CN. Đinh Thị Ngọc Ánh, ThS.  Nguyễn Thị Liên Thi
Bệnh viện Đa khoa Gia Đình

GIỚI THIỆU
Mổ lấy thai (MLT) là một thủ thuật can thiệp cứu sống, thường được chỉ định khi sinh thường có nguy cơ nguy hiểm cho sức khỏe và sự an toàn cho mẹ hoặc trẻ^[1]. Tuy nhiên, thủ thuật này cũng làm tăng nguy cơ bệnh tật và tử vong, đặc biệt ở các nước có nguồn lực hạn chế. Tỷ lệ tử vong mẹ sau MLT toàn cầu là 7,6/1000 ca mổ, cao nhất ở châu Phi cận Sahara (10,9/1000)^[2]. Tỷ lệ sinh mổ ở Việt Nam tăng mạnh từ 17% năm 2011 lên khoảng 50% trong những năm gần đây^[3]. Các chỉ định phổ biến gồm ngôi thai bất thường, cao huyết áp, suy thai, chuyển dạ kéo dài, tiền sản giật và sản giật. Trên thế giới, tỷ lệ MLT đã tăng từ 7,0% (1990) lên 21,0% (2021), vượt mức khuyến nghị 10–15% của WHO, và dự báo sẽ chiếm khoảng 29,0% vào 2030 nếu các hạn chế về hệ thống y tế và lạm dụng thủ thuật còn tồn tại^[4].
Trí tuệ nhân tạo (Artificial intelligence – AI) là một lĩnh vực thuộc khoa học máy tính, được thiết kế để mô phỏng các khả năng trí tuệ của con người như suy nghĩ, hiểu ngôn ngữ, học tập, và tích lũy kinh nghiệm để giải quyết các vấn đề ^[5]. Công nghệ AI đã phát triển nhanh chóng và có ứng dụng rộng rãi trong nhiều lĩnh vực của cuộc sống, bao gồm sản xuất, thương mại điện tử, tiếp thị, giao thông và y tế. Ứng dụng trí tuệ nhân tạo trong dự đoán chỉ định mổ lấy thai là một hướng đi đầy tiềm năng, đặc biệt trong bối cảnh tỷ lệ mổ lấy thai trên toàn cầu ngày càng tăng nhanh.
LÝ DO CẦN DỰ ĐOÁN CHỈ ĐỊNH MỔ LẤY THAI
Việc lạm dụng mổ lấy thai khi không có chỉ định y khoa hợp lý có thể dẫn đến nhiều hệ lụy. Về phía người mẹ, thủ thuật này thường được thực hiện cho các trường hợp như thai khó, suy thai, vị trí thai nhi bất thường, biến chứng nhau thai hoặc tiền sử sinh mổ trước đó. Tuy nhiên, sinh mổ cũng có những rủi ro, bao gồm nhiễm trùng, chảy máu và thời gian hồi phục lâu hơn so với sinh thường^[7]. Không những vậy, việc mổ lấy thai còn làm tăng nguy cơ nhau cài răng lược, vỡ tử cung và biến chứng nặng trong các lần mang thai sau. Về phía trẻ sơ sinh, trẻ được sinh ra bằng phương pháp mổ lấy thai có nguy cơ cao hơn mắc các vấn đề hô hấp, rối loạn miễn dịch, dị ứng hoặc rối loạn chuyển hóa^[8]. Ngoài các hậu quả về y tế, mổ lấy thai còn để lại gánh nặng kinh tế do chi phí điều trị cao hơn, kéo dài thời gian nằm viện, làm gia tăng áp lực lên nguồn lực chăm sóc sức khỏe, đặc biệt tại những cơ sở y tế có số lượng sản phụ đông. Ở góc độ xã hội, việc mổ lấy thai quá mức cần thiết cũng có thể tạo ra sự bất bình đẳng trong tiếp cận dịch vụ y tế khi nguồn lực bị phân bổ không hợp lý^[9].
