 8 mô hình tối ưu trong tiên lượng tử vong 30
ngày
3.4. Toán đồ tiên lượng nguy cơ tử vong của mô hình 3 và mô
hình 7
Dựa trên phương trình hồi quy của mô hình 3 và mô hình 7,
chúng tôi xây dựng 2 toán đồ tiên lượng cho bệnh nhân nội khoa tại
khoa cấp cứu. Biểu đồ 3.16 là toán đồ được xây dựng dựa trên các
dấu hiệu lâm sàng và Biểu đồ 3.17 được xây dựng dựa trên sự kết
hợp giữa các dấu hiệu lâm sàng và xét nghiệm.
0 5
0 0 1
0 4 2
3
9 9 , 0
0 2 2
0 9
5 5
4
0 0 2
0 8
0 6
5
5 9 , 0
0 8 1
0 7
5 6
6
9 , 0
0 6 1
7
8 , 0
0 6
0 7
0 4 1
7 , 0
8
6 , 0
0 5
5 7
0 2 1
5 , 0
9
0
4 , 0
0 0 1
0 4
0 8
3 , 0
0 1
0 5
0 8
2 , 0
1 1
0 3
5 8
0 0 1
1 , 0
0 6
2 1
0 5 1
1
0 2
0 9
5 0 , 0
0 4
3 1
0 0 2
1
0 1
5 9
0 2
4 1
0 5 2
y à g n 0 3 g n ò v g n o r t g n o v ử t t ấ u s c á x g n ợ ư l n ê i t 3 h n ì h ô m a ủ c ồ đ n á o T
1 0 , 0
0
0
0
0
5 1
0 0 1
0 0 3
18
.
)
: 6 1 3
) g H m m
t ấ h n o a c (
m a N : 1 ,
( u h t
:
:
m â
:
y à g n 0 3 g n o v ử
)
t
) t ú h p / n ầ l 4 2 > 1
t t
l
, t
%
i
p á
4 2 = < 0 ( ở h
ữ N 0 ( h n
ồ đ u ể i B
t
t
í t i
/
ị
) u ứ c p ấ c a o h k i
i
i
i
ú h p n ầ
ạ
ớ G
m ể Đ
ế y u H
l
p h N
( 2 O p S
w o g s a G m ể Đ
t
m ể đ g n ổ T
ấ u s c á X
5
0 5 3
0 0 1
0 1
0 8
0 0 5 3
0 9
0 5
0 0 3
3
5 1
0 8
0 7
5 9 , 0
4
0 0 0 3
5 5
0
0 2
9 , 0
0 5 2
5
0 7
8 , 0
0 6
0 6
5
5 2
7 , 0
0 0 5 2
6
5 6
0 6
0 3
0 1
0 0 2
7
0 5
6 , 0 5 , 0 4 , 0 3 , 0
2 , 0
0 7
0 0 0 2
5 3
0 5
5 1
8
1 , 0
0 4
5 7
9
0 5 1
0 4
5 0 , 0
0 2
0 4
0 0 5 1
0 1
0 8
0 3
5 4
5 2
1 0 , 0
0 3
0 0 1
1 1
5 8
0 0 0 1
0 5
0 3
0 2
2 1
0 2
0 9
5 3
5 5
1
0 5
3 1
0 0 5
1
0 1
0 1
5 9
0 6
0 4
4 1
y à g n 0 3 g n ò v g n o r t g n o v ử t t ấ u s c á x g n ợ ư l n ê i t 7 h n ì h ô m a ủ c ồ đ n á o T
0
0
0
0
0
0
5 1
5 4
5 6
0 0 1
19
.
