Tổng quan nghiên cứu ứng dụng trí tuệ nhân tạo trong chẩn đoán ung thư vú bằng ảnh giải phẫu bệnh kỹ thuật số

vietnam medical journal n01 - MARCH - 2021 
68 
2. Nguyễn Thế Lộc, Nguyễn Đức Lam. Nghiên 
cứu hiệu quả của phương pháp gây tê tủy sống và 
ngoài màng cứng phối hợp để mổ và giảm đau sau 
mổ cắt tử cung hoàn toàn tại bệnh viện phụ sản 
trung ương. Tạp chí y học thực hành. 
2016;1015:218-220. 
3. Fusco P, Cofini V, Petrucci E, et al. Transversus 
Abdominis Plane Block in the Management of 
Acute Postoperative Pain Syndrome after 
Caesarean Section: A Randomized Controlled 
Clinical Trial. Pain Physician. 2016;19(8):583-591. 
4. Kahsay DT, Elsholz W, Bahta HZ. Transversus 
abdominis plane block after Caesarean section in 
an area with limited resources. Southern African 
Journal of Anaesthesia and Analgesia. 
2017;23(4):90-95. 
doi:10.1080/22201181.2017.1349361 
5. McDonnell JG, O’Donnell BD, Curley G, 
Heffernan A, Power C, Laffey JG. The 
Analgesic Efficacy of Transversus Abdominis Plane 
Block After Abdominal Surgery: A Prospective 
Randomized Controlled Trial: Anesthesia & 
Analgesia. 2007;104(1):193-197. doi:10.1213/ 
01.ane.0000250223.49963.0f 
6. Carney J, McDonnell JG, Ochana A, Bhinder 
R, Laffey JG. The Transversus Abdominis Plane 
Block Provides Effective Postoperative Analgesia in 
Patients Undergoing Total Abdominal 
Hysterectomy. Anesthesia & Analgesia. 
2008;107(6):2056-2060. 
doi:10.1213/ane.0b013e3181871313 
7. Srivastava U, Verma S, Singh TK, et al. 
Efficacy of trans abdominis plane block for post 
cesarean delivery analgesia: A double-blind, 
randomized trial. Saudi Journal of Anaesthesia. 
2015;9(3):298. doi:10.4103/1658-354X.154732 
8. Belavy D, Cowlishaw PJ, Howes M, Phillips F. 
Ultrasound-guided transversus abdominis plane 
block for analgesia after Caesarean delivery. British 
Journal of Anaesthesia. 2009;103(5):726-730. 
doi:10.1093/bja/aep235 
9. Mishriky BM, George RB, Habib AS. 
Transversus abdominis plane block for analgesia 
after Cesarean delivery: a systematic review and 
meta-analysis. Can J Anaesth. 2012;59(8):766-
778. doi:10.1007/s12630-012-9729-1 
TỔNG QUAN NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG 
CHẨN ĐOÁN UNG THƯ VÚ BẰNG ẢNH GIẢI PHẪU BỆNH KỸ THUẬT SỐ 
Đào Văn Tú, Nguyễn Khắc Dũng, Bùi Thị Oanh, 
Nguyễn Lê Hiệp, Vũ Đức Hoàn, Đặng Hữu Dũng, 
Nguyễn Văn Chủ, Bùi Văn Giang, Tạ Văn Tờ(*) 
TÓM TẮT18 
Ung thư vú là bệnh ung thư phổ biến nhất trên nữ 
giới và là nguyên nhân gây tử vong hàng đầu do ung 
thư trên toàn thế giới. Cơ sở chính để điều trị ung thư 
vú là chẩn đoán mô bệnh học, việc chẩn đoán này 
quyết định hướng điều trị và tiên lượng bệnh. Những 
tiến bộ trong trí tuệ nhân tạo (AI) cùng với việc vận 
dụng giải phẫu bệnh kỹ thuật số đã đưa ra một cách 
tiếp cận đầy hứa hẹn trong việc chẩn đoán, phân 
loạiung thư vú, đáp ứng được nhu cầu trong thực tế 
lâm sàng. Trong bài viết này, chúng tôi tổng quan về 
ứng dụng AI trong chẩn đoán ung thư vú dựa trên 
ảnh kỹ thuật số hóa giải phẫu bệnh, đồng thời phác 
thảo những tiềm năng ứng dụngtại Việt Nam. 
