在腎功能惡化前24小時示警：多院區AI追溯患者風險來源

急性腎損傷往往在住院期間悄然形成，等到肌酸酐明顯升高，能夠阻止傷害的時間窗口可能已經縮小。一項多中心研究嘗試把預警再往前推：不只判斷患者是否可能在24小時內發病，也將警報拆解成具體風險來源，讓醫療人員知道下一步該檢查什麼。

研究團隊分析中國四家不同層級與地區醫院共140,637次住院紀錄，整體急性腎損傷發生率為4.8%。系統建立在Qwen2.5-7B架構上，由兩個專用模型分工：AKI-PM讀取每六小時更新的電子病歷資料，預測未來24小時風險；AKI-RAM則區分不可改變與可介入因素，例如年齡、既有疾病、體液不足或新發感染，再生成相應建議。

在17,074次同院內部驗證中，預測模型的曲線下面積（AUC）為0.95，陽性預測值為0.68。它直接套用至三家外部醫院時，AUC為0.88至0.91；研究人員再以各院隨機抽取的1,000筆資料進行少樣本調適後，AUC提高至0.92至0.96，陽性預測值達0.69至0.74。這表示模型仍需吸收部分院區特有的患者組成與資料模式，才能達到最佳表現。

相較於只列出變數重要性的傳統預測工具，風險歸因模型試圖把警報翻成臨床語言。六名具有至少五年經驗的腎臟科醫師審查來自內、外部資料的200個案例，模型在病例理解、指引一致性、臨床推理、建議可接受度及傷害風險等八個面向，五分量表平均獲得4.18至4.88分；評審間一致性則屬中度至良好。

不過，醫師認為解釋合理，並不等於這些建議已能改善患者結局。研究全數使用既有病歷回溯驗證，尚未在日常醫療流程中檢驗警報是否會改變處置、降低急性腎損傷發生率，或造成新的警報疲勞。模型在加護病房患者中的表現也較不穩定，而且目前只能描述可介入因素的時間關聯，無法以數值量化每項因素對個人風險的貢獻。

因此，這套系統目前較接近具潛力的臨床決策支援原型，而非可自行下判斷的診療工具。下一道關卡是前瞻性、最好採隨機設計的臨床驗證，並評估跨國醫療體系、資料品質差異、隱私治理與持續監測需求；只有證明預警帶來的介入確實有益，漂亮的辨識指標才會轉化為患者獲益。