[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_nguy%20c%C6%A1%20ti%E1%BA%BFn%20tri%E1%BB%83n%20b%E1%BB%87nh{\"limit\":5}":3,"_public_topic_byId_nguy%20c%C6%A1%20ti%E1%BA%BFn%20tri%E1%BB%83n%20b%E1%BB%87nh":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":17,"englishTitle":18,"synonyms":19,"definition":20,"discipline":21,"references":22,"faqs":78,"createUser":91,"publishUser":95,"keywords":96,"keywordCount":92,"enrichTopicLink":97,"status":98,"createTime":99,"updateTime":100,"publishTime":101,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":102,"wikidataId":10,"relateTopics":103},"nguy cơ tiến triển bệnh","Nguy cơ tiến triển bệnh (risk of disease progression) là gì?","Nguy cơ tiến triển bệnh là xác suất bệnh nặng lên theo thời gian; tìm hiểu định nghĩa, cách định lượng, phân tầng lâm sàng và hạn chế mô hình.","\u003Cp>\u003Cstrong>Nguy cơ tiến triển bệnh\u003C\u002Fstrong> (risk of disease progression) là xác suất tuyệt đối mà một bệnh lý đã được chẩn đoán sẽ trở nên nặng hơn, lan rộng về mặt giải phẫu, suy giảm chức năng cơ quan hoặc chuyển sang giai đoạn nghiêm trọng hơn trong một khoảng thời gian xác định. Khác với nguy cơ mắc bệnh ở quần thể khỏe mạnh, khái niệm này áp dụng cho người đã mang bệnh và là cơ sở để phân tầng theo dõi, lựa chọn thời điểm can thiệp cũng như thiết kế thử nghiệm lâm sàng. Bài viết trình bày bản chất khái niệm, các tiêu chí xác định tiến triển theo chuyên ngành, phương pháp định lượng bằng mô hình tiên lượng, ứng dụng thực hành cùng bối cảnh tại Việt Nam và những hạn chế phương pháp luận cần lưu ý.\u003C\u002Fp>\n\n\u003Ch2>Khái niệm và bản chất\u003C\u002Fh2>\n\n\u003Cp>Trong y học lâm sàng và dịch tễ học, đánh giá nguy cơ tiến triển bệnh gồm hai thành phần tách biệt nhưng gắn chặt với nhau: định nghĩa chuẩn hóa về biến cố \u003Cem>tiến triển bệnh\u003C\u002Fem> (disease progression) và cách lượng hóa \u003Cem>xác suất\u003C\u002Fem> xảy ra biến cố đó theo thời gian. Nếu không quy ước rõ ngưỡng lâm sàng, cận lâm sàng hoặc hình ảnh học nào được coi là bệnh tiến triển, mọi ước tính nguy cơ đều không thể so sánh giữa các nghiên cứu hay áp dụng nhất quán tại cơ sở khám chữa bệnh.\u003C\u002Fp>\n\n\u003Cp>Nội hàm của biến cố tiến triển bệnh thay đổi theo chuyên ngành. Trong ung thư học khối u đặc, tiến triển bệnh được xác định qua sự tăng kích thước của các tổn thương đích hoặc xuất hiện tổn thương mới trên hình ảnh học theo bộ tiêu chuẩn RECIST 1.1 (Eisenhauer và cộng sự, 2009). Ở bệnh lý nội khoa mạn tính như bệnh thận mạn, tiến triển thường được phản ánh qua sự suy giảm chức năng lọc của thận hoặc chuyển sang giai đoạn suy thận cần điều trị thay thế thận (KDIGO, 2024). Ở các bệnh viêm hệ thống hoặc tự miễn, tiến triển có thể được xác định bằng sự xuất hiện tổn thương cơ quan mới sau một mốc thời gian theo dõi cụ thể.\u003C\u002Fp>\n\n\u003Cp>Về mặt thống kê sinh học, nguy cơ tiến triển bệnh là một đại lượng \u003Cem>nguy cơ tuyệt đối\u003C\u002Fem> (absolute risk), luôn gắn liền với hai tham số bắt buộc: quần thể đích và chân trời thời gian dự báo (chẳng hạn 6 tháng, 2 năm hoặc 5 năm). Một con số phần trăm đứng đơn lẻ mà không nêu rõ khoảng thời gian theo dõi và đặc điểm nhóm người bệnh sẽ không có giá trị diễn giải trong thực hành lâm sàng.\u003C\u002Fp>\n\n\u003Ch3>Phân biệt với các khái niệm dễ nhầm lẫn\u003C\u002Fh3>\n\n\u003Cp>Trong y văn và giao tiếp lâm sàng, nguy cơ tiến triển bệnh thường bị dùng lẫn với nguy cơ mắc bệnh, tỷ lệ hiện mắc hoặc các thước đo so sánh tương đối. Bảng dưới đây tóm tắt ranh giới giữa các khái niệm này.