[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_s%E1%BB%91ng%20s%C3%B3t%20t%E1%BB%95ng%20th%E1%BB%83{\"limit\":5}":3,"_public_topic_byId_s%E1%BB%91ng%20s%C3%B3t%20t%E1%BB%95ng%20th%E1%BB%83":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":13,"englishTitle":17,"synonyms":18,"definition":21,"discipline":22,"references":23,"faqs":42,"createUser":55,"publishUser":59,"keywords":63,"keywordCount":74,"enrichTopicLink":75,"status":76,"createTime":77,"updateTime":78,"publishTime":79,"linkEnrichedTime":80,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":81,"wikidataId":10,"relateTopics":82},"sống sót tổng thể","Sống sót tổng thể là gì? Các nghiên cứu khoa học liên quan","Sống sót tổng thể (Overall Survival - OS) là chỉ số đo thời gian bệnh nhân còn sống kể từ khi bắt đầu điều trị đến khi tử vong vì bất kỳ nguyên nhân nào. Đây là tiêu chí khách quan, phản ánh hiệu quả điều trị tổng thể và được xem là chuẩn vàng trong các thử nghiệm lâm sàng, đặc biệt trong ung thư học. ","\u003Cp>\nSống sót tổng thể (overall survival, OS) là khoảng thời gian tính từ khi bệnh nhân bắt đầu tham gia thử nghiệm lâm sàng hoặc bắt đầu một phác đồ điều trị cho đến khi tử vong do bất kỳ nguyên nhân nào. Trong nghiên cứu lâm sàng – đặc biệt là ung thư học – sống sót tổng thể được coi là tiêu chuẩn vàng để đánh giá hiệu quả tối hậu của các liệu pháp điều trị mới.\n\u003C\u002Fp>\n\u003Cp>\nOS là một chỉ số “cứng”, nghĩa là có thể đo lường được một cách khách quan, không phụ thuộc vào đánh giá chủ quan từ phía bác sĩ hoặc bệnh nhân. Nó thường được sử dụng làm tiêu chí chính trong các thử nghiệm lâm sàng giai đoạn III – nơi mà tính chính xác và tin cậy của dữ liệu là bắt buộc để phê duyệt một loại thuốc hoặc phương pháp điều trị mới.\n\u003C\u002Fp>\n\u003Cp>\nĐặc biệt trong ung thư học, OS giúp trả lời một câu hỏi cơ bản nhưng sống còn: phương pháp điều trị có giúp người bệnh sống lâu hơn không? Câu hỏi này đơn giản nhưng có tính quyết định đối với việc đưa một loại thuốc mới ra thị trường. Nhiều quốc gia và tổ chức y tế lớn như FDA (Hoa Kỳ), EMA (Châu Âu) đều xem OS là tiêu chí chuẩn trong đánh giá hiệu quả lâm sàng.\n\u003C\u002Fp>\n\n\u003Ch2>Tại sao sống sót tổng thể lại quan trọng?\u003C\u002Fh2>\n\u003Cp>\nOS được xem là chuẩn mực vàng trong thử nghiệm lâm sàng vì nó có nhiều đặc điểm vượt trội so với các chỉ số khác. Quan trọng nhất, OS phản ánh tác động trực tiếp đến tuổi thọ bệnh nhân – một yếu tố có ý nghĩa thực tiễn rõ ràng, dễ hiểu và dễ truyền đạt cho cả giới chuyên môn lẫn bệnh nhân.\n\u003C\u002Fp>\n\u003Cp>\nSo với các tiêu chí như thời gian không {{topic|%7B%22topic%22%3A%22ti%E1%BA%BFn%20tri%E1%BB%83n%20b%E1%BB%87nh%22%7D}} hoặc phản ứng khối u, OS có độ chính xác cao hơn vì không bị ảnh hưởng bởi sự đánh giá chủ quan hoặc thay đổi trong quy trình chẩn đoán. Dữ liệu về OS hiếm khi bị \"nhiễu\" vì nó chỉ đơn giản là sống hay chết, với mốc thời gian rõ ràng. Điều này làm cho OS trở thành tiêu chí được ưu tiên trong các nghiên cứu đa trung tâm, kéo dài nhiều năm và có sự tham gia của hàng nghìn bệnh nhân.