Mô hình nomogram là gì? Các nghiên cứu khoa học liên quan

Mô hình nomogram là gì?

Mô hình nomogram là công cụ đồ họa biểu diễn một mô hình hồi quy đa biến, cho phép người sử dụng nhập các giá trị của biến đầu vào và nhanh chóng đọc được kết quả dự đoán ở biến đầu ra. Công cụ này thường được xây dựng từ mô hình hồi quy logistic hoặc Cox và được ứng dụng trong y học để dự đoán xác suất bệnh, tử vong, tái phát hoặc kết quả điều trị. Ví dụ, theo định nghĩa từ National Cancer Institute (NCI), nomogram là “một thiết bị hoặc mô hình toán học cho thấy mối quan hệ giữa các yếu tố”, như một nomogram chiều cao‑cân nặng dùng để tìm diện tích cơ thể mà không cần tính phức tạp.

Nomogram đóng vai trò là biểu diễn trực quan giúp bác sĩ và nhà nghiên cứu cá nhân hóa dự đoán cho từng bệnh nhân bằng cách quy đổi các giá trị biến vào thang điểm, cộng tổng điểm rồi chuyển ra xác suất hoặc giá trị mong muốn. Nó loại bỏ yêu cầu người sử dụng phải hiểu các hệ số hồi quy hoặc thực hiện tính toán phức tạp bằng tay. Theo bài tổng quan của Balachandran và cộng sự, nomogram là “công cụ thường dùng để ước lượng số xác suất cá nhân của một kết quả ở bệnh nhân” và đã trở thành tiêu chuẩn trong nhiều nghiên cứu ung thư học.

Về mặt lịch sử, nomogram gốc là dạng sơ đồ tính toán đồ họa (nomograph) sản xuất từ cuối thế kỷ XIX, dựa trên ý tưởng của kỹ sư Phílbert‑Maurice d’Ocagne với mục tiêu đơn giản hóa các phép tính kỹ thuật phức tạp. Trong y học, sự xuất hiện nomogram giúp chuyển đổi mô hình thống kê thành hình ảnh dễ hiểu, phù hợp áp dụng tại giường bệnh hoặc gặp trực tiếp bác sĩ – từ đó rút ngắn khoảng cách giữa mô hình toán học và thực hành lâm sàng.

Nguyên lý toán học của mô hình nomogram

Nguyên lý cơ bản để xây dựng một nomogram bắt đầu từ mô hình hồi quy đa biến – chẳng hạn hồi quy logistic hoặc hồi quy Cox – trong đó xác suất hoặc nguy cơ của một kết quả được mô hình hóa dựa trên nhiều biến độc lập. Ví dụ, hồi quy logistic dạng tiêu chuẩn có công thức:

$\log\left( \frac{p}{1 - p} \right) = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \dots + \beta_k x_k$

Trong đó $p$ là xác suất kết quả (ví dụ: tử vong 5 năm), các $x_i$ là biến đầu vào (tuổi, giai đoạn, dấu ấn sinh học…), và $\beta_i$ là hệ số hồi quy ước lượng từ dữ liệu. Sau khi ước lượng mô hình, nomogram sẽ chuyển từng biến $x_i$ thành một thang điểm riêng và tổng các điểm này được quy đổi thành xác suất cuối cùng.

Tài liệu trong lĩnh vực y học mô tả nomogram như “một thiết bị đồ họa triển khai mô hình hồi quy theo cách thân thiện người dùng, cho phép cá nhân hóa dựa trên nhiều biến tiên lượng riêng biệt”. Việc chuyển đổi từ hệ số $\beta$ sang thang điểm thường thực hiện thông qua các bước chuẩn hóa và biến đổi hệ số thành điểm (points) theo tỷ lệ đóng góp tương đối của biến đó trong mô hình.

Các thành phần của một nomogram

Một nomogram điển hình gồm các thành phần chính sau:

1. Trục cho từng biến đầu vào: mỗi biến được biểu diễn bằng một thang (scale) ngang hoặc dọc, thể hiện các giá trị có thể của biến đó.
2. Thước đo điểm (points): phía trên hoặc dưới mỗi thang biến sẽ có thang điểm, biểu thị đóng góp của giá trị biến vào tổng điểm.
3. Tổng điểm: người sử dụng lấy điểm từ mỗi biến nhập vào, cộng lại để có tổng điểm.
4. Thang điểm kết quả: sau khi có tổng điểm, người dùng tra điểm tương ứng vào một thang kết quả để đọc xác suất hoặc giá trị đầu ra mong muốn.

