好命生醫|HOMNIA

健康風險分數,怎麼幫你決定下一步?以心血管風險評估為例

風險分數估的是一段期間內發生某種疾病的機會,能幫你和醫師討論預防的優先順序。本文以心血管風險評估為例,說明看分數前要問的四件事、換到不同族群為什麼可能低估、多加一項檢測為什麼不一定更有用,以及兩家分數不同時怎麼比較。

醫師與受檢者隔著諮詢桌,一起看著平板上的圖表

作者 蔡嘉櫸博士|臺灣大學醫學院生化暨分子生物學研究所博士、臺灣大學兼任助理教授、好命生醫 Homnia 創辦人暨執行長。研究訓練背景為 Dana-Farber Cancer Institute(Harvard Medical School)。曾主導第二型糖尿病新藥推進至美國 FDA 一期臨床,並建立 ISO/IEC 17025 認證檢驗實驗室。

重點

  • 風險分數估的是一段期間內發生某種疾病的機會,用來和醫師討論預防的優先順序;它預測的是未來,不負責排除眼前的疾病,已有症狀時先就醫。

  • 看分數前先問四件事:預測什麼結果、多久以內、在哪些人身上驗證過、這次要幫你決定什麼。研究顯示,同一個模型換到不同族群,排序可能還準,數值卻可能整體低估(一項研究低估約六成),需要先檢查、重新校準。

  • 多一項檢測或更多分子資料,不一定讓預測更準或更有用。美國心臟協會 2026 年的科學聲明,把預測表現、臨床上能否據以行動、費用與價值分開評估。

健康風險分數可以估計特定期間內發生某種疾病的機會,作為醫病討論預防與照護選項的資訊。它能幫上多少,取決於它預測什麼結果、多久以內、在哪些人身上驗證過,以及結果會不會改變你接下來的選擇;費用與後續評估是否合理,也是價值的一部分。本文以心血管風險評估為例,這類工具用於心血管疾病預防已超過 30 年(Khan et al., 2026)。把分數放回病史、現有檢查與個人目標中,討論會更聚焦;診斷與治療的取捨,仍須由醫師依完整狀況評估。

替家人安排第二意見時,你可能已準備好完整的健檢報告,卻又收到一個新的風險分數。每一份資料都有數字,眼前要決定的事情仍然很具體:現在先做什麼、哪些值得再了解、哪些可以依原安排追蹤?

我會把分數放回這個問題裡。選到用途清楚、適用條件合適的工具,能讓你更有依據地分配注意力,也讓下一次專業討論直接進入重點。

這個分數,準備幫你做哪個決定?

在看高低之前,先替這次評估寫一句任務。例如:「我想了解目前的心血管風險,和醫師討論預防的優先順序。」或是:「我想知道家人的既有照護,還有哪些值得補充的資訊。」任務清楚後,分數就有服務的對象。

已有症狀或明顯功能變化時,先接受適當醫療評估,風險分數的討論可同步進行。

這是風險工具有用的地方:把數項背景資訊一起考慮,協助討論未來可能發生的結果。美國心臟協會 2026 年的科學聲明指出,風險工具要在臨床上真正有用,需要有效的風險溝通,支持醫師與病人共同做決定(Khan et al., 2026)。

對你而言,可以先看分數帶來哪一種幫助。它可能讓原本模糊的預防議題更具體,可能幫忙確認要進一步討論哪些因素,也可能讓你理解為何某個處理值得列入考慮。最終方案還會包含你的病史、生活條件與偏好。

我特別重視最後這一項。即使兩個人的估計風險相近,他們在意的事情也可能不同:有人需要把工作與追蹤安排好,有人正在照顧長輩,也有人最在意某項處理對日常生活的影響。把這些目標說出來,數字才有機會變成適合自己的選擇。

分數算的是什麼結果、多久以內?

