Trong một bước tiến đáng chú ý, nghiên cứu mới nhất được công bố trên NEJM AI vào ngày 18 tháng 6 năm 2026 đã hé lộ tiềm năng của trí tuệ nhân tạo (AI) trong việc “giải mã” các trường hợp bệnh di truyền hiếm gặp ở trẻ em mà y học từng bó tay. Cụ thể, mô hình lý luận o3 Deep Research của OpenAI, hợp tác với các chuyên gia từ Bệnh viện Nhi Boston và Đại học Harvard, đã tái phân tích 376 ca bệnh chưa được chẩn đoán và tìm ra manh mối cho 18 trường hợp, mang lại tỷ lệ chẩn đoán bổ sung 4,8% sau nhiều năm bế tắc. 💡 Đây không chỉ là một con số, mà là hy vọng mới cho hàng trăm gia đình đã mòn mỏi chờ đợi câu trả lời. Quan trọng hơn, nghiên cứu này nhấn mạnh vai trò của AI như một công cụ hỗ trợ đắc lực, chứ không phải thay thế hoàn toàn bác sĩ trong quá trình chẩn đoán phức tạp.
Tại Sao Các Ca Bệnh Cũ Lại Có Thể Chứa Đựng Lời Giải Mới? 🧐
Ngay cả khi đã thực hiện giải trình tự gen, nhiều bệnh nhân mắc bệnh hiếm vẫn không thể nhận được chẩn đoán di truyền rõ ràng. Khoảng một nửa số trường hợp vẫn chưa được xác định sau quá trình kiểm tra chuyên sâu và xem xét từ các chuyên gia. Dữ liệu y tế của họ có thể chứa đựng manh mối, nhưng việc tìm ra chúng đòi hỏi phải sàng lọc hàng ngàn đến hàng triệu biến thể di truyền có thể có, hồ sơ lâm sàng phân mảnh và lượng tài liệu khoa học thay đổi nhanh chóng.
Khi các mối quan hệ gen-bệnh mới, báo cáo ca bệnh và bằng chứng phân loại tích lũy, các trường hợp chưa được giải quyết có thể trở nên có thể diễn giải được. Các nhà nghiên cứu đã thiết kế quy trình làm việc sao cho mô hình AI đóng vai trò như một lớp lý luận ưu tiên giải thích, hoạt động trên các quy trình gen hiện có. Thay vì chỉ trả về một gen được xếp hạng, AI được yêu cầu kết nối các đặc điểm lâm sàng, kiểu di truyền, bằng chứng biến thể và tài liệu khoa học thành một lý do mà người xem có thể thẩm định.
Quy Trình Tái Phân Tích Diễn Ra Như Thế Nào? 🔬
Đội ngũ nghiên cứu đã tập hợp dữ liệu lâm sàng và gen đã được ẩn danh từ mỗi ca bệnh, bao gồm các thuật ngữ Human Phenotype Ontology tiêu chuẩn, ghi chú lâm sàng, dữ liệu siêu dữ liệu như tuổi và giới tính, cùng với bảng biến thể đã lọc.
Mô hình AI được yêu cầu đề xuất giải thích phân tử hợp lý nhất và trình bày "công việc" của nó. Sau đó, các nhà nghiên cứu đã xem xét kết quả bằng khung ACMG/AMP (khung tiêu chuẩn trong phân loại biến thể di truyền). Điều quan trọng cần nhấn mạnh là: mô hình AI không chẩn đoán bệnh nhân hay đưa ra quyết định lâm sàng nào. Nó chỉ tạo ra các giả thuyết có bằng chứng liên quan để các chuyên gia xem xét, kiểm tra bổ sung và xác nhận trong phòng thí nghiệm lâm sàng.
Trước khi áp dụng cho các ca bệnh chưa được giải quyết, nhóm đã tinh chỉnh quy trình trên các ca bệnh đã được chẩn đoán, đạt tỷ lệ chính xác cao. Điều này cho thấy AI giúp thu hẹp phạm vi tìm kiếm, nhưng đánh giá của chuyên gia vẫn là yếu tố then chốt.
