【ACC 2026 Late-breaker：ALERT 試驗】 自動化電子病歷警示能否改善嚴重瓣膜疾病的治療不足？ 來源：ACC 2026 Late-breaker Discussion｜Radcliffe Cardiology 主持：Dr. Harriette Van Spall（McMaster University，加拿大） 嘉賓：Dr. Wayne Batchelor（Inova Schar Heart and Vascular，美國） 影片：https://www.youtube.com/watch?v=xNS5VJyblIM ━━━━━━━━━━━━━━━━━━━━━━━ ▎研究背景 嚴重瓣膜性心臟病（valvular heart disease）的治療不足是心臟病學中長期存在的問題。研究顯示，約 50% 的嚴重主動脈瓣狹窄（aortic stenosis, AS）患者從未被轉介至專科醫師進行進一步評估，這個問題已被認知多年，卻一直缺乏有效的系統性解決方案。 ALERT 試驗的核心理念是：利用人工智慧（AI）與自然語言處理（NLP）技術，透過自動掃描心臟超音波報告來識別嚴重瓣膜疾病患者，並向其臨床醫師發送電子病歷（EHR）通知警示，促進及時的專科轉介與治療。 ━━━━━━━━━━━━━━━━━━━━━━━ ▎試驗設計 【試驗類型】實用性（pragmatic）、多中心、叢集隨機對照試驗（cluster-randomised），以臨床醫師為隨機化單位 【技術平台】Tempus Next 平台——使用 AI 與 NLP 技術持續掃描心臟超音波報告，自動識別符合條件的患者 【納入標準】 ・嚴重主動脈瓣狹窄（severe AS） ・中重度至重度二尖瓣逆流（moderate-severe 或 severe MR） ・尚未轉介至多專科心臟團隊的患者 【隨機分組】以臨床醫師為單位隨機分配： → 警示組（Alert arm）：376 位臨床醫師，1,034 名患者 → 無警示組（No alert arm）：389 位臨床醫師，1,012 名患者 → 總計 2,046 名患者 【每位醫師平均患者數】2.6 名——不太可能造成警示疲勞 【主要終點】90 天內多專科心臟團隊轉介或瓣膜介入治療的比例，採用分層勝率法（stratified win ratio）分析 ━━━━━━━━━━━━━━━━━━━━━━━ ▎患者特徵 本試驗排除已轉介至多專科心臟團隊的患者，納入真正「被遺漏」的族群： 【主動脈瓣狹窄患者】 ・平均主動脈瓣面積：0.85 cm² ・平均壓差：31 mmHg ・峰值壓差：51 mmHg → 低流量低壓差 AS 患者比例較高，正是最容易被忽略的族群 【二尖瓣逆流患者】 ・2/3 為中重度（3+）MR ・1/3 為真正重度 MR ・約 50% 射血分率 < 50% ━━━━━━━━━━━━━━━━━━━━━━━ ▎主要結果 【主要複合終點（90 天）】 警示組：24% 獲得轉介或瓣膜介入 無警示組：19.9% 絕對差異：+4.4% ✓ 達到統計學顯著性 【次要終點】 ・多專科心臟團隊轉介時間：警示組顯著縮短 ・瓣膜介入治療時間：警示組顯著縮短 → 兩項個別終點均達統計學顯著性 ━━━━━━━━━━━━━━━━━━━━━━━ ▎亞組分析 警示效果在所有預設亞組中一致，無顯著異質性： ・年齡（> 65 歲 vs ≤ 65 歲） ・性別、種族、社會剝奪指數 ・住院 vs 門診、城市 vs 鄉村 ・心臟科 vs 非心臟科醫師 ・五個參與研究中心 ━━━━━━━━━━━━━━━━━━━━━━━ ▎分析方法 主要分析基於修正意向治療（Modified ITT）族群，排除了 102 例因研究中心失去 EHR 存取權限而無法執行的心臟超音波。此排除同時影響兩組，未造成偏差。 ━━━━━━━━━━━━━━━━━━━━━━━ ▎實施考量 ・AI 軟體需與各醫療系統的 EHR 進行整合（API/HL7） ・正式實施需支付軟體授權與部署費用 ・成本分析顯示介入帶來的效益足以證明成本合理性 ━━━━━━━━━━━━━━━━━━━━━━━ ▎結論 ALERT 試驗證明自動化 EHR 警示能顯著增加嚴重瓣膜疾病患者的及時轉介率與介入治療率。這是電子病歷臨床決策支持工具在瓣膜疾病領域的重要實證，未來將進一步分析臨床醫師層面差異與健康不平等議題。 ━━━━━━━━━━━━━━━━━━━━━━━ 本文內容完全依據影片中的對談逐字稿整理，僅反映影片中討論的研究數據與觀點，不包含額外推論。