Trong bối cảnh đó, nhu cầu dự đoán chính xác chỉ định mổ lấy thai trở nên vô cùng cấp thiết. Việc dự đoán sớm và đúng đắn không chỉ giúp hỗ trợ các bác sĩ sản khoa đưa ra quyết định hợp lý, mà còn góp phần giảm thiểu những ca mổ lấy thai không cần thiết, từ đó hạn chế tối đa biến chứng cho cả mẹ và con. Điều này cũng giúp tối ưu hóa nguồn lực y tế, giảm chi phí cho gia đình và xã hội, đồng thời nâng cao chất lượng chăm sóc sức khỏe bà mẹ và trẻ sơ sinh. Một điểm quan trọng khác là việc dự đoán chỉ định mổ lấy thai giúp cá thể hóa chăm sóc sản khoa, vì mỗi thai phụ có những đặc điểm sức khỏe, yếu tố nguy cơ và hoàn cảnh riêng biệt. Nếu không có hệ thống hỗ trợ, việc ra quyết định hoàn toàn dựa trên kinh nghiệm cá nhân của bác sĩ có thể dẫn đến sự khác biệt và thiếu nhất quán trong thực hành lâm sàng.
TIỀM NĂNG ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG DỰ ĐOÁN MỔ LẤY THAI
AI đã phát triển với nhiều mức độ và phương pháp khác nhau, từ học máy (Machine learning - ML) đến học sâu (Deep learning - DL). Học máy là một nhánh của AI, trong đó máy tính được lập trình để học từ dữ liệu, kiểm tra và cải thiện hiệu suất theo thời gian mà không cần lập trình rõ ràng từng bước một. Các thuật toán ML phổ biến như cây quyết định (Decision tree), máy hỗ trợ vectơ (Support vector machine- SVM), Naive Bayes, rừng ngẫu nhiên (Random forest - RF) và XGBoost (Extreme gradient boosting) đã được ứng dụng để dự đoán nhiều tình huống y tế, bao gồm kết quả sinh, nguy cơ sinh non và tình trạng sức khỏe khi sinh^[6].
Một trong những thế mạnh quan trọng của trí tuệ nhân tạo là khả năng phân tích dữ liệu đa chiều và khối lượng lớn. Trong sản khoa, dữ liệu thu thập từ sản phụ có thể rất đa dạng, bao gồm hồ sơ sức khỏe, tiền sử bệnh, chỉ số xét nghiệm, kết quả siêu âm, nhịp tim thai, cơn co tử cung và các yếu tố khác^[10]. Các mô hình học máy và học sâu có thể phát hiện những mối liên hệ phức tạp giữa các yếu tố này, từ đó nhận diện nguy cơ thất bại chuyển dạ, suy thai, thai to, tiền sản giật hay các tình trạng khác thường dẫn đến mổ lấy thai^[11]. So với các phương pháp truyền thống vốn dựa nhiều vào kinh nghiệm của bác sĩ, AI có khả năng đưa ra dự đoán khách quan, nhanh chóng và dựa trên bằng chứng dữ liệu.
Quá trình triển khai một mô hình trí tuệ nhân tạo dự đoán mổ lấy thai thường trải qua nhiều bước. Đầu tiên là khâu thu thập dữ liệu lâm sàng, cận lâm sàng và dữ liệu hình ảnh, sau đó xử lý và chuẩn hóa để loại bỏ sai sót. Tiếp theo, dữ liệu được đưa vào huấn luyện bằng các thuật toán học máy như RF, XGBoost, SVM hay mạng nơ-ron sâu. Hiệu suất mô hình sẽ được đánh giá dựa trên các chỉ số như độ chính xác, độ nhạy, độ đặc hiệu và diện tích dưới đường cong ROC-AUC (Receiver operating characteristic curve - Area under the curve). Khi đạt mức độ tin cậy cao, mô hình có thể tích hợp vào hệ thống hỗ trợ quyết định lâm sàng, trở thành công cụ tham khảo hữu ích cho bác sĩ trong thực hành hàng ngày.