\n\u003C\u002Fp>\n\u003Cp>\nMột số lý do OS được xem là tiêu chí đánh giá tối ưu:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Đo lường khách quan, không cần giả định trung gian\u003C\u002Fli>\n  \u003Cli>Ít phụ thuộc vào phương pháp chẩn đoán hoặc tần suất kiểm tra\u003C\u002Fli>\n  \u003Cli>Phản ánh hiệu quả điều trị tổng thể, bao gồm cả tác động tích cực và tiêu cực\u003C\u002Fli>\n  \u003Cli>Dễ so sánh giữa các nhóm điều trị và giữa các thử nghiệm khác nhau\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\n\u003Ch2>Phân biệt sống sót tổng thể với các chỉ số khác\u003C\u002Fh2>\n\u003Cp>\nTrong thực tế lâm sàng, OS không phải là chỉ số duy nhất được sử dụng để đánh giá hiệu quả điều trị. Tùy theo mục tiêu nghiên cứu và thời gian theo dõi, các nhà khoa học có thể sử dụng thêm các chỉ số như:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>\u003Cstrong>{{topic|%7B%22topic%22%3A%22s%E1%BB%91ng%20kh%C3%B4ng%20ti%E1%BA%BFn%20tri%E1%BB%83n%22%2C%22text%22%3A%22Progression-Free%20Survival%22%7D}} (PFS):\u003C\u002Fstrong> Thời gian bệnh nhân sống mà bệnh không tiến triển\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>{{topic|%7B%22topic%22%3A%22s%E1%BB%91ng%20kh%C3%B4ng%20b%E1%BB%87nh%22%2C%22text%22%3A%22Disease-Free%20Survival%22%7D}} (DFS):\u003C\u002Fstrong> Thời gian sống mà không có tái phát bệnh sau khi điều trị thành công\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Overall Response Rate (ORR):\u003C\u002Fstrong> Tỷ lệ bệnh nhân có khối u giảm kích thước ít nhất 30% trong thời gian nhất định\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\nTuy nhiên, các chỉ số này mang tính trung gian và thường không phản ánh chính xác lợi ích sống còn lâu dài. Ví dụ, một phương pháp điều trị có thể cải thiện PFS nhưng không có tác động rõ ràng đến OS nếu bệnh tái phát nhanh chóng sau khi ngừng điều trị. Vì vậy, OS vẫn được ưu tiên là tiêu chí chính trong các quyết định y học có {{topic|%7B%22topic%22%3A%22kh%E1%BA%A3%20n%C4%83ng%20s%E1%BB%91ng%20s%C3%B3t%22%2C%22text%22%3A%22t%C3%ADnh%20s%E1%BB%91ng%20c%C3%B2n%22%7D}}.\n\u003C\u002Fp>\n\u003Cp>\nBảng so sánh nhanh giữa các chỉ số thường gặp:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Chỉ số\u003C\u002Fth>\n    \u003Cth>Định nghĩa\u003C\u002Fth>\n    \u003Cth>Ưu điểm\u003C\u002Fth>\n    \u003Cth>Hạn chế\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>OS\u003C\u002Ftd>\n    \u003Ctd>Thời gian sống từ điều trị đến tử vong do bất kỳ nguyên nhân nào\u003C\u002Ftd>\n    \u003Ctd>Khách quan, ý nghĩa cao\u003C\u002Ftd>\n    \u003Ctd>Cần thời gian theo dõi dài\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>PFS\u003C\u002Ftd>\n    \u003Ctd>Thời gian sống mà bệnh không tiến triển\u003C\u002Ftd>\n    \u003Ctd>Thời gian theo dõi ngắn hơn\u003C\u002Ftd>\n    \u003Ctd>Dễ bị thiên lệch\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>DFS\u003C\u002Ftd>\n    \u003Ctd>Thời gian sống không có tái phát\u003C\u002Ftd>\n    \u003Ctd>Phù hợp nghiên cứu giai đoạn sớm\u003C\u002Ftd>\n    \u003Ctd>Không đo lường tổng thời gian sống\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Cách tính chỉ số sống sót tổng thể\u003C\u002Fh2>\n\u003Cp>\nĐể tính chỉ số OS, các nhà nghiên cứu thường sử dụng phương pháp Kaplan-Meier – một kỹ thuật thống kê giúp mô phỏng đường cong sống còn dựa trên thời gian sống và tỷ lệ tử vong theo thời gian. Đường cong Kaplan-Meier cho biết xác suất sống còn tại một thời điểm nhất định trong suốt thời gian theo dõi.