記者簡浩正／台北報導
心房顫動是最常見的一種心律不整，更是引發腦中風的主要元兇。為了在「預防中風」與「減少藥物出血風險」之間取得精確平衡，台大醫院總院與新竹台大分院組成跨領域研究團隊，成功開發出具備「可解釋性」的人工智慧預測模型。為病人量身打造個人化風險評估。研究成果已正式發表於數位醫療領域排名第一的權威期刊《npj Digital Medicine》。
台大醫院副院長何奕倫表示，心房顫動常見四族群，包括有心肌病變、瓣膜性心臟病、缺血性心臟血管狹窄、高血壓未控制好等病人。
新竹台大分院內科部主任賴超倫表示，據研究統計台灣約1%成年人有心房顫動問題、約10至20萬人暴露在中風風險當中。上述項研究突破了傳統臨床評分工具的侷限，能像「柔軟的皮尺」般，根據每位病人的年齡、病史與用藥紀錄等多元資訊，靈活調整；同一個因素，在不同的病人，可以有正向負向完全不同的加權比重，讓風險評估更貼近個人狀況，邁向真正的精準醫療。
他說，當病人被診斷為心房顫動，醫師面臨的關鍵問題在於是否需要使用抗凝血藥物預防中風。然而，抗凝血治療雖能降低中風風險，卻同時增加出血風險，因此如何精準評估個別病人的中風風險，成為臨床決策的核心。研究團隊指出，現行臨床常用的風險評分工具雖簡單易記，但多採固定加權方式，如同以「硬尺」衡量個體差異，難以精準反映每位病人的真實風險。相較之下，本研究所建立的AI模型，更像「柔軟的皮尺」，可依據病人的年齡、病史與用藥等多元資料，動態調整各項風險因子的權重，使預測結果更貼近個人化需求，實現精準醫療目標。
賴超倫指出，台大醫院研究團隊利用台大醫院整合資料中心2007至2016年間、共9511位新診斷心房顫動病例進行開發，並進一步將模型套用於新竹台大分院（1300 位）與雲林分院（1242 位）的病例進行驗證。結果證實，該模型在不同臨床場域中皆具備極高的適用性與穩定性，展現了跨院應用的潛力。研究特別建立傳統且具高度可解釋性的「邏輯斯迴歸模型」以及能捕捉複雜關係的機器學習模型（XGBoost），透過雙模型設計，在預測準確度與模型透明性之間取得平衡。
為提升臨床實用性，研究導入可解釋性分析技術，清楚呈現各項風險因子的影響方向與權重。醫師不僅能獲得風險預測數值，更能理解其背後原因，有助於醫病溝通與臨床決策。研究團隊表示，醫療人工智慧的價值，不僅在於預測更準確，更重要的是「是否透明、是否可信、是否能實際應用於臨床」。本研究為醫療AI建立一條兼具科學性、可解釋性與臨床可行性的發展路徑。
更多三立新聞網報導
． 失言？陳佩琪脫口說「我們的錢」律師：可能在釋放「二審部分認罪」訊息
． 吃太酸、辣都不好！醫曝清明養肝「7大禁忌」：宅在家不出門也中
． 「不夠累才失眠」是錯的！醫曝16%成人陷困境「5招」重啟好眠
． B流佔比飆到7成！男童3次就醫爆「複視」重症 住院2週未脫險