\u003C\u002Fp>\n\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Khái niệm\u003C\u002Fth>\n\u003Cth>Quần thể áp dụng\u003C\u002Fth>\n\u003Cth>Bản chất đo lường\u003C\u002Fth>\n\u003Cth>Ý nghĩa thực hành\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>Nguy cơ tiến triển bệnh\u003C\u002Ftd>\n\u003Ctd>Người đã được chẩn đoán mắc bệnh\u003C\u002Ftd>\n\u003Ctd>Xác suất tuyệt đối bệnh nặng lên hoặc chuyển giai đoạn trong một khoảng thời gian xác định\u003C\u002Ftd>\n\u003Ctd>Định hướng tần suất theo dõi, thời điểm chuyển tuyến và can thiệp điều trị sớm\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Nguy cơ mắc bệnh (incidence risk)\u003C\u002Ftd>\n\u003Ctd>Quần thể chưa mắc bệnh tại thời điểm ban đầu\u003C\u002Ftd>\n\u003Ctd>Xác suất xuất hiện ca bệnh mới trong một khoảng thời gian xác định\u003C\u002Ftd>\n\u003Ctd>Phục vụ dự phòng tiên phát và sàng lọc cộng đồng\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Tỷ lệ hiện mắc (prevalence)\u003C\u002Ftd>\n\u003Ctd>Toàn bộ quần thể tại một thời điểm cắt ngang\u003C\u002Ftd>\n\u003Ctd>Tỷ lệ người đang mang bệnh (cả ca mới và ca cũ) trên tổng dân số khảo sát\u003C\u002Ftd>\n\u003Ctd>Phản ánh gánh nặng bệnh tật tại một thời điểm, không đo tốc độ chuyển giai đoạn\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Tỷ số nguy cơ (hazard ratio)\u003C\u002Ftd>\n\u003Ctd>So sánh giữa hai nhóm (có yếu tố nguy cơ hoặc can thiệp so với nhóm chứng)\u003C\u002Ftd>\n\u003Ctd>Thước đo tương đối về tốc độ xảy ra biến cố tức thời giữa hai nhóm\u003C\u002Ftd>\n\u003Ctd>Cho biết mức độ mạnh của yếu tố liên quan nhưng không trực tiếp cho ra xác suất tuyệt đối của từng cá nhân\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Tiêu chí xác định tiến triển bệnh theo chuyên ngành\u003C\u002Fh2>\n\n\u003Cp>Để ước tính nguy cơ tiến triển bệnh một cách khách quan, các hiệp hội chuyên ngành xây dựng những bộ tiêu chuẩn đo lường biến cố tiến triển bằng thông số định lượng thay vì nhận định chủ quan.\u003C\u002Fp>\n\n\u003Ch3>Trong ung thư học khối u đặc\u003C\u002Fh3>\n\n\u003Cp>Theo tiêu chuẩn đánh giá đáp ứng ở khối u đặc phiên bản 1.1 (RECIST 1.1) do Eisenhauer và cộng sự (2009) công bố trên \u003Cem>European Journal of Cancer\u003C\u002Fem>, \u003Cem>bệnh tiến triển\u003C\u002Fem> (progressive disease) được xác định khi tổng đường kính các tổn thương đích tăng ít nhất 20% so với tổng đường kính nhỏ nhất từng ghi nhận trong quá trình nghiên cứu, đồng thời mức tăng tuyệt đối phải đạt ít nhất 5 mm. Ngoài tiêu chí kích thước tổn thương đích, sự xuất hiện của ít nhất 1 tổn thương mới cũng đủ để kết luận bệnh tiến triển. Yêu cầu kép về mức tăng tương đối 20% và mức tăng tuyệt đối 5 mm được bổ sung ở phiên bản 1.1 nhằm tránh phân loại nhầm là tiến triển khi kích thước tổn thương nền rất nhỏ và chịu sai số đo đạc trên hình ảnh học.\u003C\u002Fp>\n\n\u003Ch3>Trong bệnh thận mạn\u003C\u002Fh3>\n\n\u003Cp>Theo hướng dẫn thực hành lâm sàng của tổ chức KDIGO (2024) đăng trên \u003Cem>Kidney International\u003C\u002Fem>, phân tầng nguy cơ tiến triển bệnh thận mạn (chronic kidney disease, CKD) dựa trên cấu trúc ba trục gồm nguyên nhân bệnh (C), phân nhóm \u003Cem>mức lọc cầu thận ước tính\u003C\u002Fem> (estimated glomerular filtration rate, eGFR) từ G1 đến G5 và phân nhóm \u003Cem>albumin niệu\u003C\u002Fem> theo \u003Cem>tỷ số albumin\u002Fcreatinin niệu\u003C\u002Fem> (urine albumin-to-creatinine ratio, uACR) từ A1 đến A3. Sự kết hợp giữa eGFR và uACR tạo thành bảng nhiệt chia người bệnh thành 4 mức nguy cơ: thấp, trung bình, cao và rất cao đối với tiến triển suy thận và các biến cố bất lợi khác.\u003C\u002Fp>\n\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth>Thông số phân tầng (KDIGO, 2024)\u003C\u002Fth>\n\u003Cth>Phân nhóm\u003C\u002Fth>\n\u003Cth>Ngưỡng định lượng\u003C\u002Fth>\n\u003Cth>Ý nghĩa phân loại\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\n\u003Ctr>\n\u003Ctd>Mức lọc cầu thận ước tính (eGFR)\u003C\u002Ftd>\n\u003Ctd>G1\u003C\u002Ftd>\n\u003Ctd>Từ 90 mL\u002Fphút\u002F1,73 m² trở lên\u003C\u002Ftd>\n\u003Ctd>Bình thường hoặc tăng\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Mức lọc cầu thận ước tính (eGFR)\u003C\u002Ftd>\n\u003Ctd>G2\u003C\u002Ftd>\n\u003Ctd>60–89 mL\u002Fphút\u002F1,73 m²\u003C\u002Ftd>\n\u003Ctd>Giảm nhẹ\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Mức