AI模型精准识别房颤患者抗凝治疗需求
西奈山医院/西奈山医学院
会议发布："突破性科学"专场在欧洲心脏病学会 - 人工智能驱动的心血管生物标志物与临床决策
标题：图神经网络自动化抗凝决策
关键结论：西奈山研究团队开发的AI模型可为心房颤动（AF）患者提供个性化治疗建议——帮助临床医生准确判断是否需要使用抗凝剂（血液稀释药物）预防中风，这是该患者群体的当前标准治疗方案。该模型开创了AF患者临床决策的全新方法论，可能带来该领域范式转变。
本研究中，AI模型对多达半数AF患者建议避免使用抗凝剂治疗——这些患者依据当前护理标准本应接受该治疗。这种改变可能对全球健康产生深远影响。
研究重要性：AF是最常见的心律失常，全球约5900万人受累。发作时心脏上腔室震颤导致血流淤滞形成血栓，这些血栓可能进入大脑引发中风。抗凝剂是该人群预防血栓和中风的标准治疗，但某些情况下可能引发重大出血事件。
该AI模型利用患者完整电子健康记录生成个性化治疗建议，权衡脑卒中风险与大出血风险（无论是否由血液稀释剂治疗引发）。这种临床决策方法相较当前实践更具个体化特征——当前临床使用基于群体研究的平均风险评分工具，而非针对个体的风险评估。该模型提供个体层面的风险评估，并据此生成综合治疗获益与风险的个性化建议。
本研究可能彻底改变临床医生治疗这种常见疾病的方式，以最大限度减少中风和出血事件。同时标志着临床决策模式的范式转变。
研究独特性：这是首个基于患者实际临床特征（通过底层风险评估）设计的个体化AI模型，计算综合获益推荐以减少中风和出血。研究方法：研究人员基于180万患者、2100万次门诊记录、8200万条笔记和12亿个数据点训练AI模型，生成是否使用抗凝剂的综合推荐。
模型验证：在西奈山医疗系统38,642名房颤患者中测试模型性能，同时在斯坦福大学12,817名公开数据集患者中进行外部验证。
结果：模型生成的治疗建议有效平衡中风与出血风险，将约半数AF患者的抗凝治疗建议重新归类——这些患者依据现行治疗指南本应接受抗凝治疗。
临床意义：该研究标志着患者护理新时代的到来。对于房颤患者治疗，将实现更个性化、精准化的治疗方案。
研究人员观点：
"这项研究标志着我们管理房颤患者抗凝治疗方式的深刻现代化，可能改变临床决策范式，"西奈山福斯特心脏医院机器学习主任Joshua Lampert医生表示，"该方法克服了临床医生将群体统计外推到个体时评估净效益的需求——这正是临床医生希望达成的核心目标。模型不仅能计算初始建议，还能根据就诊前的完整电子健康记录动态更新建议。值得注意的是，这些建议可分解为中风和重大出血概率，减轻了临床医生权衡非个性化风险的认知负担，避免了额外数据收集的人力需求，并提供直观的个体化风险剖面以辅助患者咨询。"
"这项工作展示了先进AI模型如何综合电子健康记录中的数十亿数据点生成个性化治疗建议，"西奈山艾肯医学院人工智能与人类健康系主任Girish Nadkarni医生补充道，"通过突破'一刀切'的人群风险评分，我们现在可以向临床医生提供个体化的中风和出血概率，实现共享决策和精准抗凝策略，这是真正的范式转变。"
"预防中风是房颤管理的核心目标，这种心脏节律障碍预计一生中将影响三分之一成年人，"西奈山福斯特心脏医院心脏电生理学主任Vivek Reddy医生指出，"如果未来随机临床试验证明该AI模型至少具有观察到的部分区分高低风险患者的能力，该模型将对患者护理和预后产生深远影响。"
"当患者询问'这对我的具体意义'时，我们创造了全新回答方式，"共同第一作者、人工智能与人类健康系数据科学家Justin Kauffman解释道，"我们的系统查看完整病史，在就诊前计算中风和大出血风险。不是简单告知可能发生什么，而是展示您个人发生的可能性及概率，这给医患双方更清晰的个体化认知，而非依赖可能遗漏重要个体因素的统计数据。"
【全文结束】
