AI が変える救急派遣：機械学習による患者優先順位付けの実証研究

スウェーデンでのランダム化比較試験により、機械学習を活用した患者リスク評価ツールが、限られた救急車資源の中で高リスク患者の識別と優先順位付けを改善できることが示されました。

背景

世界の多くの地域で、救急車の需要が供給を上回る「資源制約状況」が発生しています。このような状況では、派遣者が低優先度の患者の中から真の高リスク患者を識別することが、患者の予後を大きく左右します。従来の派遣ルールは、構造化された臨床判断支援システムと派遣者のメモから得られる情報を十分に活用できていない可能性があります。機械学習（ML）は、これらの膨大な臨床情報から高リスク患者のパターンを検出し、派遣者の判断を支援する技術として注目されています。

研究方法と主な発見

MADLAD試験は、スウェーデンの2つの救急医療派遣センターで2021年から2024年にかけて実施されたランダム化比較試験です。低優先度の患者（合計1,245人）を、機械学習ベースのリスク評価ツールを使用する群（660人）と標準的な臨床診療群（585人）に割り付けました。

機械学習モデルは勾配ブースティング法を用いて構築され、患者の最終的なバイタルサイン測定に基づくNEWS 2スコア（国立早期警告スコア）の予測に使用されました。主要な評価項目は、最初に利用可能な救急車が、実際に最高のNEWS 2スコアを持つ患者に派遣されたかどうかでした。

主な結果は以下の通りです：

• 機械学習群では68.3％の患者が最高NEWS 2スコアの患者を正しく優先順位付けされた一方、対照群では62.5％でした（オッズ比1.28, 95％信頼区間[1.00, 1.63], p=0.047）
• 派遣者がMLの推奨に従った割合は80.9％で、理論的に100％準拠した場合のオッズ比は1.56（p<0.001）に上昇しました
• 優先順位付けされた患者の派遣時間は、ML群で平均29分に対し対照群では32分でした
• 4年間の研究期間を通じてモデルのパフォーマンスは安定しており、性能低下の兆候はありません

臨床的意義

本研究は、機械学習による意思決定支援ツールが、資源制約状況下で派遣者の患者リスク識別能力を有意に改善できることを示しています。絶対的な改善率は6％程度と限定的ですが、これはスウェーデンのような高度に発達した救急医療システムでも、AIの活用により患者優先順位付けの精度を向上させられることを示唆します。

特に注目すべき点は、派遣者のMLに対する準拠率が80.9％であることです。これは、派遣者がAIの支援を実用的に受け入れており、実装可能性が高いことを反映しています。一方で、20％の非準拠事例の存在は、モデルの信頼度向上と派遣者のAIに対する信頼構築が並行して必要なことを示唆しています。

研究の限界

本研究にはいくつかの限界があります。第一に、スウェーデンという単一国での実施であり、派遣者の訓練レベルが異なる地域での効果は不明です。第二に、対象は低優先度患者に限定されており、より重症患者への効果は検証されていません。第三に、2つの派遣センターでの実施であり、より大規模なコホートでの検証が必要です。今後の研究は、より広範な患者層と地域での検証、派遣者訓練レベルの異なる環境での効果検証が期待されます。

Original paper: Machine learning assisted differentiation of low acuity patients at dispatch: The MADLAD randomized controlled trial. — PLoS medicine. 10.1371/journal.pmed.1004770

🎧 ポッドキャストを聴く