廣告
精準預測心房顫動中風風險 台大AI模型如老醫師傳30年功力
【記者林芳如／台北報導】台灣35歲以上成人約有15至20萬人暴露在心房顫動風險中，心房顫動患者中風機率比一般人高出5至10倍。但吃抗凝血藥預防中風，同時也存在藥物出血風險，為了更精準評估病人吃藥好或不吃藥好，台大醫院研究團隊開發出更具「個人化」的AI預測模型，輔助年輕醫師迅速獲得老醫師30年的功力。
台大醫院內科部主任賴超倫說，心房顫動是老人常見的慢性心律不整，心房抖動會導致出現血栓，左心耳長出來的血塊如果脫落，沿著血管有可能跑到腦部造成梗塞，稱為缺血性腦中風。「心肌病變、瓣膜性心臟病、缺血性心臟血管狹窄、高血壓控制不良」等四大類病人容易發生心房顫動。
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，吃抗凝血藥物讓血液繼續流動避免長出血塊，進而預防中風。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，病人吃藥好、還是不吃藥好，成為臨床決策的核心。
賴超倫指出，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，包含心衰竭、高血壓、年齡、糖尿病、過去有無中風、血管疾病等，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。如果都「沒有」是 0 分，代表病人不太有中風風險，就不要冒吃藥的風險。如果大於等於 2 分，建議一定要吃藥，這時候中風風險比吃藥的出血風險大。1分左右介於灰色地帶。
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，突破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，動態調整各項風險因子的權重，讓風險評估更貼近個人狀況，邁向真正的精準醫療。
賴超倫指出，相較於傳統指標，AI預測模型可在每一千人中更精確找出102個人，「AI 的價值在模擬經驗豐富的資深醫師，就可以輔助年輕醫師迅速獲得老醫師30年的功力，像武俠小說一樣直接把功力灌到年輕醫師身上」。
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 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台大分院（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》。
