心房顫動患者能更準確預測中風風險嗎？

心房顫動影響全球超過5800萬人，並大幅增加中風風險。然而，目前用於評估此風險的工具，如傳統評分系統，仍然不夠精確，且未能考慮患者各種健康因素之間的複雜交互作用。

一組研究人員開發了新的人工智慧模型，能夠預測剛被診斷出心房顫動的患者在一年內發生中風的風險。這些模型僅使用容易獲取的資訊：患者的年齡、病史和正在服用的藥物。與傳統方法不同，這些工具能分析這些因素之間的微妙關係，從而提供更個人化且更可靠的風險評估。

研究結果令人信服。兩個測試模型，一個基於經典統計方法，另一個基於先進的機器學習技術，都展現出比現有方法更高的精確度，能更好地區分高風險患者。這些模型的性能已在不同患者群體中得到驗證，確認其在各種臨床情境下的可靠性。此外，這些模型還能根據個體需求調整風險閾值，對老年患者或有多種健康問題的患者尤為實用。

另一大優勢是使用簡便。這些模型不需要血液檢查或醫學影像，而這些檢查往往在診斷時難以立即獲得。因此，這些模型在醫院日常實踐中更易於應用。研究人員還確認，這些工具對男性和女性患者同樣有效，避免了性別偏見。

從長遠來看，這些模型還有助於識別最能從抗凝治療中獲益的患者。數據顯示，被這些工具評定為高風險的患者，如果服用抗凝藥物，其中風風險會顯著降低，而這是傳統方法無法做到的。

這一進展為更個人化的醫療開闢了道路。醫生不久後或能依據這些預測，根據每位患者的獨特狀況調整治療方案，從而減少可避免的中風發生，並改善心房顫動的整體管理。

Sources et crédits

Étude source

DOI : https://doi.org/10.1038/s41746-026-02470-3

Titre : Interpretable machine learning models for stroke risk prediction in patients with newly diagnosed atrial fibrillation

Revue : npj Digital Medicine

Éditeur : Springer Science and Business Media LLC

Auteurs : Jesse Chih-Wei Lin; Chen-Min Chang; Heng-Yu Pan; Yi-Lwun Ho; Yu-Kang Tu; Chao-Lun Lai