lọc cầu thận ước tính (eGFR)\u003C\u002Ftd>\n\u003Ctd>G3a\u003C\u002Ftd>\n\u003Ctd>45–59 mL\u002Fphút\u002F1,73 m²\u003C\u002Ftd>\n\u003Ctd>Giảm nhẹ đến trung bình\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Mức lọc cầu thận ước tính (eGFR)\u003C\u002Ftd>\n\u003Ctd>G3b\u003C\u002Ftd>\n\u003Ctd>30–44 mL\u002Fphút\u002F1,73 m²\u003C\u002Ftd>\n\u003Ctd>Giảm trung bình đến nặng\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Mức lọc cầu thận ước tính (eGFR)\u003C\u002Ftd>\n\u003Ctd>G4\u003C\u002Ftd>\n\u003Ctd>15–29 mL\u002Fphút\u002F1,73 m²\u003C\u002Ftd>\n\u003Ctd>Giảm nặng\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Mức lọc cầu thận ước tính (eGFR)\u003C\u002Ftd>\n\u003Ctd>G5\u003C\u002Ftd>\n\u003Ctd>Dưới 15 mL\u002Fphút\u002F1,73 m²\u003C\u002Ftd>\n\u003Ctd>Suy thận\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Tỷ số albumin\u002Fcreatinin niệu (uACR)\u003C\u002Ftd>\n\u003Ctd>A1\u003C\u002Ftd>\n\u003Ctd>Dưới 30 mg\u002Fg\u003C\u002Ftd>\n\u003Ctd>Bình thường đến tăng nhẹ\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Tỷ số albumin\u002Fcreatinin niệu (uACR)\u003C\u002Ftd>\n\u003Ctd>A2\u003C\u002Ftd>\n\u003Ctd>30–300 mg\u002Fg\u003C\u002Ftd>\n\u003Ctd>Tăng trung bình\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd>Tỷ số albumin\u002Fcreatinin niệu (uACR)\u003C\u002Ftd>\n\u003Ctd>A3\u003C\u002Ftd>\n\u003Ctd>Trên 300 mg\u002Fg\u003C\u002Ftd>\n\u003Ctd>Tăng nặng\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Phương pháp định lượng và mô hình hóa nguy cơ tiến triển\u003C\u002Fh2>\n\n\u003Cp>Trong khung chiến lược nghiên cứu tiên lượng PROGRESS 3, Steyerberg và cộng sự (2013) nêu rõ rằng một mô hình tiên lượng kết hợp đồng thời nhiều yếu tố dự báo (như tuổi, giới, chỉ dấu sinh học, hình ảnh học, bệnh đồng mắc) để ước tính xác suất tuyệt đối của kết cục lâm sàng ở từng cá nhân. Chu trình chuẩn của một mô hình dự báo nguy cơ tiến triển gồm ba giai đoạn nối tiếp: xây dựng mô hình trên dữ liệu phát triển, thẩm định ngoài trên các quần thể độc lập và đánh giá tác động lên thực hành lâm sàng cũng như kết cục người bệnh.\u003C\u002Fp>\n\n\u003Ch3>Các nhóm phương pháp thống kê và học máy\u003C\u002Fh3>\n\n\u003Cul>\n\u003Cli>\u003Cstrong>Hệ thống phân tầng theo bảng điểm hoặc ma trận:\u003C\u002Fstrong> Xếp người bệnh vào các nhóm nguy cơ rời rạc dựa trên một số ít thông số lâm sàng cốt lõi, điển hình là bảng nhiệt eGFR–uACR của KDIGO (2024). Cách tiếp cận này trực quan, dễ áp dụng tại tuyến cơ sở nhưng chỉ cung cấp thứ bậc nguy cơ tương đối theo nhóm thay vì xác suất tuyệt đối cho từng cá nhân.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Mô hình hồi quy sống còn cổ điển:\u003C\u002Fstrong> Sử dụng dữ liệu thời gian đến biến cố (time-to-event) để ước tính nguy cơ tích lũy theo thời gian khi chỉ có một loại biến cố đích và giả định dữ liệu bị kiểm duyệt độc lập với nguy cơ xảy ra biến cố.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Mô hình xử lý nguy cơ cạnh tranh:\u003C\u002Fstrong> Trong nhiều bệnh mạn tính ở người cao tuổi hoặc bệnh ung thư giai đoạn muộn, người bệnh có thể tử vong do nguyên nhân khác trước khi kịp xảy ra biến cố tiến triển đang quan tâm. Hiện tượng này gọi là \u003Cem>nguy cơ cạnh tranh\u003C\u002Fem> (competing risks). Theo Austin và Fine (2017), nếu dùng phần bù của hàm sống còn Kaplan–Meier, viết là \u003Cscript type=\"math\u002Ftex\">1 - S_{KM}(t)\u003C\u002Fscript> (trong đó \u003Cscript type=\"math\u002Ftex\">S_{KM}(t)\u003C\u002Fscript> là ước lượng sống còn Kaplan–Meier tại thời điểm \u003Cscript type=\"math\u002Ftex\">t\u003C\u002Fscript>), và coi biến cố cạnh tranh như dữ liệu kiểm duyệt thì mô hình ngầm giả định người đã gặp biến cố cạnh tranh vẫn còn nguy cơ tiến triển; hậu quả là ước tính quá cao một cách hệ thống tỷ lệ tích lũy thực. Để dự báo nguy cơ tuyệt đối chính xác hơn, Austin và Fine (2017) khuyến nghị sử dụng \u003Cem>hàm tỷ lệ tích lũy\u003C\u002Fem> (cumulative incidence function, CIF), ký hiệu \u003Cscript type=\"math\u002Ftex\">CIF(t)\u003C\u002Fscript>, kết hợp với mô hình nguy cơ phân phối phụ Fine–Gray.