中榮陳適安談「心房顫動 AI 醫療技術」數位孿生實戰進展

心房顫動（Atrial Fibrillation, AF）是最常見的心律不整之一，尤其在 55 歲以上族群中盛行率高達 5% 至 10%。近年來，隨著人工智慧（AI）與數位孿生（Digital Twin）技術的精進，臨床醫學迎來一場巨變。2025 國家生技研究園區招商暨人才與技術媒合會（NBRP Demo Day），台中榮總名譽院長、亞太心律不整學會主席陳適安（Shih-Ann Chen）以「AI 模型與數位分身的心房顫動機制與治療策略」為題演講，揭示 AI 如何翻轉心房顫動的診斷與治療策略。

演算法診斷未見之病：從 ECG 預測心房顫動

「不規則中的不規則」是心房顫動最典型的電圖特徵，卻也正是難以即時診斷的原因。陳適安指出，短暫性（Paroxysmal）AF 患者往往在發作時才出現症狀，常規心電圖（ECG）無法捕捉異常，導致誤診或延遲診斷。

為解決此困境，陳適安團隊運用深度學習（Deep Learning）分析逾 38,000 筆正常 ECG 資料，建立高準確率的 AI 模型，成功預測未來可能發生 AF 的高風險族群。該研究與陽明交通大學合作，開發「色彩覆蓋分析法（Color-Covered ECG Feature）」技術，強化圖像辨識，AUC（曲線下面積）高達 0.87，顯示即使在症狀潛伏期，AI 亦能偵測微弱異常，提前示警。

數位孿生引導消融術：找出異常放電的源頭

過去 AF 消融術主要聚焦於 AF 導火線：肺靜脈（Pulmonary Vein, PV），然臨床上有 10% 至 15% 的病灶來自非 PV 區域。陳適安團隊建構出「左心房數位孿生模型（Anatomical and Functional Digital Twin of Left Atrium）」，以 7,000 筆 CT 資料結合自動分割與 3D 重建，模擬左心房動態與觸發點分布。透過 AI 模型標記電氣異常高密度區域，術前即可辨識高復發風險患者並優化消融範圍，精準導引手術，大幅提升治療成功率。

例如，對於非典型肺靜脈觸發者，若僅進行傳統 PV 消融，復發率極高。AI 輔助辨識後可將準確率從傳統的 70% 提升至 88.3%，大幅改善療效。

術後復發預測與治療建議：結合臨床與電氣特徵

AI 不僅能預測初次發作風險，也能評估術後復發可能。以穩定支持向量機（Stable Support Vector Machine, SVM）為基礎，團隊整合臨床資料（如左心房容積、甲狀腺功能）與 ECG 特徵，比對不同模型發現，僅靠臨床變項，AUC 僅 0.75，但若加入 ECG 電氣資訊，則可顯著提升至 0.86。

此外，陳適安強調，與國際同步進行的隨機對照試驗（RCT）證實，AI 引導的消融術不僅可加速手術中定位，亦能大幅降低復發率，相關研究已於《JAMA Network》與《BMJ Medical Research Methodology》發表。