)
: 7 1 3
i
t ấ h n o a c (
m a N : 1 ,
) t ú h p / n ầ l
) L / l o m m
( t
:
:
/
h n ệ b t á h p
:
y à g n 0 3 g n o v ử
i
)
4 2 > 1
t t
l
, t
ồ đ u ể i B
e s a n m a s n a r t
%
i
i
ữ N 0 ( h n
4 2 = < 0 ( ở h
t
i
í t i
) L
/
ị
/ I
) u ứ c p ấ c a o h k i
i
i
i
U
ú h p n ầ
ạ
ớ G
l
p h N
( 2 O p S
w o g s a G m ể Đ
t
ở h k y à g N
m ể Đ
ế y u h g n ờ ư Đ
e n n a Al
(
) L g ( n m u b Al
m ể đ g n ổ T
ấ u s c á X
20
Chương 4: Bàn luận
Nhiều mô hình đã được nghiên cứu phát triển cho bệnh nhân
nội khoa tại khoa cấp cứu. Nghiên cứu của chúng tôi có mục tiêu tìm
mô hình tiên lượng mới, mô hình tiên lượng này được xây dựng từ
các dấu hiệu lâm sàng hoặc kết hợp giữa dấu hiệu lâm sàng với xét
nghiệm được thực hiện thường quy tại cấp cứu. Ngoài khả năng ước
lượng chính xác nguy cơ ở bệnh nhân, mô hình cần phải đơn giản và
dễ sử dụng phù hợp với bối cảnh tại khoa cấp cứu.
Kết quả phân tích bằng phương pháp BMA cho thấy, mô
hình được xây dựng từ các dấu hiệu lâm sàng (mô hình 3, Bảng 3.8)
gồm 5 yếu tố nguy cơ: Giới tính, huyết áp tâm thu, loại nhịp thở,
SpO2, và điểm Glasgow; và mô hình được xây dựng dựa trên sự kết
hợp dấu hiệu lâm sàng và xét nghiệm (mô hình 7, Bảng 3.9) gồm 8
yếu tố nguy cơ: giới tính, loại nhịp thở, SpO2, điểm Glasgow, ngày
khởi phát bệnh, đường huyết, albumin huyết thanh, và ALT. Cả hai
mô hình 3 và mô hình 7 đều cho thấy có tính phân biệt và khả năng
hiệu chuẩn tốt trong giai đoạn phát triển mô hình. Từ mô hình 3 và
mô hình 7, chúng tôi đã xây dựng được hai toán đồ để tiên lượng
nguy cơ tử vong cho bệnh nội khoa tại khoa cấp cứu.
Nhiều mô hình tiên lượng cho bệnh nội khoa tại khoa cấp
cứu có các yếu tố tiên lượng là các kết quả xét nghiệm lúc vào viện
hoặc các dấu hiệu lâm sàng, tuy nhiên có ít mô hình kết hợp các yếu
tố lâm sàng và xét nghiệm lại với nhau. Qua phân tích bằng phương
pháp BMA cho thấy các biến số có xác suất cao xuất hiện trong mô
hình bao gồm: Giới tính, huyết áp tâm thu, nhịp thở, SpO2, điểm
Glasgow, ngày khởi phát bệnh, hồi sinh tim phổi, urea huyết thanh,
đường huyết, creatinine huyết thanh, albumin huyết thanh, AST, và
ALT. Tất cả các biến số này đều liên quan đến biến cố tử vong, có ý
21
nghĩa thống kê. Tám mô hình tiên lượng tối ưu được hình thành từ
các biến số này, bốn mô hình tiên lượng từ các dấu hiệu lâm sàng
không xâm lấn và bốn mô hình tiên lượng kết hợp các dấu hiệu lâm
sàng không xâm lấn và xét nghiệm (Bảng 3.8 và Bảng 3.9).
Trong các mô hình tiên lượng đang được ứng dụng, các yếu
tố nguy cơ là dấu hiệu sinh tồn như mạch, huyết áp, nhiệt độ, nhịp
thở, SpO2, và tri giác đều cho thấy có liên quan đến tử vong ở bệnh
viện. Ngoài ra, giới tính và tuổi của bệnh nhân cũng được xem như là
một yếu tố tiên lượng. Đối với các yếu tố nguy cơ là cận lâm sàng,
có vài nghiên cứu được phát triển chủ yếu dựa trên các xét nghiệm
thường quy được thực hiện tại khoa cấp cứu. Phần lớn các mô hình
tiên lượng vừa đề cập đều có tính phân biệt tốt (AUC > 0,8). Tuy
nhiên, mô hình tiên lượng trong nghiên cứu của chúng tôi không bao
gồm tất cả các biến số của các nghiên cứu trước đây và có chứa các
biến số mới (số ngày khởi phát bệnh, ALT). Sự khác biệt có thể do
các mô hình tiên lượng được phát triển trước đây (1) không phối hợp
yếu tố lâm sàng và xét nghiệm, (2) thu thập số liệu ngay thời điểm
bệnh nhân vừa vào cấp cứu, (3) nguồn lực y tế khác, (4) quan tâm
đến kết cục là tử vong trong vòng 24 giờ hoặc trong bệnh viện, (5)
chọn mô hình bằng phương pháp stepwise.
