臺大醫院跨院合作研究，替心房顫動病患的中風風險評估，透過AI協助帶來新突破！研究團隊最新開發出具備「可解釋性」的人工智慧模型，不只登上國際頂尖期刊《npj Digital Medicine》，更在跨院驗證中展現明顯優勢。根據研究的結果顯示，預測分類準確度（AUC）都比傳統工具大幅提升約4成，顯示AI模型可維持穩定且更高的辨識中風能力。
新竹臺大分院內科部賴超倫主任表示，對一般人來說，心房顫動可能只是「心跳亂一下」，但在醫師眼中，這其實是腦中風的重要警訊。因為心房顫動一旦讓心臟內形成血栓，血塊就可能隨著血流跑到腦部，進一步造成缺血性腦中風。
也因此，臨床上遇到心房顫動患者時，是否要使用抗凝血藥物，往往是治療決策的關鍵。不過問題在於，抗凝血藥可以降低中風機率，卻也同時增加出血風險，醫師必須在「防中風」與「防出血」之間，替每名病人找到最適合的平衡點。
過去，臨床上最常用的是固定加權的風險評分工具。這類工具的優點是簡單、容易記，但缺點也很明顯，就是很難完整反映每個病人的差異。臺大研究團隊就用一個很白話的比喻來形容，傳統工具像是「硬尺」，每個人都用同一套刻度去量；但新開發的AI模型預測，更像是「柔軟的皮尺」，可以根據患者的年齡、病史、用藥紀錄，甚至其他器官疾病等背景資訊，動態調整各項因子的權重，更貼近個人狀況。
也就是說，同樣一個風險因子，放在不同病人身上，影響程度可能完全不一樣。
賴超倫也舉例說明，同樣用傳統量尺來看，一位70歲且有中風、高血壓、糖尿病並使用抗血小板藥物的個案，傳統分數雖可歸為高風險，但AI模型能進一步估出高風險達83%；另一名52歲、雖有高血壓與心衰竭、且使用抗心律不整藥物的個案，AI則可判定為中度風險1.5%。這種「不是只看分數，而是看整體狀況」的做法，也正是精準醫療的核心精神。
賴超倫表示，這項研究是以臺大醫院醫療整合資料中心為基礎，納入2007年至2016年間共9511位新診斷心房顫動個案，目標是預測患者在診斷後1年內發生缺血性中風的風險。研究並沒有一味追求最複雜的演算法，而是同時建立兩類模型，一種強調可解釋性，讓醫師能看懂各項危險因子的權重，另一種則著重預測效能，幫助挖掘傳統統計方法較難看出的細微關聯。
而這項研究最重要的亮點，不只是模型在臺大本院資料中成立，更成功做到了跨院驗證。團隊將模型進一步套用到新竹臺大分院1300位心房顫動患者，以及臺大醫院雲林分院1242位患者身上，驗證其穩定性與泛用性。結果顯示，在新竹臺大分院，透過新技術，預測值可達0.877與0.886，明顯優於傳統工具的0.614；在雲林分院，新模型的預測準確度也高達0.882與0.879，也高於傳統工具的0.621。換算後可見，新模型在兩個外部院區的表現都比傳統方法高出4成左右。
另外，醫療AI常被質疑像「黑箱」，算得出結果，卻說不清原因，這也讓不少第一線醫師對AI抱持保留態度。這次臺大團隊特別強調「可解釋AI」概念，就是要讓醫師不只看到一個風險數字，更能理解背後是哪些因素在推動結果。更能指出關鍵臨床預測因子，例如缺血性中風病史、年齡、高血壓、糖尿病、Warfarin用藥、抗血小板藥物等，讓AI不再只是冰冷的分數，而是更貼近醫師日常臨床思維的輔助工具。
研究團隊也提到，醫療人工智慧真正的價值，並不只是「算得比較準」，而是必須同時具備透明、可信與能落地應用的特質。這項研究從「硬尺」走向「柔軟皮尺」，象徵醫療決策正從標準化評估，走向更精準、更個人化的時代。對心房顫動患者來說，未來醫師在判斷是否該使用抗凝血藥物時，或許不再只是依賴固定分數，而是能透過更貼近個人條件的AI分析，做出更細緻的治療決定。
這項研究由臺大醫院總院、新竹臺大分院與臺大公共衛生學院跨領域合作完成，整合臨床醫學、流行病學、生物統計、資料科學、人工智慧與軟體醫材等專業。研究成果已於日前正式發表於Nature系列的頂級期刊《npj Digital Medicine》。
第一作者林芷瑋，臺大公共衛生學院流行病學與預防醫學研究所 博士生
張振旻博士
新竹臺大分院潘恆宇醫師
臺大醫院副院長何奕倫醫師
臺大公共衛生學院副院長杜裕康教授
通訊作者新竹臺大分院內科部主任賴超倫醫師