\n\u003C\u002Fp>\n\u003Cp>\nTrung vị sống còn là thời điểm mà 50% bệnh nhân còn sống. Đây là con số phổ biến để báo cáo trong các nghiên cứu:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\nOS = \\text{Thời điểm mà 50\\% bệnh nhân còn sống kể từ khi bắt đầu điều trị}\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nKhi muốn đánh giá tác động của nhiều yếu tố cùng lúc đến OS như tuổi, giới tính, loại thuốc, chỉ số khối u..., mô hình Cox (Cox Proportional Hazards Model) thường được sử dụng:\n\u003C\u002Fp>\n\u003Cp>\n\u003Cscript type=\"math\u002Ftex\">\nh(t) = h_0(t) \\cdot \\exp(\\beta_1 x_1 + \\beta_2 x_2 + \\ldots + \\beta_n x_n)\n\u003C\u002Fscript>\n\u003C\u002Fp>\n\u003Cp>\nTrong đó:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Ccode>h(t)\u003C\u002Fcode>: xác suất tử vong tại thời điểm t\u003C\u002Fli>\n  \u003Cli>\u003Ccode>h₀(t)\u003C\u002Fcode>: xác suất tử vong cơ bản (baseline hazard)\u003C\u002Fli>\n  \u003Cli>\u003Ccode>x₁, x₂,..., xₙ\u003C\u002Fcode>: các biến độc lập (tuổi, giới, bệnh nền...)\u003C\u002Fli>\n  \u003Cli>\u003Ccode>β₁, β₂,..., βₙ\u003C\u002Fcode>: hệ số ảnh hưởng tương ứng\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nMô hình Cox cho phép tính toán nguy cơ tương đối (Hazard Ratio - HR) giữa các nhóm điều trị. Nếu HR = 0.70 thì có nghĩa là nguy cơ tử vong của nhóm điều trị thấp hơn 30% so với nhóm chứng.\n\u003C\u002Fp>\n\u003Ch2>Các yếu tố ảnh hưởng đến OS\u003C\u002Fh2>\n\u003Cp>\nChỉ số sống sót tổng thể (OS) chịu ảnh hưởng bởi nhiều yếu tố lâm sàng và sinh học. Trong các phân tích đa biến, những yếu tố này có thể được xác định là biến tiên lượng tốt hay xấu, tùy thuộc vào ảnh hưởng của chúng đến thời gian sống của bệnh nhân. Việc nhận diện các yếu tố này không chỉ có ý nghĩa nghiên cứu mà còn giúp cá nhân hóa điều trị.\n\u003C\u002Fp>\n\u003Cp>\nMột số yếu tố ảnh hưởng mạnh đến OS bao gồm:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Giai đoạn bệnh:\u003C\u002Fstrong> Bệnh ở {{topic|%7B%22topic%22%3A%22giai%20%C4%91o%E1%BA%A1n%20mu%E1%BB%99n%22%7D}} thường đi kèm với OS ngắn hơn do sự lan rộng của tế bào ác tính và sự giảm hiệu quả điều trị.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Phân loại mô học và di truyền:\u003C\u002Fstrong> Các {{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%99t%20bi%E1%BA%BFn%20gen%22%7D}} như \u003Ccode>EGFR\u003C\u002Fcode>, \u003Ccode>ALK\u003C\u002Fcode>, \u003Ccode>KRAS\u003C\u002Fcode> có thể ảnh hưởng đáng kể đến OS và khả năng đáp ứng với thuốc đích.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tình trạng thể chất (ECOG Performance Status):\u003C\u002Fstrong> Bệnh nhân có chỉ số thể trạng tốt (ECOG 0–1) thường có OS dài hơn so với những người có ECOG ≥2.