臺灣大學與東京大學舉辦定量生物、計算與影像生醫國際研討會
臺大醫院跨院合作研究登國際頂尖期刊 打造「可解釋AI」 精準預測心房顫動中風風險
更新日期：115年4月29日
臺大醫院總院與新竹、雲林分院組成跨領域團隊，成功開發出一套具備「可解釋性」的人工智慧(AI)預測模型，研究成果已發表於數位醫療權威期刊npj Digital Medicine。
心房顫動(Atrial Fibrillation)是臨床最常見的心律不整，更是引發腦中風的主要元兇。長期以來，醫師在面對心房顫動患者時，必須在「投藥預防中風」與「減少抗凝血藥物出血風險」之間進行兩難抉擇。為了精準化這項決策，臺大醫院總院與新竹、雲林分院組成跨領域團隊，成功開發出一套具備「可解釋性」的人工智慧(AI)預測模型，研究成果已發表於數位醫療權威期刊npj Digital Medicine。
打造可解釋AI 讓風險評估更貼近個人
傳統臨床風險評分工具多採用固定的加權計算，雖然易於記憶，卻如同用「硬尺」測量所有人，難以捕捉個體間細微的差異。臺大團隊開發的 AI 模型則像是一把「柔軟的皮尺」，能根據患者的年齡、病史、用藥紀錄等多元資訊動態調整權重。最關鍵的突破在於，同一項風險因子在不同病人身上，AI 模型能給予正向或負向的加權比重，讓風險評估能真正貼近個人狀況，協助醫師為病人量身打造個人化的精準醫療方案。
結合大數據與AI 兼顧效能與透明性
臺大醫院研究團隊利用該院整合資料中心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臺大分院（1300 位）與雲林分院（1242 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之間取得平衡，避免AI淪為無法解釋的「黑箱」。
強化臨床信任 AI讓醫療實踐健康平權
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。研究亦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。
跨領域團隊合作 推動醫療AI落地
此計畫整合臨床醫學、流行病學、生物統計、資料科學及軟硬體轉譯等多項專業。第一作者林芷瑋為臺大公共衛生學院流行病學與預防醫學研究所博士生，負責整合臨床醫學與公衛資料科學，統籌研究設計與資料分析流程，並促進跨領域溝通與協作。張振旻博士具工程科學背景，專長於軟硬體原型開發、系統整合與生醫轉譯。新竹臺大分院潘恆宇醫師專長臨床心臟醫學與病歷資料分析，負責這項研究的病歷資料申請與整理。臺大醫院副院長何奕倫長期投入以病人為中心的遠距醫療實踐。臺大公共衛生學院副院長杜裕康為生物統計與縱貫性資料分析專家。此研究通訊作者新竹臺大分院內科部主任賴超倫，專長心臟醫學與醫療資料庫研究，長期投入創新醫材發展與臨床驗證。
醫療AI的下一步：不只是精準，還要個人化
臺大團隊強調，醫療 AI 的真正價值不僅在於準確度，更在於「透明、可信、可臨床應用」。這項研究為醫療 AI 建立一條兼具科學性與臨床可行性的路徑，讓科技更有溫度地照護每位患者。