Từ khóa: Ung thư vú, trí tuệ nhân tạo, ảnh giải 
phẫu bệnh 
SUMMARY 
OVERVIEW OF APPLICATION RESEARCH 
OF ARTIFICIAL INTELLIGENCE ON BREAST 
CANCER DIAGNOSIS BASED ON DIGITAL 
(*)Bệnh viện K 
Chịu trách nhiệm chính: Đào Văn Tú 
Email: vantu.dao@bvk.org.vn 
Ngày nhận bài: 29.12.2020 
Ngày phản biện khoa học: 22.2.2021 
Ngày duyệt bài: 1.3.2021 
PATHOLOGY IMAGES 
Breast cancer is the most common cancer in 
women and the leading cause of cancer deaths 
worldwide. The essential basisfor breast cancer 
treatment is histopathology, which determines the 
direction of treatment and prognosis of the disease. 
Advances in artificial intelligence (AI) together with 
the use of digital pathology have presented a 
promising approach in breast cancer diagnosis and 
classification, meeting the real needs clinical practice. 
In this article, we provide an overview of AI 
applications in breast cancer diagnostics based on 
digital pathology images of the disease, and 
proposethe potentials in application in Vietnam. 
Keywords: Breast cancer, artificial interligence, 
pathology image 
I. ĐẶT VẤN ĐỀ 
Ung thư vú là một trong những bệnh ung thư 
phổ biến nhất được chẩn đoán ở phụ nữ trên 
toàn thế giới và nó là nguyên nhân chính gây tử 
vong ở phụ nữ. Ở các nước thu nhập thấp và thu 
nhập trung bình, tỷ lệ tử vong tương đối cao so 
với các quốc gia phát triển. Theo báo cáo năm 
2018 của Tổ chức Nghiên cứu Quốc tế về Ung 
thư (IARC), hơn 2 triệu phụ nữ trong năm 2018 
được chẩn đoán mắc bệnh ung thư vú trên toàn 
thế giới. Đây được coi là khoảng 11,6% của tất 
TẠP CHÍ Y HỌC VIỆT NAM TẬP 500 - THÁNG 3 - SỐ 1 - 2021 
69 
cả các bệnh ung thư được chẩn đoán trong cùng 
một năm với 626 679 trường hợp tử vong được 
báo cáo. Nhiều nghiên cứu đã ước tính rằng vào 
năm 2025 sẽ có 19,3 triệu ca ung thư mới. Hơn 
nữa, ở các nước đang phát triển bao gồm cả Việt 
Nam, dân số đông đúc và người bệnh còn hiểu 
biết hạn chế về các triệu chứng bện ... cứu chật hẹp để tiến đến trở thành 
một khía cạnh quan trọng được chấp nhận áp 
dụng trong thực hành lâm sàng. 
Từ khá sớm đã có một so sánh quy mô lớn về 
vietnam medical journal n01 - MARCH - 2021 
70 
hiệu suất chẩn đoán giữa sử dụng giải phẫu 
bệnh kỹ thuật số hóa và sử dụng kính hiển vi 
thông thường được tiến hành bởi Mukhopadhyay 
và cộng sự và bao gồm các mẫu bệnh phẩm từ 
năm 1992 bệnh nhân với các loại khối u khác 
nhau được đọc bởi 16 bác sĩ bệnh học [2]. 