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Tuổi và bệnh lý nền:\u003C\u002Fstrong> Người lớn tuổi, có nhiều bệnh đi kèm như tiểu đường, {{topic|%7B%22topic%22%3A%22b%E1%BB%87nh%20tim%20m%E1%BA%A1ch%22%7D}}, thường có OS thấp hơn.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nNgoài ra, một số yếu tố hệ thống cũng ảnh hưởng gián tiếp đến OS, như khả năng tiếp cận dịch vụ y tế chất lượng cao, sự tuân thủ điều trị, mức độ hỗ trợ xã hội hoặc điều kiện kinh tế. Vì thế, OS không chỉ phản ánh sinh học khối u mà còn là kết quả của cả {{topic|%7B%22topic%22%3A%22h%E1%BB%87%20sinh%20th%C3%A1i%22%7D}} y tế.\n\u003C\u002Fp>\n\n\u003Ch2>Vai trò của OS trong thử nghiệm lâm sàng\u003C\u002Fh2>\n\u003Cp>\nTrong các thử nghiệm lâm sàng giai đoạn III – nơi xác định tính hiệu quả và an toàn của một phương pháp điều trị mới – OS thường được chọn làm tiêu chí chính. Việc cải thiện OS là mục tiêu cao nhất của các liệu pháp ung thư vì nó chứng minh giá trị sống còn, vượt qua các tiêu chí phụ như giảm kích thước khối u hay kéo dài thời gian không tiến triển.\n\u003C\u002Fp>\n\u003Cp>\nMột ví dụ điển hình là nghiên cứu CheckMate 227 (NEJM 2021), nơi thuốc miễn dịch nivolumab kết hợp ipilimumab đã cho thấy cải thiện OS đáng kể ở bệnh nhân ung thư phổi không tế bào nhỏ (NSCLC). Trung vị OS trong nhóm điều trị là 17.1 tháng so với 14.9 tháng ở nhóm hóa trị, với Hazard Ratio = 0.73 (p < 0.001).\n\u003C\u002Fp>\n\u003Cp>\nSố liệu minh họa cho vai trò của OS trong các thử nghiệm lâm sàng:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Thử nghiệm\u003C\u002Fth>\n    \u003Cth>Thuốc\u003C\u002Fth>\n    \u003Cth>Bệnh\u003C\u002Fth>\n    \u003Cth>Trung vị OS (tháng)\u003C\u002Fth>\n    \u003Cth>Hazard Ratio\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>CheckMate 227\u003C\u002Ftd>\n    \u003Ctd>Nivolumab + Ipilimumab\u003C\u002Ftd>\n    \u003Ctd>NSCLC\u003C\u002Ftd>\n    \u003Ctd>17.1 vs 14.9\u003C\u002Ftd>\n    \u003Ctd>0.73\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>IMpower150\u003C\u002Ftd>\n    \u003Ctd>Atezolizumab + Bevacizumab\u003C\u002Ftd>\n    \u003Ctd>NSCLC\u003C\u002Ftd>\n    \u003Ctd>19.2 vs 14.7\u003C\u002Ftd>\n    \u003Ctd>0.78\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>KEYNOTE-189\u003C\u002Ftd>\n    \u003Ctd>Pembrolizumab\u003C\u002Ftd>\n    \u003Ctd>NSCLC\u003C\u002Ftd>\n    \u003Ctd>22.0 vs 10.6\u003C\u002Ftd>\n    \u003Ctd>0.56\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Cp>\nCác thử nghiệm này nhấn mạnh rằng OS không chỉ là con số thống kê mà còn là bằng chứng thực tiễn về lợi ích điều trị, ảnh hưởng đến quyết định {{topic|%7B%22topic%22%3A%22ph%C3%AA%20duy%E1%BB%87t%20thu%E1%BB%91c%22%7D}} và hướng dẫn lâm sàng.\n\u003C\u002Fp>\n\n\u003Ch2>Hạn chế của chỉ số OS\u003C\u002Fh2>\n\u003Cp>\nDù có nhiều ưu điểm, OS cũng tồn tại những hạn chế đáng chú ý trong nghiên cứu lâm sàng. Một trong những nhược điểm lớn nhất là thời gian theo dõi dài. Để xác định OS một cách đầy đủ, nghiên cứu cần chờ đến khi số lượng đáng kể bệnh nhân tử vong, có thể mất nhiều năm và chi phí rất cao.