Trong bối cảnh tỷ lệ mổ lấy thai ngày càng tăng và nguồn lực y tế hạn chế ở nhiều quốc gia cận Sahara, việc phát triển các công cụ hỗ trợ ra quyết định lâm sàng dựa trên dữ liệu là hết sức cần thiết. Nghiên cứu của Frederick Osei Owusu và cộng sự (2025) tại một bệnh viện huyện ở Ghana đã tiến hành phân tích hồi cứu trên 2.310 trường hợp sinh con, trong đó tỷ lệ mổ lấy thai chiếm 37,7%, với nguyên nhân phổ biến nhất là tiền sử sinh mổ^[1]. Năm thuật toán học máy được thử nghiệm gồm hồi quy tuyến tính, SVM, Naive Bayes, RF và XGBoost. Kết quả so sánh cho thấy mô hình rừng ngẫu nhiên (RF) cho hiệu suất vượt trội với độ chính xác đạt 0,981, độ nhạy là 0,994, điểm F1 là 0,985 và giá trị ROC -AUC là 0,988. Naive Bayes cũng thể hiện kết quả khả quan, chỉ thấp hơn một chút so với rừng ngẫu nhiên, với AUC-ROC là 0,986. Năm yếu tố dự báo quan trọng nhất được xác định gồm huyết áp tâm trương, huyết áp tâm thu, tuổi mẹ, tiền sử sinh mổ và tình trạng hôn nhân, với giá trị AUC-ROC lần lượt là 0,0906, 0,0848, 0,0756, 0,0641 và 0,0400. Kết quả này gợi ý rằng trí tuệ nhân tạo có thể hỗ trợ nhận diện các thai phụ có nguy cơ cao phải sinh mổ, từ đó góp phần vào các can thiệp sớm và định hướng chính sách trong chăm sóc sức khỏe bà mẹ.
Nghiên cứu của Arianna Scala và cộng sự (2025) tại Bệnh viện Đại học Federico II ở Naples đã sử dụng AI để phân tích các yếu tố ảnh hưởng đến thời gian nằm viện (the Length of hospital stay - LOS) sau mổ lấy thai^[12]. Dữ liệu từ 9.900 phụ nữ trải qua mổ lấy thai trong giai đoạn 2014–2021 được sử dụng, với mục tiêu xác định mô hình dự đoán hiệu quả nhất và những bệnh lý đi kèm có tác động lớn đến LOS. Kết quả cho thấy mô hình hồi quy tuyến tính đa biến có hệ số tương quan cao (R = 0,815), phản ánh mối liên hệ chặt chẽ giữa LOS và các biến số lâm sàng. Các yếu tố dự báo quan trọng nhất bao gồm bất thường thai, bệnh tim mạch, rối loạn hô hấp, tăng huyết áp, xuất huyết, đa thai, tiền sản giật, biến chứng sản khoa trước đó, biến chứng phẫu thuật và thời gian nằm viện trước mổ. Ngoài ra, trong số các mô hình phân loại, cây quyết định đạt độ chính xác cao nhất (75%). Nghiên cứu kết luận rằng các bệnh lý kèm theo, đặc biệt là bệnh tim mạch và tiền sản giật, có ảnh hưởng đáng kể đến thời gian nằm viện sau mổ lấy thai. Những phát hiện này có thể giúp bệnh viện tối ưu hóa phân bổ nguồn lực, giảm chi phí và cải thiện chất lượng chăm sóc sản phụ.