Nghiên cứu cho thấy hiệu suất chẩn đoán với các 
WSI được số hóa gần bằng với các phương pháp 
dựa trên kính hiển vi truyền thống (với tỷ lệ 
chênh lệch chính từ tiêu chuẩn tham chiếu là 
4,9% đối với WSI và 4,6% đối với phương pháp 
vi mô). Nghiên cứu này được sử dụng làm 
nghiên cứu cốt lõi cho sự chấp thuận của FDA 
đối với hệ thống giải phẫu bệnh kỹ thuật số hóa 
của hãng Philips. Tương tự, để theo đuổi sự 
chấp thuận của FDA cho hệ thống Wper Aperio 
AT2 DX, Leica Biosystems đã tiến hành một thử 
nghiệm lâm sàng trên năm địa điểm nghiên cứu 
liên quan đến hơn 16.000 slide và tìm thấy 
97,9% sự phù hợp trong hệ thống (tức là chấp 
thuận giữa đọc kết quả từ lam kính và đọc hình 
ảnh kỹ thuật số tại bất kỳ một trung tâm nào). 
Tác giả Williams và cộng sự đã thực hiện xác 
nhận lâm sàng việc chẩn đoán ung thư vú từ các 
ảnh slide kỹ thuật số và tìm thấy sự phù hợp 
hoàn toàn giữa kết quả đọc trên lam kính và đọc 
kỹ thuật số trong 98,8% của 694 trường hợp bởi 
các bác sĩ giải phẫu bệnh chuyên khoa vú đã 
được học một khóa đào tạo ngắn về giải phẫu 
bệnh kỹ thuật số hóa. Và chính nhóm tác giả đó 
đã thực hiện một phân tích hệ thống với cỡ mẫu 
là 8069 so sánh giữa việc đọc trên lam kính và 
đọc bằng kỹ thuật số và đã chỉ ra các chẩn đoán 
trái ngược trong 335 trường hợp (4%) [3]. 
Một chủ đề nhất quán trong các đánh giá về 
bệnh lý kỹ thuật số, cả về độ chính xác và hiệu 
quả chẩn đoán, là việc triển khai thành công phụ 
thuộc vào thiết kế huấn luyện phù hợp và tích 
hợp với quy trình công việc hiện có. Ngoài các 
tác động trực tiếp đến hiệu quả về mặt thời gian 
trên mỗi lần đọc slide, các lợi ích tiềm năng khác 
của việc áp dụng giải phẫu bệnh kỹ thuật số hóa 
bao gồm giảm nguy cơ xác định sai bệnh nhân 
và slide, giảm nguy cơ mất mô hoặc hỏng-mất 
chất lượng, theo dõi bệnh nhân và phân bổ khối 
lượng công việc tốt hơn, dễ dàng lấy lại các 
trường hợp đã được lưu trữ, và cải thiện đánh 
giá giải phẫu bệnh từ xa bên cạnh việc tạo điều 
kiện cho việc hỗ trợ chéo giữa các bệnh viện 
khác nhau trong việc chẩn đoán ban đầu, báo 
cáo được thực hiện từ xa tới các phòng labo giải 
phẫu bệnh được tập trung hóa. Tuy nhiên, một 
trong những lợi thế quan trọng nhất của WSI đối 
với chẩn đoán chính là khả năng áp dụng các 
thuật toán dựa trên AI khác nhau trong quy trình 
chẩn đoán thông thường. 
III. ỨNG DỤNG AI TRONG CHẨN ĐOÁN UNG 
THƯ VÚ BẰNG ẢNH GIẢI PHẪU BỆNH 
Trong chẩn đoán ung thư, việc bác sĩ giải 
phẫu bệnh đánh giá bệnh lý dựa trên mô bệnh 
học phẫu thuật thông qua các ảnh giải phẫu 
bệnh để được coi là một tiêu chuẩn vàng. Việc 
chẩn đoán này rất tốn thời gian. Hơn nữa, nó 
phụ thuộc nhiều vào đánh giá chủ quan, và do 
đó có sự khác biệt đáng kể giữa các bác sĩ giải 
phẫu bệnh trong việc đánh giá chẩn đoán. 