Những Phát Hiện Đột Phá Từ Nghiên Cứu ✨
Áp dụng quy trình này cho bốn nhóm ca bệnh chưa được giải quyết – bao gồm trẻ em mắc các tình trạng rối loạn phát triển thần kinh, người mắc bệnh thần kinh cơ hiếm gặp, thanh thiếu niên bị loạn thần khởi phát sớm và các trường hợp tử vong đột ngột không rõ nguyên nhân ở trẻ em – các nhà khoa học đã thu được kết quả đáng khích lệ:
* Tổng cộng 18 chẩn đoán mới đã được xác lập từ 376 trường hợp, đạt tỷ lệ 4,8%. Dù khiêm tốn, nhưng đây là một con số vô cùng ý nghĩa vì tất cả đều là những ca bệnh đã "bó tay" các chuyên gia trong nhiều năm. * Đáng chú ý, 7 trong số 18 chẩn đoán là những trường hợp được "tái phát hiện", tức là đã được xác định ở nơi khác nhưng chưa có trong hồ sơ mà nhóm nghiên cứu xem xét, cho thấy thách thức trong việc tổng hợp thông tin từ nhiều nguồn dữ liệu. * Linh hoạt trong xác định biến thể: Mô hình đã thể hiện khả năng vượt trội khi không chỉ dựa vào dữ liệu đầu vào. Ví dụ, trong một ca bệnh loạn thần sớm, AI đã suy luận ra một biến cố cấu trúc trên nhiễm sắc thể 22 (deletion 22q11.2, liên quan đến hội chứng DiGeorge) dù không được liệt kê rõ ràng trong dữ liệu ban đầu, và điều này đã được xác nhận sau đó. * AI cũng có thể đề xuất các giải thích đa gen cho các biểu hiện phức tạp, như các biến thể ở LAMA2 và FOXP1 cùng giải thích các đặc điểm cơ và thần kinh ở một bệnh nhân. * Thậm chí, mô hình còn đề xuất một cơ chế sinh học mới cho bệnh bạch biến (vitiligo) thông qua biến thể ở gen S1PR1, mở ra hướng nghiên cứu sâu hơn.
Câu chuyện về Kyra: Hy vọng sau gần hai thập kỷ 💖
Một trong những ca bệnh cảm động nhất là của Kyra. Khi mới 9 tuổi, Kyra bắt đầu gặp các vấn đề về yếu cơ. Sau gần 20 năm ròng rã với vô số xét nghiệm và điều trị mà không có chẩn đoán rõ ràng, đến năm 28 tuổi, nhờ quy trình tái phân tích có AI hỗ trợ, Kyra đã được chẩn đoán mắc một dạng bệnh cơ sợi (myofibrillar myopathy) do biến thể trong gen HSPB8. Dù bệnh của Kyra rất hiếm và chưa có nhiều thông tin về tiến trình lâu dài, việc có được chẩn đoán đã mang lại sự an tâm và kết thúc cho một hành trình dài đầy gian nan.
Hạn Chế và Những Bước Tiếp Theo 🚧
Nghiên cứu này là một minh chứng mạnh mẽ cho tiềm năng của AI, nhưng cũng đi kèm những hạn chế nhất định. Đây là một nghiên cứu hồi cứu, các nhóm đối tượng không đồng nhất, và những người đánh giá không được "làm mù" về mức độ tin cậy của mô hình. Điều quan trọng nhất mà nghiên cứu này khẳng định lại là: AI không chẩn đoán bệnh; các bác sĩ và chuyên gia lâm sàng đủ tiêu chuẩn mới là người đưa ra mọi chẩn đoán thông qua các quy trình xem xét, xét nghiệm và xác nhận đã được thiết lập.
Trong tương lai, các nghiên cứu đa trung tâm, tiền cứu sẽ cần thiết để so sánh hiệu quả của việc tái phân tích có AI hỗ trợ với các phương pháp tiêu chuẩn về tỷ lệ chẩn đoán, thời gian, chi phí và tác động đến việc chăm sóc bệnh nhân. OpenAI cũng đã tài trợ cho Trung tâm Manton để phát triển một "trợ lý AI" giá cả phải chăng, độc lập với nền tảng, giúp các đội ngũ lâm sàng phân tích các ca bệnh hiếm gặp nhanh chóng và nhất quán hơn.
Lời hứa không phải là AI thay thế chẩn đoán của bác sĩ, mà là các công cụ nghiên cứu được đánh giá cẩn thận có thể giúp các chuyên gia xác định bằng chứng đáng để điều tra. Đối với hàng ngàn gia đình, những câu hỏi chưa được trả lời ngày nay không nhất thiết phải không có lời giải mãi mãi. 🌈