为什么心血管病看起来"突然发生"
一个人平时身体没什么明显不舒服，体检报告上的每一项指标也都在"正常范围"边缘晃悠，结果某天突发心梗——这种故事我们听得太多了。但从医学角度看，绝大多数心血管事件其实不是突然发生的，而是身体在长达数年的时间里，一点点累积风险的结果。
真正的难点在于：风险信号是分散的、组合性的。血压稍微偏高一点、血脂略微超标一点、血糖在临界值附近、加上年龄和家族史——每一项单独看都"还行"，医生很难仅凭某一项就拉响警报。但这些"还行"叠加在一起，可能意味着一个相当高的综合风险。
这就像天气预报。单看气温、单看湿度、单看气压，都说明不了会不会下雨。但气象模型把几十个变量放在一起算，就能提前几天给出降雨概率。AI 预测心血管风险，做的是同一件事——把分散的身体信号"放在一起算"。
AI 到底"看"什么？16 项常规指标
ReHealth AI 的心血管风险模型，输入的不是什么高深的基因检测或昂贵的影像，而是一次普通体检就能拿到的 16 项常规指标。这意味着绝大多数人不需要额外做任何特殊检查，用现有的体检数据就能完成风险评估。
📊 基础信息
- 年龄、性别
- BMI （体重指数）
- 家族病史
🩺 血压相关
- 收缩压、舒张压
- 是否已有高血压
🧪 血脂血糖
- 总胆固醇、低密度脂蛋白
- 高密度脂蛋白、甘油三酯
- 空腹血糖、是否糖尿病
🏃 生活方式
- 吸烟、饮酒状态
- 运动频率
模型会把这 16 项一起"读进去"，学习它们之间复杂的相互作用——比如"高血压 + 吸烟"的风险，远不是两个风险简单相加，而是会相互放大。这种非线性的组合关系，正是人脑难以靠经验准确权衡、而机器学习模型擅长捕捉的。
从数据到预警：三步走
学习海量真实病例
模型在大规模真实人群健康数据上训练，学习"哪些指标组合，最终发展成了心血管事件"。训练数据涵盖了不同年龄、性别、健康状况的人群样本。
给出风险概率，而非简单"有/无"
对一个新的个体，模型输出的是一个 0 到 1 之间的风险概率，并按概率高低分为低、中、高风险层级。这比"你有没有病"的二元判断更有用——它告诉你"需要多警惕"。
解释"为什么高"——可解释性
这一步特别关键。模型不只给一个分数，还用 SHAP 技术拆解出每一项指标对最终风险的贡献度——是血压拉高了风险，还是血脂、还是吸烟？这让医生和用户都能看懂结论从何而来，而不是面对一个黑箱。
准不准？用 AUC 说话
衡量一个预测模型"准不准"，医学界常用的指标叫 AUC。简单理解：AUC = 0.5 相当于"瞎猜"，AUC = 1.0 是"完美预测"。一般认为 AUC 超过 0.8 就属于表现优秀的临床预测模型。
ReHealth AI 的心血管风险模型 AUC 达到 0.839，意味着它在区分"高风险"和"低风险"人群上具有可靠的判别能力。更重要的是，这个判别能力可以提前 1-3 年发挥作用——也就是在事件真正发生之前，留出足够的干预窗口。
为什么"提前量"这么重要？心血管风险是可以被干预逆转的。提前 1-3 年发现高危，意味着有充足时间通过控制血压、调整血脂、改善生活方式来把风险降下来。预测的价值不在于"算命"，而在于为干预争取时间。
ReHealth AI 的不同之处
市面上能做风险预测的工具不少，但 ReHealth AI 的技术优势体现在三个方面：
- 不止于预测，而是闭环：预测只是第一步。ReHealth AI 完成的是"预测 → 干预 → 归因 → 结算"的完整闭环，能用因果推断方法量化"干预到底有没有用"，而不是预测完就结束。
- 可解释，不是黑箱：每个风险评分都附带 SHAP 因子拆解，医生能看懂、能信任、能据此制定干预方案。
- 隐私优先：采用联邦学习架构，患者原始数据始终留在本地机构，不出域。隐私保护是医疗 AI 的底线，而非附加功能。
AI 预测心血管风险，本质是把分散在体检报告里的微弱信号"放在一起算"，在事件发生前 1-3 年识别出高危人群，为干预争取宝贵时间。ReHealth AI 在准确的预测之上，进一步打通了干预、归因与结算的完整闭环。