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, OS có thể bị ảnh hưởng bởi các yếu tố ngoài can thiệp nghiên cứu như:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>\u003Cstrong>Điều trị sau thử nghiệm:\u003C\u002Fstrong> Bệnh nhân có thể nhận các phương pháp điều trị hiệu quả sau khi rút khỏi nghiên cứu, làm tăng OS và làm mờ sự khác biệt giữa các nhóm.\u003C\u002Fli>\n  \u003Cli>\u003Cstrong>Các yếu tố không liên quan đến bệnh:\u003C\u002Fstrong> Tử vong do nguyên nhân khác (tai nạn, bệnh tim mạch...) cũng được tính vào OS, dẫn đến sai lệch kết quả nếu không kiểm soát tốt.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nDo đó, trong nhiều trường hợp, các nhà nghiên cứu có thể lựa chọn các tiêu chí thay thế như PFS hoặc các chỉ số đánh giá chất lượng cuộc sống (QoL, PROs) để cung cấp góc nhìn toàn diện hơn về hiệu quả điều trị.\n\u003C\u002Fp>\n\n\u003Ch2>Xu hướng mới: OS và trí tuệ nhân tạo\u003C\u002Fh2>\n\u003Cp>\nVới sự phát triển của công nghệ dữ liệu lớn và trí tuệ nhân tạo (AI), các mô hình dự đoán sống sót tổng thể đang trở thành xu hướng trong nghiên cứu và thực hành lâm sàng. Dữ liệu từ hình ảnh y học, giải trình tự gen, hồ sơ bệnh án điện tử (EHR) được tích hợp để huấn luyện các mô hình học sâu có thể dự báo thời gian sống còn.\n\u003C\u002Fp>\n\u003Cp>\nMột nghiên cứu gần đây đăng trên JAMA Oncology đã sử dụng mô hình AI để dự đoán OS của bệnh nhân ung thư tuyến tụy di căn. Mô hình này có độ chính xác cao hơn so với các phương pháp thống kê truyền thống, mở ra triển vọng lớn trong việc cá nhân hóa điều trị và {{topic|%7B%22topic%22%3A%22l%E1%BA%ADp%20k%E1%BA%BF%20ho%E1%BA%A1ch%22%7D}} chăm sóc.\n\u003C\u002Fp>\n\u003Cp>\nCác ứng dụng AI trong dự đoán OS:\n\u003C\u002Fp>\u003Cul>\n  \u003Cli>Dự báo sống còn dựa trên CT, MRI, PET-CT\u003C\u002Fli>\n  \u003Cli>Xây dựng mô hình nguy cơ cho từng cá nhân (personalized risk stratification)\u003C\u002Fli>\n  \u003Cli>Ước lượng hiệu quả của các phác đồ điều trị dựa trên đặc điểm gen\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003C\u002Fp>\n\u003Cp>\nTuy nhiên, vẫn còn những thách thức như nhu cầu dữ liệu lớn, độ tin cậy, minh bạch mô hình và các vấn đề đạo đức liên quan đến sử dụng AI trong chăm sóc sức khỏe.\n\u003C\u002Fp>\n\n\u003Ch2>Kết luận\u003C\u002Fh2>\n\u003Cp>\nSống sót tổng thể (OS) là chỉ số cốt lõi trong nghiên cứu lâm sàng hiện đại, đặc biệt là trong điều trị ung thư. Nó phản ánh chính xác giá trị sống còn thực tế của một phương pháp điều trị, là tiêu chí khách quan, dễ hiểu và có tính ứng dụng lâm sàng cao. Dù còn những hạn chế, OS vẫn giữ vai trò trung tâm và là nền tảng cho các quyết định y tế và chính sách phê duyệt thuốc.\n\u003C\u002Fp>\n\u003Cp>\nVới sự phát triển của công nghệ, đặc biệt là AI, OS không chỉ còn là kết quả sau điều trị mà đang dần trở thành một công cụ dự đoán, giúp định hình chiến lược điều trị tối ưu cho từng cá nhân bệnh nhân.