Nghiên cứu của Ozkan và cộng sự báo cáo rằng 
hai bác sĩ giải phẫu bệnh không thống nhất về 
sự hiện diện của ung thư ở 31 trong số 407 sinh 
thiết kim lõi và sự phù hợp tổng thể của điểm 
Gleason được đánh giá chỉ là 51,7%, mô tả 
những thách thức trong chẩn đoán ung thư 
tuyến tiền liệt một cách nhất quán [4]. Do đó, 
việc phát triển các công cụ có sự hỗ trợ của máy 
tính là rất quan trọng để tiết kiệm thời gian, tăng 
độ chính xác và nâng cao tiêu chuẩn hóa trong 
chẩn đoán cho các nhà giải phẫu bệnh. Đã có sự 
nỗ lực và thành tựu đáng kể trong việc phát 
triển xử lý hình ảnh kỹ thuật số và các phương 
pháp dựa trên máy học để phân tích tự động các 
hình ảnh bệnh lý để thực hiện phân loại mô và 
phân loại bệnh, cũng như dự đoán kết quả bệnh 
và nâng cao độ chính xác của y học. Những tiến 
bộ gần đây trong nghiên cứu máy học liên quan 
đến mạng nơ-ron sâu, tức là học sâu (deep 
learning), đã làm tăng thành công hiệu suất của 
các phân tích như vậy. 
Tuy nhiên, các mô hình học sâu được đề xuất 
thường yêu cầu lượng dữ liệu chú thích đáng kể 
để được đào tạo thành công. Vì kích thước nhóm 
thuần tập (cohort) có thể nhỏ và việc chú thích 
hình ảnh mô bệnh học rất mất thời gian, một 
khái niệm được gọi là học chuyển giao (transfer 
learning), tức là đào tạo mạng nơ-ron với tập dữ 
liệu bên ngoài và sau đó tinh chỉnh mô hình với 
tập dữ liệu có sẵn, có thể chứng tỏ mang lại lợi 
ích. Cách tiếp cận như vậy để tinh chỉnh một mô 
hình được đào tạo trước đã được chứng minh là 
có hiệu quả tốt hơn việc đào tạo cùng một kiến 
trúc mạng nơ-ron từ đầu trong các nghiên cứu 
liên quan đến phân tích hình ảnh bệnh lý kỹ 
thuật số. Học chuyển giao có nhiều thuận lợi đối 
với việc tương thích khi mà các hình ảnh thu 
được bằng loại kính hiển vi hoặc quy trình 
nhuộm khác nhau. 
Một trong những thách thức chính trong giải 
phẫu bệnhkỹ thuật số là kích thước tuyệt đối của 
TẠP CHÍ Y HỌC VIỆT NAM TẬP 500 - THÁNG 3 - SỐ 1 - 2021 
71 
WSI. Một hình ảnh thu được ở mức phóng đại 
20X có thể chứa vài tỷ pixel, trong khi vùng quan 
tâm (Region of Interest - ROI) có thể nhỏ chỉ vài 
nghìn pixel. Để áp dụng bộ phân loại học sâu, 
WSI phải được chia thành nhiều nghìn ô, với bộ 
phân loại (classifier) sau đó được áp dụng độc 
lập trên mỗi ô. 
Bước đầu tiên quan trọng trong quá trình 
chẩn đoán nghi ngờ ung thư vú là phát hiện các 
tế bào khối u xâm lấn, đặc tính của khối u và 
định lượng mức độ khối u (tumor). Cruz-Roa và 
cộng sự đã xây dựng mô hình mạng nơ-ron tích 
chập (CNN - convolutional neural networks) để 
phân loại các mảng hình ảnh từ trích ra từ WSI 
của ung thư vú có chứa ung thư loại ống xâm 
nhập hay không [5]. Nhóm tác giả đã sử dụng 
việc gán nhãn vùng chú thích thủ công đối với 
400 mẫu slide từ nhiều cơ sở khác nhau để huấn 
luyện mô hình của mình và xác thực hiệu suất 
của nó trên 200 slide với chú thích tương tự từ 
The Cancer Genome Atlas. Tác giả báo cáo chỉ 
số F1 score (một loại chỉ số đo lường độ chính 
xác của mô hình tương tự ROC và AUC) ở mức 
pixel là 75,86%. Han và cộng sự [6] đã sử dụng 
bộ dữ liệu BreaKHis để huấn luyện một bộ phân 
loại có thể phân biệt giữa tám loại khối u vú lành 
tính và ác tính với độ chính xác 93,2%. Mô hình 
của họ được tiền xử lý trên imagenet và họ sử 
dụng dữ liệu mở rộng để ngăn chặn việc mô 
hình quá khớp (overfitting) của dữ liệu. 