Nghiên cứu của Alberto De Ramón Fernández (2022) tại Bệnh viện Đại học Virgen de la Arrixaca, Tây Ban Nha, tập trung vào việc ứng dụng trí tuệ nhân tạo trong dự đoán phương thức sinh, một vấn đề ngày càng được quan tâm khi tỷ lệ mổ lấy thai tiếp tục tăng vượt mức khuyến cáo^[13]. Tác giả đã kiểm tra tính khả thi của ba thuật toán phổ biến gồm máy hỗ trợ vectơ, mạng nơ-ron nhiều lớp và rừng ngẫu nhiên nhằm xây dựng hệ thống hỗ trợ quyết định lâm sàng trong phân loại ba nhóm: sinh mổ, sinh ngả âm đạo tự nhiên và sinh ngả âm đạo có can thiệp. Dữ liệu được sử dụng bao gồm 25.038 hồ sơ với 48 biến lâm sàng của các sản phụ mang thai đơn đến sinh tại khoa Sản – Phụ khoa trong giai đoạn 2016–2019. Các kết quả cho thấy cả ba thuật toán đều đạt hiệu suất tương tự nhau, với độ chính xác từ 90% trở lên khi phân biệt giữa sinh mổ và sinh ngả âm đạo, 87% trong phân biệt giữa sinh thường và sinh có can thiệp. Nghiên cứu này khẳng định tiềm năng ứng dụng AI trong hỗ trợ bác sĩ sản khoa dự đoán phương thức sinh, từ đó góp phần đưa ra quyết định phù hợp, giảm tỷ lệ mổ lấy thai không cần thiết và tối ưu hóa chăm sóc sản phụ.
Nhóm nghiên cứu của Sohani Afroja và cộng sự (2023) sử dụng dữ liệu từ 5.139 ca sinh trong một khảo sát sức khỏe dân số Bangladesh 2017–2018 và ứng dụng thuật toán học máy để xác định nguy cơ sinh mổ^[14]. Phân tích hồi quy logistic và sáu thuật toán học máy phổ biến như hồi quy tuyến tính, rừng ngẫu nhiên, máy hỗ trợ vectơ, thuật toán K láng giềng gần nhất (K-Nearest Neighbor), Naive Bayes và cây quyết định được triển khai nhằm xác định các yếu tố nguy cơ và xây dựng mô hình dự đoán sinh mổ. Kết quả phân tích nhị biến chỉ ra rằng trình độ học vấn cao của cha mẹ, điều kiện kinh tế giàu có, mẹ thừa cân và sinh tại bệnh viện có liên quan đến tỷ lệ sinh mổ cao hơn. Trong số các mô hình, Naive Bayes đạt độ chính xác 83,74%, trong khi hồi quy tuyến tính và rừng ngẫu nhiên thể hiện hiệu suất cao nhất dựa trên giá trị ROC-AUC. Nghiên cứu này khẳng định việc ứng dụng học máy không chỉ giúp phân loại chính xác nhóm phụ nữ có nguy cơ sinh mổ, mà còn cung cấp cơ sở cho các chiến lược quản lý và nâng cao nhận thức cộng đồng về sinh mổ hợp lý tại Bangladesh.