「心血管風險」可以涵蓋不同事件,報告上的預測期間也可能不同。你想了解的是未來 10 年的風險、目前有沒有疾病,還是某項處理後的預期結果?先把問題對齊,才容易選到對應的工具。期間本身也會影響人怎麼看待風險:研究顯示,風險以 10 年或終生來呈現,會影響人對嚴重程度的感受(Khan et al., 2026)。

一雙手拿著一份列印的報告,旁邊有一支筆和桌曆

看報告時,可以找出一句完整的描述:「這個版本,用哪些資料,估計哪一群人在多久內發生什麼結果。」若報告只顯示高、中、低,這句描述就是值得補問的資訊。

時間也會影響你如何安排生活。長期風險的討論,可能接上持續的預防與追蹤;眼前已有症狀或已確定疾病時,則有當下的醫療問題要處理。讓不同任務各有位置,資訊就能互相補充。

閱讀研究成績時,也要分清數字的種類。有些指標描述模型在一群人中把風險排出高低的能力(區辨力,常用 C 統計量表示),有些在看一群人中預測的發生比例與實際發生是否相近(校準)。這兩種都是模型在一群人身上的表現,不是對單一個人的預測準確度;兩者也不一定同時好:排序準的模型,仍可能整體高估或低估(Khan et al., 2026)。個人報告若寫百分比,應交代它代表的結果與期間。你需要的是清楚的解釋,不必把整套統計方法變成自己的功課。

這個分數,在像我這樣的人身上驗證過嗎?

要選一個合適的工具,我會看它有沒有接受「換一批資料再檢查」的考驗。這就是外部驗證:把模型帶到建立模型之外、但可能實際使用它的人群,檢查表現(Khan et al., 2026)。驗證的人群越接近你,結果越有參考價值;差距大時,研究常會發現需要調整。

2025 年一項研究,在英國生物資料庫 347,206 名 40 至 74 歲、沒有既往心血管疾病的人身上,用機器學習的存活神經網路建立 10 年心血管疾病風險模型,並與傳統的 Cox 模型比較,再拿中國鄞州 177,756 人的資料做外部驗證(Liu et al., 2025)。模型在兩邊都還能把風險排出高低(C 指數皆高於 0.72),但直接套用到中國資料時,整體風險低估了約六成。研究的主旨,是提出一種用當地族群的發病統計重新校準的方法;校準後,以整個族群來看,預測的發生比例與實際觀察大致相符。

這項研究說明:同一個模型換到差異較大的族群,排序可能還準,數值卻可能偏離,需要先檢查、校準再使用。讀者可以從中帶走一個選擇原則:優先找願意交代適用對象、驗證資料與更新方式的工具。 中國一個地區的結果仍與臺灣有距離,但它清楚示範了,研究如何把「可用在別處嗎」變成可以檢查的問題。

臺灣也有一個公開提供的例子:國民健康署的「慢性疾病風險評估平台」。官方衛教列出的適用年齡為 35–70 歲,依評估項目使用年齡、性別、身高體重、腰圍、血壓、空腹血糖、血脂、吸菸及相關病史等資料,估計未來 10 年的冠心病、腦中風、糖尿病、高血壓與心血管不良事件風險,並用紅、黃、綠燈呈現高、中、低風險(衛生福利部,2021;彰化縣衛生局,2025)。衛福部 2021 年的建模說明指出,國健署委託國家衛生研究院,以 1993–1996 年的國民營養健康狀況變遷調查串聯健保資料建立模型。

用前面的四個問題來看,這個例子交代了預測項目、期間與臺灣的建模資料來源;但「在臺灣建立」仍不能代替「這個版本在目前使用族群中的驗證」。判讀時,還要確認適用對象、區辨力與校準表現,以及結果會改變哪個照護決定。已有疾病或檢驗異常時,風險試算不取代醫師對目前狀況的評估。

同一項檢測用在不同的人身上,結果的意思也會不同,可以參考〈抽血驗失智:有症狀和沒症狀的人,結果代表的意思一樣嗎?〉。

年齡也是同樣的道理。另一項 2025 年研究納入澳洲與美國 15,618 名社區高齡者(平均 75 歲,來自一項阿斯匹靈試驗及其後續追蹤),中位追蹤 6.3 年,檢驗六個常用的心血管風險模型,其中五個原本是為中年族群建立的(Ganjali et al., 2025)。研究調整模型係數後,區辨力有所改善,但仍屬中等(C 統計量男性 0.62–0.64、女性 0.68–0.69)。