Một trong những ứng dụng chẩn đoán sử 
dụng học máy (machine learning) nổi bật cho 
bệnh ung thư vú là chẩn đoán di căn hạch. 
Bejnori và cộng sự báo cáo về hiệu suất của bảy 
thuật toán học sâu được phát triển như một 
phần của cuộc cạnh tranh đầy thách thức; các 
thuật toán đã được tìm thấy vượt trội hơn một 
nhóm gồm 11 chuyên gia GPB trong một bối 
cảnh chẩn đoán hạn chế về thời gian được mô 
phỏng [7]. Trên cơ sở dữ liệu huấn luyện bao 
gồm 270 hình ảnh từ hai trung tâm có (n = 110) 
và không có (n = 160) di căn hạch, và đánh giá 
trên một bộ ảnh độc lập gồm 129 hình ảnh (49 
có và 80 không có di căn), AUC của thuật toán 
tốt nhất là 0,99, trong khi hiệu suất tốt nhất của 
một chuyên gia GPB đạt được AUC là 0,88. 
Trong một nghiên cứu tương tự có 6 chuyên 
giaGPB đã xem xét 70 slide được số hóa có và 
không có sự trợ giúp học máy với thời gian xem 
xét được sử dụng làm một kết điểm chính, thời 
gian xem xét trung bình ngắn hơn đáng kể với 
có hỗ trợ hơn là không có hỗ trợ của học máy 
cho ra kết luận hình ảnh vi di căn (nhanh hơn 
1,9 lần) và hình ảnh mà không có bất kỳ di căn 
nào (nhanh hơn 1,2 lần). Ngoài việc xác định 
khối u, các phương pháp AI và học máy đã được 
sử dụng để mô tả sự xâm lấn của khối u vú và 
phân loại mô học của ung thư vú (do mức độ 
phù hợp tương đối thấp đối với các đánh giá 
mang tính chủ quan mặc dù nó có giá trị tiên 
lượng quan trọng). Các đặc điểm khác nhau ở 
cấp độ tế bào và cấp độ mô có thể được xác 
định để mô tả cấu trúc hình thái của các đối 
tượng để phân biệt giữa các thành phần mô học, 
ví dụ, tế bào khối u/biểu mô (đối với sự hình 
thành ống) và tế bào phân bào (cho đếm số 
lượng phân bào). Tuy nhiên, hầu hết các công 
việc trong lĩnh vực này tập trung vào phát hiện 
sự phân bào, đây là cái có giá trị tiên lượng nhất 
nhưng cũng tiêu tốn nhiều công sức nhất. Năm 
2013, Veta và cộng sự đề xuất một thách thức 
phát hiện sự phân bào tại cộng đồng với một bộ 
dữ liệu chứa bộ 12 slide huấn luyện (training), 
11 slide để kiểm tra (testing) và khoảng 1000 số 
liệu phân bào đã được chú thích. Người chiến 
thắng trong thử thách này đã sử dụng mạng 
CNN với 10 lớp để đạt được 0,61 điểm F1 tổng 
(F1 score - một chỉ số đánh giá độ tin cậy hay 
được sử dụng trong học máy) so với sự đồng 
thuận của các chuyên giaGPB, trong khi đó, 
chuyên giaGPBđạt được> 0,75 điểm F1 tổng. 
