X quang khẩn cấp: Tình trạng hiện tại và những tiến bộ gần đây

Rathachai Kaewlai 1,✉, Choong Wook Lee 2

Cre: https://pmc.ncbi.nlm.nih.gov/articles/PMC11794294/

PMCID: PMC11794294  PMID: 39898389

X quang cấp cứu là một trong những chuyên khoa phụ mới nhất trong X quang, tập trung vào chẩn đoán hình ảnh và quản lý bệnh nhân bị bệnh cấp tính và chấn thương. Đặc điểm chính của X quang cấp cứu là tập trung vào các tình trạng cấp tính và chấn thương, trong đó sự sẵn sàng, tốc độ và độ chính xác chẩn đoán cũng quan trọng không kém đối với việc quản lý lâm sàng. X quang cấp cứu ngày càng trở nên quan trọng trong thế giới già hóa vì bệnh nhân lớn tuổi dễ mắc các vấn đề sức khỏe cấp tính và biến chứng hơn [1]. Hơn nữa, xung đột ở các khu vực khác nhau đã gia tăng, dẫn đến số lượng các trường hợp chấn thương do chấn thương tăng lên [2]. Thời kỳ hậu COVID-19 cũng cho thấy khả năng xuất hiện các bệnh truyền nhiễm mới bất cứ lúc nào. Khối lượng hình ảnh khẩn cấp đã và có khả năng tiếp tục tăng hơn nữa [3,4], thúc đẩy nhu cầu về lĩnh vực này để mở rộng quy mô tương ứng. Một bài báo gần đây đã thảo luận về các chiến lược để thiết lập và duy trì các dịch vụ X quang khẩn cấp, nêu chi tiết các cơ hội và thách thức liên quan [5]. Ngoài các dịch vụ lâm sàng, các lĩnh vực như giáo dục, nghiên cứu và cải thiện chất lượng trong X quang cấp cứu phải phát triển.

Thực hành X quang khẩn cấp khác nhau giữa các khu vực và thậm chí trong các quốc gia. Thông thường, phạm vi của nó bao gồm hình ảnh khẩn cấp trên các phương thức khác nhau và từ xa; một số thực hành ở châu Á cũng bao gồm các thủ tục và can thiệp khẩn cấp. Các tổ chức như Hiệp hội X quang Cấp cứu Hoa Kỳ (ASER) [6] và Hiệp hội X quang Cấp cứu Châu Âu (ESER) [7] đóng vai trò quan trọng trong việc thúc đẩy chuyên khoa phụ bằng cách tập trung vào giáo dục, đào tạo, tiêu chuẩn chất lượng và khuyến mãi. Tạp chí X quang khẩn cấp đã nổi lên như một ấn phẩm trung tâm trong lĩnh vực này, trong khi các cuộc họp thường niên do ASER và ESER tổ chức thu hút các nhóm bác sĩ X quang cấp cứu thực hành trên toàn cầu. Trong thập kỷ qua, X quang cấp cứu đã trở nên nổi bật tại các hội nghị X quang quốc tế và quốc gia. Các chương trình đào tạo học bổng được thiết lập tốt ở Bắc Mỹ. Để đối phó với đại dịch COVID-19, các bác sĩ X quang cấp cứu trên toàn thế giới đã thành lập Liên đoàn X quang Cấp cứu Thế giới để tạo điều kiện chia sẻ kiến thức và hợp tác trong lĩnh vực này.

Đi đầu trong y học hiện đại là độ chính xác và cá nhân hóa, trong đó chẩn đoán và điều trị được điều chỉnh cho phù hợp với tình trạng cụ thể của từng bệnh nhân. Hiệp hội Y học Cấp cứu Học thuật [8] xác định một số khía cạnh của độ chính xác trong y học cấp cứu, bao gồm omics, công nghệ, khoa học dữ liệu và tin học y tế, hầu hết trong số đó áp dụng cho X quang cấp cứu. Ví dụ, X quang cho phép phát hiện sớm sự phát triển của bệnh tiềm ẩn và giúp dự đoán một số kết quả sức khỏe nhất định. Ví dụ, chụp CT tim có thể cung cấp cái nhìn sâu sắc về các sự cố bất lợi về tim trong tương lai [9].

