西奈山研究人员开发出一种人工智能模型，可为心房颤动（AF）患者提供个性化治疗建议，协助临床医生精准判断是否需要使用抗凝药物（血液稀释剂）预防中风——目前此类患者的标准治疗方案。该模型提出了与现有临床决策方式截然不同的全新方法，可能引发该领域的范式变革。
研究显示，对于按传统护理标准工具本应接受抗凝治疗的AF患者，AI模型建议其中最高达50%的患者无需此类治疗。这一发现可能对全球健康产生深远影响。
AF是最常见的心律失常类型，全球约5900万人受其影响。在AF发作期间，心脏上腔室会震颤，导致血液滞留并形成血栓。这些血栓可能脱落进入大脑引发中风。抗凝药物是当前预防此类患者血栓和中风的标准治疗方案，但某些情况下可能导致严重出血事件。
该AI模型利用患者的完整电子健康记录生成个性化治疗建议。它通过权衡患者发生中风的风险与主要出血（无论自发性或药物引发）的风险，实现相较于现有实践的真正个体化决策。目前临床实践中，医生使用的风险评分工具提供的仅是基于研究人群平均数据的估算值，并不针对个体。
因此，该模型能提供患者个体层面的风险预估，并据此做出兼顾治疗获益与风险的个性化推荐。
该研究可能彻底改变临床医生治疗这一常见疾病的方式，以最小化中风和出血事件。这也是首个已知的使用患者个体风险预估的AI模型，通过整合其实际临床特征数据进行临床决策，计算预防中风和出血的综合净获益推荐。
研究人员利用180万患者超过2100万次就诊记录、8200万条临床笔记和12亿个数据点训练模型，并在西奈山医疗系统38,642名AF患者中进行验证，同时使用斯坦福大学公开数据集12,817例病例完成外部验证。
模型生成的治疗建议成功实现了中风和出血风险的控制，将约半数AF患者重新归类为无需抗凝治疗——这些患者在现有治疗指南下本会接受抗凝药物治疗。
该研究通讯作者、西奈山福斯特心脏医院机器学习主任约书亚·兰珀特医生（Joshua Lampert）指出："这项研究标志着我们管理AF患者抗凝治疗方式的深刻现代化，可能改变临床决策的范式。这种模型克服了医生将群体统计学数据外推到个体时的局限性——这是临床工作核心目标。模型不仅可计算初始推荐，还能基于患者就诊前的完整电子健康记录动态更新建议。"
他强调："值得注意的是，这些建议可分解为中风和大出血的概率，从而减轻了医生权衡个体患者风险的认知负担，避免了额外数据收集的人力劳动，并提供了明确的可理解风险特征，有助于患者咨询。"
共同通讯作者、西奈山伊坎医学院人工智能与人类健康温德赖希部门主席吉里什·纳德拉尼医生（Girish Nadkarni）补充："这项工作展示了先进AI模型如何整合电子健康记录中的数十亿数据点生成个性化治疗建议。通过超越'一刀切'的群体风险评分，我们现在能为临床医生提供个体化的中风和出血概率预测，实现共同决策和精准抗凝策略，这代表了真正的范式转变。"
西奈山福斯特心脏医院心电生理学主任维韦克·雷迪医生（Vivek Reddy）表示："预防中风是管理AF患者最重要的目标。这种心律失常预计将影响三分之一成年人的终生。如果未来随机临床试验证实该AI模型在区分高低风险患者方面仅达到我们研究中观察到的部分效果，模型将对患者治疗和预后产生深远影响。"
共同第一作者、人工智能与人类健康温德赖希部门数据科学家贾斯汀·考夫曼（Justin Kauffman）解释："当患者获得检测结果或治疗建议时，他们可能会问'这对我个人意味着什么？'我们创造了一种全新的回答方式。我们的系统会查看您的完整病史，在就诊前计算您发生中风和大出血的风险。我们不仅告诉您可能发生什么，还会展示这对您个人的可能程度。这为患者和医生提供了比一般统计数据更清晰的个体化认知，因为统计数据可能遗漏重要的个体因素。"
【全文结束】