Đối với bốn mô hình tiên lượng tối ưu được chọn lựa từ các
dấu hiệu lâm sàng, mô hình 3 có lẽ là mô hình thích hợp nhất để áp
dụng trên lâm sàng vì các lý do: (1) xác suất hậu định khác biệt
không đáng kể so với mô hình 1 và 2, (2) số lượng biến số trong mô
hình phù hợp với bối cảnh khẩn trương ở khoa cấp cứu, và (3) có
tính phân biệt và khả năng hiệu chuẩn tốt. Tương tự, đối với bốn mô
hình tiên lượng tối ưu được chọn lựa do sự kết hợp giữa dấu hiệu lâm
sàng và xét nghiệm, mô hình 7 có lẽ là mô hình thích hợp nhất để áp
22
dụng trên lâm sàng vì các lý do: (1) xác suất hậu định khác biệt
không đáng kể so với mô hình 5 và 6, (2) số lượng biến số ít nhất, và
(3) có tính phân biệt và khả năng hiệu chuẩn tốt.
Trên thực tế, không có mô hình tiên lượng nào có thể tiên
lượng chính xác được cho tất cả các bệnh nhân. Mô hình được phát
triển từ nghiên cứu của chúng tôi (mô hình 3 và mô hình 7) cho thấy
có tính phân biệt tốt (AUC: 0,819 và 0,845) và khả năng hiệu chuẩn
tốt.
Những phát hiện trong nghiên cứu này cần được xem xét kết
hợp với những ưu điểm và nhược điểm của nghiên cứu. Dữ liệu
nghiên cứu của chúng tôi được thu thập dựa trên quy trình nghiên
cứu nghiêm ngặt, đảm bảo được tính chính xác và độ tin cậy của dữ
liệu. Các yếu tố nguy cơ trong hai mô hình là các dấu hiệu lâm sàng
và xét nghiệm thường quy được thực hiện tại cấp cứu nên được thu
thập dễ dàng và nhanh chóng. Hai toán đồ được xây dựng cung cấp
cho bác sỹ điều trị công cụ ước lượng nguy cơ tử vong tại giường
phù hợp với bối cảnh khẩn trương tại khoa cấp cứu. Bên cạnh đó,
nghiên cứu cũng có một số điểm hạn chế như: (1) dữ liệu được lấy
một lần lúc nhập viện nên không phản ánh đầy đủ kết cục điều trị của
bệnh nhân; (2) một số bệnh lý nội khoa thường gặp ở cấp cứu bị loại
trừ như hội chứng vành cấp và ngộ độc, nên kết quả nghiên cứu chưa
áp dụng được cho các bệnh lý này; và (3) mô hình trong nghiên cứu
này chưa được thẩm định bên ngoài nên cần phải có thêm bằng
chứng về sự chính xác của mô hình khi tiên lượng ở các quần thể
khác.
Kết luận
Qua kết quả phân tích ở 1939 bệnh nhân nội khoa cấp cứu
chúng tôi rút ra một số kết luận như sau:
23
1. Mối liên quan giữa các dấu hiệu lâm sàng, tiền sử bệnh, và đặc
điểm cận lâm sàng với tử vong
Các yếu tố lâm sàng như giới tính nam, mạch nhanh, nhiệt
độ tăng, huyết áp tâm thu giảm, nhịp thở tăng, bão hòa oxy giảm,
ngày điều trị ở bệnh viện khác tăng, ngày khởi phát bệnh ngắn, điểm
Glasgow giảm, có hồi sinh tim phổi, có chỉ định thông khí nhân tạo,
có chỉ định điều trị tại khoa hồi sức cấp cứu, và tình trạng chức năng
phụ thuộc hoàn toàn vào sự chăm sóc của người khác làm gia tăng số
chênh tử vong ở bệnh nhân.