Những tiến bộ công nghệ trong phần cứng và phần mềm hình ảnh đã cải thiện đáng kể X quang cấp cứu. Những cải tiến gần đây bao gồm hệ thống phòng cấp cứu lai (HERS), CT dò đếm photon (PCD), giao thức MRI nhanh và cải tiến phần mềm trong siêu âm. HERS, được tiên phong ở Nhật Bản, đại diện cho một sự phát triển đáng kể trong chăm sóc chấn thương, tích hợp chẩn đoán và điều trị, chẳng hạn như thuyên tắc qua ống thông và phẫu thuật kiểm soát tổn thương, vào một phòng [10]. Thiết lập này hợp lý hóa quy trình chăm sóc và giảm chuyển bệnh nhân giữa các phòng hồi sức, CT, chụp mạch máu và phòng phẫu thuật, khiến nó đặc biệt có giá trị đối với các trường hợp chấn thương nhạy cảm với thời gian. PCD CT cách mạng hóa hình ảnh bằng cách đếm các photon riêng lẻ đi qua máy dò và chuyển đổi chúng thành tín hiệu điện tử, bỏ qua chuyển đổi ánh sáng truyền thống. Phương thức này cung cấp chi tiết hơn, cần thiết cho chấn thương và chẩn đoán cấp tính như phát hiện sỏi thận và gãy xương có thể bị bỏ qua trên CT thông thường [11]. Các ứng dụng đa năng lượng của PCD CT cho phép phân biệt mô tốt hơn và các phép đo suy giảm chính xác hơn [12], giảm nhu cầu chụp không cản quang. Các phác đồ MRI nhanh đã thay đổi việc chăm sóc cấp tính bằng cách cung cấp hình ảnh chất lượng cao trong thời gian ngắn hơn đáng kể. Ví dụ, MRI 5 phút có thể thay đổi cách điều trị ở gần 10% trường hợp đột quỵ cấp tính so với CT không cản quang đơn thuần [13]. Các phác đồ chuyên biệt, chẳng hạn như viêm ruột thừa ở trẻ em, được Hiệp hội X quang Nhi khoa xác nhận, cung cấp chẩn đoán chính xác mà không cần phơi nhiễm bức xạ [14]. Những tiến bộ trong công nghệ siêu âm, bao gồm hình ảnh hài mô và kết hợp không gian, cũng đã nâng cao chất lượng hình ảnh [15]. Ngoài ra, siêu âm tăng cường cản quang có thể phát hiện chảy máu hoạt động trong thời gian thực, cải thiện độ chính xác chẩn đoán so với đánh giá tập trung truyền thống bằng siêu âm chấn thương [16,17].

Trí tuệ nhân tạo (AI) đại diện cho biên giới tiếp theo trong X quang, định hình lại quy trình làm việc hình ảnh, chẩn đoán, dự đoán sức khỏe và cá nhân hóa chăm sóc [18,19]. Vai trò của AI trong X quang đang chuyển sang vai trò thường xuyên hỗ trợ trong các môi trường lâm sàng, giúp các bác sĩ X quang quản lý việc chăm sóc bệnh nhân trong thời gian thực. Những phát triển đáng chú ý bao gồm phân tích dự đoán, sử dụng AI để phân tích dữ liệu đa nguồn và dự đoán tình trạng sức khỏe, và sàng lọc cơ hội, trong đó nó trích xuất thông tin chi tiết bổ sung từ dữ liệu hình ảnh. Ví dụ, thành phần mỡ trong cơ thể trên CT viêm ruột thừa có thể cung cấp thông tin về sức khỏe tim mạch [18,20,21,22,23].

