Hình 1. Forest Plot — Odds Ratio (KTC 95%) của các yếu tố dự đoán tử vong 30 ngày.

Hình 2. Đường cong ROC — khả năng phân biệt của mô hình logistic (AUC = 0.78).

Diễn giải kết quả

1. Hút thuốc là yếu tố dự đoán mạnh nhất (OR = 3.20, KTC 95%: 1.80–5.70): Bệnh nhân hút thuốc có nguy cơ tử vong trong 30 ngày gấp 3.2 lần so với người không hút, sau khi hiệu chỉnh tuổi, LDL, HDL, và các yếu tố khác. Khoảng tin cậy không bao gồm 1 → có ý nghĩa thống kê. Tác động ước tính chính xác ở mức vừa phải (CI rộng do số lượng người hút thuốc trong nhóm tử vong không quá lớn).
2. Tuổi (OR = 1.05, KTC 95%: 1.02–1.08): Mỗi năm tăng thêm, nguy cơ tử vong tăng 5%. Bệnh nhân 70 tuổi có nguy cơ cao gấp (1.05)¹⁵ ≈ 2.1 lần so với bệnh nhân 55 tuổi. Hiệu ứng tích lũy rõ rệt.
3. LDL (OR = 1.40, KTC 95%: 1.10–1.80): Mỗi 1 mmol/L LDL tăng, nguy cơ tử vong tăng 40%. LDL là yếu tố nguy cơ có thể điều chỉnh được — nhấn mạnh tầm quan trọng của statin sau NMCT.
4. HDL (OR = 0.70, KTC 95%: 0.50–0.98): Yếu tố bảo vệ — mỗi 1 mmol/L HDL tăng, nguy cơ giảm 30%. HDL < 1.0 mmol/L là yếu tố nguy cơ độc lập.
5. Đái tháo đường (OR = 2.20, KTC 95%: 1.15–4.20): BN ĐTĐ có nguy cơ tử vong gấp 2.2 lần BN không ĐTĐ.
6. AUC = 0.78: Mô hình có khả năng phân biệt tốt. Nếu chọn ngẫu nhiên 1 BN tử vong và 1 BN sống, xác suất mô hình xếp đúng thứ tự (BN tử vong có nguy cơ cao hơn) là 78%. Đây là mức chấp nhận được cho mô hình dự đoán lâm sàng.

🩺 Clinical Impact — Dự đoán nguy cơ cá nhân hóa

Với mô hình này, bác sĩ có thể tính xác suất tử vong dự đoán cho từng bệnh nhân. Ví dụ: bệnh nhân Hùng (55 tuổi, hút thuốc, LDL=4.2, HDL=0.9, không ĐTĐ, SBP=145) có log-odds = β₀ + 0.049×55 + 1.163×1 + 0.336×4.2 + (−0.357)×0.9 + 0 + (−0.028)×14.5 = −4.82 + 2.70 + 1.16 + 1.41 − 0.32 − 0.41 = −0.28. Xác suất tử vong = e^−0.28 / (1+e^−0.28) = 0.43 = 43% — nguy cơ cao! Cần theo dõi sát, điều trị tối ưu (statin liều cao, chống huyết khối mạnh, cai thuốc lá).

Ngược lại, một bệnh nhân 50 tuổi, không hút thuốc, LDL=2.5, HDL=1.4, không ĐTĐ, SBP=130 có xác suất < 5%. Hai bệnh nhân NMCT cùng tuổi nhưng chiến lược điều trị hoàn toàn khác nhau — đó là sức mạnh của y học cá thể hóa dựa trên GLM.

⚠️ Hạn chế của mô hình

AUC = 0.78 là tốt nhưng chưa xuất sắc. Mô hình này chưa bao gồm các yếu tố quan trọng khác như: chức năng thất trái (EF), troponin peak, số mạch vành tổn thương, thời gian từ khởi phát đến PCI. Các nghiên cứu tương lai nên bổ sung các biến này để cải thiện khả năng dự đoán. Ngoài ra, cần validation ngoại sinh (external validation) trên một quần thể độc lập trước khi áp dụng rộng rãi.