Năm 2019, Veta và cộng sự đã công bốkết quả 
một thử thách tiếp theo (TUPAC16 challenge) 
tập trung vào đánh giá sự phân bàotrên slide 
GPB (liên quan tới đánh giá độ mô học của khối 
u) [8]. Hệ thống chiến thắng trong thử thách 
này đã đạt được mức kappa Cohen (chỉ số đánh 
giá mức độ tương đồng) là 0,56 so với kết quả 
các chuyên gia GPB và đạt được điểm F1 =0,65 
về chẩn đoán độ biệt hóa của khối u.Do bản 
chất của việc mất nhiều công sức trong việc đếm 
số lượng phân bào có thể dẫn đến mức độ 
tương đồng thấp giữa các chuyên gia. Nhuộm 
Phospho-Histone H3 (PHH3), công đoạn giúp 
phát hiện phân bào ở độ nhạy cao, là phương 
pháp hóa mô miễn dịch đã được áp dụng để giải 
quyết bài toán này. Tellez và cộng sự sử dụng 
máy scankết nối tới các mẫu nhuộm PHH3 và 
nhuộm H&E để tạo chú thích (annotation) cho 
hệ CNN. Vì là làm với mẫu PHH3, các nhà nghiên 
cứu đã phải thu thập lên tới hơn 22.000 chú 
thích từ khoảng 100 slide. Hệ CNN này đã không 
đạt chiến thắng trên TUPAC16 challenge, nguyên 
nhân là có thể gây ra bởi sự biến thiên của chú 
thích. Tuy nhiên, công việc tiếp theo của các tác 
giả này cho thấy rằng việc sử dụng hệCNN để 
phát hiện phân bào giống như như một trợ lý hỗ 
trợ có thể giúp cải thiện mức độ tương đồng kết 
vietnam medical journal n01 - MARCH - 2021 
72 
quả chẩn đoán giữa các chuyên gia GPB [9]. 
Sự hình thành vi ống và cấp độ hạt nhân là 
hai thành phần quan trọng khác trong phân loại 
mô bệnh học của ung thư vú. Tuy nhiên, các 
phương pháp hoàn toàn tự động cho hai nhiệm 
vụ này vẫn đang được phát triển. Công việc 
được công bố hiện tại tập trung vào phân tích 
cấu trúc mô có thể được sử dụng cho các nhiệm 
vụ này. Romo-Bucheli và cộng sự đã huấn luyện 
một mô hình CNN để phát hiện các hạt nhân vi 
ống và tính toán số liệu thống kê về các hạt 
nhân để dự đoán các phân loại rủi ro Oncotype 
DX. Veta và cộng sự đề xuất một loạt các thuật 
toán phi CNN để phân đoạn và phát hiện hạt 
nhân. Những phân đoạn này sau đó được sử 
dụng để phát hiện hạt nhân để phân tích hình 
thái sâu hơn nữa [9]. 
IV. KẾT LUẬN 
Những tổng quan về những tiến bộ giải phẫu 
bệnh học kỹ thuật số và áp dụng trong ung thư 
vú trên thế giới đã cho thấy tiềm năng của 
việcxây dựng và triển khai ứng dụng AI trong 
chẩn đoán bệnh lý các bệnh ung thư nói chung 
và ung thư vú nói riêngtrên người Việt Nam. Ứng 
dụng AI trong chẩn đoán Ung thư vú dựa trên 
ảnh giải phẫu bệnh kỹ thuật số hóa sẽ giúp giải 
quyết những thách thức còn đang tồn tại trong 
lĩnh vực này và hứa hẹn sẽ mang lại những kết 
quả đột phá trong tương lai ở Việt Nam. 
TÀI LIỆU THAM KHẢO 
1. Prewitt J.M. và Mendelsohn M.L. (1966). The 
analysis of cell images. Ann N Y Acad Sci, 128(3), 
1035–1053. 
2. Mukhopadhyay S., Feldman M.D., Abels E. và 
cộng sự (2018). Whole Slide Imaging Versus 
Microscopy for Primary Diagnosis in Surgical 
Pathology: A Multicenter Blinded Randomized 
Noninferiority Study of 1992 Cases (Pivotal Study). 
Am J Surg Pathol, 42(1), 39–52. 