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Mô hình học máy và trí tuệ nhân tạo:\u003C\u002Fstrong> Khai thác dữ liệu đa chiều từ hồ sơ bệnh án điện tử, hình ảnh học hoặc dữ liệu sinh học phân tử. Nhằm bảo đảm tính minh bạch và khả năng tái lập, tuyên bố TRIPOD+AI do Collins và cộng sự (2024) ban hành trên \u003Cem>BMJ\u003C\u002Fem> (thay thế tuyên bố TRIPOD năm 2015) thiết lập khung báo cáo thống nhất gồm 27 mục chính (52 mục phụ) cho toàn văn và 13 mục riêng cho tóm tắt, áp dụng cho cả mô hình hồi quy thống kê lẫn học máy.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch3>Đánh giá hiệu năng: khả năng phân biệt và hiệu chuẩn\u003C\u002Fh3>\n\n\u003Cp>Theo nhóm nghiên cứu STRATOS (Van Calster và cộng sự, 2019), chất lượng của một mô hình dự báo nguy cơ tiến triển bệnh phải được đánh giá trên cả hai khía cạnh độc lập là \u003Cem>khả năng phân biệt\u003C\u002Fem> (discrimination) và \u003Cem>hiệu chuẩn\u003C\u002Fem> (calibration). Khả năng phân biệt đo lường mức độ mô hình xếp hạng đúng người sẽ tiến triển bệnh có điểm nguy cơ cao hơn người không tiến triển, thường biểu thị qua chỉ số C-statistic. Trong khi đó, hiệu chuẩn đánh giá mức độ trùng khớp giữa xác suất dự báo của mô hình với tần suất biến cố quan sát thực tế trong quần thể.\u003C\u002Fp>\n\n\u003Cp>Van Calster và cộng sự (2019) phân chia đánh giá hiệu chuẩn thành các cấp độ: hiệu chuẩn trung bình (so sánh nguy cơ dự báo trung bình với tỷ lệ biến cố chung của cả đoàn hệ), hiệu chuẩn yếu (kiểm tra xem hệ số chặn hiệu chuẩn có tiến gần 0 và độ dốc hiệu chuẩn có tiến gần 1 hay không) và hiệu chuẩn bậc trung thông qua đường cong hiệu chuẩn trơn trên toàn dải xác suất dự báo. Một mô hình có chỉ số C-statistic cao vẫn có thể dự báo sai lệch nghiêm trọng về xác suất tuyệt đối nếu hiệu chuẩn kém.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng lâm sàng và bối cảnh tại Việt Nam\u003C\u002Fh2>\n\n\u003Cp>Việc lượng hóa nguy cơ tiến triển bệnh chuyển dịch thực hành y khoa từ cách tiếp cận theo dõi đồng nhất sang quản lý cá thể hóa dựa trên ngưỡng nguy cơ tuyệt đối. Điều này đặc biệt có ý nghĩa khi cần cân bằng giữa lợi ích điều trị sớm với chi phí y tế, tác dụng không mong muốn của thuốc và gánh nặng tâm lý cho người bệnh.\u003C\u002Fp>\n\n\u003Ch3>Ứng dụng ngưỡng nguy cơ tuyệt đối trong quản lý bệnh thận mạn\u003C\u002Fh3>\n\n\u003Cp>Hướng dẫn KDIGO (2024) khuyến cáo sử dụng các phương trình dự báo nguy cơ đã được thẩm định ngoài, điển hình là Phương trình Nguy cơ Suy thận (Kidney Failure Risk Equation, KFRE), cho người bệnh CKD giai đoạn G3 đến G5 để hỗ trợ ra quyết định lâm sàng theo các mốc thực hành cụ thể:\u003C\u002Fp>\n\n\u003Cul>\n\u003Cli>\u003Cstrong>Mốc nguy cơ suy thận 5 năm từ 3% đến 5%:\u003C\u002Fstrong> Được dùng làm căn cứ hỗ trợ quyết định chuyển người bệnh đến khám bác sĩ chuyên khoa thận, bên cạnh các tiêu chí lâm sàng truyền thống.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Mốc nguy cơ suy thận 2 năm trên 10%:\u003C\u002Fstrong> Được dùng để định hướng thời điểm triển khai chăm sóc đa chuyên khoa nhằm kiểm soát tối ưu biến chứng và làm chậm tiến triển bệnh.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Mốc nguy cơ suy thận 2 năm trên 40%:\u003C\u002Fstrong> Được dùng để xác định thời điểm tư vấn lựa chọn phương thức điều trị, chuẩn bị đường vào mạch máu và lập kế hoạch điều trị thay thế thận.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Cp>Nền tảng bằng chứng cho phương trình KFRE đến từ phân tích gộp đa quốc gia của Tangri và cộng sự (2016) trên \u003Cem>JAMA\u003C\u002Fem>, tổng hợp dữ liệu cá thể từ 31 đoàn hệ với 721.357 người bệnh CKD giai đoạn 3 đến 5 tại hơn 30 quốc gia thuộc 4 châu lục, ghi nhận 23.829 biến cố suy thận trong thời gian theo dõi trung vị 4 năm. Phương trình đạt chỉ số phân biệt C-statistic tổng hợp là 0,90 (khoảng tin cậy 95%: 0,89–0,92) ở mốc 2 năm và 0,88 (khoảng tin cậy 95%: 0,86–0,90) ở mốc 5 năm.