Các công nghệ mới nổi như máy quét MRI di động, xử lý ngôn ngữ tự nhiên (NLP), mô hình ngôn ngữ lớn (LLM) và thực tế mở rộng (XR) đang tạo ra làn sóng trong lĩnh vực chăm sóc sức khỏe. Máy MRI trường thấp di động có thể được mang đến giường bệnh của bệnh nhân, cải thiện khả năng tiếp cận trong các khu vực chăm sóc đặc biệt và nguồn lực thấp [24,25]. AI nâng cao hiệu quả quy trình làm việc với NLP và LLM bằng cách tự động hóa các tác vụ như soạn thảo báo cáo X quang và ưu tiên các trường hợp khẩn cấp [18,26,27]. LLM có thể hỗ trợ chẩn đoán, hỗ trợ quyết định lâm sàng, đơn giản hóa báo cáo, giao tiếp với bệnh nhân và giáo dục [28]. XR và LLM mang lại tiềm năng lớn cho giáo dục X quang cấp cứu bằng cách cung cấp các mô phỏng nhập vai và bệnh nhân ảo trong môi trường học tập không có rủi ro [29,30].

Teleradiology đã trở thành nền tảng của X quang cấp cứu và đã phát triển thành một ngành công nghiệp phát triển mạnh [31]. Ngoài việc giải thích hình ảnh bên ngoài, teleradiology kết hợp với AI và các đơn vị hình ảnh di động có thể tăng cường khả năng tiếp cận chuyên môn về X quang, giảm bớt tình trạng thiếu bác sĩ X quang và hỗ trợ các chương trình sàng lọc dân số [31,32]. Công nghệ này cũng đóng một vai trò quan trọng trong giáo dục và đào tạo và rất cần thiết để chuẩn bị cho thế hệ bác sĩ X quang tiếp theo.

Tóm lại, được thúc đẩy bởi những tiến bộ công nghệ, AI và teleradiology, X quang cấp cứu đã sẵn sàng cho sự tăng trưởng đáng kể. Những đổi mới này sẽ không chỉ mang lại lợi ích cho các bác sĩ X quang mà còn cải thiện kết quả của bệnh nhân khi lĩnh vực này hướng tới cách tiếp cận chăm sóc sức khỏe được cá nhân hóa, chính xác hơn. Khi nhu cầu về X quang cấp cứu tiếp tục tăng lên, các bác sĩ X quang cấp cứu phải tiếp tục tận tâm với những phẩm chất cốt lõi của các chuyên ngành phụ của họ, cụ thể là sự sẵn sàng, tốc độ và độ chính xác, những điều cần thiết trong các trường hợp cấp tính và chấn thương. Bằng cách nắm bắt những cơ hội phát triển này và tuân thủ các nguyên tắc cơ bản của lĩnh vực này, các bác sĩ X quang cấp cứu có thể đáp ứng nhu cầu ngày càng tăng của y học hiện đại đồng thời cung cấp dịch vụ chăm sóc bệnh nhân tối ưu.