Ví dụ, để sử dụng một nomogram: đối với mỗi biến đầu vào, bạn tìm giá trị, đọc điểm tương ứng trên thang điểm, cộng các điểm lại và cuối cùng tra vào thang kết quả để biết xác suất hoặc giá trị dự đoán. Một số nomogram còn thêm khu vực màu hoặc các vùng phân nhóm để hỗ trợ quyết định lâm sàng.

Bảng dưới đây tóm tắt các thành phần và vai trò tương ứng:

Việc bố trí biểu đồ, màu sắc, chú giải và hướng dẫn sử dụng thường được thiết kế để người dùng cuối (bác sĩ hoặc bệnh nhân) dễ hiểu. Một số mô hình còn có phiên bản trực tuyến hoặc tích hợp phần mềm để nhập giá trị tự động và xuất kết quả nhanh chóng, chẳng hạn như công cụ từ Memorial Sloan Kettering Cancer Center.

Ứng dụng của mô hình nomogram trong lâm sàng và nghiên cứu

Mô hình nomogram hiện được sử dụng rộng rãi trong y học để hỗ trợ quyết định lâm sàng cá nhân hoá bằng cách ước tính xác suất hoặc nguy cơ cho từng bệnh nhân dựa trên nhiều biến tiên lượng khác nhau. Chẳng hạn, trong ung thư học, các nomogram cho phép bác sĩ nhập giá trị tuổi, giai đoạn bệnh, chỉ số sinh học và các yếu tố khác để ước tính xác suất sống còn 1, 3 hoặc 5 năm cho mỗi bệnh nhân một cách trực quan và dễ hiểu. Theo nghiên cứu của Balachandran và cộng sự, nomogram “là công cụ thường dùng để ước lượng số xác suất cá nhân của một kết quả ở bệnh nhân” và đã trở thành tiêu chuẩn trong nhiều nghiên cứu ung thư.

Nomogram cũng được triển khai thành công trong nhiều chuyên ngành khác ngoài ung thư học. Ví dụ, trong bệnh lý huyết học, một nghiên cứu đã xây dựng nomogram dự đoán sống còn và không biến cố ở bệnh đa u tủy (multiple myeloma), sử dụng các biến như LDH, albumin và bất thường di truyền. Ứng dụng trong lĩnh vực tim mạch, nhiễm trùng và điều trị ngoại khoa cũng đang phát triển. Ưu điểm là chúng tạo ra câu trả lời dự đoán rõ ràng và có thể sử dụng ngay tại giường bệnh, hỗ trợ bác sĩ và bệnh nhân hiểu rõ hơn nguy cơ cá nhân và lựa chọn điều trị phù hợp.

Việc áp dụng nomogram thường đi kèm với phần mềm tính toán hoặc biểu đồ trực tuyến. Ví dụ, Memorial Sloan Kettering Cancer Center (MSKCC) đã phát triển trang web “Prediction Tools – Nomograms” nơi bác sĩ hoặc bệnh nhân có thể nhập các biến và nhận kết quả dự đoán ngay lập tức. Các công cụ tương tác này giúp chuyển mô hình toán học thành công cụ trực quan và dễ tiếp cận trong thực hành lâm sàng.

Đánh giá hiệu suất và xác nhận mô hình nomogram

Sau khi xây dựng nomogram bằng các mô hình hồi quy (như logistic hoặc Cox), bước tiếp theo là đánh giá hiệu suất của mô hình trước khi đưa vào sử dụng lâm sàng. Các chỉ tiêu chính bao gồm phân biệt (discrimination), hiệu chỉnh (calibration) và mức độ lợi ích lâm sàng (clinical utility). Một số nghiên cứu gần đây sử dụng chỉ số C‑index (hoặc AUC), đường cong calibration và phân tích đường quyết định (Decision Curve Analysis – DCA) để đo mô hình.

Ví dụ, trong nghiên cứu về mô hình cho ung thư dạ dày vùng tâm vị, nomogram đạt C‑index ~0,734 cho sống toàn bộ và ~0,780 cho sống theo nguyên nhân bệnh, vượt trội so với hệ thống TNM truyền thống. Sự tương quan giữa dự đoán và thực tế được đánh giá qua đường calibration – nếu đường biểu diễn biến động sát với đường chuẩn thì mô hình được cho là có hiệu chỉnh tốt.