\u003C\u002Fp>\n\n\u003Ch3>Bối cảnh nghiên cứu và thách thức áp dụng tại Việt Nam\u003C\u002Fh3>\n\n\u003Cp>Tại Việt Nam, khái niệm nguy cơ tiến triển bệnh được sử dụng rộng rãi trong nghiên cứu lâm sàng để xác định nhóm người bệnh cần theo dõi sát ngay từ giai đoạn sớm. Chẳng hạn, nghiên cứu của Lương Thị Liên và cộng sự (2025) đăng trên \u003Cem>Tạp chí Y học Việt Nam\u003C\u002Fem> khảo sát các yếu tố liên quan đến nguy cơ tiến triển tổn thương thận sau 6 tháng khởi phát ở trẻ em mắc bệnh Schönlein–Henoch. Kết quả ghi nhận mối liên quan giữa nguy cơ tiến triển tổn thương thận với thể phối hợp từ 3 cơ quan trở lên, thời gian nổi ban kéo dài từ 30 ngày trở lên, triệu chứng xuất huyết tiêu hóa lúc khởi phát và các bất thường xét nghiệm nước tiểu (protein\u002Fcreatinin niệu hoặc hồng cầu niệu). Vì đây là nghiên cứu quan sát lâm sàng, các đặc điểm này phản ánh mối liên quan tiên lượng để tăng cường theo dõi chứ không tự động đồng nghĩa với quan hệ nhân quả trực tiếp.\u003C\u002Fp>\n\n\u003Cp>Một vấn đề thực tiễn lớn khi áp dụng các thang điểm hoặc phương trình dự báo nguy cơ tiến triển quốc tế tại Việt Nam là sự khác biệt về nguy cơ nền, đặc điểm dịch tễ và hệ thống chăm sóc y tế. Phân tích gộp của Tangri và cộng sự (2016) cho thấy phương trình KFRE gốc có hiệu chuẩn tốt ở các đoàn hệ Bắc Mỹ nhưng có xu hướng ước tính quá cao nguy cơ ở một số đoàn hệ ngoài Bắc Mỹ; chỉ sau khi bổ sung hệ số hiệu chuẩn theo khu vực thì độ khớp dự báo mới được cải thiện. Do đó, các mô hình dự báo nguy cơ tiến triển phát triển ở quần thể phương Tây cần được thẩm định ngoài và hiệu chuẩn lại trên dữ liệu người bệnh Việt Nam trước khi áp dụng cứng nhắc các ngưỡng can thiệp tuyệt đối.\u003C\u002Fp>\n\n\u003Ch2>Hạn chế, sai lệch thường gặp và vấn đề còn mở\u003C\u002Fh2>\n\n\u003Cp>Mặc dù các công cụ ước tính nguy cơ tiến triển bệnh ngày càng phổ biến, giới nghiên cứu thống kê sinh học và y học thực chứng ghi nhận nhiều hạn chế có thể làm giảm giá trị sử dụng hoặc thậm chí gây bất lợi cho người bệnh nếu không được kiểm soát.\u003C\u002Fp>\n\n\u003Cul>\n\u003Cli>\u003Cstrong>Sai lệch hiệu chuẩn và tác hại lâm sàng:\u003C\u002Fstrong> Van Calster và cộng sự (2019) chỉ ra rằng sai lệch hiệu chuẩn là điểm yếu phổ biến nhất của các mô hình dự báo hiện đại. Khi mô hình ước tính quá cao nguy cơ tiến triển quanh ngưỡng điều trị, người bệnh có thể phải chịu can thiệp không cần thiết (điều trị quá mức); ngược lại, ước tính quá thấp dẫn đến chậm trễ chuyển tuyến hoặc bỏ lỡ cơ hội điều trị sớm. Trong một số trường hợp, mô hình hiệu chuẩn kém mang lại lợi ích ròng lâm sàng thấp hơn cả chiến lược mặc định không dùng mô hình.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Quá khớp ở mô hình phức tạp:\u003C\u002Fstrong> Các mô hình nhiều biến số hoặc thuật toán học máy huấn luyện trên cỡ mẫu nhỏ dễ bị quá khớp (overfitting), tạo ra các xác suất dự báo quá cực đoan (quá sát 0 hoặc quá sát 1) và suy giảm nhanh hiệu năng khi đưa sang cơ sở y tế khác (Van Calster và cộng sự, 2019).\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Bỏ qua nguy cơ cạnh tranh:\u003C\u002Fstrong> Việc sử dụng phương pháp Kaplan–Meier truyền thống trong các bệnh mạn tính có tỷ lệ tử vong do bệnh đồng mắc cao làm phồng đại nguy cơ tiến triển tích lũy (Austin và Fine, 2017), khiến bác sĩ và người bệnh đánh giá sai mức độ cấp bách của can thiệp chuyên khoa.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Khoảng trống giữa phát triển mô hình và đánh giá tác động:\u003C\u002Fstrong> Steyerberg và cộng sự (2013) nhận định y văn y khoa có rất nhiều mô hình tiên lượng được công bố nhưng tỷ lệ đi vào thực hành rất thấp. Phần lớn nghiên cứu dừng lại ở bước phát triển nội bộ, thiếu thẩm định ngoài độc lập và thiếu bằng chứng thử nghiệm chứng minh việc dùng mô hình thực sự cải thiện kết cục sức khỏe.