Tiền sử bệnh có khó thở lâm sàng, xơ gan báng bụng, suy
tim, và đái tháo đường cũng làm tăng số chênh tử vong ở bệnh nhân
nội khoa cấp cứu.
Giá trị các xét nghiệm như giảm hemoglobin, tăng số lượng
bạch cầu, giảm số lượng tiểu cầu, tăng urea huyết thanh, tăng đường
huyết, tăng creatinine huyết thanh, tăng bilirubin toàn phần huyết
thanh, giảm albumin huyết thanh, giảm natri huyết thanh, tăng kali
huyết thanh, tăng AST, và tăng ALT làm gia tăng số chênh tử vong ở
bệnh nhân.
2. Mô hình tiên lượng tử vong ở bệnh nhân nội khoa cấp cứu
Mô hình tiên lượng từ các dấu hiệu lâm sàng không xâm lấn
như giới tính, huyết áp tâm thu, nhịp thở, bão hòa oxy ngoại biên,
điểm Glasgow; và mô hình tiên lượng do sự kết hợp giữa các dấu
hiệu lâm sàng và xét nghiệm như giới tính, nhịp thở, bão hòa oxy
ngoại biên, điểm Glasgow, số ngày khởi phát bệnh, đường huyết,
albumin huyết thanh, và alanine transaminase qua nghiên cứu phát
triển mô hình cho thấy có tính phân biệt và khả năng hiệu chuẩn tốt.
Do đó, các mô hình này có tiềm năng ứng dụng trên lâm sàng cho
bệnh nhân nội khoa cấp cứu. Hai toán đồ được xây dựng dựa trên mô
24
hình tiên lượng là công cụ hỗ trợ ngay tại giường cho bác sỹ điều trị
có thể ước lượng nguy cơ tử vong, phù hợp với bối cảnh khẩn trương
của khoa cấp cứu.
Kiến nghị
Mô hình được phát triển trong nghiên cứu này cần được
thẩm định ở quần thể bệnh nội khoa cấp cứu khác, trước khi được
ứng dụng trên lâm sàng.
Trong tiêu chuẩn loại trừ ở nghiên cứu này, hội chứng vành
cấp và ngộ độc không được đưa vào nghiên cứu. Để ứng dụng mô
hình tiên lượng trong nghiên cứu này vào hai loại bệnh lý vừa nêu,
cần thực hiện nghiên cứu thẩm định bên ngoài ở quần thể bệnh nội
khoa cấp cứu khác có cả hội chứng vành cấp và ngộ độc.
Đường huyết, albumin huyết thanh, và alanine transaminase
là yếu tố nguy cơ độc lập của tử vong. Do đó, nên thực hiện các xét
nghiệm này thường quy ở khoa cấp cứu.
Nguồn lực y tế nên tập trung ngay từ những ngày đầu cho
những bệnh nhân có nguy cơ tử vong cao.
Danh mục các công trình nghiên cứu
1. Hà Tấn Đức, Đặng Quang Tâm, Trần Văn Ngọc, Bùi Quốc Thắng,
Đỗ Văn Dũng, Nguyễn Đình Nguyên, Nguyễn Văn Tuấn.
(2015), “Xây dựng mô hình tiên lượng tử vong ở bệnh nhân
nội khoa cấp cứu”. Y học thành phố Hồ Chí Minh, 19 (Phụ bản
số 1), tr.321 – 329.
2. Hà Tấn Đức, Đặng Quang Tâm, Trần Văn Ngọc, Bùi Quốc Thắng,
Đỗ Văn Dũng, Nguyễn Đình Nguyên, Nguyễn Văn Tuấn.
(2015), “Tiên lượng tử vong ở bệnh nhân nội khoa cấp cứu: so
sánh giữa mô hình WPS và CTS”. Y học thành phố Hồ Chí
Minh, 19 (số 3), tr.366 – 373.