\n\u003C\u002Fp>","overall survival",[19,20],"thời gian sống thêm toàn bộ","OS","Sống sót tổng thể (overall survival, OS) là khoảng thời gian tính từ khi bệnh nhân bắt đầu ngẫu nhiên hóa điều trị hoặc can thiệp y khoa cho đến khi tử vong do bất kỳ nguyên nhân nào, đóng vai trò là tiêu chuẩn vàng đo lường lợi ích lâm sàng trong thử nghiệm ung thư học.","MEDICAL_HEALTH_SCIENCES",[24,31,37],{"citationText":25,"title":26,"authors":27,"source":28,"year":29,"doi":30,"url":10},"Gandhi, L., Rodríguez-Abreu, D., Gadgeel, S., Esteban, E., Felip, E., De Angelis, F., Domine, M., Clingan, P., Hochmair, M. J., Powell, S. F., Cheng, S. Y. S., Bischoff, H. G., Peled, N., Grossi, F., Jennens, R. R., Reck, M., Hui, R., Garon, E. B., Boyer, M., … Garassino, M. C. (2018). Pembrolizumab plus Chemotherapy in Metastatic Non-Small-Cell Lung Cancer. New England Journal of Medicine, 378(22), 2078-2092.","Pembrolizumab plus Chemotherapy in Metastatic Non–Small-Cell Lung Cancer","Gandhi, Rodríguez-Abreu, Gadgeel, Esteban, Felip, De Angelis, Domine, Clingan, Hochmair, Powell, Cheng, Bischoff, Peled, Grossi, Jennens, Reck, Hui, Garon, Boyer, Rubio-Viqueira, Novello, Kurata, Gray, Vida, Wei, Yang, Raftopoulos, Pietanza, Garassino","New England Journal of Medicine",2018,"10.1056\u002Fnejmoa1801005",{"citationText":32,"title":33,"authors":34,"source":28,"year":35,"doi":36,"url":10},"Hellmann, M. D., Paz-Ares, L., Bernabe Caro, R., Zurawski, B., Kim, S. W., Carcereny Costa, E., Park, K., Alexandru, A., Lupinacci, L., de la Mora Jimenez, E., Sakai, H., Albert, I., Vergnenegre, A., Peters, S., Syrigos, K., Barlesi, F., Reck, M., Borghaei, H., Brahmer, J. R., … Ramalingam, S. S. (2019). Nivolumab plus Ipilimumab in Advanced Non-Small-Cell Lung Cancer. New England Journal of Medicine, 381(21), 2020-2031.","Nivolumab plus Ipilimumab in Advanced Non–Small-Cell Lung Cancer","Hellmann, Paz-Ares, Bernabe Caro, Zurawski, Kim, Carcereny Costa, Park, Alexandru, Lupinacci, de la Mora Jimenez, Sakai, Albert, Vergnenegre, Peters, Syrigos, Barlesi, Reck, Borghaei, Brahmer, O’Byrne, Geese, Bhagavatheeswaran, Rabindran, Kasinathan, Nathan, Ramalingam",2019,"10.1056\u002Fnejmoa1910231",{"citationText":38,"title":39,"authors":40,"source":28,"year":29,"doi":41,"url":10},"Socinski, M. A., Jotte, R. M., Cappuzzo, F., Orlandi, F., Stroyakovskiy, D., Nogami, N., Rodríguez-Abreu, D., Moro-Sibilot, D., Thomas, C. A., Barlesi, F., Finley, G., Kelsch, C., Lee, A., Coleman, S., Deng, Y., Shen, Y., Kowanetz, M., Lopez-Chavez, A., Sandler, A., & Reck, M. (2018). Atezolizumab for First-Line Treatment of Metastatic Nonsquamous NSCLC. New England Journal of Medicine, 378(24), 2288-2301.","Atezolizumab for First-Line Treatment of Metastatic Nonsquamous NSCLC","Socinski, Jotte, Cappuzzo, Orlandi, Stroyakovskiy, Nogami, Rodríguez-Abreu, Moro-Sibilot, Thomas, Barlesi, Finley, Kelsch, Lee, Coleman, Deng, Shen, Kowanetz, Lopez-Chavez, Sandler, Reck","10.1056\u002Fnejmoa1716948",[43,46,49,52],{"question":44,"answer":45},"Tại sao sống sót tổng thể (OS) được xem là tiêu chuẩn vàng trong các thử nghiệm ung thư?","Sống sót tổng thể là một tiêu chí kết cục khách quan, chính xác và không thể bị thiên vị vì tử vong là một biến cố rõ ràng không phụ thuộc vào đánh giá chủ quan của bác sĩ hay sai số chẩn đoán hình ảnh, đồng thời phản ánh lợi ích sống còn trực tiếp nhất đối với người bệnh.",{"question":47,"answer":48},"Trung vị sống còn (median OS) được tính như thế nào?","Trung vị sống còn là mốc thời gian (tính từ thời điểm bắt đầu điều trị) mà tại