這群參與者納入時沒有既往心血管事件、失智或身體失能,主要是相對健康的白人長者。研究者也建議,先在衰弱或多重疾病的長者身上做外部驗證,再用於臨床(Ganjali et al., 2025)。若家人已有衰弱或多重疾病,討論時就要把這些背景補進來,確認哪個工具與照護問題最合適。

這些研究評估的是模型在群體中的預測表現,還沒有實際比較「用了模型安排照護」與「沒用」的人,後來健康結果有沒有差別。它們提供的正面訊息是:工具可以被檢查、被更新,也應該接受與用途相稱的驗證。信任可以建立在這些具體交代上。

多做一項檢測,會讓哪個選項更清楚?

願意投資健康的人,很容易遇到一個選擇:既有報告之外,要不要再加一項新檢測?我會先問,它預計補上什麼。若答案能接上目前的決策缺口,後續比較就有方向。

例如,醫師已經依病史與既有資料給了清楚建議,你可以先了解新增的資訊是否可能改變原方案。若新結果只會換一個說法,它的價值和真正能影響選擇的資訊就不同;若能補充重要的疑問,也值得把它需要的費用與後續安排一起了解。

美國心臟協會 2026 年的評估框架,把預測表現、臨床實用性、費用與價值分開考慮(Khan et al., 2026)。科學上更會預測,和臨床上值得採用,是需要接續評估的兩件事;這能幫你把健康投入放在真正有用途的地方。

前面那項高齡研究也有一個值得保留的結果:研究試著再加入地區社經指數、憂鬱與血清肌酸酐,更新後模型的區辨力都沒有因此提高(Ganjali et al., 2025)。這使「多一項」變成一個有內容的問題:新增的是什麼,它是否補上了目前工具欠缺的資訊?

這些問題同樣適用於新式生物標記與 AI 分析。美國心臟協會的聲明特別點名基因體、蛋白體、代謝體與 AI 等新方法,並提醒整合更多資料,不一定就讓預測更準或更有用(Khan et al., 2026)。先看用途、再看驗證與預計行動,能讓技術的價值說得更具體。指標要真的代表健康結果,還需要另一層驗證,可以參考〈檢查數字變好了,人就真的比較健康嗎?「替代指標」要通過哪三層驗證〉。

兩家院所的分數不一樣,該怎麼比?

跨院或跨國取得第二意見時,兩份分數可能看起來不一樣。先把原始資料放在一起,確認比較的是同一個問題,往往比急著挑一個數字相信更有效率。

表格:比較兩份風險報告時要先對齊的四件事,包含預測結果與期間、模型與版本、適用背景、建議與理由,以及各自的問法與對下一步的幫助。

如果兩份建議其實接近,分數表面的差距可能不會改變眼前的安排;你可以請醫師說明,是否仍有需要釐清的部分。若建議明顯不同,就把差異聚焦在它會改變的決定上,而不是只比較哪一份報告的數字較大。

替長輩準備時,還可以附上最在意的生活目標與原有的照護安排。醫師看到的資料越接近真實生活,越容易說明每個選項的適用條件與取捨。重要的醫療決定直接進行,資料整理可以同步補齊。

拿到分數後,怎麼和醫師討論選項?

數字有了用途,接下來就可以討論選項。你可以請醫師說明:「依我目前的情況,這個安排預計帶來什麼幫助?有哪些需要考慮的負擔?如果採取另一個做法,我們會怎麼追蹤?」讓好處、代價與後續安排都有位置,決策才完整。

例如,你最在意的是長輩能維持目前的日常活動,就把這個目標放進討論。不同安排可能牽涉就診、檢查或執行上的負擔;請醫師把選項和家人的實際狀態一起說明,能幫你理解建議背後的理由。

如果某個新檢測可能影響處理方向,也可以先了解可能出現的結果:不同結果各會帶來什麼下一步?這樣問,能讓你在檢查前就知道它的任務,收到結果後也比較容易接續討論。

最後,把共同決定留下來,包括目前的安排、選擇理由與之後要確認的問題。之後即使換院所、換照顧者,新的專業人員也有線索理解原本的取捨。

怎麼讓每一個分數,都接得上下一步?