Nghiên cứu của Jeong Ha Wie và cộng sự (2022) tại Hàn Quốc nhằm phát triển và kiểm định mô hình học máy dự đoán nguy cơ phải mổ lấy thai cấp cứu ở sản phụ con so đủ tháng trước khi chuyển dạ^[15]. Đây là nghiên cứu đoàn hệ hồi cứu đa trung tâm, bao gồm 6.549 phụ nữ con so đủ tháng, trong đó tỷ lệ mổ cấp cứu là 16,1%. Nhóm nghiên cứu đã so sánh hiệu quả của chín thuật toán học máy: hồi quy tuyến tính, rừng ngẫu nhiên, máy hỗ trợ vectơ, tăng cường theo gradient (gradient boosting), XGBoost, LightGBM, KNN, Voting và Stacking. Kết quả cho thấy hồi quy tuyến tính có hiệu quả dự đoán tốt nhất, với độ chính xác đạt 0,78 và C-statistic 0,70. Các biến quan trọng được mô hình xác định gồm: tuổi mẹ, chiều cao, cân nặng trước khi mang thai, tăng huyết áp thai kỳ, tuổi thai và các chỉ số siêu âm thai nhi. Trong bộ dữ liệu kiểm định ngoài (1.391 sản phụ), hồi quy tuyến tính đạt C-statistic 0,69, độ chính xác 0,68, độ đặc hiệu 0,83 và độ nhạy 0,41. Nghiên cứu kết luận rằng việc tích hợp các thông số lâm sàng và siêu âm gần cuối thai kỳ với mô hình học máy có thể hỗ trợ bác sĩ sản khoa trong việc nhận diện sớm nguy cơ mổ cấp cứu ở phụ nữ sinh con lần đầu, từ đó tối ưu hóa kế hoạch theo dõi và can thiệp trong chuyển dạ.
THÁCH THỨC TRONG ỨNG DỤNG TRÍ TUỆ NHÂN TẠO DỰ ĐOÁN MỔ LẤY THAI
Mặc dù các nghiên cứu gần đây đã chứng minh tiềm năng của trí tuệ nhân tạo và các thuật toán học máy trong dự đoán nguy cơ mổ lấy thai, vẫn còn nhiều thách thức cần được giải quyết trước khi triển khai rộng rãi trong thực hành lâm sàng. Thứ nhất, chất lượng và tính đồng nhất của dữ liệu là rào cản lớn. Các nghiên cứu thường sử dụng dữ liệu hồi cứu từ một hoặc vài cơ sở y tế, dẫn đến nguy cơ sai lệch về dân số nghiên cứu và khó khăn khi áp dụng cho các quần thể khác nhau. Thứ hai, tính minh bạch và khả năng giải thích của mô hình còn hạn chế. Điều này khiến bác sĩ và đội ngũ y tế khó tin tưởng và bệnh nhân khó chấp nhận trong quá trình ra quyết định. Thứ ba, việc tích hợp hệ thống AI vào quy trình chăm sóc sản khoa đòi hỏi hạ tầng công nghệ thông tin phù hợp, áp lực chi phí, sự đào tạo của nhân viên y tế, và các quy định pháp lý liên quan đến bảo mật dữ liệu và trách nhiệm y khoa^[16].
KẾT LUẬN
Trí tuệ nhân tạo và các thuật toán học máy đã mở ra một hướng tiếp cận mới trong sản khoa, đặc biệt là trong việc dự đoán chỉ định mổ lấy thai. Các nghiên cứu hiện tại cho thấy AI có khả năng phân tích khối lượng lớn dữ liệu lâm sàng, sản phụ khoa và nhân khẩu học để đưa ra dự đoán với độ chính xác cao, đôi khi vượt trội so với các phương pháp thống kê truyền thống. Điều này không chỉ hỗ trợ bác sĩ đưa ra quyết định kịp thời, mà còn góp phần giảm tỷ lệ mổ lấy thai không cần thiết, hạn chế biến chứng và tối ưu hóa phân bổ nguồn lực y tế. Trong tương lai, việc xây dựng cơ sở dữ liệu đa trung tâm, tích hợp thêm yếu tố hình ảnh và dữ liệu thời gian thực, cùng với phát triển các mô hình dễ hiểu sẽ là hướng đi quan trọng để nâng cao giá trị thực tiễn của AI. Như vậy, AI có tiềm năng trở thành công cụ hỗ trợ đắc lực trong sản khoa, giúp tối ưu hóa quyết định lâm sàng và cải thiện sức khỏe bà mẹ – trẻ sơ sinh.
