西奈山医院的一项研究可能彻底革新标准治疗方案，并对全球健康产生深远影响。研究人员开发出一款AI模型，为心房颤动（AF）患者提供个性化治疗建议。
个性化治疗建议通过映射患者个体特征与特定治疗方案的决策规则，实现最佳临床效益。这一精准医学核心框架突破了传统"一刀切"模式，利用机器学习和统计方法分析数据，通过高级处理评估临床结果。
该突破性技术能帮助临床医生准确判断是否需要使用抗凝药物（血液稀释剂）预防中风——当前AF患者的标准治疗方案。该模型为临床决策提供了全新方法论，可能代表该领域范式转变的方向。
在最新研究中，AI模型建议约50%原本需接受标准护理工具推荐抗凝治疗的AF患者无需用药。这将对全球健康产生重大影响。
AF是最常见的心律失常，影响全球约5,900万人。发病时心脏上腔室颤动导致血液淤滞形成血栓，这些血栓可能脱落进入大脑引发中风。抗凝药物是预防此类患者群体血栓和中风的标准治疗方案，但在某些情况下可能引发重大出血事件。
电子健康记录分析
该AI模型通过患者完整电子健康记录生成个性化治疗建议。它权衡中风风险与重大出血风险（包括自发性或药物引发的出血），相较当前临床实践实现真正的个体化决策。现有临床决策依赖的评分工具仅提供研究人群平均风险估计，而该模型能提供患者级风险预估，并基于治疗获益与风险平衡生成推荐。
这项研究可能改变临床医生治疗常见疾病时减少中风和出血事件的方式。
首个个体化临床模型
这是首个通过患者全部临床特征计算潜在风险估值，为AF患者提供临床决策的AI模型。该模型整合中风预防与出血控制，生成综合净效益建议。
研究人员使用180万名患者（涵盖2,100万次就诊、8,200万条记录及12亿个数据点）的电子健康记录进行训练。通过西奈山医疗系统内38,642名AF患者的验证，并采用斯坦福公开数据集的12,817例病例进行外部验证。
模型生成的治疗建议有效平衡中风预防与出血控制。它重新评估约50%AF患者的抗凝治疗必要性——这些患者按照现行治疗指南本应接受抗凝治疗。
【全文结束】