\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Trôi dạt hiệu năng theo thời gian:\u003C\u002Fstrong> Khi phác đồ điều trị chuẩn thay đổi (ví dụ sự ra đời của các nhóm thuốc bảo vệ cơ quan mới), tiêu chuẩn chẩn đoán cập nhật hoặc đặc điểm dân số biến đổi, nguy cơ tiến triển nền sẽ giảm hoặc đổi chiều so với thời điểm xây dựng mô hình. Điều này đòi hỏi cơ chế giám sát liên tục và cập nhật hiệu chuẩn định kỳ theo tinh thần minh bạch của hướng dẫn TRIPOD+AI (Collins và cộng sự, 2024).\u003C\u002Fli>\n\u003C\u002Ful>\n","Nguy cơ tiến triển bệnh","risk of disease progression",[],"Nguy cơ tiến triển bệnh là xác suất tuyệt đối một bệnh lý đã được chẩn đoán sẽ nặng lên, lan rộng hoặc chuyển sang giai đoạn nghiêm trọng hơn trong một khoảng thời gian xác định. Khái niệm này là nền tảng để phân tầng theo dõi và lựa chọn thời điểm can thiệp cá thể hóa trong y học lâm sàng.","MEDICAL_HEALTH_SCIENCES",[23,30,36,43,50,57,64,71],{"citationText":24,"title":25,"authors":26,"source":27,"year":28,"doi":29,"url":10},"Stevens PE, Ahmed SB, Carrero JJ, et al. (KDIGO CKD Work Group) (2024). KDIGO 2024 Clinical Practice Guideline for the Evaluation and Management of Chronic Kidney Disease. Kidney International, 105(4S), S117–S314.","KDIGO 2024 Clinical Practice Guideline for the Evaluation and Management of Chronic Kidney Disease","Stevens PE, Ahmed SB, Carrero JJ, et al.","Kidney International",2024,"10.1016\u002Fj.kint.2023.10.018",{"citationText":31,"title":32,"authors":33,"source":34,"year":28,"doi":35,"url":10},"Collins GS, Moons KGM, Dhiman P, et al. (2024). TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ, 385, e078378.","TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods","Collins GS, Moons KGM, Dhiman P, et al.","BMJ","10.1136\u002Fbmj-2023-078378",{"citationText":37,"title":38,"authors":39,"source":40,"year":41,"doi":42,"url":10},"Tangri N, Grams ME, Levey AS, et al. (CKD Prognosis Consortium) (2016). Multinational Assessment of Accuracy of Equations for Predicting Risk of Kidney Failure: A Meta-analysis. JAMA, 315(2), 164–174.","Multinational Assessment of Accuracy of Equations for Predicting Risk of Kidney Failure","Tangri N, Grams ME, Levey AS, et al.","JAMA",2016,"10.1001\u002Fjama.2015.18202",{"citationText":44,"title":45,"authors":46,"source":47,"year":48,"doi":49,"url":10},"Eisenhauer EA, Therasse P, Bogaerts J, et al. (2009). New response evaluation criteria in solid tumours: Revised RECIST guideline (version 1.1). European Journal of Cancer, 45(2), 228–247.","New response evaluation criteria in solid tumours: Revised RECIST guideline (version 1.1)","Eisenhauer EA, Therasse P, Bogaerts J, et al.","European Journal of Cancer",2009,"10.1016\u002Fj.ejca.2008.10.026",{"citationText":51,"title":52,"authors":53,"source":54,"year":55,"doi":56,"url":10},"Van Calster B, McLernon DJ, van Smeden M, Wynants L, Steyerberg EW, On behalf of Topic Group ‘Evaluating diagnostic tests and prediction models’ of the STRATOS initiative (2019). Calibration: the Achilles heel of predictive analytics. BMC Medicine, 17, 230.","Calibration: the Achilles heel of predictive analytics","Van Calster B, McLernon DJ, van Smeden M, Wynants L, Steyerberg EW, On behalf of Topic Group ‘Evaluating diagnostic tests and prediction models’ of the STRATOS initiative","BMC Medicine",2019,"10.1186\u002Fs12916-019-1466-7",{"citationText":58,"title":59,"authors":60,"source":61,"year":62,"doi":63,"url":10},"Austin PC, Fine JP (2017). Practical recommendations for reporting Fine-Gray model analyses for competing risk data. Statistics in Medicine, 36(27), 4391–4400.","Practical recommendations for reporting Fine-Gray model analyses for competing risk data","Austin PC, Fine JP","Statistics in Medicine",2017,"10.1002\u002Fsim.7501",{"citationText":65,"title":66,"authors":67,"source":68,"year":69,"doi":70,"url":10},"Steyerberg EW, Moons KGM, van der Windt DA, et al. (PROGRESS