編輯／境云
心房顫動是臨床上最常見的心律不整之一，也是引發腦中風的重要原因。對醫師來說，最大的難題不是診斷，而是「要不要用抗凝血藥」。用藥可以降低中風風險，但同時也會增加出血機率。如何在這兩者之間取得平衡，一直是臨床決策中最關鍵的問題。
近期由臺大醫院與新竹臺大分院合作的研究團隊，透過人工智慧技術，開發出一套「可解釋AI模型」，成功讓風險評估從過去的標準化，進一步走向個人化。研究成果也登上國際頂尖期刊《npj Digital Medicine》。
為什麼傳統評估不夠準？
目前臨床常用的中風風險評分工具，多半採用固定加權方式。簡單來說，就是「同樣的條件，所有人加分都一樣」。這樣的方式雖然方便，但問題在於，每個人的身體狀況其實差異很大。同樣是年齡、慢性病或用藥，在不同人身上，影響程度可能完全不同。這就像用一把「硬尺」去測量每個人，忽略了個體之間的差異。
AI模型如何改變這件事？
這項研究的突破，在於打造一個像「柔軟皮尺」的AI模型。
研究團隊納入臺大醫院2007年至2016年間共9,511位新診斷心房顫動患者資料，並進一步在新竹與雲林分院進行外部驗證（分別1,300與1,242人），確保模型在不同臨床場域下仍具有穩定性。
與傳統評分不同，這套AI模型可以根據個人的年齡、病史與用藥狀況，動態調整各項風險因子的權重。也就是說，同一個因素，在不同患者身上，可能產生不同影響，讓預測結果更貼近真實狀況。
準確之外，更重要的是「看得懂」
過去醫療AI最大的問題之一，就是「黑箱」。模型雖然準確，但醫師無法理解它是如何得出結論，導致臨床上難以信任與應用。
這次研究特別結合兩種模型：
一種是傳統且具可解釋性的邏輯斯迴歸，另一種則是能捕捉複雜關係的機器學習模型（XGBoost）。
透過雙模型設計，在「準確度」與「可解釋性」之間取得平衡。醫師不只知道風險高低，還能理解「為什麼會高」，這對臨床決策與醫病溝通非常關鍵。
AI不只是科技，更是臨床信任
研究團隊也進一步檢視模型在不同性別與病史族群中的表現，降低偏差風險，讓AI更符合醫療公平與健康平權的需求。這代表AI不只是工具，而是可以真正進入臨床決策的輔助系統。對病人來說，這樣的改變也意味著，未來治療不再只是依照「平均值」，而是更貼近個人的身體狀態。
醫療AI的下一步：從精準到個人化
這項研究最大的意義，不只是讓預測更準確，而是讓醫療更「個人化」。從過去的標準化評分（硬尺），走向能依個體調整的預測模型（柔軟皮尺），象徵醫療決策模式的重要轉變。當AI不再只是計算工具，而是能被理解、被信任、被應用，才真正具備改變醫療的價值。
資料來源
臺大醫院
延伸閱讀