Tài liệu tham khảo
1.         Owusu FO, Addai-Manu H, Agbedinu ES, Konadu E, Asenso L, Addae M, et al. Prediction of caesarean section birth using machine learning algorithms among pregnant women in a district hospital in Ghana. BMC Pregnancy Childbirth. 2025 Jul 2;25:690.
2.         Sobhy S, Arroyo-Manzano D, Murugesu N, Karthikeyan G, Kumar V, Kaur I, et al. Maternal and perinatal mortality and complications associated with caesarean section in low-income and middle-income countries: a systematic review and meta-analysis. The Lancet. 2019 May 11;393(10184):1973–82.
3.         Nguyen TTT, Nishino K, Le LTH, Inthaphatha S, Yamamoto E. Strong Negative Association between Cesarean Delivery and Early Initiation of Breastfeeding Practices among Vietnamese Mothers—A Secondary Analysis of the Viet Nam Sustainable Development Goal Indicators on Children and Women Survey. Nutrients. 2023 Jan;15(21):4501.
4.         Caesarean section rates continue to rise, amid growing inequalities in access.
5.         Aliferis C, Simon G. Artificial Intelligence (AI) and Machine Learning (ML) for Healthcare and Health Sciences: The Need for Best Practices Enabling Trust in AI and ML. In: Simon GJ, Aliferis C, editors. Artificial Intelligence and Machine Learning in Health Care and Medical Sciences: Best Practices and Pitfalls
6.         Akazawa M, Hashimoto K. Prediction of preterm birth using artificial intelligence: a systematic review. J Obstet Gynaecol. 2022 Aug 18;42(6):1662–8.
7.         Sung S, Mikes BA, Martingano DJ, Mahdy H. Cesarean Delivery. In: StatPearls. Treasure Island (FL): StatPearls Publishing; 2025.
8.         Yeganegi M, Bahrami R, Azizi S, Marzbanrad Z, Hajizadeh N, Mirjalili SR, et al. Caesarean section and respiratory system disorders in newborns. Eur J Obstet Gynecol Reprod Biol X. 2024 Sep 1;23:100336.
9.         Perner MS, Ortigoza A, Trotta A, Yamada G, Braverman Bronstein A, Friche AA, et al. Cesarean sections and social inequalities in 305 cities of Latin America. SSM - Popul Health. 2022 Sep 27;19:101239.
10. Ferreira I, Simões J, Pereira B, Correia J, Areia AL. Ensemble learning for fetal ultrasound and maternal–fetal data to predict mode of delivery after labor induction. Sci Rep. 2024 Jul 3;14(1):15275.
11.       Medida LH, Renugadevi R. Machine Learning Techniques for Predicting Pregnancy Complications. IGI Global Scientific Publishing;
12.       Scala A, Bifulco G, Borrelli A, Egidio R, Triassi M, Improta G. Use of artificial intelligence to study the hospitalization of women undergoing caesarean section. BMC Public Health. 2025 Jan 20;25(1):238.
13.       De Ramón Fernández A, Ruiz Fernández D, Prieto Sánchez MT. Prediction of the mode of delivery using artificial intelligence algorithms. Comput Methods Programs Biomed. 2022 Jun 1;219:106740.
14.       Afroja S, Kabir MA, Saleh AB. Machine Learning-Based Algorithms for Determining C-Section among Mothers in Bangladesh. Int J Travel Med Glob Health. 2023 Oct;11(4).
15.       Wie JH, Lee SJ, Choi SK, Jo YS, Hwang HS, Park MH, et al. Prediction of Emergency Cesarean Section Using Machine Learning Methods: Development and External Validation of a Nationwide Multicenter Dataset in Republic of Korea. Life. 2022 Apr;12(4):604.
16. Nasir M, Siddiqui K, Ahmed S. Ethical-legal implications of AI-powered healthcare in critical perspective. Front Artif Intell. 2025 Jul 2;8:1619463. doi: 10.3389/frai.2025.1619463. PMID: 40673212; PMCID: PMC12263600.