đó 50% số bệnh nhân trong nhóm nghiên cứu vẫn còn sống. Chỉ số này thường được ước lượng bằng phương pháp đường cong sống sót Kaplan-Meier.",{"question":50,"answer":51},"Tỷ số nguy cơ (Hazard Ratio - HR) trong phân tích sống còn có ý nghĩa gì?","Tỷ số nguy cơ HR ước lượng tỷ lệ rủi ro tử vong giữa nhóm điều trị thử nghiệm so với nhóm đối chứng. Ví dụ HR = 0.70 thể hiện nhóm điều trị giảm được 30% nguy cơ tử vong so với nhóm chứng tại bất kỳ thời điểm nào trong suốt quá trình theo dõi.",{"question":53,"answer":54},"Sự khác biệt cơ bản giữa sống sót tổng thể (OS) và sống sót không tiến triển (PFS) là gì?","OS tính thời gian cho đến khi tử vong do mọi nguyên nhân, trong khi PFS (Progression-Free Survival) kết thúc sớm hơn khi khối u bắt đầu phát triển trở lại hoặc bệnh nhân tử vong. Do đó, PFS có thể đánh giá kết quả sớm hơn nhưng không phải lúc nào cũng chuyển thành lợi ích sống sót tổng thể thực sự.",{"id":56,"researcherId":10,"name":57,"imageUrl":58},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":60,"researcherId":10,"name":61,"imageUrl":62},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[64,65,66,67,68,69,70,71,72,73],"tiến triển bệnh","sống không tiến triển","sống không bệnh","khả năng sống sót","giai đoạn muộn","đột biến gen","bệnh tim mạch","hệ sinh thái","phê duyệt thuốc","lập kế hoạch",10,true,"PUBLISHED","2025-09-30T02:28:31.228+00:00","2026-09-17T10:11:36.720+00:00","2025-10-21T15:42:17.594+00:00","2026-09-17T10:11:36.299+00:00",162,[83,86,89,92,95,98,101,104,107,110],{"id":84,"title":85,"term":84,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"lối sống","Lối sống là gì? Các công bố khoa học về Lối sống",{"id":87,"title":88,"term":87,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"chuỗi markov","Chuỗi markov là gì? Các công bố khoa học về Chuỗi markov",{"id":90,"title":91,"term":90,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"career orientation","Career orientation là gì? Các nghiên cứu khoa học liên quan",{"id":93,"title":94,"term":93,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"simulink","Simulink là gì? Các công bố khoa học về Simulink",{"id":96,"title":97,"term":96,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"nghiên cứu liên ngành","Nghiên cứu liên ngành là gì? Các nghiên cứu khoa học",{"id":99,"title":100,"term":99,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"bacteria","Bacteria là gì? Các bài báo nghiên cứu khoa học về Bacteria",{"id":102,"title":103,"term":102,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"giáo dục khởi nghiệp","Giáo dục khởi nghiệp là gì? Nghiên cứu khoa học liên quan",{"id":105,"title":106,"term":105,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"cơ chế bệnh sinh","Cơ chế bệnh sinh là gì? Các nghiên cứu khoa học về Cơ chế bệnh sinh",{"id":108,"title":109,"term":108,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"phân compost","Phân compost là gì? Các nghiên cứu khoa học về Phân compost",{"id":111,"title":112,"term":111,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"học tập tự điều chỉnh","Học tập tự điều chỉnh là gì? Nghiên cứu khoa học liên quan"]