我會建議你在討論結束前,帶走一個完整的答案:目前優先關注什麼、已決定採取哪個安排,以及之後用什麼資料回看。這能讓風險評估成為長期健康管理的一部分,也讓你理解每一步的理由。

好命生醫的服務思路,是整合不同時間與來源的健康資訊,結合生活紀錄、代謝體資料與 AI 輔助整理,讓重點與變化更容易被看見。這樣的整理可以先從你已有的報告與問題開始,之後再了解哪些健康管理支持適合自己。

如果你正面對好幾份報告,想先把問題與重點接起來,可以從認識資料如何被整合開始。清楚的服務流程,應該讓你知道會使用哪些資料、提供哪一類健康管理參考,以及哪些醫療決定需要回到醫師。

了解好命生醫如何整合報告與日常健康資料

下次替自己或家人看風險分數時,先問它能讓哪個選擇更清楚。能接上目標、證據與行動的數字,才真正用得上。

個人觀點,非醫療建議。

利益揭露:作者為提供代謝體檢測及健康管理相關服務的好命生醫 Homnia 創辦人暨執行長。本文引用第三方模型研究、專業學會科學聲明與公司公開服務介紹,並介紹公司服務入口;未使用公司內部成效數據。國際研究的表現不等同好命生醫任何模型或檢測的效能。所引研究中,Liu 等人(2025)有兩位作者任職於藥廠默沙東(MSD/Merck & Co.);美國心臟協會聲明的撰寫小組有部分成員揭露產業研究經費或顧問關係,詳見聲明本文。

本文最後更新:2026/11/19

常見問題

風險分數準嗎?

「準」分兩種,而且都是在一群人身上評估的:能不能把風險高低排對(區辨力),以及估出的發生比例和實際發生是否相近(校準),兩者不一定同時好(Khan et al., 2026)。例如一項研究把英國建立的模型直接套用到中國資料,排序仍可用,整體風險卻低估約六成,重新校準後,整體的預測比例才與實際觀察大致相符(Liu et al., 2025)。這些都不是對單一個人的預測準確度。所以要問:這個版本在哪些人身上驗證過,和你的情況接不接近。

心血管的 10 年風險是什麼意思?

指模型估計在未來 10 年內發生心血管疾病的機會,是根據條件相似的一群人算出來的,不代表你一定會或不會發生。研究也顯示,風險以 10 年或終生來呈現,會影響人對嚴重程度的感受(Khan et al., 2026)。看到百分比時,先確認它指的是哪一種結果、多久以內。

已有症狀,可以先靠風險分數決定要不要就醫嗎?

不行。症狀需要依實際狀況接受醫療評估,預測未來風險的分數不負責排除眼前的疾病;本文引用的研究,對象也都是還沒有心血管疾病的人(Liu et al., 2025;Ganjali et al., 2025)。持續惡化、明顯影響日常功能或出現急性警訊時,直接尋求醫療協助,不等待資料整理或健康管理流程完成。

模型出了更新版,舊報告要全部重做嗎?

先詢問更新改了哪些內容,以及舊資料是否仍可使用。風險模型本來就會改版,例如美國的心血管風險工具,從 Framingham 模型、合併世代方程式演進到 PREVENT 方程式(Khan et al., 2026)。新版可能調整公式、輸入項目或適用範圍,是否需要重新評估取決於原本的照護問題。保留舊報告與版本日期,有助於專業人員說明變更的實際意義。

預測期間過後沒有發病,代表當初評估白做了嗎?

不代表。一次個人的結果,不足以檢驗整個模型,也無法單獨說明某項預防安排的貢獻。回看時更適合問:當初的評估是否幫助形成合適的決定,相關的風險因素與照護目標如何變化。模型的品質,需要透過足夠的人群資料評估。

新研究用了很多分子,是否就值得加做?

