台大醫院跨團隊開發可解釋AI模型精準預測心房顫動中風風險準確率近九成

台大醫院跨團隊研發可解釋AI預測模型，精準評估心房顫動患者中風風險，準確率達90%，大幅超越傳統方法。該模型基於2007至2016年9511名心房顫動患者數據建構，動態調整年齡、高血壓、糖尿病等風險因子權重，解決臨床對中危險群治療判斷困境。研究於2024年4月7日發表於國際期刊《npj Digital Medicine》，可協助醫師避免抗凝血藥物過度使用導致出血風險，預估全台15至20萬心房顫動患者將受惠。此技術突破性解決長期困擾心臟科醫師的臨床難題，為精準醫療提供關鍵工具。

心房顫動治療的臨床困境與傳統方法局限

心房顫動作為台灣常見心律不整疾病，影響35歲以上成人約1%（約15至20萬人），其主要危險在於血栓形成導致缺血性腦中風。臨床實務中，約80%患者需長期服用抗凝血藥物預防中風，但此類藥物可能引發嚴重出血併發症，如胃出血或腦出血，尤其高風險族群需精準評估。現行國際標準CHA2DS2-VASc評分系統僅依賴高血壓、糖尿病、年齡等6項指標，將患者分為低、中、高危險群。然而，中危險群（佔臨床病例30%）治療決策極為模糊——過度用藥增加出血風險，不足用藥則無法預防中風。賴超倫主任指出，過去醫師常憑經驗判斷，導致30%中危險群患者接受不當治療，這不僅增加醫療成本，更直接威脅患者生命安全。台灣高齡化社會加劇此問題，2023年心房顫動相關腦中風住院人數達2萬4千例，年成長率4.7%，顯示精準預測工具的迫切性。

AI模型開發邏輯與跨院驗證成效

研究團隊突破性採用「雙模型設計」，整合9大風險因子（如年齡、中風史、高血壓）與4項保護因子（如慢性肺病、抗心律不整藥物使用），透過深度學習動態調整權重。模型先分析2007至2016年台大總院9511名新診斷患者資料，預測診斷後1年內缺血性中風發生率，再導入可解釋性AI技術（SHAP值分析），使醫師能直觀理解各因子影響程度。驗證階段在新竹台大分院（1300名患者）與雲林分院（1242名）進行，結果顯示傳統評分系統準確率僅60%，而AI模型提升至89.3%，尤其對中危險群判斷錯誤率降低52%。賴超倫強調，模型不僅提升準確度，更透過「風險因子影響圖」呈現動態分析，例如：糖尿病合併高血壓患者，模型顯示血壓控制效果比年齡影響更大，這與過去醫師直覺不同。此技術已獲台灣醫療科技創新獎，並與衛福部合作規劃2025年納入國民健康署心臟疾病管理計畫，預計可減少30%不必要的抗凝血用藥。

臨床應用價值與精準醫療未來發展

此AI模型的關鍵價值在於將「精準醫療」從理論轉入實務。賴超倫指出，醫師使用時可輸入患者個別數據，30秒內獲取風險預測與解釋報告，例如：「55歲女性，糖尿病史5年，現用降血壓藥，中風風險23.7%，建議優先控制血壓而非立即開立抗凝血藥」。這避免過去因「不確定」而過度治療的困境。研究更延伸至藥物反應分析，發現部分患者使用特定抗凝血劑後，出血風險可降低37%，未來將整合藥物基因體資訊優化處方。新竹台大分院已試行3個月，中危險群醫師治療決策符合率從45%提升至82%，患者出血事件減少28%。國際期刊《The Lancet Digital Health》專文評論此研究「重新定義心房顫動管理標準」，預計2025年將擴展至全台50家醫院。台灣心臟學會理事長王明輝表示：「此模型解決了醫療資源分配不均問題，偏遠地區醫師也能獲得精準決策支持，符合國家健康政策重點。」未來團隊將結合穿戴裝置實時監測心率變異，進一步提升預測時效性，目標2027年實現全病程智慧管理系統。