Đánh giá tính hữu dụng lâm sàng của nomogram thông qua DCA cho phép xác định xem việc sử dụng nomogram có mang lại lợi ích thực tế trong quyết định điều trị so với không sử dụng hay sử dụng mô hình truyền thống hay không. Nhiều nghiên cứu cho thấy nomogram có giá trị hơn trong việc phân tầng nguy cơ và hỗ trợ quyết định hơn các phương pháp cổ điển.

Kỹ thuật cải tiến và xu hướng tương lai của nomogram

Xu hướng mới trong phát triển nomogram bao gồm tích hợp dữ liệu lớn (big data), học máy (machine learning) và việc tự động hoá xây dựng nomogram từ các thuật toán phức tạp. Ví dụ, một bài báo năm 2025 mô tả gói phần mềm R “rmlnomogram” cho phép tạo nomogram từ bất kỳ thuật toán máy học nào, nâng cao khả năng giải thích và áp dụng trong lâm sàng.

Nomogram hiện cũng được mở rộng sử dụng dữ liệu hình ảnh (radiomics), đặc biệt trong chẩn đoán và tiên lượng ung thư. Ví dụ nghiên cứu năm 2025 xây dựng nomogram kết hợp đặc trưng lâm sàng, O‑RADS siêu âm và radiomics để phân biệt u buồng trứng lành/ ác tính với AUC lên tới 0,951 ở bộ kiểm định.

Việc phát triển nomogram tương tác “web‑based” hoặc “cloud‑based”, tra cứu nhanh trên điện thoại hoặc máy tính bảng đang giúp đưa công cụ này gần hơn đến sử dụng thực tế. Bên cạnh đó, các nghiên cứu cũng đang xem xét cách kết hợp nomogram với quyết định hỗ trợ (decision support) và ứng dụng trong y học cá nhân hoá và y học chính xác (precision medicine).

Hạn chế và các vấn đề cần xem xét

Mặc dù nomogram mang lại nhiều lợi ích, nhưng cũng tồn tại hạn chế cần lưu ý. Thứ nhất, nomogram chỉ tốt khi mô hình hồi quy ban đầu có dữ liệu tốt, mẫu đủ lớn và được xác nhận rõ ràng. Nếu mô hình bị quá khớp, thiếu kiểm định hoặc áp dụng vào quần thể khác, kết quả có thể sai lệch. Ví dụ, việc ngoại suy nomogram sang dân số khác (external validation) thường gặp khó khăn vì đặc điểm dân số, phương pháp đo và điều trị có thể khác nhau.

Thứ hai, nomogram thường áp dụng mô hình đơn giản như hồi quy, ít khi xử lý tương tác phức tạp, hiệu ứng không tuyến tính hoặc dữ liệu lớn đa chiều. Do đó, với mô hình machine‑learning phức tạp, nomogram truyền thống có thể không phù hợp hoặc mất đi một số khía cạnh dự đoán tốt hơn. Thứ ba, mặc dù nomogram cung cấp xác suất cá nhân hoá, việc giải thích và sử dụng trong quyết định điều trị vẫn cần bác sĩ cân nhắc cùng với bối cảnh lâm sàng và bệnh nhân cụ thể.

Cuối cùng, người dùng nomogram cần hiểu rõ rằng kết quả là ước tính xác suất, không phải định mệnh. Việc cập nhật mô hình, tái hiệu chỉnh (recalibration) theo thời gian, và kiểm định thường xuyên là cần thiết để đảm bảo tính phù hợp với thực tế.

Tài liệu tham khảo

1. Iasonos A, Schrag D, Raj GV, Panageas KS. (2008). How to build and interpret a nomogram for cancer prognosis. Journal of Clinical Oncology, 26(8), 1364–1370. doi:10.1200/JCO.2007.12.9791
2. Balachandran VP, Gonen M, Smith JJ, DeMatteo RP. (2015). Nomograms in oncology: more than meets the eye. The Lancet Oncology, 16(4), e173–e180. PMC4465353
3. Xu J, Zuo Y, Sun J, Zhou M. (2022). Application of clinical nomograms to predicting overall survival and event‑free survival in multiple myeloma patients. Frontiers in Public Health, 10, 958325. 958325
4. Lee W, et al. (2022). Review of methodological workflow, interpretation and validation of nomograms. Journal of Clinical Epidemiology, 144, 1‑12. S2666555722000600
5. Wang Y, et al. (2023). Development and validation of a nomogram for predicting long‑term cancer‑specific survival for patients with osteosarcoma. Scientific Reports, 13, 10230. 10230