Trong chương trình AIOC2026 GP57, các chuyên gia đã thảo luận về việc ứng dụng các dấu ấn sinh học (biomarkers) trong quản lý bệnh võng mạc đái tháo đường (Diabetic Retinopathy - DR), một bệnh lý có dự báo ảnh hưởng đến gần 800 triệu người vào năm 2045. Việc hiểu rõ và áp dụng các dấu ấn này là chìa khóa để cá thể hóa điều trị trong bối cảnh bệnh lý đa yếu tố.
Tổng quan về dấu ấn sinh học trong bệnh võng mạc đái tháo đường
Dấu ấn sinh học được định nghĩa là các đặc điểm có thể đo lường khách quan, đóng vai trò là chỉ báo cho chức năng cơ thể khỏe mạnh, tình trạng bệnh lý hoặc phản ứng với điều trị. Khác với yếu tố nguy cơ (risk factor) làm tăng khả năng mắc bệnh, dấu ấn sinh học là các chỉ số sinh học có thể đo lường trực tiếp. Trong bệnh võng mạc đái tháo đường, các dấu ấn này được phân loại thành dấu ấn hệ thống (như HbA1c, huyết áp, lipid máu), dấu ấn lâm sàng (dựa trên khám đáy mắt và hình ảnh học) và các dấu ấn phân tử (như proteomics, metabolomics, lipidomics). Việc sử dụng các dấu ấn này giúp dự đoán nguy cơ tiến triển bệnh, phân tầng rủi ro và cá thể hóa phác đồ điều trị cho từng bệnh nhân.
Dấu ấn sinh học hệ thống và vai trò trong quản lý bệnh
HbA1c là dấu ấn sinh học hệ thống được thiết lập và xác nhận mạnh mẽ nhất, phản ánh mức đường huyết trung bình trong 2-3 tháng. Các nghiên cứu kinh điển như DCCT (cho đái tháo đường type 1) và UKPDS (cho đái tháo đường type 2) đã chứng minh việc kiểm soát đường huyết tích cực giúp giảm đáng kể nguy cơ phát triển và tiến triển của bệnh võng mạc đái tháo đường. Cụ thể, DCCT cho thấy giảm 76% nguy cơ phát triển DR và 54% nguy cơ tiến triển DR ở bệnh nhân type 1. Huyết áp cũng là một yếu tố nguy cơ có thể điều chỉnh quan trọng; nghiên cứu UKPDS cho thấy kiểm soát huyết áp chặt chẽ giúp giảm 37% các biến cố vi mạch và 34% nguy cơ tiến triển DR. Ngoài ra, các dấu ấn mới như biến thiên đường huyết (glycemic variability), chỉ số glycation (hemoglobin glycation index) đang được nghiên cứu để giải thích sự tiến triển bệnh ngay cả khi HbA1c ở mức chấp nhận được.
| Chỉ số/Kết cục | Kết quả theo tài liệu |
|---|---|
| Giảm nguy cơ phát triển DR (DCCT, type 1) | 76% |
| Giảm nguy cơ tiến triển DR (DCCT, type 1) | 54% |
| Giảm biến cố vi mạch (UKPDS, type 2) | 25% |
| Giảm biến cố vi mạch (kiểm soát huyết áp chặt) | 37% |
| Giảm tiến triển DR (kiểm soát huyết áp chặt) | 34% |
| Dự báo biến thiên đường huyết | 10% variability |
Dấu ấn hình ảnh học và vai trò trong tiên lượng
Hình ảnh học đóng vai trò quan trọng trong việc đánh giá các dấu ấn cấu trúc và mạch máu. Các dấu ấn trên OCT (Optical Coherence Tomography) như sự hiện diện của dịch dưới võng mạc (subretinal fluid), các thay đổi dạng nang trong võng mạc (intraretinal cystoid changes), sự toàn vẹn của lớp ellipsoid zone (EZ) và màng ngăn ngoài (ELM) cung cấp thông tin tiên lượng quan trọng. Sự gián đoạn của EZ và ELM là dấu hiệu tổn thương tế bào quang thụ và tiên lượng thị lực kém. Ngoài ra, các dấu ấn trên OCTA (OCT Angiography) như mật độ mạch máu (vessel density), độ tròn của vùng vô mạch hoàng điểm (FAZ circularity) là những chỉ số quan trọng để đánh giá tình trạng thiếu máu cục bộ võng mạc. Mặc dù các dấu ấn này rất hứa hẹn, tác giả lưu ý rằng hiện chưa có các ngưỡng cắt (cutoff levels) chuẩn hóa để áp dụng rộng rãi trong lâm sàng.
Bình luận: Các dấu ấn sinh học hình ảnh học như DRIL (disorganization of retinal inner layers) và HRF (hyperreflective foci) là những công cụ mạnh mẽ nhưng cần được diễn giải thận trọng. Hạn chế lớn nhất hiện nay là sự thiếu hụt các nghiên cứu đa trung tâm quy mô lớn để xác lập ngưỡng giá trị cụ thể cho từng loại máy chụp, dẫn đến khó khăn trong việc áp dụng đồng nhất trong thực hành lâm sàng.
Trí tuệ nhân tạo (AI) trong dự đoán và sàng lọc
AI đang thay đổi cách tiếp cận trong sàng lọc và dự đoán bệnh. Các thuật toán học sâu (deep learning) như CNN (Convolutional Neural Networks) đã cho thấy độ chính xác cao trong việc phát hiện DR. Một nghiên cứu sử dụng hệ thống Deep DR Plus đã cho thấy khả năng kéo dài khoảng cách sàng lọc lên đến 32 tháng, giảm 62% tần suất sàng lọc với tỷ lệ bỏ sót thấp. Tuy nhiên, tác giả nhấn mạnh tầm quan trọng của "AI có trách nhiệm" (responsible AI), đòi hỏi sự minh bạch, khả năng giải thích (explainable AI) và sự giám sát của con người (human-in-the-loop) để tránh các sai sót như âm tính giả hoặc dương tính giả do dữ liệu đầu vào không đạt chuẩn.
- Ưu tiên kiểm soát chặt chẽ các yếu tố hệ thống (đường huyết, huyết áp) vì đây vẫn là nền tảng quản lý bệnh.
- Sử dụng các dấu ấn hình ảnh học (OCT/OCTA) để phân tầng nguy cơ và cá thể hóa thời điểm can thiệp.
- Cần thận trọng khi áp dụng các thuật toán AI, đảm bảo chất lượng hình ảnh đầu vào và luôn có sự kiểm chứng của bác sĩ lâm sàng.
- Theo dõi các dấu ấn mới như proteomics và gut microbiome trong tương lai khi có thêm bằng chứng xác thực.
Tài liệu tham khảo:
Vardanazad, S., et al., 2026, Current Concept - Real World Impact of Biomarkers in Diabetic Retinopathy, AIOC2026 GP57, Video ID: erxDrrQBQKM.