【健康醫療網／記者黃嫊雰報導】心房顫動是引發缺血性腦中風的原因之一，據統計確診人數約為14萬至15萬人。臨床上常見使用抗凝血藥物治療，但部分患者可能面臨出血風險，醫師在決定治療選項前需謹慎評估，而過去傳統風險評估工具仍有侷限。臺大醫院總院與新竹臺大分院組成跨領域研究團隊，開發出「可解釋AI」模型，可根據個別患者的年齡、病史、用藥史等動態調整風險因子的加權比重，進行個人化評估，醫師也可掌握風險預測數值的背後原因，有助臨床實際應用的推廣。
心房顫動恐引發中風 抗凝血治療卻存在隱憂
臺大醫院內科部賴超倫主任指出，心房顫動患者多為老年族群，當心臟節律異常時，容易導致血液在左心房形成血栓，若血塊脫落後沿著血管進入腦部，便可能造成缺血性腦中風。臨床上主要透過口服抗凝血藥物降低血栓形成風險，但同時也可能增加腦或腸胃道嚴重出血的機率，使醫師必須在「使用藥物預防中風」與「避免出血風險」之間反覆權衡利弊，再做出是否用藥的決策。
現行臨床普遍使用的風險評估工具，多採用固定加權機制，將年齡、心衰竭、高血壓、糖尿病及中風病史等預測因子轉化為分數進行累加。賴超倫主任表示，該工具已使用逾二十年，不過面對複雜的個體差異時，就像西裝裁縫用硬尺測量身體各部位，臨床觀察準確度仍有限。患者若為0分，中風風險較低，可能無需使用抗凝血藥物；若為2分以上中風風險較高，建議應考慮用藥，但如果分數落於灰色地帶，則較難作為參考依據，整體預測準確表現約在6成左右。
大數據結合AI 臺大醫院打造風險評估新模型
臺大醫院研究團隊運用臺大醫院整合資料中心2007年至2016年間、約9,511名新診斷心房顫動患者資料，並利用預測模型，評估患者一年內發生缺血性腦中風的風險，研究成果已於今（2026）年4月發表於數位醫療領域權威期刊npj Digital Medicine。賴超倫主任說明，研究同時使用兩種模型進行相互驗證，一種是與傳統模型接近的「邏輯斯迴歸」模型；另一種則是「機器學習（XGBoost）」，各個預測因子的加權分數是浮動的，模型將依患者年齡、病史與用藥紀錄等因素進行動態調整。
賴超倫主任舉例，有中風病史者通常會被預測為高風險患者；而過去未曾中風者，其病史在機器學習模型中反而是保護因子。換言之，同一個因子在不同個體中，影響方向和權重也不同，與傳統模型的標準化指標呈現差異。
▲機器學習模型顯示不同患者的預測因子加權比重也不同。（圖／臺大醫院提供）
跨院驗證研究模型穩定性 醫師以個案說明臨床應用
為進一步驗證AI模型的穩定性與泛用性，研究團隊分別使用新竹及雲林分院共2,500筆資料進行跨院驗證，結果顯示模型預測準確度表現傾向一致。賴超倫主任分享，有一位52歲的男性罹患高血壓和心衰竭，同時服用抗心律不整藥物，在傳統指標中屬於2分以上的高風險患者，需考慮用藥；機器學習模型將其相對較輕的年齡列入考量，歸納為中度風險，經評估可能無需用藥。具體治療決策的制定，仍需綜合評估臨床指引、患者檢驗數據、影像結果等。
AI工具兼顧透明性 研究團隊：盼增加臨床信任
賴超倫主任表示，AI的應用價值在於可透過長期累積的臨床資料學習決策模式，輔助年輕醫師制定治療方案。團隊成員之一、臺大公共衛生學院流行病學與預防醫學研究所林芷瑋博士生補充，過去傳統AI醫療工具存在「黑箱」問題，其預測結果的形成機制不夠透明，包括為什麼會產生這樣的結果、每個因子扮演的角色等其實皆是未知，進而影響醫師採用意願。
林芷瑋博士生說明，本次研究所導入的「可解釋AI」概念由歐盟等機構於近年推動，旨在讓醫師可理解預測結果背後的影響因子，期待成為臨床對AI工具建立信任的起點。該模型目前則處於研究階段，在正式應用於臨床前，還需通過食藥署審查，因此未來將進行更大規模的研究，以持續驗證其效果和安全性。