References

• 1.United Nations Department of Economic and Social Affairs. World social report 2023: leaving no one behind in an ageing world. [accessed on October 16, 2024]. Available at: https://www.un.org/development/desa/dspd/wp-content/uploads/sites/22/2023/01/WSR_2023_Chapter_Key_Messages.pdf .
• 2.Our World in Data. War and peace. [accessed on October 16, 2024]. Available at: https://ourworldindata.org/war-and-peace?ref=gentlereformation.com .
• 3.Dan Lantsman C, Barash Y, Klang E, Guranda L, Konen E, Tau N. Trend in radiologist workload compared to number of admissions in the emergency department. Eur J Radiol. 2022;149:110195. doi: 10.1016/j.ejrad.2022.110195. [DOI] [PubMed] [Google Scholar]
• 4.Poyiadji N, Beauchamp N, 3rd, Myers DT, Krupp S, Griffith B. Diagnostic imaging utilization in the emergency department: recent trends in volume and radiology work relative value units. J Am Coll Radiol. 2023;20:1207–1214. doi: 10.1016/j.jacr.2023.06.033. [DOI] [PubMed] [Google Scholar]
• 5.Camacho MA, Dunkle JW, Mughli RA, Johnson JO, Stephen Ledbetter M, Nicolaou S, et al. Starting an emergency radiology division: scheduling and staffing, compensation, and equity and parity. Radiol Clin North Am. 2023;61:111–118. doi: 10.1016/j.rcl.2022.07.005. [DOI] [PubMed] [Google Scholar]
• 6.American Society of Emergency Radiology. Mission & history. [accessed on October 16, 2024]. Available at: https://aser.org/mission-history .
• 7.European Society of Emergency Radiology. Society. [accessed on October 16, 2024]. Available at: https://www.eser-society.org/society .
• 8.Strehlow M, Gisondi MA, Caretta-Weyer H, Ankel F, Brackett A, Brar P, et al. 2023 Society for Academic Emergency Medicine consensus conference on precision emergency medicine: development of a policy-relevant, patient-centered research agenda. Acad Emerg Med. 2024;31:805–816. doi: 10.1111/acem.14932. [DOI] [PMC free article] [PubMed] [Google Scholar]
• 9.Lambin P, Leijenaar RTH, Deist TM, Peerlings J, de Jong EEC, van Timmeren J, et al. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol. 2017;14:749–762. doi: 10.1038/nrclinonc.2017.141. [DOI] [PubMed] [Google Scholar]
• 10.The Founding Members of the Japanese Association for Hybrid Emergency Room System (JA-HERS) The hybrid emergency room system: a novel trauma evaluation and care system created in Japan. Acute Med Surg. 2019;6:247–251. doi: 10.1002/ams2.412. [DOI] [PMC free article] [PubMed] [Google Scholar]
• 11.Grunz JP, Huflage H. Photon-counting computed tomography: experience in musculoskeletal imaging. Korean J Radiol. 2024;25:662–672. doi: 10.3348/kjr.2024.0096. [DOI] [PMC free article] [PubMed] [Google Scholar]
• 12.Mergen V, Racine D, Jungblut L, Sartoretti T, Bickel S, Monnin P, et al. Virtual noncontrast abdominal imaging with photon-counting detector CT. Radiology. 2022;305:107–115. doi: 10.1148/radiol.213260. [DOI] [PubMed] [Google Scholar]
• 13.Kazmierczak PM, Dührsen M, Forbrig R, Patzig M, Klein M, Pomschar A, et al. Ultrafast brain magnetic resonance imaging in acute neurological emergencies: diagnostic accuracy and impact on patient management. Invest Radiol. 2020;55:181–189. doi: 10.1097/RLI.0000000000000625. [DOI] [PubMed] [Google Scholar]
• 14.Morin CE, Karakas P, Vorona G, Sreedher G, Brian JM, Chavhan GB, et al. The Society for Pediatric Radiology Magnetic Resonance Imaging and Emergency and Trauma Imaging Committees’ consensus protocol recommendation for rapid MRI for evaluating suspected appendicitis in children. Pediatr Radiol. 2024;54:12–19. doi: 10.1007/s00247-023-05819-y. [DOI] [PubMed] [Google Scholar]
• 15.Clevert DA, Beyer G, Nieß H, Schlenker B. Ultrasound—new techniques are extending the applications. Dtsch Arztebl Int. 2023;120:41–47. doi: 10.3238/arztebl.m2022.0380. [DOI] [PMC free article] [PubMed] [Google Scholar]
• 16.Di Serafino M, Iacobellis F, Schillirò ML, Ronza R, Verde F, Grimaldi D, et al. The technique and advantages of contrast-enhanced ultrasound in the diagnosis and follow-up of traumatic abdomen solid organ injuries. Diagnostics (Basel) 2022;12:435. doi: 10.3390/diagnostics12020435. [DOI] [PMC free article] [PubMed] [Google Scholar]
