核心结论：西奈山医学中心研究团队开发出首个基于人工智能的心房颤动（AF）个体化治疗决策模型，通过整合患者电子健康记录，精准评估卒中风险与大出血风险的平衡关系，辅助临床医生决策是否使用抗凝药物（血液稀释药物）。该模型突破传统基于人群统计数据的决策模式，为每位患者提供个体化风险评估，或引发心血管疾病治疗范式的根本性转变。
研究重要性：作为全球最常见的心律失常类型，心房颤动影响全球约5900万人。该疾病导致心房颤动，促使血液淤滞形成血栓，血栓脱落后可引发脑卒中。抗凝药物虽为标准治疗方案，但存在导致大出血的风险。本研究开发的AI模型通过分析患者电子健康记录，综合评估卒中风险与治疗相关出血风险，实现真正意义上的个体化医疗，显著区别于现有基于平均风险评分的临床决策工具。
研究创新性：本研究首次构建基于患者全部临床特征的个体化AI模型，采用净获益计算方法平衡卒中预防与出血风险。研究团队在180万患者（2100万次就诊、8200万条医疗记录、12亿数据点）中训练模型，并在38,642名西奈山心房颤动患者中验证，同时利用斯坦福公开数据集对12,817例病例进行外部验证。
研究结果：模型生成的治疗建议显著降低抗凝药物使用率，约50%原本符合抗凝治疗标准的患者被重新分类为无需抗凝治疗。该模型不仅可计算初始治疗建议，还能基于患者就诊前的完整电子健康记录动态更新建议，将风险分解为卒中概率与大出血概率，显著降低临床医生的认知负担。
临床意义：西奈山福斯特心脏医院机器学习主任Joshua Lampert博士指出："该研究革新了心房颤动抗凝治疗管理方式，突破临床医生将人群统计数据外推至个体的局限性，实现真正以患者为中心的个体化决策。" 研究通讯作者、西奈山人工智能与人类健康温德莱希部门主席Girish Nadkarni博士强调："该AI模型通过整合电子健康记录中的海量数据，生成个性化治疗建议，突破传统'一刀切'的风险评分体系，为精确抗凝策略提供真实范式转变。"
研究展望：西奈山福斯特心脏医院心电生理主任Vivek Reddy博士表示："若未来随机临床试验证实该模型的有效性，将对患者护理和预后产生深远影响。" 共同第一作者Justin Kauffman数据科学家补充："我们创建了全新的风险评估系统，通过分析完整医疗史，为患者提供具体的卒中与大出血风险预测，帮助医患双方获得清晰的个体化决策依据。"
【全文结束】
