台大醫院跨院開發「可解釋AI」 精準預測心房顫動中風風險

心房顫動是最常見的一種心律不整，更是引發腦中風的主要元兇。為了在「預防中風」與「減少藥物出血風險」間取得精確平衡，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，為病人量身打造個人化風險評估，邁向精準醫療，研究成果已正式發表國際頂尖期刊《npj Digital Medicine》。

當病人被診斷為心房顫動時，醫師面臨的關鍵問題在於是否需要使用抗凝血藥物預防中風，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成為臨床決策的核心。

台大醫院研究團隊指出，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，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。相較之下，台大醫院跨院研究所建立的AI模型更像「柔軟的皮尺」，可依據病人的年齡、病史與用藥等多元資料，動態調整各項風險因子的權重，使預測結果更貼近個人化需求，實現精準醫療目標。

台大醫院研究團隊整合臨床醫學、流行病學、生物統計、資料科學、人工智慧與軟體醫材開發等各項專業，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，展現跨院應用的潛力。研究特別建立傳統且具高度可解釋性的「邏輯斯迴歸模型」以及能捕捉複雜關係的機器學習模型(XGBoost)，透過雙模型設計，在預測準確度與模型透明性間取得平衡，避免AI淪為無法解釋的「黑箱」。

台大醫院研究團隊指出，為提升臨床實用性，研究導入可解釋性分析技術，清楚呈現各項風險因子的影響方向與權重，醫師不僅能獲得風險預測數值，更能理解其背後原因，有助於醫病溝通與臨床決策。研究也檢視模型在不同性別與病史族群間的表現一致性，降低潛在偏差風險，回應醫療AI在公平性與健康平權上的重要議題。

台大醫院研究團隊表示，醫療人工智慧的價值不僅在於預測更準確，更重要的是是否透明、是否可信，以及是否能實際應用於臨床。該研究從傳統「硬尺」式評估進化為「柔軟皮尺」的個人化預測模式，象徵醫療決策由標準化邁向精準化與個人化的重要轉變。透過跨院合作與真實世界資料驗證，該研究為醫療AI建立一條兼具科學性、可解釋性與臨床可行性的發展路徑。