• 17.Sutarjono B, Kessel M, Alexander D, Grewal E. Is it time to re-think FAST? A systematic review and meta-analysis of contrast-enhanced ultrasound (CEUS) and conventional ultrasound for initial assessment of abdominal trauma. BMC Emerg Med. 2023;23:8. doi: 10.1186/s12873-023-00771-4. [DOI] [PMC free article] [PubMed] [Google Scholar]
• 18.Najjar R. Redefining radiology: a review of artificial intelligence integration in medical imaging. Diagnostics (Basel) 2023;13:2760. doi: 10.3390/diagnostics13172760. [DOI] [PMC free article] [PubMed] [Google Scholar]
• 19.Petrella RJ. The AI future of emergency medicine. Ann Emerg Med. 2024;84:139–153. doi: 10.1016/j.annemergmed.2024.01.031. [DOI] [PubMed] [Google Scholar]
• 20.Heart T, Ben-Assuli O, Shabtai I. A review of PHR, EMR and EHR integration: a more personalized healthcare and public health policy. Health Policy Technol. 2017;6:20–25. [Google Scholar]
• 21.Pickhardt PJ, Summers RM, Garrett JW. Automated CT-based body composition analysis: a golden opportunity. Korean J Radiol. 2021;22:1934–1937. doi: 10.3348/kjr.2021.0775. [DOI] [PMC free article] [PubMed] [Google Scholar]
• 22.Yoon JH, Pinsky MR, Clermont G. Artificial intelligence in critical care medicine. Crit Care. 2022;26:75. doi: 10.1186/s13054-022-03915-3. [DOI] [PMC free article] [PubMed] [Google Scholar]
• 23.Cui C, Yang H, Wang Y, Zhao S, Asad Z, Coburn LA, et al. Deep multimodal fusion of image and non-image data in disease diagnosis and prognosis: a review. Prog Biomed Eng (Bristol) 2023;5:022001. doi: 10.1088/2516-1091/acc2fe. [DOI] [PMC free article] [PubMed] [Google Scholar]
• 24.Wald LL, McDaniel PC, Witzel T, Stockmann JP, Cooley CZ. Low-cost and portable MRI. J Magn Reson Imaging. 2020;52:686–696. doi: 10.1002/jmri.26942. [DOI] [PMC free article] [PubMed] [Google Scholar]
• 25.Cooley CZ, McDaniel PC, Stockmann JP, Srinivas SA, Cauley SF, Śliwiak M, et al. A portable scanner for magnetic resonance imaging of the brain. Nat Biomed Eng. 2021;5:229–239. doi: 10.1038/s41551-020-00641-5. [DOI] [PMC free article] [PubMed] [Google Scholar]
• 26.Baltruschat I, Steinmeister L, Nickisch H, Saalbach A, Grass M, Adam G, et al. Smart chest X-ray worklist prioritization using artificial intelligence: a clinical workflow simulation. Eur Radiol. 2021;31:3837–3845. doi: 10.1007/s00330-020-07480-7. [DOI] [PMC free article] [PubMed] [Google Scholar]
• 27.Ranschaert E, Topff L, Pianykh O. Optimization of radiology workflow with artificial intelligence. Radiol Clin North Am. 2021;59:955–966. doi: 10.1016/j.rcl.2021.06.006. [DOI] [PubMed] [Google Scholar]
• 28.Keshavarz P, Bagherieh S, Nabipoorashrafi SA, Chalian H, Rahsepar AA, Kim GHJ, et al. ChatGPT in radiology: a systematic review of performance, pitfalls, and future perspectives. Diagn Interv Imaging. 2024;105:251–265. doi: 10.1016/j.diii.2024.04.003. [DOI] [PubMed] [Google Scholar]
• 29.Gelmini AYP, Duarte ML, Silva MOD, Guimarães Junior JB, Santos LRD. Augmented reality in interventional radiology education: a systematic review of randomized controlled trials. Sao Paulo Med J. 2022;140:604–614. doi: 10.1590/1516-3180.2021.0606.R2.27122021. [DOI] [PMC free article] [PubMed] [Google Scholar]
• 30.Alexander SM, Friedman V, Rerkpattanapipat PM, Hiatt WA, Heneghan JS, Hubal R, et al. Adapting novel augmented reality devices for patient simulations in medical education. Cureus. 2024;16:e66209. doi: 10.7759/cureus.66209. [DOI] [PMC free article] [PubMed] [Google Scholar]
• 31.Morales Santos Á, Del Cura Rodríguez JL, Antúnez Larrañaga N. Teleradiology: good practice guide. Radiologia (Engl Ed) 2023;65:133–148. doi: 10.1016/j.rxeng.2022.11.005. [DOI] [PubMed] [Google Scholar]
• 32.Kanne JP, Chung JH. A case for academic teleradiology. J Am Coll Radiol. 2022;19:1177–1179. doi: 10.1016/j.jacr.2022.06.021. [DOI] [PMC free article] [PubMed] [Google Scholar]