Group) (2013). Prognosis Research Strategy (PROGRESS) 3: Prognostic Model Research. PLoS Medicine, 10(2), e1001381.","Prognosis Research Strategy (PROGRESS) 3: Prognostic Model Research","Steyerberg EW, Moons KGM, van der Windt DA, et al.","PLoS Medicine",2013,"10.1371\u002Fjournal.pmed.1001381",{"citationText":72,"title":73,"authors":74,"source":75,"year":76,"doi":77,"url":10},"Lương Thị Liên, Ngô Thị Huyền Trang, Nguyễn Thị Hà, et al. (2025). Các yếu tố nguy cơ tiến triển tổn thương thận ở trẻ em mắc bệnh Schönlein – Henoch. Tạp chí Y học Việt Nam, 551(3).","CÁC YẾU TỐ NGUY CƠ TIẾN TRIỂN TỔN THƯƠNG THẬN Ở TRẺ EM MẮC BỆNH SCHӦNLEIN – HENOCH","Lương Thị Liên, Ngô Thị Huyền Trang, Nguyễn Thị Hà, Nguyễn Thị Dung, Nguyễn Văn Dương, Phạm Văn Dương, Trần Duy Mạnh","Tạp chí Y học Việt Nam",2025,"10.51298\u002Fvmj.v551i3.14755",[79,82,85,88],{"question":80,"answer":81},"Nguy cơ tiến triển bệnh khác gì với nguy cơ mắc bệnh?","Nguy cơ mắc bệnh đo lường xác suất xuất hiện ca bệnh mới ở quần thể ban đầu chưa mắc bệnh, phục vụ dự phòng tiên phát. Ngược lại, nguy cơ tiến triển bệnh chỉ áp dụng cho người đã được chẩn đoán mắc bệnh và biểu thị xác suất bệnh nặng lên, lan rộng hoặc chuyển giai đoạn trong một khoảng thời gian xác định.",{"question":83,"answer":84},"Vì sao không nên dùng phương pháp Kaplan–Meier để ước tính nguy cơ tiến triển khi có nguy cơ cạnh tranh?","Khi người bệnh có thể tử vong do nguyên nhân khác trước khi bệnh kịp tiến triển, phương pháp Kaplan–Meier coi biến cố cạnh tranh là dữ liệu kiểm duyệt và ngầm giả định họ vẫn còn nguy cơ tiến triển. Theo Austin và Fine (2017), cách tính này ước tính quá cao một cách hệ thống tỷ lệ tích lũy thực, nên cần dùng hàm tỷ lệ tích lũy (CIF) và mô hình Fine–Gray.",{"question":86,"answer":87},"Một mô hình dự báo nguy cơ tiến triển có chỉ số C-statistic cao đã đủ tin cậy để dùng lâm sàng chưa?","Chưa đủ. Chỉ số C-statistic chỉ phản ánh khả năng phân biệt thứ hạng nguy cơ giữa các cá nhân chứ không bảo đảm xác suất tuyệt đối dự báo khớp với tần suất biến cố thực tế. Theo Van Calster và cộng sự (2019), mô hình sai lệch hiệu chuẩn vẫn có thể dẫn đến điều trị quá mức hoặc bỏ sót điều trị và làm giảm lợi ích ròng lâm sàng.",{"question":89,"answer":90},"Có thể áp dụng nguyên xi mô hình dự báo nguy cơ tiến triển của nước ngoài cho người bệnh tại Việt Nam không?","Không nên áp dụng nguyên xi mà không kiểm tra hiệu chuẩn trên quần thể địa phương. Phân tích gộp đa quốc gia của Tangri và cộng sự (2016) cho thấy phương trình KFRE gốc có xu hướng ước tính quá cao nguy cơ ở một số đoàn hệ ngoài Bắc Mỹ và chỉ cải thiện độ chính xác sau khi bổ sung hệ số hiệu chuẩn theo khu vực.",{"id":92,"researcherId":10,"name":93,"imageUrl":94},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":92,"researcherId":10,"name":93,"imageUrl":94},[13],false,"PUBLISHED","2025-12-01T11:21:20.653+00:00","2026-11-20T10:57:31.907+00:00","2026-11-20T10:57:31.826+00:00",14,[104,113,118,124,129,135,140,146,152,157],{"id":105,"title":106,"term":105,"englishTitle":107,"definition":108,"discipline":21,"disciplineCode":109,"disciplineLabel":110,"disciplineColor":111,"disciplineIcon":112},"tỷ lệ hiện mắc","Tỷ lệ hiện mắc là gì? Các bài nghiên cứu khoa học liên quan","prevalence","Tỷ lệ hiện mắc là thước đo dịch tễ học phản ánh tỷ lệ cá thể trong một quần thể xác định đang mang một bệnh hoặc tình trạng sức khỏe cụ thể tại một thời điểm hoặc trong một khoảng thời gian nhất định.","medical-health-sciences","Khoa học y - dược","#D6336C","stethoscope",{"id":114,"title":115,"term":114,"englishTitle":116,"definition":117,"discipline":21,"disciplineCode":109,"disciplineLabel":110,"disciplineColor":111,"disciplineIcon":112},"cao chiết","Cao chiết là gì? Phân loại, quy trình và tiêu chuẩn","botanical extract","Cao chiết là chế phẩm đậm đặc thu được bằng cách chiết xuất hoạt chất sinh học từ nguyên liệu tự nhiên bằng dung môi thích hợp, sau đó loại bỏ bã và bốc hơi một phần