心房顫動是引發腦中風的主要元兇；而此時，醫師面臨的關鍵診斷問題在於，是否需要使用「抗凝血藥物」預防中風。因此如何精準評估中風風險成為目標；台大醫院研究團隊開發具備「可解釋性」的人工智慧預測模型，風險預估可達到近9成，研究成果已正式發表於國際期刊。
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。在台灣，35歲以上成人約15至20萬人可能暴露在心房顫動的風險。若被診斷為心房顫動，此時醫師要面臨的關鍵問題為「是否需要使用抗凝血藥物預防中風」。因為抗凝血治療雖能降低中風風險，卻同時增加出血風險，重點在於如何精準評估個別病人的中風風險。
為了在「預防中風」與「減少藥物出血風險」之間取得精確平衡，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。
台大醫院今（10）日召開記者會發表相關研究成果。新竹台大分院內科部主任賴超倫提到，研究透過台大醫院整合資料中心2007至2016年間、共9511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（1300 位）與雲林分院（1242 位）的病例進行驗證。
賴超倫提到，結果證實，模型在不同臨床場域中皆具備極高的適用性與穩定性，展現了跨院應用的潛力。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之間取得平衡，避免AI淪為無法解釋的「黑箱」。
新模型預估中風風險準確率達9成 研究成果發表國際頂尖期刊
賴超倫解釋，以抗凝血治療來說，因為會同時有出血風險的可能，對於「中間值」的患者，在用藥決策上可能需要更多的考量。而多年來，醫學上的預測指標，像是透過高血壓、糖尿病等統計加權，但這樣的評估方式就如同西裝師傅拿「很硬的尺」量測。
透過可解釋性AI模型，經過驗證，傳統指標只有6成是分類正確；但新的模型對於中風風險的預估準確率可達到近9成。
研究導入可解釋性分析技術，賴超倫指出，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。
相關研究在今年4月7日正式發表於數位醫療領域排名第一的「npj 數位醫學」（Digital Medicine）期刊。
我是廣告 請繼續往下閱讀
為了在「預防中風」與「減少藥物出血風險」之間取得精確平衡，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。
台大醫院今（10）日召開記者會發表相關研究成果。新竹台大分院內科部主任賴超倫提到，研究透過台大醫院整合資料中心2007至2016年間、共9511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（1300 位）與雲林分院（1242 位）的病例進行驗證。
賴超倫提到，結果證實，模型在不同臨床場域中皆具備極高的適用性與穩定性，展現了跨院應用的潛力。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之間取得平衡，避免AI淪為無法解釋的「黑箱」。
新模型預估中風風險準確率達9成 研究成果發表國際頂尖期刊
賴超倫解釋，以抗凝血治療來說，因為會同時有出血風險的可能，對於「中間值」的患者，在用藥決策上可能需要更多的考量。而多年來，醫學上的預測指標，像是透過高血壓、糖尿病等統計加權，但這樣的評估方式就如同西裝師傅拿「很硬的尺」量測。
透過可解釋性AI模型，經過驗證，傳統指標只有6成是分類正確；但新的模型對於中風風險的預估準確率可達到近9成。
研究導入可解釋性分析技術，賴超倫指出，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。
相關研究在今年4月7日正式發表於數位醫療領域排名第一的「npj 數位醫學」（Digital Medicine）期刊。