3. Williams B.J., DaCosta P., Goacher E. và cộng 
sự (2017). A Systematic Analysis of Discordant 
Diagnoses in Digital Pathology Compared With 
Light Microscopy. Arch Pathol Lab Med, 141(12), 
1712–1718. 
4. Ozkan T.A., Eruyar A.T., Cebeci O.O. và cộng 
sự (2016). Interobserver variability in Gleason 
histological grading of prostate cancer. Scand J 
Urol, 50(6), 420–424. 
5. Cruz-Roa A., Gilmore H., Basavanhally A. và 
cộng sự (2017). Accurate and reproducible 
invasive breast cancer detection in whole-slide 
images: A Deep Learning approach for quantifying 
tumor extent. Sci Rep, 7, 46450. 
6. Han Z., Wei B., Zheng Y. và cộng sự (2017). 
Breast Cancer Multi-classification from 
Histopathological Images with Structured Deep 
Learning Model. Sci Rep, 7(1), 1–10. 
7. Ehteshami Bejnordi B., Veta M., Johannes 
van Diest P. và cộng sự. (2017). Diagnostic 
Assessment of Deep Learning Algorithms for 
Detection of Lymph Node Metastases in Women 
With Breast Cancer. JAMA, 318(22), 2199–2210. 
8. Veta M., Heng Y.J., Stathonikos N. và cộng 
sự. (2019). Predicting breast tumor proliferation 
from whole-slide images: The TUPAC16 challenge. 
Med Image Anal, 54, 111–121. 
9. Veta M., Kornegoor R., Huisman A. và cộng 
sự. (2012). Prognostic value of automatically 
extracted nuclear morphometric features in whole 
slide images of male breast cancer. Mod Pathol Off 
J U S Can Acad Pathol Inc, 25(12), 1559–1565. 
ĐÁNH GIÁ HIỆU QUẢ DỰ PHÒNG NÔN, BUỒN NÔN BẰNG 
DEXAMETHASON 8MG VÀ ONDASETRON 4MG TRONG GÂY TÊ 
TỦY SỐNG BẰNG BUPIVACAIN VÀ MORPHIN TRONG MỔ LẤY THAI 
Phạm Thị Anh Tú*, Công Quyết Thắng**, Lưu Quang Thùy*** 
TÓM TẮT19 
Mục tiêu: Đánh giá hiệu quả dự phòng nôn và 
buồn nôn bằng dexamethasone 8mg và ondansetron 
4mg trong gây tê tủy sống bằng bupivacain và 
morphin sulphat để mổ lấy thai thực hiện tại bệnh 
*Bệnh viện phụ sản Hải Phòng 
**Đại học Y Hà Nội 
***Bệnh viện Việt Đức 
Chịu trách nhiệm chính: Phạm Thị Anh Tú 
Email: phamthianhtu@gmail.com 
Ngày nhận bài: 4.01.2021 
Ngày phản biện khoa học: 26.2.2021 
Ngày duyệt bài: 8.3.2021 
viện phụ sản Hải phòng trong thời gian từ tháng 
10/2018 đến tháng 2/2019. Phương pháp nghiên 
cứu: Thử nghiệm lâm sàng ngẫu nhiên tiến cứu có so 
sánh. Nhóm đối chứng (nhóm 1): sử dụng thuốc 
chống nôn bằng dexamethasone 8mg và nhóm nghiên 
cứu (nhóm 2): có sử dụng phối hợp thuốc chống nôn 
dexamethasone 8mg và ondansetron 4mg. Kết quả 
nghiên cứu: Tỷ lệ nôn - buồn nôn ở nhóm sử dụng 
đơn thuần dexamethasone (với 15,6%) cao hơn so với 
nhóm sử dụng phối hợp phối hợp dexamethasone và 
ondansetron (với 6,9%) với sự khác biệt có ý nghĩa 
thống kê. Mức độ nôn - buồn nôn ở nhóm sử dụng 
đơn thuần dexamethason nặng hơn so với nhóm sử 
dụng phối hợp dexamethasone và ondansetron ở tất 
cả các các mức độ. Kết luận: Nên sử dụng phối hợp