Trong y học hiện đại, tuổi sinh học, tức mức độ "già đi" thực sự của cơ thể, được xem là yếu tố quan trọng hơn tuổi theo năm sinh. Tuy nhiên việc đo lường tuổi sinh học thường phức tạp, tốn kém và khó áp dụng rộng rãi - Ảnh: Shuterstock
Nghiên cứu công bố trên tạp chí Nature Communications đã đề xuất một cách tiếp cận đơn giản hơn: sử dụng hình ảnh khuôn mặt để ước tính tuổi sinh học thông qua trí tuệ nhân tạo.
Công cụ có tên FaceAge phân tích các đặc điểm như cấu trúc da, độ đàn hồi, thể tích mô mềm và các dấu hiệu lão hóa để đưa ra "tuổi khuôn mặt". Khi tuổi này cao hơn tuổi thật, đó có thể là dấu hiệu cơ thể đang lão hóa nhanh hơn bình thường.
Trước đó, mô hình AI quy mô lớn FAHR-FaceAge đã được huấn luyện trên hơn 40 triệu hình ảnh khuôn mặt nhằm nhận diện các tín hiệu sức khỏe. Kết quả cho thấy những bệnh nhân có "tuổi khuôn mặt" cao hơn tuổi thật từ 5 năm trở lên có nguy cơ tử vong cao hơn khoảng 21%.
Điểm mới của nghiên cứu là không chỉ đo "tuổi khuôn mặt" tại một thời điểm, mà còn theo dõi sự thay đổi của nó theo thời gian, gọi là chỉ số tốc độ lão hóa khuôn mặt (FAR).
Các nhà khoa học đã phân tích dữ liệu từ 2.276 bệnh nhân ung thư đang xạ trị. Mỗi người có ít nhất hai ảnh khuôn mặt được chụp trong quá trình điều trị. Từ đó họ tính toán mức độ thay đổi tuổi sinh học theo thời gian.
Kết quả cho thấy một xu hướng rõ ràng: tốc độ lão hóa khuôn mặt càng nhanh, khả năng sống sót càng thấp.
Cụ thể ở nhóm có chỉ số FAR cao, nguy cơ tử vong tăng khoảng 25% trong thời gian ngắn, 37% ở giai đoạn trung hạn và lên tới 65% trong theo dõi dài hạn. Mối liên hệ này vẫn giữ nguyên ngay cả khi đã điều chỉnh các yếu tố như tuổi, giới tính hay loại ung thư.
Đáng chú ý, chỉ số này còn cho thấy giá trị dự báo mạnh hơn so với việc chỉ nhìn vào "tuổi khuôn mặt" tại một thời điểm. Nói cách khác, tốc độ lão hóa phản ánh chính xác hơn diễn tiến bệnh và phản ứng với điều trị.
Những thay đổi sức khỏe thường hiện rõ rất nhiều trên gương mặt - Ảnh: hedgehog94/Shutterstock.com
Vì sao khuôn mặt lại "phản ánh" tình trạng bệnh?
Theo các nhà khoa học, quá trình lão hóa sinh học không diễn ra đồng đều mà có thể tăng tốc trong những giai đoạn nhất định, đặc biệt khi cơ thể chịu tác động từ bệnh tật hoặc điều trị.
Ở bệnh nhân ung thư, nhiều yếu tố có thể thúc đẩy lão hóa nhanh hơn, bao gồm tổn thương DNA, viêm mạn tính, suy giảm miễn dịch hoặc tác dụng phụ của xạ trị và hóa trị.
Những thay đổi này không chỉ xảy ra bên trong cơ thể mà còn biểu hiện ra bên ngoài, đặc biệt trên khuôn mặt, nơi dễ quan sát các dấu hiệu như sụt cân, teo mô, da kém đàn hồi hoặc thay đổi sắc tố.
Do đó việc theo dõi khuôn mặt theo thời gian có thể gián tiếp phản ánh diễn tiến sức khỏe tổng thể của bệnh nhân.
Một trong những ưu điểm lớn nhất của phương pháp này là tính không xâm lấn, chi phí thấp và dễ triển khai trong thực tế lâm sàng. Khác với các xét nghiệm sinh học phức tạp, việc chụp ảnh khuôn mặt có thể thực hiện nhanh chóng và lặp lại nhiều lần trong quá trình điều trị. Điều này giúp bác sĩ theo dõi liên tục sự thay đổi của bệnh nhân mà không gây thêm gánh nặng.
Nếu được xác nhận thêm, chỉ số FAR có thể được tích hợp vào hệ thống đánh giá tiên lượng hiện tại để: giúp xác định bệnh nhân có nguy cơ cao, điều chỉnh cường độ điều trị, hoặc lựa chọn chiến lược chăm sóc phù hợp hơn, đặc biệt trong các giai đoạn bệnh tiến triển.
Dù mang lại nhiều triển vọng, nghiên cứu vẫn tồn tại một số hạn chế. Mẫu nghiên cứu chủ yếu là người da trắng và lớn tuổi, do đó chưa thể khái quát cho toàn bộ dân số.
Ngoài ra chưa thể khẳng định mối quan hệ nhân quả giữa tốc độ lão hóa khuôn mặt và nguy cơ tử vong. Các yếu tố khác như tình trạng suy kiệt do ung thư hay tác dụng phụ của điều trị cũng có thể ảnh hưởng đến kết quả.
Bên cạnh đó, việc sử dụng dữ liệu khuôn mặt trong y tế đặt ra những vấn đề về quyền riêng tư, đạo đức và nguy cơ sai lệch thuật toán, những yếu tố cần được giải quyết trước khi ứng dụng rộng rãi.
Các nhà khoa học cho rằng cần thêm các nghiên cứu tiền cứu, đa trung tâm và đa dạng dân số để xác nhận kết quả. Đồng thời việc kết hợp chỉ số FAR với các dấu ấn sinh học khác có thể giúp nâng cao độ chính xác trong dự báo.
Nếu được phát triển đúng hướng, công nghệ này có thể trở thành một công cụ hỗ trợ quan trọng trong y học chính xác, nơi mỗi bệnh nhân được điều trị dựa trên đặc điểm riêng của cơ thể, thay vì chỉ dựa vào chẩn đoán chung.
