冠心病抗栓治疗的核心矛盾是缺血与出血风险的平衡，精准的缺血及出血风险预测是实现个体化抗栓的前提与基础。基于临床常规指标构建的传统的风险评估模型虽操作简便，但存在预测精度有限、无法覆盖特殊人群、难以体现动态风险变化等不足。
近年来，随着大数据、人工智能、机器学习技术的快速发展，冠心病抗栓风险预测迈入数字化、多维度、智能化新阶段。新一代风险预测模型整合了多维度数据，如临床特征、炎症指标、血脂指标、冠状动脉影像特征及功能学指标等，通过机器学习算法进行深度挖掘与分析，显著提升了风险预测的灵敏度与特异度。但机器学习模型普遍存在“黑盒效应”，即模型可输出风险预测结果，但无法清晰解释各指标与风险之间的内在病理生理机制，缺乏生物学合理性。
与风险模型构建技术快速发展形成鲜明对比的是，其落地应用进展缓慢。绝大多数风险模型仅具备风险分层价值，缺乏前瞻性随机对照研究证实其指导临床抗栓决策、改善患者远期预后的有效性，指南推荐等级偏低。同时，临床落地存在诸多现实壁垒，加之无配套的诊疗激励与免责机制，导致临床医生仍依赖传统经验决策，最终形成风险模型“科研产出丰富、临床转化匮乏”的局面。
经过数十年的持续探索与革新，冠心病抗栓治疗技术体系日趋成熟完备。近年来我国心血管抗栓领域原创性科研成果持续产出，有效弥补了以往的循证短板，为国内外临床指南修订与临床诊疗优化提供了坚实的本土数据支撑。
未来，冠心病抗栓领域仍具备极大的创新突破空间，需持续深耕新型抗栓药物研发，补齐特殊病患群体的临床证据短板，融合多组学技术与新型生物检测指标，依托人工智能算法与机器学习技术，研发兼具高精准度与可解释性的血栓、出血风险评估体系并积极推动其临床落地。冠心病精准抗栓的诊疗范式将持续革新，从而切实降低患者不良事件发生风险，为广大冠心病患者的远期预后带来更大获益。■
（作者系中国工程院院士）
