AI幫醫師算風險！臺大打造預測模型 精準判斷「是否投藥」

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，但臨床上是否使用抗凝血藥物，往往必須在「預防中風」與「出血風險」之間權衡。臺大醫院總院與新竹臺大分院研究團隊為此開發具「可解釋性」的AI預測模型，透過分析病人年齡、病史與用藥等多項因素，動態調整風險權重，協助醫師更精準評估是否需要使用抗凝血藥物，提升個人化醫療決策。

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。

過去十多年來，醫界已發展出多項中風風險預測指標，透過將性別、年齡、慢性病史與其他風險因子加權計算，量化評估患者是否需要使用抗凝血藥物。不過，這些傳統評分工具多採固定權重計算，雖然簡單易用，卻難以精準反映每位患者的個別差異。

對此，國立臺灣大學醫學院附設醫院今（10）日召開記者會宣布，跨院研究團隊成功開發具「可解釋性」的人工智慧預測模型，打造「可解釋AI」，能更精準預測心房顫動患者的中風風險，協助醫師判斷是否需要使用抗凝血藥物，提升臨床決策的精準度。

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，此次研究所建立的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。

臺大醫院研究團隊利用臺大醫院整合資料中心2007至2016年間、共9,511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臺大分院（1,300 位）與雲林分院（1,242 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。

研究團隊表示，此次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，避免AI淪為無法解釋的「黑箱」。

研究團隊進一步指出，這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，為病人量身打造個人化風險評估，邁向真正的精準醫療。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》。

除此之外，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。研究團隊說明，這樣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」，從過去傳統「硬尺」式評估，進化為「柔軟皮尺」的個人化預測模式，象徵醫療決策由標準化邁向精準化與個人化的重要轉變。