先看新增資訊是否經過相應的驗證,以及它會補上哪個實際問題。美國心臟協會的聲明提醒,整合更多資料不一定讓預測更準或更有用;新的血液標記還要考慮量測的穩定度與費用(Khan et al., 2026)。分子數量描述的是資料內容,採用的價值還包含適用對象、量測方法、費用與後續行動;研究中的技術也未必等同你正在考慮的服務。

資料來源

  1. 心血管風險預測用於預防超過 30 年;外部驗證、區辨力與校準的定義;風險溝通支持共享決策、期間影響風險感受;預測表現、臨床實用性、費用與價值分開評估;更多資料不一定更有用(點名基因體、蛋白體、代謝體與 AI);工具由 Framingham 演進到 PREVENT

    Khan SS, et al. Criteria to Assess the Predictive and Clinical Utility of Novel Models, Biomarkers, and Tools for Risk of Cardiovascular Disease: A Scientific Statement From the American Heart Association. Circulation. 2026;153(11)(線上 2026-02-11). DOI: 10.1161/CIR.0000000000001401

    類型:專業學會科學聲明。限制:美國臨床情境;是評估框架,不是個別工具的效能結果。撰寫小組部分成員揭露產業研究經費或顧問關係(聲明附揭露表)。讀全文(PMC 作者稿)

  2. 英國生物資料庫 347,206 人建立 10 年心血管風險的機器學習(存活神經網路)模型,以中國鄞州 177,756 人外部驗證:C 指數皆 >0.72,直接套用低估約六成,以族群層級發病統計再校準後大致修正

    Liu X, et al. A population-based recalibration method for updating survival neural networks models for cardiovascular risk prediction in United Kingdom and China. Journal of Clinical Epidemiology. 2025;185:111895(線上 2025-06-30). DOI: 10.1016/j.jclinepi.2025.111895

    類型:模型建立與外部驗證的方法學研究。限制:中國單一地區,非臺灣;只讀到摘要。兩位作者任職於默沙東(MSD/Merck & Co.)

  3. 澳洲與美國 15,618 名相對健康的社區高齡者(平均 75 歲,ASPREE 試驗及後續追蹤),中位追蹤 6.3 年,驗證並更新六個心血管風險模型:更新後 C 統計量男性 0.62–0.64、女性 0.68–0.69;加入地區社經指數、憂鬱、血清肌酸酐未提高區辨力;作者建議先在衰弱或多重疾病長者身上外部驗證

    Ganjali S, et al. Predictive performance of cardiovascular disease risk prediction models in older adults: a validation and updating study. Heart. 2025;111(21):1004–1012(線上 2025-05-14). DOI: 10.1136/heartjnl-2025-325665

    類型:模型驗證與更新研究。限制:以白人、相對健康、70 歲以上者為主;只讀到摘要。作者聲明無利益衝突

  4. 臺灣慢性病風險評估模型由國健署委託國家衛生研究院,以 1993–1996 年國民營養健康狀況變遷調查串聯健保資料建立;預測未來 10 年冠心病、腦中風、糖尿病、高血壓等慢性疾病風險;以紅、黃、綠燈表示高、中、低風險

    衛生福利部〈「臺灣慢性病風險評估」模型出爐 您也可以預知未來〉(資料來源:國民健康署;建檔 2021-03-29、更新 2021-11-02;2026-10-29 查閱). https://www.mohw.gov.tw/cp-2704-58821-1.html

    類型:官方新聞。限制:介紹當年的建模與試導入;本頁未列區辨力、校準等驗證數值,也不能據此判定現行版本是否已更新

  5. 「科學算病館」適用 35 至 70 歲;預測未來 10 年五種慢性疾病(冠心病、腦中風、糖尿病、高血壓、心血管不良事件)風險;輸入年齡、性別、身高、體重、腰圍、收縮壓、空腹血糖、血脂、吸菸狀況與糖尿病、高血壓病史

    彰化縣衛生局〈健康有跡可循,數據助你預防!科學算病館,讓未來更安心!〉(2025-07-22;2026-10-29 查閱). https://www.chshb.gov.tw/node/219118370

    類型:地方衛生局官方衛教。限制:公開使用說明,不是模型效能驗證報告

  6. 好命生醫整合不同來源與時間的健康資訊、結合生活紀錄與代謝體資料、AI 輔助整理的服務說明

    好命生醫 Homnia〈關於好命〉https://homnia.life/about

準備好開始了解自己的身體了嗎?

從科學檢測到個人化建議,好命生醫陪你走第一步。