hoặc toàn bộ dung môi để đạt thể chất quy định.",{"id":119,"title":120,"term":121,"englishTitle":122,"definition":123,"discipline":21,"disciplineCode":109,"disciplineLabel":110,"disciplineColor":111,"disciplineIcon":112},"dass 21","DASS-21 là gì? Cấu trúc, cách tính điểm và ý nghĩa sàng lọc","DASS-21","Depression Anxiety Stress Scales - 21 Items","DASS-21 (Depression Anxiety Stress Scales - 21 Items) là thang đo tự báo cáo gồm 21 câu hỏi trắc lượng tâm lý, được sử dụng để sàng lọc và đánh giá mức độ nghiêm trọng của ba trạng thái cảm xúc tiêu cực: trầm cảm, lo âu và căng thẳng.",{"id":125,"title":126,"term":125,"englishTitle":127,"definition":128,"discipline":21,"disciplineCode":109,"disciplineLabel":110,"disciplineColor":111,"disciplineIcon":112},"brca1","BRCA1 là gì? Các nghiên cứu khoa học liên quan","BRCA1 DNA repair associated","BRCA1 là gen ức chế khối u nằm trên nhiễm sắc thể 17q21 của người, mã hóa một protein nhân có vai trò duy trì tính toàn vẹn của bộ gen thông qua cơ chế sửa chữa đứt gãy sợi đôi DNA bằng tái tổ hợp tương đồng.",{"id":130,"title":131,"term":132,"englishTitle":133,"definition":134,"discipline":21,"disciplineCode":109,"disciplineLabel":110,"disciplineColor":111,"disciplineIcon":112},"pi rads","PI-RADS là gì? Thang điểm đánh giá MRI tuyến tiền liệt","PI-RADS","Prostate Imaging Reporting and Data System","PI-RADS là hệ thống chuẩn hóa quốc tế phân tầng nguy cơ ung thư tuyến tiền liệt có ý nghĩa lâm sàng dựa trên hình ảnh chụp cộng hưởng từ đa thông số (mpMRI).",{"id":136,"title":137,"term":136,"englishTitle":138,"definition":139,"discipline":21,"disciplineCode":109,"disciplineLabel":110,"disciplineColor":111,"disciplineIcon":112},"tình trạng sức khỏe","Tình trạng sức khỏe là gì? Định nghĩa WHO, thang đo SF-36 và các chỉ số","Health Status","Tình trạng sức khỏe là trạng thái toàn diện về thể chất, tâm thần và xã hội của một cá nhân hay quần thể theo định nghĩa WHO, được đo lường qua các thang đo chức năng như SF-36 và các chỉ số dịch tễ học.",{"id":141,"title":142,"term":143,"englishTitle":144,"definition":145,"discipline":21,"disciplineCode":109,"disciplineLabel":110,"disciplineColor":111,"disciplineIcon":112},"mô sẹo","Mô sẹo là gì? Quá trình hình thành, phân loại và điều trị","Mô sẹo","scar tissue","Mô sẹo là vùng mô liên kết sợi giàu collagen hình thành trong quá trình tự làm lành sau tổn thương mô hoặc phẫu thuật để thay thế mô bình thường.",{"id":147,"title":148,"term":149,"englishTitle":150,"definition":151,"discipline":21,"disciplineCode":109,"disciplineLabel":110,"disciplineColor":111,"disciplineIcon":112},"bệnh hbh","Bệnh HbH là gì? Các nghiên cứu khoa học về Bệnh HbH","Bệnh HbH","Hemoglobin H disease","Bệnh HbH (bệnh Hemoglobin H) là một thể bệnh alpha-thalassemia mức độ trung gian do mất chức năng 3 trong số 4 gen alpha-globin, dẫn đến sự thiếu hụt nghiêm trọng chuỗi alpha-globin và làm dư thừa các chuỗi beta tự do kết tụ thành tetramer beta-4 không bền vững (Hemoglobin H), gây thiếu máu tán huyết mạn tính.",{"id":153,"title":154,"term":153,"englishTitle":155,"definition":156,"discipline":21,"disciplineCode":109,"disciplineLabel":110,"disciplineColor":111,"disciplineIcon":112},"báo cáo ca bệnh","Báo cáo ca bệnh là gì? Các nghiên cứu khoa học liên quan","case report","Báo cáo ca bệnh (case report) là một ấn phẩm y học mô tả chi tiết và có hệ thống về triệu chứng, chẩn đoán, điều trị và diễn tiến bất thường hoặc hiếm gặp của một bệnh nhân đơn lẻ trong thực hành lâm sàng.",{"id":158,"title":159,"term":158,"englishTitle":160,"definition":161,"discipline":21,"disciplineCode":109,"disciplineLabel":110,"disciplineColor":111,"disciplineIcon":112},"adrenalin","Adrenalin là gì? Công thức, cơ chế tác dụng và ứng dụng cấp cứu sinh tử","adrenaline","Adrenalin (epinephrine) là hormone và chất dẫn truyền thần kinh nhóm catecholamine do tủy thượng thận tiết ra, giữ vai trò thuốc cấp cứu đầu tay trong sốc phản vệ và hồi sinh tim phổi."]