Tại hội thảo AIOC2026 (2026), Dr. Akshay Nair đã trình bày về vai trò của các hệ thống mô phỏng trong đào tạo phẫu thuật nhãn khoa, nhấn mạnh vào việc cải thiện an toàn cho bệnh nhân thông qua việc rèn luyện kỹ năng trong môi trường không rủi ro. Các hệ thống mô phỏng hiện nay không chỉ giới hạn ở phẫu thuật mà còn bao gồm các kỹ năng chẩn đoán như soi đáy mắt gián tiếp (indirect ophthalmoscopy), soi đáy mắt trực tiếp (direct ophthalmoscopy), soi góc tiền phòng (gonioscopy) và khám bằng đèn khe (slit lamp examination).
Phân loại và ứng dụng của các hệ thống mô phỏng
Các hệ thống mô phỏng được phân loại dựa trên kỹ năng cần đào tạo, từ các kỹ năng chẩn đoán cơ bản đến các kỹ năng phẫu thuật phức tạp như phẫu thuật đục thủy tinh thể (cataract surgery) và phẫu thuật dịch kính võng mạc (vitreoretinal surgery). Đối với soi đáy mắt gián tiếp, các mô hình giúp học viên làm quen với hình ảnh đảo ngược (inverted image). Các mô hình như Stimuli cung cấp võng mạc in 3D bên trong, cho phép thực hiện laser và điều chỉnh kích thước đồng tử để mô phỏng các tình huống khó khăn. Về mặt vật liệu, các hệ thống được chia thành mô hình động vật, mô hình xác người, vật thể vô tri và các hệ thống dựa trên thực tế ảo (virtual reality-based). Khái niệm wet lab và dry lab được phân biệt dựa trên việc sử dụng các vật liệu có nguy cơ gây tràn đổ (wet hazard).
Mô hình thực hành và chi phí đào tạo
Các mô hình wet lab thường sử dụng mắt người, mắt thỏ, mắt dê hoặc mắt lợn. Một số kỹ thuật cải tiến bao gồm việc sử dụng nhân thủy tinh thể từ mắt xác người, được vi sóng để làm đông cứng và đưa vào mắt dê để thực hành phẫu thuật phacoemulsification. Các bộ kit như Kitaro cung cấp tiền phòng nhân tạo để thực hành tiêm chất nhầy (viscoelastic) và xé bao (capsulorhexis). Tuy nhiên, chi phí cho mỗi mắt thực hành có thể lên tới 80 USD, gây khó khăn cho việc triển khai rộng rãi ở các quốc gia có chi phí phẫu thuật thực tế thấp hơn mức này. Các giải pháp thay thế chi phí thấp bao gồm sử dụng cà chua để mô phỏng mô hình cắt dịch kính (vitrectomy) hoặc lá nhôm để mô phỏng dòng chảy của bao trong quá trình xé bao.
| Chỉ số/Kết cục | Kết quả theo tài liệu |
|---|---|
| Chi phí mỗi mắt mô hình (Kitaro) | tài liệu không nêu, upwards of 80 USD |
| Tỷ lệ tổn thương dây chằng (zonular damage) | tài liệu không nêu, up to 40% (trong ví dụ mô phỏng) |
| Ngưỡng điểm đạt yêu cầu (IC simulator) | 100 |
| Số lượng ca phẫu thuật được đánh giá | 20 ca đầu tiên |
Đánh giá kỹ năng và an toàn bệnh nhân
Việc đánh giá kỹ năng phẫu thuật hiện nay sử dụng các công cụ như Sim Oscar, cho phép đánh giá khách quan trên nhiều loại mô phỏng khác nhau mà không phụ thuộc vào một hệ thống cụ thể. Các hệ thống như IC simulator và HelpMeSee simulator cung cấp phản hồi haptic (haptic feedback) và các tín hiệu thị giác (visual cues) để học viên nhận biết các sai sót như chạm mống mắt, chạm nội mô hoặc tổn thương dây chằng. Một nghiên cứu RCT tại Ấn Độ với sự tham gia của các trung tâm như LV Prasad, Shankar Netralaya và Mahatma Eye Hospital đã cho thấy nhóm được đào tạo qua mô phỏng có số lượng lỗi (bao gồm lỗi lớn và lỗi nhỏ) thấp hơn đáng kể so với nhóm đối chứng trong tất cả các bước của phẫu thuật SICS (Small Incision Cataract Surgery).
Bình luận: Thông tin theo AIOC2026, 2026; đối chiếu guideline hiện hành khi áp dụng lâm sàng. Việc sử dụng mô phỏng giúp học viên xây dựng trí nhớ cơ bắp (muscle memory) và khả năng xử lý biến chứng như rách bao sau (PCR) trong môi trường an toàn. Hạn chế của các mô hình giá rẻ là độ chân thực thấp hơn so với các hệ thống thực tế ảo cao cấp.
- Tích hợp đào tạo mô phỏng vào chương trình giảng dạy để giảm thiểu rủi ro cho bệnh nhân thực tế.
- Sử dụng các công cụ đánh giá khách quan như Sim Oscar để xác định mức độ thành thạo trước khi cho phép phẫu thuật trên người.
- Tận dụng các mô hình chi phí thấp (cà chua, lá nhôm) để rèn luyện kỹ năng cơ bản khi không có điều kiện tiếp cận hệ thống thực tế ảo.
- Khuyến khích học viên thực hiện lại nhiều lần các thao tác sai để xóa bỏ trí nhớ cơ bắp không đúng.
Tài liệu tham khảo:
Dr. Akshay Nair, 2026, Simulators for Surgical Priming The Present Future, AIOS Editor Proceedings 2, Video ID: N2REipnnS2c.